【高端访谈 | 王锋】高质量数据集：人工智能时代的核心底座

在人工智能技术飞速发展的当下，高质量数据集已成为推动AI模型精进与创新的核心底座。中国质量认证中心区块链与数据服务部部长、江苏省数字经济学会专家会员王锋，围绕高质量数据集的定义、评价体系、企业建设路径、技术赋能及行业人才培养等核心问题展开深度解读，为行业发展提供了专业指引。

高质量数据集是特指为人工智能服务的一类数据产品，经采集、加工后可直接用于 AI 模型开发训练，能有效提升模型性能，兼具鲜活度、真实性、大样本等特性，需满足技术可行、实用便捷、质量保障三级递进要求。与之相关，数据经规模化积累成为数据资源，产品化后形成数据产品，而满足合法拥有、货币计量、能带来经济利益三要素的数据资源，则成为数据资产。根据应用场景与知识内容，高质量数据集又可分为通识、行业通识、行业专识三类，分别适配不同的模型训练与应用需求。

在高质量数据集的评价实践与体系构建上，中国质量认证中心早已布局，2022年便颁发国内首张数据产品质量评价证书，目前已发布四批人工智能高质量数据集评价证书，通过率约30%，覆盖地质、安全、政务等多个领域，数族科技的企业经营指标特性数据集便是典型代表，其双数据模态、大样本量与高知识密度的特征，通过了多维度全流程评估。在此基础上，团队研发的“CQC-6D模型”成为核心评价体系，从数据说明、模态、质量、应用、服务、管理六个维度，实现对数据集内生质量、模型赋能效果及质量一致性的全方位管控。当前行业评价仍面临多模态数据评估、行业标准缺失、模型动态验证基础薄弱等挑战，不过全国数标委已启动相关标准制定工作，49项标准及26项技术文件的推进，将逐步破解行业难题。

对于普通企业而言，构建高质量数据集体系需按需推进。无高需求企业可先完成数据资源目录梳理、分类分级等基础工作，并结合相关规定推进数据资源入表；而有智能化转型需求的企业，需遵循明确数据需求、做好数据规划、优化数据采集、开展预处理、规范数据标注、完成模型验证与评价的六步路径，依托科学方法提升数据集建设质量。

区块链、隐私计算等新兴技术，正为高质量数据集建设注入新动能，二者作为数据基础设施建设的核心技术，结合可信数据空间的建设，能有效提升数据流通效率。相关团队已发布可信质量数据空间白皮书，提出质量数据服务网络架构，借助技术实现质量认证数据 “可用不可见、可用不出域、可控可计量”，打造新型质量基础设施，进一步提升高质量数据集评价的有效性。

针对即将踏入数据领域的青年，王锋也给出了发展建议：要持续跟踪区块链、隐私计算等技术前沿，密切关注数据要素相关政策动态；扎根产业实践，推动数据产业化与产业数据化，深刻理解产业场景让数据要素发挥实际价值；紧跟“人工智能+” 趋势，聚焦高质量数据集建设这一AI发展关键；同时积极拓展行业人脉，打造协同发展的生态圈，在产业协同中实现个人与行业的共同发展。

作为人工智能发展的关键底座，高质量数据集的建设与发展，正在政策引导、技术赋能、产业实践的多方协同中稳步推进，未来也将持续为人工智能产业的高质量发展筑牢根基。