国家数据局首份行业高质量数据集建设方案，对制造业意味着什么？

2026年6月3日，国家数据局印发《关于推进行业高质量数据集建设行动的实施方案》（国数科基〔2026〕25号，以下简称《方案》）。政策原文不长，但信息密度极高——六大专项行动、19个重点领域、5个创新方向，落实“十五五”规划《纲要》与“人工智能+”行动，目标直指2028年底。值得制造业从业者特别注意的是：在19个重点领域中，工业制造仅次于科学研究、位列第二。对制造业而言，这份文件回答了一个核心问题：AI要落地工厂，数据瓶颈怎么破？

一、读懂这份《方案》，先看它在政策链中的位置

这份《方案》并非孤立文件，而是一条持续演进的政策链上的关键一环。理解它的坐标，才能理解“为什么是现在”：

• 2025年2月，国家数据局召开高质量数据集建设工作启动会，正式将其纳入“人工智能+”行动的落实抓手；

• 2025年8月，《高质量数据集建设指引》发布，提出“1+1”参考路径，解决“怎么建”的方法论问题；

• 2025年11月，首批104个高质量数据集典型案例发布，树立可复制的样板；

• 2025年12月，《关于加强数据科技创新的实施意见》印发，从技术攻关侧提供支撑；

• 2026年6月，本《方案》出台，把前期的方法、案例、技术整合为覆盖“供给—流通—应用”全链条的行动部署。

换言之，从方法论（指引）到样板（案例）再到全国性行动（方案），高质量数据集建设已经走完“从试点到铺开”的完整闭环。对制造业企业来说，这意味着政策红利窗口已经打开，观望的成本正在上升。

二、制造业AI的“隐形天花板”

通用大模型能写诗、能编程、能聊天，但面对一条产线上的产品缺陷，它识别不了。这不是模型不够强，而是训练数据里根本没有这类“行业暗知识”。

制造业的AI困局可以概括为三点：

• 数据散——产线数据分布在MES、ERP、PLM等多个独立系统里，字段不统一、时间戳不对齐；

• 知识隐——老师傅的经验在脑子里，不在数据库里，难以沉淀为可训练的样本；

• 标准缺——每家企业的标注规范各搞一套，A厂训练的模型到B厂直接失效。

《方案》正是从政策层面对这三重困局给出了系统性回答。文件按照“需求牵引、急用先行、应用验证、安全保障”的原则，部署了六大专项行动——强基扩容、标注攻坚、提质增效、应用赋能、管理服务、价值释放，本质上是在构建一条从“数据采集”到“价值变现”的全链条。

从制造业视角看，强基扩容和应用赋能是两大最直接相关的行动——前者解决供给，后者解决落地。而标注攻坚是最具行业壁垒的一环：将资深工程师的隐性知识系统化、可计算化，是制造业数据集区别于通用数据集的核心门槛，也是《方案》专门设立“专家型数据标注服务”与“行业专家认证机制”所指向的目标。

三、制造业数据集，到底长什么样？

和互联网数据不同，工业数据时序性强、机理关联深、采集难度大。《方案》强基扩容行动明确要求推进文本、图像、音频、视频、点云、时序数据等多模态数据集建设。落到制造业，高质量数据集主要覆盖四个方向：

▍ 工业视觉数据

产线质检图像配合缺陷标注，用于表面缺陷检测和装配质量校验，是制造业数据集中占比最大、也最成熟的类型。

▍ 设备运维数据

传感器时序数据、运行日志、故障记录，支撑预测性维护。这类数据体量大、频率高，对时序对齐和标注一致性要求极高。

▍ 工艺参数数据

温度、压力、转速、物料配比等过程参数，用于工艺优化和质量追溯。此类数据机理关联深，需与领域知识图谱深度融合，正对应《方案》中“知识图谱、本体”数据集建设的要求。

▍ 供应链数据

BOM物料、采购订单、物流跟踪、库存数据，服务于供应链协同与智能排产，是打通“产供销”一体化的数据基础。

四、关键词：数据飞轮”&智能体

《方案》在总体要求中明确提出“数据飞轮”，并将其定义为一种正向循环：

场景牵引数据 → 数据驱动模型 → 模型赋能应用 → 应用创造价值

——价值再反向牵引更多场景数据，形成“场景—数据—模型”协同发展的良性循环。

具体的建设逻辑可以概括为六步：先明确业务痛点（价值定场景），再确定所需AI模型（场景定模型），然后反向推导训练数据需求（模型定数据），接着确定加工处理方式（数据定算子），建立标准化治理平台（算子定平台），最后通过应用反馈持续优化（评测定运营）。

