全国已建成高质量数据集12万个,但AI训练数据的交付仍有困局

来源 | 智合标准化建设

作者 | 智合标准中心

2026年7月，国家数据局公布了一组颇具分量的数据：截至6月底，全国已建成高质量数据集12万个，总体量超1565PB，较一季度末增长超60%，相当于中国国家图书馆数字资源总量的547倍。数字背后，是一个正在加速成型的产业底座。但底座之上，交付如何规范、质量如何验收、价值如何闭环，仍是一道待解的难题。

7月18日，国家数据局在新闻发布会上披露，截至2026年6月底，全国已建成科学研究、工业制造、医疗卫生、教育教学等行业领域的高质量数据集12万个，总体量超1565拍字节（PB），较2026年一季度末增长超60%。

将这组数据放在纵向时间轴上观察，增长轨迹更为清晰。2025年6月底，全国高质量数据集约3.5万个、总体量超400PB；到2025年底，跃升至超10万个、890PB以上。从3.5万到12万，从400PB到1565PB，一年之间，数据规模翻了近四倍。

同步推进的数据标注产业也在加速扩容。成都、沈阳、合肥、长沙、海口、保定、大同七个数据标注先行先试城市，标注规模已超119PB，从业人员达14万人。2025年，我国数据标注产业产值突破80亿元。

国家数据局明确表示，下一步将深化构建服务人工智能的高质量数据供给体系，以模型应用牵引数据供给、以数据驱动模型迭代，推动实现数据集有偿使用的价值闭环。这句话的关键词是“有偿使用”和“价值闭环”——高质量数据集不再只是基础设施投入，而是正在被定位为一种可交易、可定价、可流转的数据要素产品。

从政策演进脉络来看，2025年解决的是“怎么建”的问题，2026年则聚焦“怎么用”和“怎么定价”，政策重心正在从供给端的基础设施建设，向流通端的市场化运营转移。

然而，政策框架的加速搭建，并不意味着产业层面的问题已经消解。根据国家数据局发布的《实施方案》专家解读，当前行业面临的核心问题可归纳为“三低”：数据汇聚产量低、数据供给质量低、数据利用效率低。

数据汇聚产量低，根源在于企业数据与个人数据在采集、存储、开发利用环节面临权益归属不清、安全顾虑重、流通渠道不畅等障碍。有研究指出，主流数据集中中文数据占比仅4.8%，高质量中文语料的储备量远不能满足大模型训练需求。与此同时，公共数据开放获取渠道不畅，“数据孤岛”现象在政务、医疗、金融等领域尤为突出。

数据供给质量低，表现更为隐蔽但危害更大。数据集普遍存在分布偏差、颗粒度不一致等问题。更值得警惕的是数据集的混用现象——同一批数据被用于不同模型的训练、验证和测试，导致测试分数虚高。而在缺乏统一质量标准的情况下，数据集的“劣币驱逐良币”几乎不可避免。

数据利用效率低，指向两重困境：一是算法偏见导致有效信息在训练过程中大量遗失；二是数据标注自动化程度不足，专业数据处理人员缺口较大，限制了数据集的规模化生产。

三个问题互为因果：产量低使得优质数据稀缺，稀缺推高采集成本，成本压力压缩质量投入，最终形成恶性循环。

数据标注是高质量数据集建设的关键底座。截至2026年6月底，七个先行先试城市标注规模超119PB，从业人员14万人，2025年产业产值突破80亿元。但14万人的规模，放在12万个数据集、1565PB的数据体量面前，产能天花板已触手可及。国家数据局在《实施方案》中提出的“标注攻坚行动”，明确指向从“以人为主”向“人机协同、专家深度参与”的多层次标注模式转变。

如果说数据标注解决的是“怎么生产”的问题，质量验收解决的则是“怎么判断”的问题。而后者，恰恰是目前整个产业链中最薄弱的一环。

当前，国家数据局局长刘烈宏在2026全球数字经济大会上宣布，将加快出台高质量数据集格式要求、质量评测、数据标注等国家标准，并首次提出量化分数线——三个维度均需达到90分以上才算"高质量数据集"。

