智能经济的竞争，表面是模型之争、算力之争，深层是高质量数据之争。工业是智能经济发展的主战场，高质量工业数据是人工智能赋能制造业的关键基础，业界以“七分在数据、三分在模型”强调其重要性。2026年《政府工作报告》首次提出“打造智能经济新形态”，我院深入落实“人工智能+制造”“工业数据筑基行动”“模数共振”等部署，联合行业企业、工业互联网平台企业、人工智能模型厂商、数据服务商等组建行业数据合作联合体，聚焦工业
数据采集处理难、流通归集难、智能应用难等瓶颈，探索形成需求牵引、多方协同、场景验证的实践路径，为工业智能化转型和智能经济发展夯实数据基础。
一、高质量工业数据是智能经济发展的战略基础
(一)工业数据是难以替代的战略性资源。高质量工业数据产生于生产现场，须依托真实工况长期积累、持续沉淀，具有鲜明的场景专属性和不可替代性。一方面，工业数据蕴含物理世界真实规律。工业数据源于设备运行、工艺控制和生产实践，反映真实工业场景与运行规律，具有网络爬虫数据和合成数据难以替代的独特价值。据国家数据局《全国数据资源调查报告(2025年)》，2025年我国工业数据生产量达8.53泽字节(ZB)，占企业数据生产总量的25.43%，位居各行业首位。依托门类齐全、体系完整的工业基础和丰富的应用场景，我国形成了规模庞大、类型多样的工业数据资源优势，构筑了发展工业人工智能的独特竞争力。另一方面，工业数据的价值释放依赖实体经济运行。2025年我国制造业增加值达34.7万亿元，连续16年保持全球第一；传统产业的增加值、用工人数等主要指标占全部制造业的80%左右，对降本、提质、增效、绿色、安全有着迫切需求。庞大的传统产业既是工业数据的重要来源，也是数据价值转化的广阔市场，使工业数据成为人工智能扎根实体经济的关键依托。
(二)数据供给能力成为制约智能经济发展的关键因素。智能经济的竞争，表面是模型之争、算力之争，深层是高质量数据供给能力之争。一方面，高质量数据成为决定智能应用成效的关键投入。业内已形成“七分在数据、三分在模型”的共识，数据工程投入在部分智能化改造项目中占比达50%—60%；华为《AI-Ready数据基础设施白皮书》明确指出“无数据不AI”，数据质量决定AI能力的高度。数据的质量与规模，正取代模型参数规模，成为决定智能水平的第一变量。另一方面，真实场景数据供给不足成为智能经济规模化发展的突出瓶颈。2026年世界机器人大会披露，我国合规、可用的真实物理交互数据仅约50万小时，而具身智能商业化落地需千万小时级，缺口超过99%。制造业数据开发率虽达32.21%、领先全国企业平均水平3.75个百分点，但相比智能应用的巨大需求仍显不足。数据供给能力不足，直接抬高了智能经济的能力天花板。
(三)高质量工业数据成为智能经济竞争的战略制高点。随着通用大模型能力差距加速收窄，数据质量与供给机制成为决定一国在全球智能经济格局中地位的关键筹码，数据主权竞争正上升为大国博弈的新前沿。一方面，全球数据主权竞争全面升级，数据规则主导权成为竞争焦点。全球已有超过100个国家和地区出台数据本地化存储或跨境限制性规则，欧盟《数据法案》于2025年9月开始适用。谁能率先建成高质量、可流通、可运营的工业数据底座，谁就能在智能经济新格局中占据主动。另一方面，我国已形成制度供给的先发优势，系统推进工业数据资源开发利用。2026年《政府工作报告》首次提出“打造智能经济新形态”。工业和信息化部等八部门印发《“人工智能+制造”专项行动实施意见》，提出到2027年推出1000个高水平工业智能体、打造100个工业领域高质量数据集、推广500个典型应用场景；并启动工业数据筑基行动、联合国家数据局部署“模数共振”行动。从规划到行动、从政策到联合体，国家层面的系统布局正在把数据规模优势转化为智能经济竞争优势。
二、工业高质量数据集建设面临三重挑战
工业数据体量庞大、优势显著，但面向人工智能应用的高质量数据集建设，仍面临“采不全、集不拢、用不深”三重挑战，采集、汇集、应用三个环节层层梗阻，制约着规模优势向智能经济优势的转化。