如果把《方案》理解为“给大模型准备训练数据”，这可能低估了政策的远见。真正值得逐字细读的，是《方案》强基扩容行动中的这样一段：

这里的关键词是“智能体”。通用大模型只需要“知道”，智能体还需要“会做”——它要在真实产线上感知环境、规划步骤、执行操作，并从结果中学习。这需要的不再是聊天语料，而是物理交互数据、操作序列数据、决策链条数据。

▍ 我们的判断：制造业数据集是工业智能体的认知底座

制造业高质量数据集的终极价值，或许不在于“训练一个更准的质检模型”，而在于为工业智能体提供认知底座。与通用模型不同，工业智能体面对的是物理世界——它需要理解“这颗螺栓拧到多大扭矩才算到位”“这条温度曲线的偏移意味着工艺漂移还是传感器故障”“设备异响该停机还是降速”。这些知识无法从互联网上爬取，只能从制造业自身的数据集中生长出来。

从这个角度回看“数据飞轮”，它就不只是数据迭代的闭环，更是工业智能体在物理世界中边做边学的反馈机制：产线上每一次操作的成功或失败，都在为智能体积累经验。谁先跑通这个闭环，谁就掌握了工业AI最深的护城河——不是算法，不是算力，而是智能体在真实场景中积累的、不可替代的“体感知识”。

五、精读：三条制造业最该逐字读的条款

如果只有时间读《方案》里的三段，制造业从业者应当锁定这三条——它们直接对应前文的“数据散、知识隐、标准缺”：

▍ 其一：链主联合体共建（对应“数据散”）

强基扩容行动第（二）条明确：强化链主单位牵引带动作用，支持链主单位以联合体等形式推动产业链上下游协同共建和资源整合……鼓励链主单位面向行业开放数据集并提供数据服务，赋能产业链上下游中小企业。

这为制造业破解“数据散”提供了组织路径：由链主牵头，把分散在上下游、分散在各系统里的数据整合为行业级数据集。对龙头企业，这是争取“链主”话语权的窗口；对中小企业，这是低成本接入高质量数据集的机会。

▍ 其二：专家型标注＋专家认证（对应“知识隐”）

标注攻坚行动第（五）条提出：发展专家型数据标注服务，建立行业专家认证机制，推动专家深度参与……生产领域知识、逻辑推理等高质量数据集，提高数据集的知识密度与专业价值。

这正是“老师傅经验入库”的政策抓手。制造业最宝贵的隐性知识——工艺诀窍、故障判读、参数调优——过去无法沉淀，如今《方案》给出了“专家参与标注＋认证背书”的制度化通道。谁能率先把工程师经验转化为标注数据，谁就掌握了别人拿不到的高知识密度数据集。

▍ 其三：数据合成与仿真（对应稀缺工况）

提质增效行动第（八）条强调：发挥数据合成在数据集建设中的积极作用，利用模型、仿真系统等生成的数据，解决稀缺场景数据集构造难、真实场景数据采集成本高等问题。

制造业大量关键工况——极端故障、罕见缺陷、危险操作——真实样本极其稀缺，且采集成本高、风险大。仿真与合成技术让企业得以“造”出这些样本，是提升模型鲁棒性、降低训练成本的现实解法。

▍ 落地：三种规模企业如何组合运用这三条

这三条并非只对“链主”或大企业有效——不同规模的企业，可以按自身位置组合运用。《方案》明确的“链主牵引、生态共建”模式下，切入路径各不相同：

六、最大的挑战：不是技术，是机制

政策方向已经明确，标杆案例也已出现。但制造业数据集建设面临的最大挑战不在技术层面，而在机制层面。除了通常所说的标准不统一、中小企业门槛高、信任缺失之外，制造业还有一重被普遍低估的特殊障碍：

• 标注标准不统一——同一行业不同企业的标签定义、质量等级各自为政，模型无法跨企业迁移。《方案》提质增效行动已部署“一次测评、全国互认”的标准与测评体系，但落地仍需时间。

• 中小企业参与门槛高——采集、清洗、标注全链条投入对中小企业是沉重负担。数据合作社、链主托管分润等模式是破局方向，但需实践验证。

• 数据流通的信任缺失——尽管明确了三权分置，企业层面“不敢共享、不愿共享、不会共享”的困境仍需可信数据空间等基础设施支撑。

从算力竞赛到算法开源，再到数据资产定胜负，AI产业的演进路径已经非常清晰。对制造业来说，能够率先吃透政策、构建完整数据闭环的企业，将在未来几年建立起无法被算力或算法复制所跨越的护城河。

而这条护城河的最终形态，是能在物理世界里感知、决策、执行的工业智能体——它的每一分能力，都源自那些沉睡在产线上、无法从别处复制的数据。

数据不再是数字经济的副产品，而是驱动制造业智能化升级的主引擎。这场变革的窗口期正在打开，而你手中最不可复制的战略资产，就是那些沉睡在产线上的数据。