近年來(lái)，“人工智能+”浪潮席卷全球。在算力持續(xù)提升、模型快速迭代的背景下，人工智能的技術(shù)能力雖不斷突破，但真正能夠穩(wěn)定運(yùn)行、持續(xù)創(chuàng)造價(jià)值的應(yīng)用卻并不多見(jiàn)。不少項(xiàng)目仍停留在展示、試點(diǎn)或短期驗(yàn)證階段，難以實(shí)現(xiàn)規(guī)模化復(fù)制。綜合各地實(shí)踐可以發(fā)現(xiàn)，這一現(xiàn)象并非主要緣于算法能力不足或算力供給短缺，而是暴露出一個(gè)長(zhǎng)期被低估的基礎(chǔ)性問(wèn)題：高質(zhì)量數(shù)據(jù)集的供給呈現(xiàn)結(jié)構(gòu)性失序，尚未形成能夠穩(wěn)定支撐人工智能應(yīng)用運(yùn)行和擴(kuò)展的基礎(chǔ)底座。

當(dāng)前問(wèn)題是在數(shù)據(jù)采集、治理和使用方式上仍沿用傳統(tǒng)信息化邏輯，難以支撐人工智能對(duì)高質(zhì)量、可持續(xù)數(shù)據(jù)輸入這一底座條件的現(xiàn)實(shí)需求。重新審視數(shù)據(jù)在“人工智能+”發(fā)展中的基礎(chǔ)性地位，正視數(shù)據(jù)供給在合法性、標(biāo)準(zhǔn)化和可流通性方面存在的結(jié)構(gòu)性偏誤，并從制度層面重塑高質(zhì)量數(shù)據(jù)供給體系，對(duì)于推動(dòng)“人工智能+”從文件部署走向?qū)嶋H運(yùn)行、從局部試點(diǎn)走向規(guī)?；瘧?yīng)用，具有現(xiàn)實(shí)緊迫性。

一、從供給不足到供給失序：數(shù)據(jù)治理偏誤下的AI困境

在當(dāng)前以機(jī)器學(xué)習(xí)為主導(dǎo)的技術(shù)范式下，人工智能本質(zhì)上是一種依托大規(guī)模數(shù)據(jù)進(jìn)行統(tǒng)計(jì)建模與推斷的系統(tǒng)，其應(yīng)用效果高度依賴數(shù)據(jù)質(zhì)量。如果說(shuō)算力是發(fā)動(dòng)機(jī)、模型是變速箱，那么數(shù)據(jù)不僅是燃料，更是決定系統(tǒng)能否穩(wěn)定運(yùn)行的基礎(chǔ)條件。當(dāng)前面臨的困境，并非燃料匱乏，而是燃料質(zhì)量參差不齊、雜質(zhì)過(guò)多，不同來(lái)源、不同標(biāo)準(zhǔn)的數(shù)據(jù)難以兼容，無(wú)法支撐人工智能系統(tǒng)的持續(xù)運(yùn)行。

在現(xiàn)實(shí)政策討論中，數(shù)據(jù)問(wèn)題常被簡(jiǎn)化為“數(shù)據(jù)不開(kāi)放”“數(shù)據(jù)量不夠”，這種理解本身就是“人工智能+”推進(jìn)中的一個(gè)重要誤區(qū)。從實(shí)踐看，真正制約人工智能落地的，并非“有沒(méi)有數(shù)據(jù)”，而是數(shù)據(jù)供給在治理層面出現(xiàn)的結(jié)構(gòu)性失序，主要體現(xiàn)在以下四個(gè)方面：

——數(shù)據(jù)質(zhì)量結(jié)構(gòu)失序。數(shù)據(jù)規(guī)模雖在持續(xù)擴(kuò)大，但真正具備可訓(xùn)練性、可復(fù)用性和可持續(xù)使用條件的高質(zhì)量數(shù)據(jù)比例偏低。大量數(shù)據(jù)在采集階段即缺乏統(tǒng)一標(biāo)準(zhǔn)，結(jié)構(gòu)、口徑和時(shí)效性差異顯著，噪聲和缺失問(wèn)題突出，難以被模型長(zhǎng)期、穩(wěn)定“消化”和復(fù)用，形成“數(shù)據(jù)越多、可用數(shù)據(jù)越少”的結(jié)構(gòu)性矛盾。