(一)采之难：源头数据采集不全、质量不高，高质量供给基础薄弱。面向人工智能应用，工业数据的源头采集面临“采集覆盖有缺口、数据质量难达标”双重制约，高质量数据的“原料端”供给根基不稳。一方面，采集覆盖存在明显缺口，关键工序数据大量依赖人工记录。高端数控装备、进口精密仪器协议封闭，大部分中小企业设备不具备自动采集能力，关键工序核心数据仍依赖人工记录，源头供给呈碎片化。据《全国数据资源调查报告(2025年)》，工业设备数据虽占工业数据比例超三成，但大量设备因接口不统一、协议不开放而难以汇聚，采集环节的碎片化直接导致后续治理缺乏完整原料。另一方面，存量数据质量参差，难以满足模型训练需求。工业数据涵盖时序传感、图像视觉、工艺文本等多模态类型，不同厂商设备、不同业务系统的数据格式、采样频率、精度口径没有统一规范，超六成原始数据无法直接用于模型训练。高质量数据集要求的数据完整性、标注精准度、工况覆盖度，与现有存量数据的粗放状态之间存在巨大落差，形成“存量数据规模大、可用高质量数据集少”的错位。
(二)集之难：跨主体数据流通不畅、汇集不拢，规模供给优势难以形成。工业数据“出不了厂、跨不了域”，核心问题不在技术而在制度，跨主体流通缺乏信任基础与制度依据，数据规模优势难以通过汇集转化为供给合力。一方面，数据产权与收益分配规则不完善，企业“不敢共享、不愿共享”。数据产权、价值评估、收益分配规则尚不完善，企业出于商业保密、合规风控考量，对核心工艺参数、生产台账等敏感数据不愿共享。调研显示，66.7%的制造企业存在严重的“系统孤岛”问题，大量数据沉睡在企业内部，跨主体流通缺乏制度依据与信任基础。另一方面，数据治理与流通能力不足，可信流通机制尚未建立。专业领域数据标注依赖资深工程师，人工成本高达每条100—500元，中小企业难以承担；行业数据标准缺失，不同来源数据难以互操作；可信数据空间等新型流通载体仍处于起步阶段，跨企业、跨行业的规模化流通尚未形成闭环，数据“聚而不通、通而不畅”的问题突出。
(三)用之难：智能应用场景偏浅、产业生态支撑薄弱，数据价值释放不充分。工业数据应用多停留在设备监控、报表统计、简单能耗分析等浅层，研发仿真、质量溯源、工艺参数优化等高阶场景渗透率低，数据赋能潜力远未释放。一方面，应用层次偏浅，高阶智能场景落地受阻。工业大模型、智能质检、工艺优化等应用对数据完整性、标注精准度、工况覆盖度要求极高，而行业普遍存在样本不均衡、极端故障工况数据缺失、多模态融合不足等问题，形成“算法等优质数据、数据难适配场景”的僵局。多数企业数据应用停留在“看得到”而非“用得深”，数据要素的深层价值尚未被激活。另一方面，生态支撑滞后，数据智能产业尚未成型。工业数据采集规范、数据集质量评级、流通交易规则仍不完善；既懂工业机理、又懂数据工程和模型应用的复合型人才短缺；有推广价值的标杆案例不足。数据智能产业生态尚未形成，数据从采集、汇集到应用的完整价值链条缺乏系统支撑，制约了高质量数据集建设的整体推进。
三、工业高质量数据集建设的路径探索
(一)以多源采集补短板，破解源头数据“采不全”难题。一方面，以刚性需求牵引全生命周期数据采集，提升真实工况覆盖能力。长尾故障、异常工况等数据天然稀缺，是模型训练的关键瓶颈。破解之道在于以预测性维护、质量检测等刚性业务需求反向定义“采什么、采多少、采到什么精度”。朗坤智慧牵头构建覆盖煤机“设计参数、生产制造、状态监测、维护检修”全生命周期的数据集，故障预警小模型准确率达93%、垂域大模型达85%，落地智能体28个、预警案例超1300个；中国汽研以新能源汽车起火预警需求为牵引，以授权运营、联盟联合建库等方式汇聚整车真实运行、动力电池检测与热失控失效事故等跨主体数据、总量超18PB，联合多家车企，行业机构构建数据空间，预警准确率超95%。另一方面，以合成数据补足长尾，破解极端工况与稀缺样本缺失难题。故障、异常、极端工况等数据在生产过程中天然稀缺、难以积累，单纯靠现场采集无法满足模型训练需求。以物理机理约束的生成式模型合成高质量数据，成为补齐长尾的有效手段。中国汽研基于1000辆实车运行数据，生成60万帧覆盖极端工况与故障场景的数据；理想汽车2025年上半年4000万公里测试里程中，合成数据占比超过90%。“真实数据+合成数据”双轮驱动，是破解稀缺样本供给的普适性技术路径。
(二)以可信流通技术与制度双保障，破解跨主体数据“流不动”难题。一方面，以可信流通技术实现"数据可用不可见"，破解安全顾虑。跨主体数据流通的核心障碍，是核心工艺参数、生产台账等敏感数据“出域即失控”。以隐私计算、联邦学习、区块链存证、数字合约等技术构建可信数据空间，让“原始数据不出域、数据可用不可见”，从技术层面化解泄露风险。中国汽研依托汽车行业可信数据空间，以联邦学习实现跨企业协同建模，模型效能损失控制在2.8%以内，在数据全程不出域的前提下跑通联合训练；其首创的智能网联汽车事故责任判定系统，累计承保车辆5.4万辆、出具司法级报告340余份。技术保障让“不敢共享”有了转化为“放心共享”的可行性。另一方面，以权责清晰、收益明确的制度规则消除共享顾虑，破解动力不足。技术解决“能不能共享”，制度解决“愿不愿共享”。当前企业普遍对数据流通过程中的安全责任界定、收益分配缺乏预期，是流通不畅的深层原因。中铝集团作为央企龙头联合地方企业组建联合体，以标准化架构统一分散的建设任务，以知识图谱构建把原始数据转化为可训练、可复用的行业知识资产，实现从“聚数据”向“聚知识”的跃升；中国汽研则以事故责任判定、高危车辆预警等刚性需求为牵引，让数据供给方获得明确的模型能力回报，“不敢共享”变成“愿意共享”。以清晰的权责边界和可预期的收益分配为制度保障，是数据流通从“任务驱动”走向“价值驱动”的根本之策。