但在国家标准尚未正式出台的窗口期，验收环节的困境已经深度影响商业实践。一个AI训练数据集的交付，通常涉及数据提供方、数据标注方、模型开发方三方主体。三方对“数据质量”的定义天然不同：数据提供方关注合规性和完整性，标注方关注标注准确率和一致性，模型开发方关注的则是数据对模型性能的实际提升效果。三套话语体系互不兼容，验收标准莫衷一是。

据公开信息，2025年以来，多个城市的数据交易所已出现因数据集质量争议引发的交易纠纷，涉及金额从数十万元到数百万元不等。这些案例表明，数据集的交付与验收，已经不是一个纯技术问题，而是一个涉及合同、合规、质量管理和争议解决的系统性工程。

面对产业痛点，标准化是绕不开的解题路径。截至2026年7月，围绕人工智能训练数据集，我国已发布多部国家标准和行业标准，但在交付与质量验收这一关键环节，仍存在明显的供给缺口。

在国家标准层面，已有三部标准为数据质量提供了基础框架。

在行业标准层面，

梳理上述已发布标准，可以发现一个共同特征：它们聚焦于数据集本身的“质量评价”——即数据好不好、准不准、是否合规。这些标准提供了“度量衡”，回答了“这个数据集质量怎么样”。但商业场景中真正的痛点——数据集如何交付、如何验收、验收不通过后如何处置——在现有标准体系中几乎是空白。换言之，现有标准解决的是“数据集好不好”的问题，但尚未覆盖"数据集交易按什么规矩办"的问题。

正是在这一缺口上，由中国电子商会归口管理、智合标准中心组织编制的《人工智能训练数据集交付与质量验收规范》团体标准于2026年3月正式立项。这部标准的核心差异在于：它不是对数据质量的“静态评价”，而是对数据交付的“流程规范”。它首次系统构建了覆盖“交付准备—数据移交—质量验收—结果处置”的全流程规则体系，试图回答数据集项目中“如何交付”“如何验收”“如何判定通过”三个根本问题，与现有国家标准、行业标准形成了“质量评价+流程规范”的互补格局。

这部团体标准的核心，是构建覆盖“交付准备—数据移交—质量验收—结果处置”全流程的分层验收规则体系。其验收架构为“技术交付层—质量证明层—训练适配层”三位一体，逐层递进、门槛管控：前一层强制项不达标，不进入后一层，避免无效投入。

分层框架解决“验什么”，四大机制解决“怎么验”“谁来验”。

标准的另一项创新是建立分级质量判定体系：验收结论分为“合格”“不合格”“有条件验收”三种；质量等级分为“优秀”“合格”“不合格”三级。

“高质量数据集”是更高门槛的认定结论，须同时满足六项条件：验收结论为合格；质量等级达到优秀；综合评分达到约定高质量阈值；不存在关键能力短板或重大风险未披露；已提交完整的能力边界声明、自限性声明与幻觉控制说明；已在目标应用场景下完成标准化试训练验证并达到约定性能要求。

从分层框架到四大机制，从场景适配到高质量判定，这部标准试图构建的，不只是一套技术规范，更是一套让数据集交易“有据可依、有迹可循、有章可查”的商业基础设施，填补了"数据集交付流程"的空白。

国家数据局提出的“以模型应用牵引数据供给、以数据驱动模型迭代”的数据飞轮，本质上需要三个齿轮的精密咬合：数据供给、质量验收、价值定价。目前数据供给已大规模铺开，价值定价处于早期探索，而质量验收的标准体系正在补位——从国家标准的基础框架，到行业标准的评估方法，再到团体标准对交付流程的规范补充，一个多层次的标准体系正在成型。当12万个数据集有了统一的“度量衡”和“交通规则”，数据要素的价值闭环，才算真正扣上了关键一环。

为确保标准的科学性、先进性与实践指导性，我们现面向全行业公开征集起草单位与起草专家。我们诚挚邀请数据标注平台、数据采集服务商、大模型研发企业、金融/医疗/国央企等AI深度应用企业、律师事务所、高等院校及科研院所等专业机构以及所有关注并致力于AI训练数据的专业力量加入我们，共同参与这部重要标准的研制工作。