——數(shù)據(jù)治理邏輯失序。當(dāng)前數(shù)據(jù)治理仍沿用傳統(tǒng)信息化思路，重采集、輕治理，重立項(xiàng)投入、輕運(yùn)行維護(hù)。其本質(zhì)在于：傳統(tǒng)治理以滿足業(yè)務(wù)報(bào)表和系統(tǒng)運(yùn)行為核心目標(biāo)，而面向AI的治理則要求數(shù)據(jù)具備可訓(xùn)練性、可復(fù)用性、可信賴性。這種目標(biāo)錯(cuò)位導(dǎo)致在法律授權(quán)、用途界定和責(zé)任邊界不清的情況下，數(shù)據(jù)難以在較長(zhǎng)周期內(nèi)安全、穩(wěn)定地用于模型訓(xùn)練和推理，導(dǎo)致人工智能應(yīng)用在試點(diǎn)階段可行、進(jìn)入真實(shí)業(yè)務(wù)場(chǎng)景后頻繁受阻。

——數(shù)據(jù)激勵(lì)機(jī)制失序。在現(xiàn)有制度環(huán)境下，數(shù)據(jù)供給主體普遍面臨“用不好要擔(dān)責(zé)、用得好卻難以獲得明確回報(bào)”的激勵(lì)失衡。高質(zhì)量數(shù)據(jù)建設(shè)需要持續(xù)投入人力和成本，但其價(jià)值難以被量化和認(rèn)可，導(dǎo)致理性選擇傾向于維持低成本、低風(fēng)險(xiǎn)的數(shù)據(jù)供給方式，抑制了高質(zhì)量數(shù)據(jù)集的長(zhǎng)期建設(shè)。

——數(shù)據(jù)供給時(shí)間尺度失序。人工智能應(yīng)用依賴長(zhǎng)期穩(wěn)定、連續(xù)一致的數(shù)據(jù)輸入，但現(xiàn)實(shí)中數(shù)據(jù)治理和政策評(píng)估更偏向短期項(xiàng)目驗(yàn)收和階段性成果展示，忽視數(shù)據(jù)質(zhì)量提升的長(zhǎng)期性和累積性。這種時(shí)間尺度上的錯(cuò)位，使得數(shù)據(jù)供給難以形成真正可持續(xù)的“基礎(chǔ)底座”，制約了人工智能應(yīng)用的穩(wěn)定運(yùn)行和規(guī)模擴(kuò)展。

上述問(wèn)題表面上看是合規(guī)、標(biāo)準(zhǔn)和流通等具體障礙，實(shí)質(zhì)上反映的是數(shù)據(jù)供給邏輯仍停留在傳統(tǒng)信息化階段，尚未轉(zhuǎn)向以人工智能應(yīng)用為導(dǎo)向的高質(zhì)量供給體系。當(dāng)這一治理偏誤長(zhǎng)期存在時(shí)，人工智能應(yīng)用便不可避免地陷入“模型越做越大、效果卻越來(lái)越不穩(wěn)定”的怪圈，進(jìn)而削弱政策執(zhí)行的可信度與社會(huì)預(yù)期。

二、不同數(shù)據(jù)類型的結(jié)構(gòu)性偏誤表現(xiàn)

當(dāng)前，數(shù)據(jù)治理邏輯仍停留在傳統(tǒng)信息化階段，尚未轉(zhuǎn)向以人工智能應(yīng)用為導(dǎo)向的高質(zhì)量供給模式。以下區(qū)分三類數(shù)據(jù)分別討論。

（一）公共數(shù)據(jù)：規(guī)模巨大，但“可用性”不足

從數(shù)量上看，中國(guó)公共部門(mén)掌握著極為豐富的數(shù)據(jù)資源，涵蓋人口、法人、空間地理、交通運(yùn)行、醫(yī)療健康、教育、社保等多個(gè)領(lǐng)域，為人工智能應(yīng)用提供了看似充足的“原料基礎(chǔ)”。然而，在實(shí)際應(yīng)用中，能夠直接用于模型訓(xùn)練和推理的高質(zhì)量公共數(shù)據(jù)比例卻并不高。

