01 国家怎么说：高质量数据集的政策、制度与要求

这是「高质量数据集」专题的第一篇正文。

如果只让你记住一句话，我会说这句：在今天的 AI 竞赛里，数据已经取代了算力和算法，成为决定胜负的那块"数字地基"。 它不再是模型的"备料"，而是可以确权、可以交易、可以增值的战略资产。而"高质量数据集"，就是这块地基里最硬的那部分混凝土。

这篇我们会把国家层面的政策、制度和要求，用尽量通俗的方式一次讲透。下面进入正题。

引子：为什么现在每个人都要关心"高质量数据集"

先讲个身边的事。你用过的很多国产大模型，背后其实都"吃"过同一批东西——高质量训练数据。过去大家觉得"模型够大就行"，但产业实践反复验证了一个朴素事实：模型性能的上限，越来越由训练数据的质量、而非单纯规模决定。当通用语料被反复"榨干"、同质化数据的边际收益越来越低，"以模型为中心"的路线触顶了，整个行业转向"以数据为中心"。

这跟你有什么关系？如果你是开发者，你迟早要面对"去哪找干净数据、怎么标注、怎么合规"的问题；如果你是研究者，你的论文 baselines 越来越依赖高质量语料；如果你是企业里的技术负责人，你很可能要回答"我们手里哪些数据，能变成资产、能卖钱、能换模型"。一句话——数据，正在从"成本项"变成"资产项"，而规则已经写好了。所以，读懂这套政策，就是读懂你未来几年的饭碗边界。

一、政策全景：从"数据二十条"到"六大行动"

把时间线拉直，国家其实用四年时间，铺了一条"制度先行、设施承载、标准引领、行动落地"的清晰路径。我们用一张图看最关键的几个里程碑：

逐站解读一下：

• 2022 年 12 月，"数据二十条"：全称《关于构建数据基础制度更好发挥数据要素作用的意见》。这是整个故事的地基——确立了数据产权、流通交易、收益分配、安全治理四大基础制度，并首创"三权分置"（后面会细讲）。
• 2023 年 12 月，"数据要素×"三年行动计划：17 个部门联合发文，强调数据要素的高质量供给与合规流通，明确要"打造高质量 AI 大模型训练数据集"，目标到 2026 年底打造 300+ 示范场景。
• 2024 年 12 月，关键转折点：《关于促进数据产业高质量发展的指导意见》首次在中央政策文件中明确提出"高质量数据集"概念；同月《国家数据基础设施建设指引》把高质量数据集供给纳入国家数据基础设施，要求研制建设标准和标注交付规则。
• 2025 年，标准与方法论年：2 月国家数据局组织 27 个部委开启动会；4 月数标委发布《建设指南（征求意见稿）》及格式、分类、质量评测等标准草案；8 月国务院"人工智能+"行动意见落地，8 月 28 日《高质量数据集建设指引》给出"1+1"建设路径；年内 GB/T 45652、GB/T 45674 两项国标发布。
• 2026 年 6 月 8 日，系统部署：国家数据局《关于推进行业高质量数据集建设行动的实施方案》出炉，这是国家层面首次系统性部署数据赋能 AI 发展，六大专项行动 + 2028 目标一并明确。

数据也侧面印证了供给侧的"底盘"：截至 2025 年 6 月，全国已建高质量数据集超 3.5 万个（另据公开报道，七大数据标注基地已建成行业数据集 524 个、规模超 29PB，赋能 163 个国产大模型）。真正的挑战，已经从"有没有"转向"好不好、用得上、流得动"。

二、到底什么是"高质量数据集"

定义（出自《实施方案》）：经过采集、加工等数据处理，可直接用于开发和训练人工智能模型，能有效提升模型性能的行业数据的集合。它包含"行业通识"和"行业专识"两类。

注意两个限定语——"可直接用于"和"能有效提升模型性能"。这俩是区分"高质量数据集"和"一般数据资源"的本质标尺。

最形象的类比：原始数据像原油，高质量数据集像炼化后的汽油。原油要复杂加工才能用，汽油能被汽车直接"加注"。差别不止于加工程度，更在于价值逻辑：

• 用途：传统原始数据——记录、统计、报表；高质量数据集——直接训练 / 微调 AI 模型
• 形态：传统原始数据——异构、噪声多、未标注；高质量数据集——结构化、清洗、标注、可验证
• 价值验证：传统原始数据——难以量化；高质量数据集——用模型性能提升来验证
• 流通性：传统原始数据——受限、点对点；高质量数据集——标准化、可平台化交易

