数智前沿观察系列④：人工智能就绪数据是“模数共振”的关键所在

2026年4月，工信部、国家数据局联合印发《关于联合实施2026年“模数共振”行动的通知》，提出面向钢铁、石化、工业母机、汽车、医疗装备等20个重点行业领域，通过行动构建“数据-模型-场景应用”良性互促的循环，推动人工智能高水平赋能新型工业化。“模数共振”准确描述了高质量数据与高效能AI模型之间相互依存、同频共振的“双螺旋”进化关系。一方面，高质量数据是驱动模型迭代的关键燃料；另一方面，模型也反过来引导和数据治理与优化，两者从传统“单向赋能”走向“伴生进化”深度融合。

然而，从大模型应用落地实践来看，随着模型参数规模的持续扩大和算力资源的不断堆砌，大模型能力越来越强，但对提升生产效率、赋能行业升级的作用却仍不及预期，面临“模型空转、数据沉睡、场景脱节”的发展困境。究其原因，缺少人工智能就绪（AI-Ready）的高质量数据正成为制约AI价值释放的核心瓶颈。据麦肯锡调研显示，70%的AI项目未能达到预期商业目标，其中数据问题占比高达45%；据Gartner预测，2026年60%的AI项目将因缺乏AI就绪数据而被放弃。由此可见，数据就绪能力正在取代模型选型成为企业智能化的关键一步，未来企业将加速从“卷模型”向“卷数据”转变，而没有人工智能就绪的高质量数据，企业就无法获得真正的AI竞争力。

当前，大模型的核心能力正在向多模态（Multimodal）、智能体（Agentic abilities）、复杂推理（Complex Reasoning）和高阶编程（Advanced Coding）聚焦，对训练数据的需求也从原来以海量互联网公开数据为主，转向高知识密度、高场景关联、多模态融合、强任务推理的高质量数据。具体来看，目前制约模型性能提升的数据缺口主要体现在五个方面：

一是缺行业高知识密度数据。传统基模训练高度依赖网页文本等通用语料，但缺乏覆盖工业机理、行业术语的专业化、权威性知识库。例如，医疗领域需整合临床指南、医学影像报告与诊断逻辑的关联数据，但现有数据集多为孤立文本，缺少结构化标注的“技术机理链”。在这方面，美国医疗科技企业OpenEvidence给出了成熟案例，通过与《新英格兰医学杂志》《美国医学会杂志》建立内容合作关系，合法使用大量受版权保护、经过严格同行评审的黄金标准级医学内容进行模型训练，形成“结论-证据-文献”的完整循证链条，支撑160个专科、1000余种疾病的跨学科查询，单月支持约1800万次来自美国认证医生的临床咨询，美国超过40%的医院和医疗中心医生每天使用该平台。

OpenEvidence的数据产品解决方案（图源：OpenEvidence官网）

二是缺多模态对齐数据。随着大模型向原生多模态进化，需要的不再是割裂的文本/图像/视频/音频数据，而是“精准描述+任务指令+结果解释”相结合的跨模态对齐数据。例如美国癌症精准医疗科技公司Tempus，通过自采（自有检测服务沉淀基因组、转录组等分子数据）、链接（对接3000+医疗机构EHR 系统，采集电子病历、用药记录、疗效随访等临床数据）、并购（通过收购Ambry获取40万份遗传数据，收购Paige获得700万张病理切片数据）等方式，形成 “DNA+RNA +影像+病理+临床”的全模态数据资产，与超过3000家医院建立合作关系，覆盖全美65%的学术医疗中心和50%的癌症医生。2025年实现营收约12.7亿美元，同比增长83%。

三是缺长尾稀缺数据。由于长尾数据（如医疗领域罕见病描述仅占医学文献0.3%以下，但实际诊疗中需100%覆盖）和Corner case数据（自动驾驶中0.01%的极端场景导致了72%的致命事故）在真实世界中天然较为稀少、采集成本高且隐私限制严苛，导致模型在罕见场景下性能断崖式下跌，甚至产生高风险幻觉。为此，通过定向采集、场景挖掘和仿真合成构建长尾稀缺数据集，成为不少智驾模型厂商的必选项。例如，比亚迪通过310万辆搭载天神之眼智能辅助驾驶的车辆，每天生成2亿公里数据，覆盖城市拥堵、乡村小道、高速巡航、雨雪天气等数千个长尾场景；小鹏汽车通过定向采集和仿真结合，一年内累计解决1000个以上Corner case（极限场景），高速NGP事故率降低95%。

比亚迪“天神之眼”系统（图源：新浪财经）

四是缺生产伴随数据。大模型和智能体要真正在行业应用中落地，就要从训练“阅读理解”向训练“决策执行”转变，而人类在科研、生产过程中的决策、交互、偏好、纠错、长链条任务示范等真实过程数据，往往是缺少记录和积累的。在具身智能领域，国内外企业对生产伴随型数据的需求最为迫切。例如，京东发动60万人计划在两年内积累1000万小时真实场景视频数据，同时通过仿真平台批量生成高逼真数据，弥补罕见场景空白。