以城市治理為例，同一城市內(nèi)部，不同部門(mén)在道路、設(shè)施、事件和時(shí)間維度上的編碼規(guī)則長(zhǎng)期不統(tǒng)一，歷史數(shù)據(jù)缺失、字段定義頻繁調(diào)整。這并非數(shù)據(jù)規(guī)模不足，而是缺乏統(tǒng)一的數(shù)據(jù)治理框架。結(jié)果往往是模型在實(shí)驗(yàn)環(huán)境中表現(xiàn)良好，一旦接入真實(shí)業(yè)務(wù)系統(tǒng)，識(shí)別準(zhǔn)確率和預(yù)測(cè)穩(wěn)定性明顯下降，甚至需要推倒重來(lái)。

由此可見(jiàn)，公共數(shù)據(jù)面臨的核心問(wèn)題，并非“開(kāi)放不夠”，而是長(zhǎng)期重采集、輕治理，忽視了以人工智能應(yīng)用為導(dǎo)向的數(shù)據(jù)可用性和可持續(xù)性建設(shè)。

（二）專業(yè)領(lǐng)域數(shù)據(jù)：沉淀在系統(tǒng)之中，難以轉(zhuǎn)化為模型能力

在醫(yī)療、能源等專業(yè)領(lǐng)域，大量高價(jià)值數(shù)據(jù)長(zhǎng)期沉淀在機(jī)構(gòu)內(nèi)部系統(tǒng)中，本應(yīng)成為構(gòu)建專業(yè)領(lǐng)域模型的重要基礎(chǔ)，卻普遍面臨“看得見(jiàn)、用不上”的困境。

以醫(yī)療領(lǐng)域?yàn)槔娮硬v在全國(guó)范圍內(nèi)持續(xù)普及，但不同醫(yī)院、不同信息系統(tǒng)之間的數(shù)據(jù)標(biāo)準(zhǔn)差異明顯，影像、檢驗(yàn)和診斷數(shù)據(jù)在格式、標(biāo)簽和語(yǔ)義層面缺乏統(tǒng)一規(guī)范。一些地區(qū)在推進(jìn)醫(yī)療人工智能試點(diǎn)時(shí)發(fā)現(xiàn)，即便算力和算法具備，仍需投入大量時(shí)間和成本進(jìn)行數(shù)據(jù)清洗、脫敏和重新標(biāo)注，相關(guān)工作量往往占據(jù)項(xiàng)目整體的七成以上。

專業(yè)領(lǐng)域數(shù)據(jù)難以轉(zhuǎn)化為模型能力，根本原因不在于技術(shù)門(mén)檻，而在于數(shù)據(jù)供給仍停留在“部門(mén)占有”和項(xiàng)目化使用的邏輯之中，缺乏制度化共享和長(zhǎng)期治理安排。

（三）工業(yè)過(guò)程數(shù)據(jù)：重采集、輕標(biāo)準(zhǔn)形成數(shù)據(jù)沼澤

在制造業(yè)領(lǐng)域，數(shù)據(jù)困境更具普遍性和復(fù)雜性。隨著智能制造的推進(jìn)，大量傳感器、控制系統(tǒng)和業(yè)務(wù)系統(tǒng)持續(xù)產(chǎn)生設(shè)備運(yùn)行、工藝參數(shù)和質(zhì)量檢測(cè)等數(shù)據(jù)，但這些數(shù)據(jù)往往只是“存在系統(tǒng)里”，卻難以真正進(jìn)入模型。