而国家用一套"3+7"框架来对数据集做精细画像：

• 3 类知识层级（按内容深度，越往上越稀缺、越难标注、价值越高）：

• 通识数据集：知识属性——通用知识；所需背景——无需专业背景；典型例子——维基百科、Common Crawl、新闻聚合
• 行业通识数据集：知识属性——领域通用知识；所需背景——需一定专业背景；典型例子——PubMed 文献库、SEC 文件、ISO 标准库
• 行业专识数据集：知识属性——行业专业知识；所需背景——需较深业务经验；典型例子——电网巡检缺陷图像、航空制造数据

• 7 个描述维度：知识内容、来源类型、时效性、标注人员类型、敏感程度、模型类别、主题范围。这七个维度既是分类标签，也是后面质量评测和合规审查的"检查清单"。

三、好不好怎么算：AI-Ready 与质量评测

光说"高质量"不够，得有尺子。国家给了两把尺。

第一把尺：AI-Ready 四项核心标准（来自"提质增效行动"）。一份数据集要"人工智能就绪"，得满足：

1. 结构完整性：格式规范、字段齐备、元信息可溯源； 2. 内容多样性：覆盖足够场景与分布，避免偏置； 3. 标注准确性：标注与事实一致、误差可控； 4. 模型适配性：契合目标模型的训练 / 推理需求。

满足这四项，能直接降低训练与推理成本、缩短落地周期。

第二把尺：质量评测三维度 16 项（数标委草案）。这是理解整套标准的关键——它把评测从"合规可用"升级为"AI 效能"：

• 文档完整性：指标项数——4 项；具体指标——基本信息、内容特征、建设过程、应用说明的完整性
• 质量合规性：指标项数——8 项；具体指标——结构完整性、安全规范性、标注规范性、内容专业性、内容真实性、内容干净性、内容一致性等
• 场景适用性：指标项数——4 项；具体指标——内容多样性、规模完整性、标注准确性、模型适配性

这里最大的创新点是新增"场景适用性"维度。传统评价（GB/T 36344 六维度）只看数据"干不干净、合不合规"；而"场景适用性"逼问的是：这份数据让模型变强了多少？ 用模型在数据集上的性能提升，反向验证数据价值。这意味着一份数据集的"质量合格证"，不再只看自身多干净，更要看它让模型强了多少——把质量从"静态审计"推进到"动态验证"。

为降低企业合规成本，政策还推动"一次测评、全国互认"：统一测评方案与工具，让供给方"一处过关、全国通行"，这是数据要素统一大市场的重要一环。

四、六大专项行动：一口气破六难

《实施方案》的重头戏，是六大专项行动。它们不是孤立的，而是对应着数据集从"生"到"用"全链条上的六个堵点。先看这张串联图：

逐个对应"难题 → 行动"：

• 强基扩容：破解的难题——供得出；核心定位——拓宽供给渠道、丰富供给类型（19 个重点领域 + 5 个创新领域）
• 标注攻坚：破解的难题——精加工高价值；核心定位——数据标注从"以人为主"升级为"人机协同、专家深度参与"
• 提质增效：破解的难题——质量好、标准化；核心定位——按 AI-Ready 标准交付，关键技术攻关
• 应用赋能：破解的难题——用得好；核心定位——打造"数据飞轮"闭环，以模引数、用数赋模
• 管理服务：破解的难题——管得住、保安全；核心定位——全生命周期管理，权责清晰
• 价值释放：破解的难题——流得动、价值显；核心定位——释放要素价值，创新商业模式

