报告：高质量数据集是支撑大模型训练、应用的关键基础

中国青年报客户端北京6月19日电（中青报·中青网记者 贾骥业）6月18日至19日，由中国通信标准化协会主办的“2025数据智能大会”在北京举行。会上，中国信息通信研究院（以下简称“中国信通院”）发布了《数据智能研究报告（2025年）》。报告指出，当前，以大模型为代表的人工智能技术正在数据智能产业加速渗透，高质量数据集则是支撑大模型训练、应用的关键基础。

所谓高质量数据集，就是通过系统性筛选、清洗、标注、增强合成、质量评估等环节形成的标准化数据产品，具有格式统一、质量可控、场景适配性强等特点。中国信通院云计算与大数据研究所所长何宝宏表示，在提升模型的准确性、稳定性和泛化能力，减少模型偏差和不公平现象等方面，高质量数据集发挥着重要作用。

近年来，我国高度重视高质量数据集建设工作。国家数据局综合司日前印发的《数字中国建设2025年行动方案》提出，要积极开展人工智能高质量数据集建设，加强交通、医疗、金融、制造、农业等重点领域数据标注，建设行业高质量数据集。“我国的高质量数据集建设进入新阶段。”何宝宏说。

但他也强调，当前，仍然有3大瓶颈限制着行业高质量数据集建设。一方面，业界缺乏高质量数据集建设的系统方法论。同时，相关技术能力还存在短板，比如不同系统产生的数据格式各异，兼容性和一致性问题比较突出。此外，数据的流通机制还不完善，尤其在企业数据层面，出于数据安全、商业竞争、责任规避等原因，数据资产极少以结构化、标准化形式向外部提供，定价机制不清、数据使用授权不规范、数据变现路径模糊等问题依然存在。

何宝宏认为，未来，随着多模态数据处理工具进一步完善，智能化能力的引入将进一步提高多模态数据处理的效率和质量。同时，以可信数据空间为代表的数据基础设施的建设落地，将推动形成高质量数据集协同生态。“协同生态会吸引更多数据提供方与服务方加入，更多数据源被发现，将推动高质量数据集与行业深度融合。”何宝宏说。

6月18日至19日，由中国通信标准化协会主办的“2025数据智能大会”在北京举行。会上，中国信通院云计算与大数据研究所所长何宝宏对《数据智能研究报告（2025年）》进行了发布并解读。主办方供图

来源：中国青年报客户端