其核心障礙在于數(shù)據(jù)碎片化和低質(zhì)量：設(shè)備和系統(tǒng)標(biāo)準(zhǔn)不一，跨產(chǎn)線數(shù)據(jù)難以比較；系統(tǒng)升級(jí)導(dǎo)致歷史數(shù)據(jù)斷檔，模型難以學(xué)習(xí)完整生命周期規(guī)律；工業(yè)環(huán)境中的噪聲和異常值進(jìn)一步污染數(shù)據(jù)質(zhì)量。這些問(wèn)題導(dǎo)致數(shù)據(jù)形成“數(shù)據(jù)沼澤”——數(shù)據(jù)缺乏統(tǒng)一的語(yǔ)義標(biāo)注、跨系統(tǒng)關(guān)聯(lián)標(biāo)識(shí)符不統(tǒng)一，難以被模型長(zhǎng)期、穩(wěn)定消化和復(fù)用。當(dāng)企業(yè)推進(jìn)預(yù)測(cè)性維護(hù)等應(yīng)用效果不佳時(shí)，問(wèn)題常被歸因于模型不成熟，卻忽視了數(shù)據(jù)采集和治理頂層設(shè)計(jì)的缺失。

因此，高質(zhì)量工業(yè)過(guò)程數(shù)據(jù)供給不足，本質(zhì)上仍是缺乏統(tǒng)一標(biāo)準(zhǔn)和長(zhǎng)期治理視角所導(dǎo)致的數(shù)據(jù)底座不穩(wěn)。

（四）從供給失序到系統(tǒng)性風(fēng)險(xiǎn)：低質(zhì)量數(shù)據(jù)的外溢效應(yīng)

需要強(qiáng)調(diào)的是，公共數(shù)據(jù)、專業(yè)領(lǐng)域數(shù)據(jù)和工業(yè)過(guò)程數(shù)據(jù)在供給層面的問(wèn)題貌似各不相同，但其背后的治理邏輯高度趨同。一旦數(shù)據(jù)在合法性、標(biāo)準(zhǔn)化和可流通性上長(zhǎng)期失序，風(fēng)險(xiǎn)便不會(huì)停留在“應(yīng)用效果不佳”這一技術(shù)層面，而是會(huì)在規(guī)?；瘧?yīng)用過(guò)程中外溢為治理、倫理和公平性問(wèn)題。

在公共治理、基層服務(wù)和金融風(fēng)控等高敏感領(lǐng)域，模型若建立在不完整或失真的數(shù)據(jù)基礎(chǔ)之上，其偏差往往會(huì)被自動(dòng)化和規(guī)?；掷m(xù)放大。此類風(fēng)險(xiǎn)不易在短期內(nèi)被發(fā)現(xiàn)，卻可能在長(zhǎng)期運(yùn)行中不斷累積，削弱公共決策的公正性與有效性。從這個(gè)意義上看，高質(zhì)量數(shù)據(jù)供給問(wèn)題已經(jīng)不只是“人工智能+”發(fā)展的技術(shù)瓶頸，而是關(guān)系到治理能力和社會(huì)信任的基礎(chǔ)性制度問(wèn)題。

三、分類施策：以精準(zhǔn)激勵(lì)機(jī)制夯實(shí)高質(zhì)量數(shù)據(jù)供給底座

破解高質(zhì)量數(shù)據(jù)供給難題，不能停留在“加強(qiáng)治理”“完善制度”的原則性表述上，而必須正視一個(gè)現(xiàn)實(shí)前提：公共數(shù)據(jù)、專業(yè)領(lǐng)域數(shù)據(jù)和工業(yè)過(guò)程數(shù)據(jù)在供給主體、風(fēng)險(xiǎn)結(jié)構(gòu)和收益預(yù)期上存在顯著差異。為此，有必要區(qū)分不同數(shù)據(jù)類型的內(nèi)在屬性，構(gòu)建分層分類、可預(yù)期的制度激勵(lì)體系。

第一，明確公共數(shù)據(jù)責(zé)任邊界，把“可用性”納入履職評(píng)價(jià)

公共數(shù)據(jù)是“人工智能+”最重要、也最具公共價(jià)值的數(shù)據(jù)來(lái)源，但其高質(zhì)量供給長(zhǎng)期受到責(zé)任風(fēng)險(xiǎn)高、激勵(lì)不足的雙重制約。破解這一困境，關(guān)鍵在于通過(guò)制度設(shè)計(jì)，降低公共數(shù)據(jù)用于人工智能訓(xùn)練和推理的不確定性。

