工业数据是工业发展宝贵的战略资源，是推动制造业数字化、网络化、智能化发展的关键生产要素。为探索工业数据“采”“集”“用”有效路径，工业和信息化部3月印发通知，启动工业数据筑基行动，开展面向人工智能赋能的高质量行业数据集建设先行先试。《中国电子报》近日展开广泛采访，就“工业数据筑基行动”进行解读，就高质量数据集建设汇聚行业智慧，以期对工业领域高质量数据集建设贡献力量。日前，中国科学院自动化研究所副总工程师、武汉人工智能研究院院长王金桥就相关问题接受《中国电子报》采访，现将部分精彩观点摘录如下。
您认为工业和信息化部启动工业数据筑基行动、开展先行先试，出于怎样的考量？
王金桥：我认为这是关乎我国制造业未来竞争力，由技术演进、产业规律和国家战略共同驱动的“必然选择”。
一是技术演进的需要。过去几年，通用大模型技术进展取得了巨大突破。但我们逐渐意识到，大模型在工业领域的“智能涌现”，依赖于一个核心前提——高质量、高浓度、标准化的专业知识数据集。通用大模型虽然“通才”，但在制造业复杂的物理机理、精密的工艺参数面前，往往显得“书生气”太重。要让大模型真正理解物理世界，从“能说会道”进化到“能工巧匠”，必须喂给它经过精心治理的多模态工业数据（视觉、声纹、振动、时序信号等）。这种从“依赖算力”向“依赖高质量数据”的范式转变，使得数据集的地位从“辅助要素”上升为“核心生产力”。行动正是在大模型技术爆发、亟待向工业深水区渗透的关键节点，补齐数据短板的关键举措。
二是为了打破产业转型的瓶颈。当前制造业数字化转型进入深水区，但大量工业数据处于“沉睡”状态——异构、孤岛、标准不一，企业“有数据不能用、想用没数据”。行动通过政府引导，从行业层面破解这一共性难题，为数字化转型扫清底层障碍。
三是国家战略的布局。今年政府工作报告首提“打造智能经济新形态”，而高质量行业数据集正是智能经济的核心基础设施。行动通过先行先试，为国家智能经济构建底层的“战略资源储备”。
四是安全底线的考量。工业数据涉及国民经济命脉，在全球科技竞争加剧的背景下，必须构建自主可控的数据底座。行动强调“筑基”，既是在筑技术之基，更是在筑安全之基。
总的来说，这次行动的出台，是在技术变革的拐点、产业转型的痛点、国家战略的高点与国际竞争的关键点上，进行的一次精准发力，标志着我国推进新型工业化进入了“数据+模型”双轮驱动的深层次变革阶段。
您认为，该行动对行业有何价值？
王金桥：过去几年，大模型技术取得了突破性进展，但在工业领域的落地始终面临一个核心瓶颈——数据。工业数据分散在异构设备、孤岛系统和复杂的工艺流程中，不仅体量大、种类多，而且专业性强、标注成本高，很难直接成为大模型可理解的“养料”。
行动的价值，至少体现在三个层面：
第一，打通工业智能化的“数据大动脉”。行动的顶层设计非常清晰，从数据采集、治理到平台搭建，再到面向人工智能的赋能应用，形成了一条完整的链条。特别是提出建设重点行业数据可信互联平台和四大资源库，相当于为工业领域构建了统一的数据“底座”。有了这个底座，大模型才能真正“读懂”工业，从通用对话走向专业智造。
第二，推动人工智能技术范式从“小模型碎片化”走向“大模型体系化”。过去工业领域的AI应用，往往是针对某个具体场景做一个专用模型，开发周期长、复用性差、难以规模推广。而高质量数据集的建设，让大模型可以通过预训练加微调的方式，快速适配不同场景。这是一场从“手工作坊”到“工业化生产”的范式跃迁。
第三，为我国构建自主可控的智能经济生态打下基础。 工业数据涉及国民经济命脉，数据主权和安全至关重要。通过引导建设自主可控的高质量数据集，结合国产算力和基础软件的发展，我们才能真正构建起从数据到模型到应用的全栈自主可控能力，这在当前国际竞争格局下具有战略意义。
从产业链视角看，我认为这次行动会从四个层面释放红利：
在数据采集端，行动将直接拉动高精度传感器、智能网关、边缘计算设备的需求。工业数据质量决定了模型能力的上限，要构建高质量数据集，就必须在“采”的环节下功夫。这意味着具备多模态感知能力的硬件设备将迎来新的市场空间。
在数据治理与平台端，行动将催生一批深耕工业垂直领域的专业数据服务商。工业数据的清洗、标注、合成、治理，技术门槛高、专业性强，不是通用数据服务商能简单复制的。行动搭建的行业数据可信互联平台，为这类专业服务提供了载体。同时，连接数据与应用的“模型即服务”平台也将迎来发展机遇。
