每個時代躍遷都離不開生產要素的轉變，數智化時代的核心生產要素就是數據。當前，大模型技術的爆發進一步加速了數據與星空人工智能融合發展的需求。可持續的高質量數據供給是星空人工智能發展的不竭動力，相關實現路徑研究舉足輕重。

作為AI發展的基礎燃料

行業高質量數據集亟需挖掘

算法、算力、數據是星空人工智能發展的三個基本要素，三者的持續演進升級推動星空人工智能的迭代發展。數據資源的開發利用，為星空人工智能提供了規模化、標準化的訓練數據，推動了算法的迭代以及場景的創新，可持續的高質量數據集供給將成為星空人工智能發展的不竭動力。在行業數字化、智能化發展客觀需求的牽引下，基于特定場景和行業數據的應用開發成為星空人工智能價值落地的必然路徑。我國的工業門類全，應用場景多，制造業、醫療、金融等領域積累了大量的高價值數據，這為我國星空人工智能產業發展提供了廣闊的增長空間。

伴隨而來的，是行業高質量數據集供給短板初露端倪。一方面，隨著大模型訓練數據量呈指數級增長，支撐AI發展的互聯網通用語料資源正面臨枯竭風險；另一方面，當前80%以上的工業數據為“暗數據”，仍待從沉睡中激活。

可持續高質量數據集供給

仍有三大難題待解

當前，基于數據質量、安全需求、身份信任等現狀，數據存在對AI不可見、不可信、不可用三大難題。

首先，數據對AI不可見。由于行業數據通常存在跨主體數據壁壘，組織間或系統間數據割裂，AI模型無法獲取完整數據視圖和數據目錄。同時，政府、金融等領域核心數據資產，因安全合規要求難以被大模型實時、低成本發現，碎片化的數據輸入會引發模型偏見與低效，導致模型決策可信度下降。“AI繭房”，使得AI模型陷入“數據不可見性陷阱”。

其次，數據對AI不可信。即便數據可見，由于數據供給方和消費主體間面臨身份信任壁壘，如供數方擔心數據外漏、模型廠商擔心模型資產安全、用戶擔心個人隱私泄露，加之數據和AI語料集的全生命周期身份認證缺少可靠技術支持，以及模型可解釋性缺失情況下的“黑箱模型”難以滿足金融、醫療等強監管場景需求，數據對AI不可信同樣是關鍵難題。

最后，數據對AI不可用。文本、視頻、圖片等數據格式差異大，若缺少統一元數據管理與跨模態對齊技術，將因為數據分散、質量參差不齊、多樣性不足導致語料與理解有偏差、異構數據智能治理能力缺失，存在欠擬合或過擬合風險，產生數據對AI不可用困境。

泛在入湖、數據可信、AI可用的解題路徑

解決上述三大難題，需要系統化設計和攻關數據供給、模型進化的雙向治理機制和創新技術，一方面可以降低大模型幻覺從而深化大模型應用價值，同時也是遵循數據空間“三統一”要求，保持身份、標識、目錄在數據域底層技術方面的互聯互通互信。

首先，數據對AI可見，依賴數據的全量實時管理能力：

通過全網（云內/云邊/云間）、跨域（IT/OT，實時/準實時/離線）數據的統一集成和多引擎數據調用方式，構建全場景數據入湖能力；

統一結構化、半結構化、非結構化的元數據管理，統一數據目錄，實現全模態數據管理；

與源端數據保持實時連接，面向主動AI決策場景提供實時分析決策和數據主動性管理能力。

其次，數據對AI可信，需要實現身份、內容、全鏈數據可信：

全生命周期身份認證和數據透明，一數一證；

通過內容脫敏、過濾、審核，保障內容合規；

以數據加密和多種訪問權限控制、數據膠囊技術、可信執行環境、全流程上鏈存證，實現數據存儲、流通、計算、操作的全鏈路可信。

最后，數據對AI可用，需要數據語料化、知識化和數據分析智能化能力：

AI訓練場景下，支持NLP/CV/多模態等數據的自動清洗與智能標注、文本類數據智能合成、結構化數據特征工程，提供高質量語料和知識；

AI推理場景下，通過向量化、圖化混合精準檢索，實現多模態數據語義對齊與用戶意圖精準識別，使上下文檢索精度大幅提升；

數據分析場景下，提供基于chatBI的智能數據洞察能力，實現IOC自然語言交互體驗，各類數據隨需調閱、智能分析，助力高效決策。

感谢您访问我们的网站，您可能还对以下资源感兴趣：