一方面，應(yīng)針對(duì)明確服務(wù)于人工智能應(yīng)用的數(shù)據(jù)集，建立用途清晰、邊界明確的授權(quán)機(jī)制，通過(guò)清單化管理方式界定責(zé)任范圍，減少部門(mén)在數(shù)據(jù)供給中的合規(guī)顧慮。

另一方面，應(yīng)將數(shù)據(jù)的標(biāo)準(zhǔn)化程度、可復(fù)用性和可訓(xùn)練性，納入數(shù)字政府建設(shè)評(píng)價(jià)和部門(mén)績(jī)效考核體系，使高質(zhì)量數(shù)據(jù)產(chǎn)出成為可被識(shí)別和評(píng)價(jià)的履職成果。傳統(tǒng)的數(shù)據(jù)開(kāi)放政策，往往以“數(shù)量”“目錄”為導(dǎo)向，而忽視了人工智能對(duì)數(shù)據(jù)質(zhì)量和使用方式的特殊要求。未來(lái)應(yīng)轉(zhuǎn)向以“可用性”為核心的分級(jí)開(kāi)放機(jī)制。

只有當(dāng)“數(shù)據(jù)可用”不再意味著額外風(fēng)險(xiǎn)，而能夠轉(zhuǎn)化為明確的制度回報(bào)，公共數(shù)據(jù)的高質(zhì)量供給才可能從被動(dòng)配合轉(zhuǎn)向主動(dòng)建設(shè)。通過(guò)清單化、制度化的方式，為數(shù)據(jù)提供方劃清責(zé)任邊界，降低“合規(guī)不確定性”。同時(shí)，建立數(shù)據(jù)開(kāi)放平臺(tái)，提供數(shù)據(jù)查詢、下載、調(diào)用等服務(wù)，方便數(shù)據(jù)使用者獲取所需數(shù)據(jù)。

第二，為專業(yè)領(lǐng)域數(shù)據(jù)建立穩(wěn)定的制度化回報(bào)預(yù)期

專業(yè)領(lǐng)域數(shù)據(jù)具有專業(yè)性強(qiáng)、治理成本高、隱含價(jià)值大的特點(diǎn)，其高質(zhì)量供給面臨的核心障礙，是數(shù)據(jù)治理投入與回報(bào)之間缺乏穩(wěn)定、可預(yù)期的制度安排。在現(xiàn)實(shí)中，相關(guān)機(jī)構(gòu)往往需要持續(xù)投入人力、資金和專業(yè)能力，用于數(shù)據(jù)清洗、脫敏、標(biāo)注和標(biāo)準(zhǔn)化，但這些投入在現(xiàn)有制度框架下難以形成明確回報(bào)，導(dǎo)致高質(zhì)量數(shù)據(jù)供給缺乏持續(xù)動(dòng)力。

破解這一問(wèn)題，應(yīng)由政府牽頭，在醫(yī)療、能源等重點(diǎn)領(lǐng)域推動(dòng)建設(shè)高質(zhì)量數(shù)據(jù)集和專業(yè)領(lǐng)域數(shù)據(jù)池，從制度層面明確數(shù)據(jù)貢獻(xiàn)與模型訓(xùn)練、應(yīng)用收益之間的關(guān)聯(lián)機(jī)制。同時(shí)，應(yīng)積極探索應(yīng)用多方安全計(jì)算（MPC）、聯(lián)邦學(xué)習(xí)等隱私計(jì)算技術(shù)實(shí)現(xiàn)數(shù)據(jù)“可用不可見(jiàn)”，在不泄露原始數(shù)據(jù)的前提下推動(dòng)數(shù)據(jù)在模型訓(xùn)練中的安全、高效利用，以此降低數(shù)據(jù)流通中的合規(guī)顧慮和安全風(fēng)險(xiǎn)。