在行业应用端，这是行动最大的受益方。从智能制造到低空经济，从智慧医疗到智慧城市，高质量数据集将大幅提升大模型在垂直场景的应用效果。以智能制造为例，借助高质量产线数据集，大模型可以在工业质检、工艺参数优化、设备预测性维护等领域实现更高精度、更稳定的表现。在我参与的一些实践中，利用多模态数据（视觉+声纹+传感）进行设备状态监测，已经能够做到比传统阈值报警更早、更准确地识别故障隐患。
在基础软硬件端，行动将倒逼国产AI芯片、基础软件栈的协同优化。高质量数据集的规模化和大模型的训练推理需求，对算力提出了更高要求，同时也为国产软硬件提供了宝贵的迭代场景。只有通过真实场景的锤炼，国产化底座才能真正走向成熟。
哪些行业有望在高质量数据集建设方面率先取得突破？
王金桥：具备先行先试基础的行业通常有三个共同特征：数字化基础较好、痛点场景明确、数据价值密度高。选择这些行业率先突破，可以形成可复制、可推广的经验，为更广泛的工业领域数据筑基探路。
一是电子信息制造业。 这个行业本身自动化程度高、数据采集能力强，且产品迭代快、质量要求高，对智能质检、良率分析、工艺优化有强烈需求。无论是半导体制造还是消费电子组装，都有大量可复用的多模态数据场景，具备快速形成高质量数据集的基础。
二是装备制造业。包括工程机械、轨道交通、航天航空等。这类行业设备价值高、运维成本大，对预测性维护、故障诊断、数字孪生的需求迫切。同时，装备制造企业往往积累了大量的历史运行数据和故障案例，数据基础较好，适合开展面向设备全生命周期管理的数据集建设。
三是生物医药与医疗器械。 这个行业数据模态丰富——医学影像、文本报告、基因序列、生理信号等，且与多模态大模型的契合度很高。我国在医疗数据规模和场景多样性上有独特优势，具备先行先试的条件。
四是能源与电力。电网、发电厂等基础设施的数字化程度较高，传感器部署密集，数据实时性强。在新能源并网、设备状态监测、负荷预测等场景中，人工智能已有较好的应用基础，高质量数据集的建设将进一步释放其潜力。
五是低空经济相关产业。这是一个新兴领域，涉及无人机、通航、空管等，数据模态涵盖遥感影像、气象数据、飞行轨迹、视频流等，对多模态融合要求高。由于是新兴赛道，没有历史包袱，更容易从零开始构建标准化的高质量数据集。
目前高质量行业数据集建设面临哪些挑战？
王金桥：当前，高质量行业数据集建设还面临以下主要问题和挑战：
第一，数据“采”的环节。多模态、多源异构数据的采集与对齐难度大。工业场景中的数据往往来自不同设备、不同协议、不同模态——视觉、声纹、振动、温度、时序信号等交织在一起。如何保证这些数据的时空对齐、语义对齐，是构建高质量数据集的第一道门槛。目前行业内还缺乏成熟的自动化采集工具和标准化接口。
第二，数据“集”的环节。标注成本高、专业性强、长尾场景覆盖难。 工业数据的标注不仅需要人力，更需要深厚的行业知识。比如一个缺陷检测数据集，标注人员必须知道什么是真正的缺陷、什么是误报，这往往需要资深工程师参与。此外，工业场景中真正有价值的往往是那些“小概率、大影响”的长尾事件（如设备故障），这类数据极度稀缺，靠真实采集难以满足模型训练需求。
第三，数据“用”的环节。数据安全与共享的矛盾突出。 工业企业普遍对数据安全高度敏感，担心核心工艺数据、产线数据外泄。在“不敢共享”的顾虑下，跨企业、跨行业的数据流通难以实现。如何在保障数据主权的前提下实现“可用不可见”，目前还没有成熟的机制和平台。
第四，标准层面。数据格式、质量分级、评测体系尚不统一。 目前行业数据集的建设仍处于“各自为战”的状态，缺乏统一的标准规范。同一个场景下，不同企业建设的数据集可能格式各异、标注粒度不同、质量参差不齐，难以形成规模效应和复用价值。
基于以上分析，我对后续工作的推进有四点建议：
一是坚持“需求牵引、场景驱动”。 建议从有明确应用价值、模型可快速见效的场景切入，而不是为了建数据而建数据。让企业在试点中看到实实在在的效益提升，参与动力自然会增强。
二是推动“标准先行、共建共享”。 建议尽快组织力量，制定行业数据集的标准规范，包括数据格式、标注规范、质量分级、接口协议等。同时，探索建立数据共享激励机制和知识产权保护机制，让贡献数据的主体能够获得合理回报。
三是鼓励“平台支撑、生态协同”。 支持有技术能力的新型研发机构、平台企业搭建行业数据可信互联平台，提供数据治理、模型训练、评测验证等一站式服务，降低企业参与门槛。同时，充分发挥新型研发机构“中立性”的优势，做好生态组织者。
四是重视“合成数据、技术赋能”。 针对工业场景中长尾数据稀缺的难题，建议支持数据合成、数据增强等前沿技术研发，利用模型生成高质量合成数据来补充真实数据不足，降低对真实数据的依赖。