《科创板日报》6月8日讯（编辑 宋子乔）今日，国家数据局发布《关于推进行业高质量数据集建设行动的实施方案》，这是国家层面首次围绕数据赋能人工智能发展所作出的系统性部署。

《实施方案》指出，行业高质量数据集是指经过采集、加工等环节的数据处理后，能够直接用于人工智能模型开发与训练，并可有效提升模型性能的行业数据集合，其中包含行业通识数据集以及行业专识数据集。

《实施方案》的总体目标在于，到2028年底，建成一批覆盖重点领域并经过应用验证的行业高质量数据集，打造一批由数据驱动人工智能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以及专业人才，形成一批用于行业高质量数据集建设的工具和标准。

具体举措包括：围绕行业高质量数据集的供给、流通以及应用等关键环节，系统部署六大专项行动，并面向人工智能的应用需求，持续推进文本、图像、音视频等多模态高质量数据集的建设工作；聚焦智能体、具身智能以及世界模型等重点方向，明确要求加快推进相关数据集建设；同时引导具备条件的地区因地制宜地开展数据标注创新试验区建设。

数据构成了AI训练的核心原料，而要训练一个处于领先水平的大模型，往往需要数百万条、甚至数千万条经过标注的数据。从GPT-4所依赖的13万亿tokens高质量数据，中文汉字通常每个对应1至2个tokens，到Qwen2.5-Max达到20万亿tokens的训练规模，国际巨头正在借助数据优势持续构筑技术壁垒。

高质量数据集的持续性短缺，已逐步成为制约物理AI及其所衍生的智能体、具身智能以及世界模型等前沿方向进一步发展的关键瓶颈。

在2026年世界智能产业博览会上，国家数据局局长刘烈宏明确表示：“高质量数据集构成了具身智能‘感知-决策-执行’全过程的重要基础。”据《科创板日报》此前报道，具身智能领域的多位投资者普遍指出，当前制约具身智能进一步发展的核心瓶颈正在于数据。高质量数据的规模化生产能力，正是这一赛道中的“石油”，“具身数据具有特殊的技术要求，现有的民用数据无法直接复用。例如在抓取水杯时，机器人无法自主判断握持力度，因此极易出现滑落。高精度、第一视角以及多维度的具身数据，当前仍处于极度稀缺状态。”

上述判断与“AI教母”李飞飞的观点形成了高度契合。从早年的ImageNet到如今的WorldLabs，李飞飞始终在强调，数据集的规模会直接决定智能所能达到的程度。她曾在访谈中明确表示，如今，数据很可能再次成为推动世界模型发展的一个特别困难的问题，“数据与算法同等重要。”

在2026年2月举行的思科AI峰会上，李飞飞明确指出，物理世界AI的发展明显滞后于语言模型，其核心瓶颈正在于数据信噪比：文本数据的语义通常较为清晰，且相对容易获取，而物理世界中的像素以及体素数据则充满噪声，同时3D、4D维度的高质量数据又处于极度稀缺的状态。在接受a16z访谈时，她进一步表示，限制AI进步的核心因素从来都不是算力或算法，而是高质量、多模态并且符合物理一致性的数据；这一判断自ImageNet时代延续至今，并且在世界模型的研发阶段表现得更为突出。

今年以来，高质量数据集领域出现了不少新的动向。

4月15日，国家数据局发布了《关于推进行业高质量数据集建设行动的实施方案（征求意见稿）》，并面向社会公开征求意见。工业和信息化部以及国家数据局近期联合印发了《关于联合实施2026年“模数共振”行动的通知》，旨在推动人工智能模型与数据资源之间实现协同互促、同频共振，同时提出到2026年底，基本形成“数据-模型-场景应用”良性互促的循环，进一步推动人工智能高水平赋能新型工业化。

在行业平台层面，4月29日，国家数据集管理服务平台正式发布并启动试运行，具备了覆盖数据集全生命周期的公共服务能力。截至5月31日，平台已完成对516家机构的认证，并发布了1350个数据集，覆盖农业、工业制造、交通以及文旅等重点领域。

截至今年一季度，全国已经建成的高质量数据集已超过11.6万个，总规模已超过960PB。截至今年3月，我国日均词元调用量已经超过140万亿。

来源：国家层面首次系统性部署 高质量数据集成物理AI时代“新石油” | 财联社