一方面，通過(guò)建立統(tǒng)一的數(shù)據(jù)質(zhì)量評(píng)估和貢獻(xiàn)計(jì)量規(guī)則，對(duì)數(shù)據(jù)在模型訓(xùn)練和應(yīng)用中的實(shí)際價(jià)值進(jìn)行客觀評(píng)價(jià)，使數(shù)據(jù)治理成果能夠被識(shí)別、被計(jì)量；另一方面，在合法合規(guī)的前提下，將數(shù)據(jù)貢獻(xiàn)情況與科研支持、項(xiàng)目準(zhǔn)入、數(shù)據(jù)資產(chǎn)化收益、應(yīng)用采購(gòu)等政策工具相掛鉤，形成清晰的正向激勵(lì)預(yù)期。相比一次性補(bǔ)貼或短期項(xiàng)目支持，這種制度化回報(bào)安排更有利于引導(dǎo)專業(yè)領(lǐng)域數(shù)據(jù)治理的建設(shè)，推動(dòng)高質(zhì)量數(shù)據(jù)供給形成良性循環(huán)。

第三，將工業(yè)過(guò)程數(shù)據(jù)作為“慢變量”納入中長(zhǎng)期政策支持框架

工業(yè)過(guò)程數(shù)據(jù)的高質(zhì)量建設(shè)，具有明顯的長(zhǎng)期性、系統(tǒng)性和累積性，但一旦形成，便能夠在較長(zhǎng)時(shí)間尺度上持續(xù)支撐人工智能應(yīng)用的穩(wěn)定運(yùn)行，是“人工智能+”體系中最典型的“慢變量”。

因此，應(yīng)將高質(zhì)量工業(yè)過(guò)程數(shù)據(jù)集視為新型基礎(chǔ)設(shè)施的重要組成部分，在政策邏輯上與傳統(tǒng)基礎(chǔ)設(shè)施建設(shè)同等對(duì)待。通過(guò)技術(shù)改造補(bǔ)貼、設(shè)備更新支持、算力資源傾斜、稅收政策等中長(zhǎng)期政策工具，引導(dǎo)企業(yè)在較長(zhǎng)時(shí)間尺度上持續(xù)改善數(shù)據(jù)采集標(biāo)準(zhǔn)、數(shù)據(jù)連續(xù)性和數(shù)據(jù)可信度，而非追求“立竿見(jiàn)影”的智能化展示成效。

同時(shí)，應(yīng)推動(dòng)組織內(nèi)部建立跨部門(mén)的數(shù)據(jù)治理責(zé)任機(jī)制，將數(shù)據(jù)質(zhì)量責(zé)任嵌入設(shè)備管理、工藝管理和質(zhì)量管理等核心業(yè)務(wù)流程，避免將工業(yè)數(shù)據(jù)問(wèn)題簡(jiǎn)單歸結(jié)為信息化部門(mén)的技術(shù)任務(wù)，而忽視其對(duì)生產(chǎn)組織方式和管理模式的深層影響。從長(zhǎng)遠(yuǎn)看，工業(yè)過(guò)程數(shù)據(jù)這一“慢變量”的夯實(shí)，決定著制造業(yè)智能化能力的上限，也是“人工智能+”能否真正扎根實(shí)體經(jīng)濟(jì)的關(guān)鍵所在。

第四，以重點(diǎn)行業(yè)示范工程帶動(dòng)數(shù)據(jù)治理模式復(fù)制推廣

高質(zhì)量數(shù)據(jù)供給難以在所有領(lǐng)域同時(shí)鋪開(kāi)，應(yīng)遵循“先重點(diǎn)突破、再系統(tǒng)推廣”的現(xiàn)實(shí)路徑，優(yōu)先在數(shù)據(jù)價(jià)值高、應(yīng)用需求明確、治理基礎(chǔ)相對(duì)成熟的行業(yè)開(kāi)展示范工程。通過(guò)在有限范圍內(nèi)集中政策資源和制度創(chuàng)新，形成可復(fù)制、可推廣的數(shù)據(jù)治理模式，以點(diǎn)帶面推動(dòng)整體數(shù)據(jù)供給體系的結(jié)構(gòu)性優(yōu)化。

