高质量数据集：政府工作报告为何点名海彬访谈
人工智能时代，高质量数据受到政策重视。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
2026年政府工作报告提到，要打造智能经济新形态。数据是人工智能的燃料，政府工作报告提及，要深化数据资源开发利用，健全数据要素基础制度，建设高质量数据集。
“数据质量直接影响模型的表现。”五一视界（06651.HK）首席技术官鲍世强对第一财经记者表示。人工智能从生成式AI（比如文生图）向物理AI（比如人形机器人）进化，但训练物理AI所需要的强交互数据，在互联网世界难以找到。“进入物理AI，数据问题的重要程度、严峻程度更大了。”
高质量数据日渐稀缺
政府对于人工智能的期待在提高。
2026年政府工作报告，要求深化拓展“人工智能+”，促进新一代智能终端和智能体加快推广，推动重点行业领域人工智能商业化规模化应用，培育智能原生新业态新模式。
3月6日，国家发展改革委主任郑栅洁在十四届全国人大四次会议经济主题记者会上说，“十五五”末人工智能相关产业规模将增长到10万亿元以上。
这不是政府工作报告第一次提及人工智能和数据。2025年政府工作报告同样提到，持续推进“人工智能+”行动，加快完善数据基础制度，深化数据资源开发利用，促进和规范数据跨境流动。
2026年政府工作报告，进一步点名“建设高质量数据集”。
数据，是人工智能发展不可或缺的燃料。
人工智能的发展，有赖于三个维度的进步：算力、算法和数据。相比数据，芯片所代表的算力和深度学习等代表的算法更广为人知。实际上，在大语言模型训练过程中，高质量数据非常重要。
数据也分优劣。比如乾隆所作的1500首诗，没办法与杜甫的1500首诗相提并论；《自然》杂志发表的论文质量，远高过网络上流传的小作文。优质的数据，更有可能训练出优质的大语言大模型。
何况，人工智能从感知AI、生成式AI、智能体AI逐步向物理AI演进。它们对于数据的要求更高了。
在互联网上，各类文字、图片、视频数据相对丰富，它们可以用来训练生成式AI，大语言模型和视觉模型因此可以产出优质的文字、视频和图片。比如，豆包开发的Seedance2.0模型已经可以产生栩栩如生的视频。
鲍世强认为，在物理AI阶段，数据问题变得更加突出和严峻了。这些互联网数据，很难用于物理AI训练，比如智能驾驶和人形机器人。
智能驾驶的早期阶段，低级别的智驾车辆上路需要人工干预，行驶途中收集到的数据用于提高智能驾驶的能力；现在智能驾驶已进入规模化量产应用阶段。
“智能驾驶现在面对的核心问题之一，不再只是数据量，而是数据价值密度的问题。我可以获取大量的数据，但是这里边真正对训练、测试有价值的数据比例还在下降。因为，智驾能力比较差的时候，外部数据都有用；随着智驾能力提升，正常数据没有太大的作用了。那种危险的工况，或者奇怪场景的数据，更有价值。”鲍世强表示。
具身智能、人形机器人训练所需高质量数据，比智能驾驶更加复杂和难以获取。
真实世界里，汽车通常运行在可控的道路环境上；而人形机器人在真实世界运转的话，必须适应更多样化的需求，比如爬上一座小山，从洗衣机里取出衣物并折叠好。
“具身智能，我认为目前落地的关键瓶颈之一，实际上就是数据。因为具身智能需要强交互环境的数据。互联网上文本数据、图像数据、视频数据，这些都不会跟你产生动作交互，它是一个死的数据，并不能直接使用。”鲍世强表示。
数据，如何能更好
生成式AI快速发展后，几乎耗尽了公共领域的数据。
这些公域数据，比如科技期刊论文，互联网小说等，已经被人工智能充分利用。但是私域数据还没有被充分挖掘，在制药产业、服装品牌、医院等千行百业，隐藏着高质量、高价值的数据。这些垂直领域的行业数据，很多都没有收集或激活，更没有被大模型所习得。
大语言模型回答通用问题的能力已经非常强了。它能力的进一步提升，所需要的数据不再只是通用互联网数据，而是垂直领域的专家知识，比如医疗影像数据和医生的真知灼见。
除了私域数据，合成数据也被寄予厚望。
大模型公司阶跃星辰方面认为，2026年AI数据集有望在合成数据、多模态融合、垂直领域深耕上取得显著进展，合成数据将成为核心突破方向。
所谓合成数据，是指通过生成模型、仿真、重建扩展等方式，在原始数据上产生的更多的数据。比如《论语》是原始数据，但此后各代大家所撰写的《论语》注释，则可被简略视为合成数据。
理论上，合成数据的规模是没有上限的，但合成数据的质量是关键。合成数据通常难以达到真实数据的质量，因此影响大模型的训练效果。
2026年开年，OpenClaw等智能体的惊艳表现令世界瞩目。2026年智能体渗透率有望实现大的飞跃。这使得智能体场景的数据合成，成为大模型企业的核心竞争力。阶跃星辰方面认为，结合具体的智能体应用，从真实场景、真实需求中提取并合成长链智能体数据，对模型性能有至关重要的作用。