(三)以标准与机制保障落地，破解智能应用“用不深”难题。破解应用难题的关键，在于以标准先行统一口径、以组织机制压实责任，让跨企业协同从“数据共享”推进到“价值共创”。一方面，以标准先行统一数据口径，让数据融合“有章可循”。跨企业数据“用不深”的根本，在于数据标准不一、语义不通、质量参差。潍柴动力以行业可信数据空间为底座，按照“需求梳理—可信空间构建—数据集孵化—垂类模型训练—场景价值验证”五步走推进，发动机健康管理智能体高发故障起因预测准确率达95%以上、故障识别周期缩短80%，已发布国家标准、团体标准3项，在研18项。中国汽研则形成“场景需求定义—采集汇聚—清洗脱敏—标注结构化—分类分级—质量评测入库”六步标准化建设流程，以“以用定建”确保数据集与模型应用不脱节。标准先行，是离散型装备行业破解“用不深”的共性路径。另一方面，以组织机制强化协同，保障数据应用落地见效。数据应用能否见效，最终取决于跨主体协同是否顺畅。潍柴动力以“一把手工程+双周调度”压实责任、强化调度；中国汽研建立“月度推进会+红黄绿看板+季度复盘”机制，已解决数据集标注人力不足、隐私计算原型适配等4项堵点。以明确的组织机制和进度管控固化协同、压实责任，是数据应用从“示范展示”走向“规模落地”的共同保障。
下一步，将紧扣“工业数据筑基行动”“人工智能+制造”“模数共振”等战略部署，持续推动工业高质量数据集供给提质增效，为智能经济发展提供坚实数据底座。一是支撑高质量行业数据集建设先行先试，推动汽车、电子、装备制造、金属冶炼等行业数据合作联合体按期完成行业数据可信互联平台、数据资源库、数据标准库、高质量数据集库、智能化场景应用等系列任务；二是推动制定工业数据相关制度标准，研制工业领域高质量数据集建设指南和评估标准，推动行业数据标准制修订，探索数据跨企业合作、数据产品共创、数据知识产权与价值分配机制模式，研制相关政策制度；三是深化重点行业“人工智能+制造”图谱与档案成果应用，从场景需求出发，系统组织工业数据资源、工业高质量数据集、工业知识本体、工业垂类模型、工业智能体等资源、工具与能力，搭建场景驱动的工业数据智能应用平台，持续积累工业领域“人工智能+制造”原子技能，推动高质量行业数据集建设向智能场景应用落地转化。
作者信息
陈杰浩，中国工业互联网研究院数据管理与应用研究所所长，正高级工程师，工学博士。担任中国青年科技工作者协会理事、中国大数据专家委执行委员、农业农村部数据标准化技术委员会委员、农业农村大数据专家库专家、中国仿真学会元宇宙专业委员会委员等多个学术组织职务。获得广西壮族自治区五四青年奖章、广西五四青年集体奖，北京理工大学T-more优秀教师奖、迪文优秀教师奖、育人标兵，北京市高等教育教学成果奖二等奖3项，省部级科技进步奖3项，出版学术专著6本。
王瑞莹，中国工业互联网研究院数据管理与应用研究所，工程师，管理学双硕士，主要从事数据与人工智能相关政策、行业、技术研究和咨询工作，曾牵头和参与发改委、工信部、住建部等研究课题，承担多项地方和企业咨询项目。
金永花，中国工业互联网研究院政策研究所，正高级研究员，经济学博士，研究方向为智能经济、数字化转型、产业链供应链、安全应急产业等，工业和信息化部安全应急装备标准化工作组委员，发表论文30余篇，完成8部专著和合著，牵头20余项部省级课题，参与多项国家重大政策文件起草。
谭玥宁，中国工业互联网研究院政策研究所，助理研究员，经济学博士，研究方向为智能经济、工业互联网、链网融合、新兴产业等，主要从事国际智库动态追踪、产业发展分析与政策研究等工作。曾参与工信部重大课题，以及国家自然科学基金委员会与中国科学院联合项目等多项重点课题研究，多项研究成果获评工信部优秀科研成果。
营销推广
智造直播
网络课堂
智造APP
智能制造网APP
智能制造网手机站
智能制造网小程序
智能制造网官微
智能制造网服务号
浙公网安备 33010602000006号