几个值得你记住的抓手：

• 强基扩容覆盖 19 个重点领域（科研、工业、医疗、金融、交通等）和 5 个创新领域（低空经济、具身智能、智能驾驶、智慧海洋、生物制造），数据类型涵盖文本、代码、图像、音频、视频、点云、时序、科学数据等多模态。
• 标注攻坚推行三种协同范式："模型预标注+人工校准""人工标注+模型检验""模型预标注+模型检验"，并建设标注创新试验区、建立专家型标注认证机制。标注正从劳动密集型走向"技术 + 知识密集型"。
• 价值释放给出的商业模式很有意思：数据交易所挂牌、订阅 / 商场 / 定制、API 调用，以及前面提到的词元交易；资产化路径包括质押融资、作价入股、证券化、数据信托、数据保险。

而所有这些行动最终要拧成一颗"数据飞轮"——注意，是闭环而非直线：

它的精髓是：以应用场景定义数据需求，以模型应用反馈迭代数据质量，让数据在流动中持续增值，而不是"交付即结束"。

五、红线与合规：三权分置 + 合规三要求 + 国标

讲完"怎么建"，必须讲"什么不能碰"。合规不是事后补票，而要嵌入数据集建设全生命周期。

第一根支柱：数据"三权分置"（源自"数据二十条"）。把数据权利拆成三块——数据资源持有权、数据加工使用权、数据产品经营权。高质量数据集作为"加工后"的数据产品，谁建的数据、谁有权用、收益归谁，正是三权分置的典型落地场景。

第二根支柱：合规三要求。国家对训练数据的治理采用"原则性立法 + 技术性标准"双层模式，落到实操上有三道必答题：

• 数据来源合法：关键内容——用户授权、版权核验、正规采购；防来源不明 / 篡改 / 投毒；合规目标——便于溯源、保障产权
• 数据质量保障：关键内容——内容真实多样；过滤虚假有害信息；标注准确（区分功能性 / 安全性标注）；合规目标——模型可信、输出可控
• 数据安全管理：关键内容——采集 / 存储 / 传输 / 使用各环节加密、访问控制、安全检测；合规目标——全流程安全、风险可控

第三根支柱：国家标准。两个直接相关：

• GB/T 45652-2025《网络安全技术 生成式人工智能预训练和优化训练数据安全规范》
• GB/T 45674-2025《网络安全技术 生成式人工智能数据标注安全规范》

配合更早的 GB/T 36344-2018（传统数据质量六维度），构成从"数据本身"到"训练 / 标注环节"的完整安全底线。

伦理底线也写得很清楚：严禁非法收集敏感数据，防范偏见与歧视，内容要符合主流价值导向，防投毒、防泄露，建立全流程安全治理。

六、到 2028 年我们要去哪

《实施方案》给了一个清晰的时间表——到 2028 年底：

• 建成一批覆盖重点领域、经过应用验证的行业高质量数据集；
• 打造一批数据驱动 AI 创新发展的典型应用场景；
• 培育一批具备领先优势的创新型数据企业和专业人才；
• 形成一批建设工具和标准；
• 数据从供给到价值释放的良性循环基本形成。

换句话说，未来三年，国家要的不是"数据集数量再翻几倍"，而是一批真被模型用过、真能提升性能、真能流通变现的数据集，以及围绕它们的工具、标准和人才。

七、对你意味着什么

落到具体的人，该做什么？

• 企业 / 央国企：梳理财税与业务侧的"数据资源清单"和"数据集需求清单"；坚持"以场景定数据、以数据促模型"；链主单位主动开放数据集赋能上下游；把数据采买纳入年度预算，培育"为数据付费"的意识。
• 开发者 / 数据工程师：尽早建立"数据集也是工程资产"的意识——版本管理、质量校验、合规溯源要像写代码一样规范（这正是本专题后面几篇要手把手教你的）。
• 研究者 / 高校：关注"场景适用性"评测方法论，参与数据集建设和标注人才培养；你的研究力量，正是评测从"合规"走向"效能"的关键拼图。

下一篇预告

政策听明白了，工具就要上手。下一篇 02 开源数据标注工具巡礼，我们会横向对比 Label Studio、CVAT、Argilla、doccano、Prodigy 五款主流开源标注工具，帮你看清它们的定位差异、适用场景和"坑点"，让你在动手建数据集之前，先选对趁手的兵器。我们下篇见。