在物理AI领域，真实交互数据目前仍然是基础。合成数据通常建立在真实数据基础之上，用于扩展覆盖范围、增强长尾样本和提升训练与测试效率。换言之，这是完成1-100的工作；而具身智能现在尚且缺乏0-1阶段的数据积累，合成数据也还没法发挥最大功效。
鲍世强表示，当下具身智能的很多核心工作，就是围绕获取0-1阶段的交互数据而展开的。比如，不少企业通过员工穿戴配置了传感器的手套操作，或者遥控操作机器人完成多样化的动作而采集相关数据。
“遥操真机去采集的方式，数据质量肯定是最高的，但是这个方式主要的问题是成本很高。”鲍世强说，所以现在很多地方都在建创新中心，支持数据集的建设。国家层面也希望通过整个行业的力量去解决基础数据获取的问题。
数据的标准化，也有待推进。
“当前数据标准体系仍不完善。不要说具身智能了，即使在智驾领域，不同厂商之间在数据格式、语义定义、标注体系和质量要求上也存在较大差异，导致数据复用和共享成本很高。”鲍世强期待，2026年在数据的标准化方面有一些进展，这也能促进数据的共享。
相关攻略
编程十年的一点分享 在软件开发的路上走过十几年，从一个爱好者到以此为业，有些体会或许值得聊聊，就当是抛砖引玉吧。 最早接触编程，是从BASIC和C语言开始的。工作后，随着需要，陆续学习了dBase、Access这类桌面数据库的开发。真正以开发为职业，可以说始于FoxPro 5 0，之后技术栈随着项目
引言 编程，是一门实践科学。这意味着，学习它的最佳方式就是动手去敲代码。但这是否意味着，我们可以因此轻视理论的学习呢？ 入门编程 如果你去各大技术社区提问“该如何入门编程”，五花八门的答案会瞬间涌来。 不过，仔细梳理一下，无外乎以下几种流派： 学院派 他们推荐从C语言入手，并辅以数据结构、操作系统等
想象一下这个场景： 你让 AI Agent 帮你修一个代码 Bug。它打开项目，读了 20 个文件，改了改，跑了一下测试，没过，又改，又跑，还是没过……来回折腾了十几轮，终于——还是没修好。 你关掉电脑，松了口气。然后收到了 API 账单。 上面的数字可能让你倒吸一口凉气——AI Agent 自主修
Discord接入：让OpenClaw成为你的社区智能管家 对于全球数亿的游戏玩家和社群爱好者来说，Discord几乎等同于线上“大本营”。那么，有没有可能让你精心搭建的Discord服务器也拥有一个聪明能干的AI助手呢？答案是完全可行。通过创建Discord Bot（机器人），你可以将OpenCl
Claude最强“神话”模型，可能用到来自字节的技术？ 这条猜测直接冲上了热搜榜。 这款被形容为“强到不敢公开发布”的Mythos模型，确实极大地刺激了人们对下一代大语言模型架构的想象空间。 社区讨论的焦点，正集中在它是否采用了“循环语言模型”（Looped Language Model）这一创新架
热门专题
热门推荐
上午的市场动态，总是带着一种特别的节奏。今天也不例外，从东京到首尔，再到硅谷和华盛顿，一系列消息勾勒出全球科技与金融领域的最新轮廓。我们不妨快速浏览一下这些关键信息。 7:00-12:00 关键动态梳理 首先来看产业布局。软银，这家以愿景基金闻名遐迩的投资巨头，如今正将目光投向人工智能的基础设施深处
```html AI算力竞赛引爆能源危机，软银跨界储能剑指电力瓶颈 全球人工智能的军备竞赛正进入白热化阶段，然而，在这场围绕算法与模型的角逐背后，一个更为根本的制约因素正浮出水面：电力。当科技巨头们竞相部署参数规模惊人的大模型时，其对稳定、巨量且可持续电力的需求，已从后台支撑跃升为决定未来发展上限的
本文针对不熟悉Binance平台语言切换的用户，详细介绍了在网页端和移动端App上找到语言设置按钮的具体路径。同时，提供了交易界面、资产页面及订单类型中常见关键术语的中英文对照翻译，帮助用户跨越语言障碍，更顺畅地使用平台进行数字资产管理和交易操作。
Sui生态质押新动态：机构巨鲸持有超1亿枚SUI并深度参与质押 近期，Sui生态内一则来自SUI Group的官方公告引发了市场广泛关注。该公告披露，截至5月4日，SUI Group持有的SUI代币总量已高达1 087亿枚。尤为关键的是，这笔巨额资产中的绝大部分并未处于闲置状态，而是已积极投入Sui
三星Z Flip5恢复出厂设置后，系统版本会不会变？这是很多用户在操作前都会有的疑问。简单来说：不会。这个操作只会清除你的个人数据、应用设置和自定义项，而手机底层的系统版本、预装应用和安全补丁等核心内容，都存储在独立的只读分区里，恢复出厂设置流程根本碰不到它们。无论是通过手机设置菜单操作，还是进入R