在具體路徑上，應(yīng)圍繞人工智能應(yīng)用對(duì)數(shù)據(jù)質(zhì)量的實(shí)際需求，系統(tǒng)推進(jìn)行業(yè)層面的數(shù)據(jù)標(biāo)準(zhǔn)建設(shè)、可信數(shù)據(jù)空間搭建和共享機(jī)制完善。一方面，通過(guò)統(tǒng)一核心數(shù)據(jù)的采集口徑、編碼規(guī)則和語(yǔ)義標(biāo)準(zhǔn)，降低跨機(jī)構(gòu)、跨系統(tǒng)數(shù)據(jù)整合成本，為模型訓(xùn)練和應(yīng)用部署提供穩(wěn)定輸入條件；另一方面，通過(guò)建設(shè)行業(yè)級(jí)“可信數(shù)據(jù)空間”，在明確數(shù)據(jù)權(quán)屬、使用邊界和安全責(zé)任的前提下，推動(dòng)數(shù)據(jù)在多主體之間有序流通，避免“數(shù)據(jù)可看不可用”“數(shù)據(jù)不敢用”的現(xiàn)象反復(fù)出現(xiàn)。

在行業(yè)選擇上，醫(yī)療、工業(yè)、交通、能源等領(lǐng)域具有典型示范意義。這些行業(yè)既存在明確的應(yīng)用場(chǎng)景需求，又普遍面臨數(shù)據(jù)標(biāo)準(zhǔn)不統(tǒng)一、治理成本高企的問(wèn)題，通過(guò)示范工程的方式推動(dòng)制度、標(biāo)準(zhǔn)和流程的協(xié)同設(shè)計(jì)，更容易形成可感知的應(yīng)用成效。同時(shí)，應(yīng)注重總結(jié)示范工程中形成的數(shù)據(jù)治理規(guī)則、組織模式和激勵(lì)機(jī)制，將其提煉為可復(fù)制的政策工具包，避免示范工程停留在“個(gè)案成功”層面。

第五，持續(xù)夯實(shí)數(shù)據(jù)治理“軟環(huán)境”，強(qiáng)化組織協(xié)同與專業(yè)保障

高質(zhì)量數(shù)據(jù)供給最終依賴于長(zhǎng)期的數(shù)據(jù)治理能力，包括統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)體系、專業(yè)化治理隊(duì)伍、穩(wěn)定投入機(jī)制和跨部門(mén)協(xié)同安排。相比一次性項(xiàng)目建設(shè)，這類“軟環(huán)境”建設(shè)更需要制度耐心。在政策層面推動(dòng)設(shè)立高級(jí)別、跨業(yè)務(wù)部門(mén)的數(shù)據(jù)治理委員會(huì)或機(jī)構(gòu)，賦予其數(shù)據(jù)標(biāo)準(zhǔn)制定、質(zhì)量評(píng)估、安全合規(guī)審查的權(quán)威，確保數(shù)據(jù)戰(zhàn)略能夠自上而下地有效執(zhí)行，解決數(shù)據(jù)供給中的“部門(mén)墻”問(wèn)題。同時(shí)將數(shù)據(jù)治理專業(yè)人才的投入視為新型基礎(chǔ)設(shè)施投入，并建立與其價(jià)值貢獻(xiàn)相匹配的激勵(lì)和評(píng)價(jià)體系，保障長(zhǎng)期、穩(wěn)定的治理能力。在政策設(shè)計(jì)和考核機(jī)制中，要避免短期化導(dǎo)向，為數(shù)據(jù)治理留出足夠時(shí)間窗口，使高質(zhì)量數(shù)據(jù)供給真正成為“人工智能+”可持續(xù)發(fā)展的底座能力。

“人工智能+”不是一場(chǎng)單純的技術(shù)競(jìng)賽，而是一場(chǎng)深刻的治理變革。在這場(chǎng)變革中，高質(zhì)量數(shù)據(jù)供給既是起點(diǎn)，也是底座。如果這一問(wèn)題被低估、被延后，人工智能應(yīng)用的規(guī)?；涞貙⑹冀K受制于隱性瓶頸。反過(guò)來(lái)說(shuō)，誰(shuí)能率先建立起穩(wěn)定、可持續(xù)的高質(zhì)量數(shù)據(jù)供給體系，誰(shuí)就掌握了未來(lái)智能化發(fā)展的主動(dòng)權(quán)。

來(lái)源：澎湃新聞，2025-12-24

作者：趙付春，上海社會(huì)科學(xué)院信息研究所數(shù)字經(jīng)濟(jì)研究室主任，副研究員，博士