五是缺真实物理表征数据。当前，世界模型的热度持续上升，但仍处在概念较为混乱、多技术路线并行阶段。李飞飞在最新研究文章中将世界模型划分为渲染器（输出观测，根据用户输入实时生成高视觉保真画面）、模拟器（输出状态，使人机交互符合几何、物理或动力学规律）和规划器（输出动作，让系统能够在非结构化的世界中决定机器人应该做什么）三个类别。但这三个类别并非彼此割裂，而是共享同一套关于世界如何运作的底层知识。例如，阿里最新发布的Happy Oyster 3D世界模型，可生成具有物理一致性的可探索三维世界，与Happy Horse视频生成模型共同形成视频与三维世界协同的世界模拟器布局。

随着大模型技术的不断迭代升级，也为打造人工智能就绪数据提供了技术手段，使得数据自动化治理、多模态数据融合、复杂场景数据解析等成为可能。

在数据采集阶段，从静态采集到实时汇聚。传统数据往往按照一定时间频率（日、周、月、年等），依赖人工爬取或表单录入进行采集，数据多为静态和截面数据。而随着模型落地真实生产场景后，依托工业传感器和工业软件，全流程生产行为、设备运行、人工操作将会进行实时有效汇聚，为模型优化迭代提供新鲜血液。

在数据生产阶段，从原始数据到合成数据。针对由于数据稀缺、隐私问题和高成本带来的专业数据难以获取问题，通过大模型生成高保真合成数据，不仅可应用于长尾、稀缺数据的生成，也有助于提升高价值数据的获取效率。未来发展方向是合成数据与真实数据的融合应用，即一方面利用真实数据校准合成数据的分布，另一方面利用合成数据扩展真实数据的覆盖，共同支撑高性能模型的训练。

在数据清洗阶段，从规则匹配到语义理解。传统数据清洗通过人为设定规则来进行数据分类、筛查和清洗。而运用大模型，不仅可以根据语义指令来自动识别低质量、有毒或虚假内容，还能基于语义清洗形成更有价值的数据。例如，谷歌使用Gemini深度梳理了全球500万篇新闻报道，并提取出260万次洪水事件记录，将定性描述转化为带有地理标签和时间戳的定量数据，形成了山洪预警数据集。

在数据标注阶段，从平面标注到多模态关联标注。传统数据标注基于特征识别进行无差别标注，主要依赖人工标注，且标注内容相对单一固定（如图像框选）。而随着大模型技术的加持，已经能够对文本-图像-知识图谱等进行联动标注，并实现对复杂场景语义的理解。例如，自动驾驶厂商运用Amazon Nova多模态大模型，能够自动分析天气、道路类型静态信息和车辆轨迹、行人动作等动态信息，并生成结构化语义标签（如暴雨天+城市道路+车辆急刹等），无需人工补标。

Amazon Nova多模态嵌入模型（图源：知乎账号“亚马逊云科技”）

综上所述，推动“模数共振”应当将人工智能就绪数据作为核心要素，从追求更复杂的模型架构，转向构建标准化、体系化、可迭代的高质量数据集，系统性提升数据质量、嵌入领域知识、重构数据生命周期管理，实现数据与模型的协同优化，为AI应用落地提供稳定、可控、可规模化的支撑。

一是构筑行业高质量数据底座。“一业一策”统筹建设通识公共数据集与场景专识数据集，由行业龙头企业联合科研院所牵头梳理行业通用工艺、设备标准、基础参数形成通识数据集，面向全行业开放共享；各企业立足自身核心产线，归集细分场景生产数据、老专家经验等打造专属专识数据集，定向支撑自有专用模型迭代。逐步形成我国工业领域国家级数据底座，助力传统制造业向智能制造转型升级。

二是重构行业数据治理体系。传统大数据时代，提取（Extract）、转换（Transform）、加载（Load）成为核心的数据集成和处理方法。而进入人工智能时代，面向“采洗标测用”全链条的数据治理方法论和技术工具均面临重构，从源头生产伴随式采集过程型、推理型、交互型、正负样本等数据，到依托AI自动标注技术降低数据治理成本，到运用数据合成技术弥补细分场景专识数据短缺问题，再到通过隐私计算、联邦学习实现跨主体数据联合训练等至关重要。

三是建设“模数共振”实训场。聚焦重点行业领域打造“模数共振”实训场或中试基地，组织行业龙头企业、算力企业、模型企业、数据企业和应用开发企业共同参与，联合开展模型研制、软硬适配、数据处理、应用方案设计与开发，探索形成行业级解决方案，打造人工智能赋能行业“样板间”。

四是培育专业化数据治理生态。针对传统制造企业数据治理缺人才、缺技术等难题，加快培育专业化第三方数据治理服务商，面向传统制造企业、中小企业输出标准化数据归集、治理、标注服务；依托产学研联动机制，推动高校、科研院所与制造企业共建行业数据集，促进上下游数据共享。