人工智能正以前所未有的速度重塑各行各业，这已并非新鲜话题。然而，一个根本性的问题随之浮现：支撑AI持续进化的“燃料”究竟从何而来？

2025年7月16日，由北京交通大学、北京化工大学牵头，联合33家企业、高校及科研机构，共80余位作者共同编制的《数据工厂白皮书》正式发布。据悉，这是我国首部系统阐述数据工厂政策、理论及实践的研究成果，核心聚焦于如何通过建设“数据工厂”这一规模化生产设施，加速高质量数据集的供给，从而为人工智能技术的持续迭代提供坚实支撑。

《白皮书》发布现场。

国家数据局发布的《全国数据资源调查报告（2025年）》显示，2025年国内AI推理数据量达到101.34EB，首次超越98.14EB的训练数据量。这一数据意义重大——它标志着人工智能已正式跨过单纯的学习阶段，全面步入规模化应用时代。而AI的快速迭代，离不开“优质数据燃料”的持续供给。可以说，高质量数据集已成为制约AI技术水平提升与应用领域拓展的关键瓶颈。

然而，《白皮书》通过梳理国内外数据工厂的探索实践发现，高质量数据集短缺的问题依然突出。目前，大多数高质量数据集由人工智能厂商自行构建，呈现零散式、作坊式、非标化的特点。这种模式显然难以满足大模型应用对海量数据的需求，结果导致市面上各类模型能力趋同，难以在专业场景中实现突破性进展。

“正如工业社会有水厂、电厂一样，数智社会也必须有数据工厂。”《白皮书》指出，基础资源的规模化、标准化、设施化生产，离不开资源型基础设施的支撑。借鉴水、电、燃料等基础设施的发展规律，加快建设高质量数据集的规模化生产设施——即“数据工厂”——已成为当务之急。数据工厂的任务，就是将海量原始数据加工处理为可供人工智能训练与推理使用的高质量数据集，为智能化转型提供源源不断的“数据燃料”。

发布会上，《白皮书》主编之一、国家数据专家咨询委员会委员张向宏，详细介绍了数据工厂的构成、定位与功能。从广义上看，数据工厂是一个包括国家数据基座、国家数据工厂、国家人工智能训练场在内的数据生态系统，三者共同形成高质量数据集的设施化供给闭环。从狭义上看，数据工厂则是指面向人工智能大模型应用，开展高质量数据集设施化、规模化、标准化生产的数据基础设施，具体包括储备车间、生产车间和中试车间三部分。

其中，储备车间负责数据资源的规模化收储、标准化预处理和体系化管理，涵盖数据采集、预处理、存储和管理等环节；生产车间则负责对储备数据进行深度加工，规模化生产可供大模型训练、微调、推理的高质量数据集，涉及数据清洗、合成、标注等操作；中试车间则负责对生产出的数据集进行问题排查、质量评估、模型适配与优化，确保其符合模型训练要求，涉及模型训练评估、推理评估等环节。

在运营模式方面，张向宏指出，保障模式、定制模式、电商模式和结对子模式，将成为今后较长一段时间内探索采用的主要方式。他强调，数据工厂应根据不同类型和建设模式，采用差异化的运营机制。“比如遇到国家重大战略需求，最好使用保障模式；社会公益技术需求、创新需求，最好使用定制模式……最终目标是在市场成熟后主要采用电商模式，实现供给与需求的精准匹配。”

值得关注的是，数据工厂作为数智社会的新兴生产业态，目前仍处于起步萌芽阶段。如何助力其稳步发展？《白皮书》指出，其建设和运营需要政策引导、标准规范、技术突破和平台支撑的系统保障。具体来说，应加快出台促进数据工厂创新发展的政策文件，启动数据资源汇聚整合、数据集生产、质量评估、流通应用等全链条标准研制，突破非结构化数据采集、海量数据存储、智能化数据加工、数据集质量评估等关键技术瓶颈，并建设数据资源汇聚、数据集生产、数据流通、人工智能训练等支撑平台。