中国信通院魏亮：高质量数据集是AI发展的核心驱动力
在8月26日于深圳举办的“2025人民数据大会”上，中国信息通信研究院副院长魏亮发表主旨演讲，强调高质量数据集建设是推动人工智能技术突破与产业落地的关键。他指出，随着大模型技术的加速迭代，数据已成为人工智能发展的核心要素，而多模态数据、具身智能数据、推理思维链数据和长视频数据是未来建设的重点方向。
数据飞轮效应：垂类模型与数据闭环的双向赋能
魏亮提出，高质量数据集的供给需从数据技术、数据工程和数据治理三方面协同推进。他以亚马逊的“数据飞轮”效应为例，阐释了垂类大模型与数据生产的良性循环：当垂类模型在生产中规模应用时，会持续生成高质量数据反哺模型训练，形成“数据-模型-应用”的闭环。这一模式已在金融风控、医疗诊断等领域验证，例如宁德时代通过AI数据治理平台，将数据清洗效率提升50%，模型决策准确率提高30%。
四大核心数据类型：支撑AI应用场景升级
- 多模态数据：自然资源部第三大地测量队构建的三维地表动态监测数据集，整合文本、图像、三维模型，将自然资源要素提取时间从天级缩短至小时级，目标识别准确率提升90%。
- 具身智能数据：浪潮云洲开发的工业具身智能体，通过多模态感知与任务规划，解决复杂工业环境中的自主作业问题，设备适应性提升40%，工艺准备时间缩短60%。
- 推理思维链数据：新加坡管理大学提出的GCoT框架，首次将思维链提示学习应用于无文本图数据，在少样本分类任务中准确率超越现有方法，为复杂决策场景提供新思路。
- 长视频数据：自动驾驶领域通过自动化标注工具（如CVAT、Labelbox）结合人工审核，确保长视频数据的时间连贯性与标注准确性，支撑行为识别与事件预测模型训练。
技术、工程、治理：三位一体的数据供给体系
魏亮指出，数据技术需突破新一代标注与合成技术。例如，DeepSeek采用数据蒸馏技术，从低质数据中提炼有效信息，结合强化学习构建推理型训练集。数据工程则强调全流程管理，中国信通院建立的“可信AI”数据集质量评估体系（ADAQ），涵盖12个一级指标和36个二级指标，确保数据从采集到应用的全程可控。数据治理方面，需平衡安全与合规，如联邦学习技术在医疗数据共享中的应用，既保护隐私又提升模型泛化能力。
行业应用：从“经验驱动”到“标准驱动”的转型
当前，垂类大模型已在金融、医疗等领域实现初步落地。例如，创略科技通过AI分析客户行为数据，将企业客户流失预警准确率提升至85%，交叉销售效率提高50%。然而，工业领域仍面临挑战，浪潮云洲通过构建“感知-决策-执行”工业化生态，将设备维护成本降低30%，但数据孤岛与实时性不足问题仍待解决。
未来展望：数据驱动AI进入新阶段
魏亮总结，随着“人工智能+”行动的深化，数据要素的价值将进一步释放。他呼吁产业界加强标准建设，推动数据技术、工程与治理的协同创新，共同构建“数据驱动”的智能生态。