Registered users can read the full content for free
Register as a Gaohf Library member to read the complete e-book online for free and enjoy a better reading experience.
Page
1
(This page has no text content)
Page
2
(This page has no text content)
Page
3
(This page has no text content)
Page
4
前 言 党的十八大以来,以习近平同志为核心的党中央高度重视我国新 一代人工智能发展。习近平总书记深刻把握世界科技发展大势,洞察 人工智能的战略意义,在二十届中央政治局第二十次集体学习时指出, “人工智能作为引领新一轮科技革命和产业变革的战略性技术,深刻 改变人类生产生活方式。”“我国数据资源丰富,产业体系完备,应 用场景广阔,市场空间巨大。”这为把握智能化浪潮,释放数据要素 价值指明了前进方向,提供了根本遵循。 随着大模型技术应用的快速发展,人工智能的研发重点正从“重 点优化模型架构”转向“模型与数据协同优化”,其中高质量数据的 作用日益凸显。数据作为人工智能发展的三大核心要素之一,已成为 人工智能大模型训练的核心要素资源,决定了大模型的性能。加快人 工智能高质量数据集建设,夯实人工智能发展数据基础,对于推动 “人工智能+”场景落地具有重要意义。国家数据局联合各部门、各 地区,构建起“部门协同、央地联动”的工作机制,联合施策、协同 发力,积极引导做好高质量数据集建设工作,明确提出“‘人工智能 +’行动到哪里,高质量数据集的建设和推广就要到哪里”。 由国家数据局指导,中国信息通信研究院、国家数据发展研究院、 中国电子技术标准化研究院、国家信息中心、国家发展和改革委员会 创新驱动发展中心、中国电子信息产业发展研究院等单位,在充分调 研的基础上,编制《高质量数据集建设指引》,总结高质量数据集建 设方法论,指导推进高质量数据集建设,力争为人工智能纵深发展提 供有力支撑。
Page
5
(This page has no text content)
Page
6
目 录 一、 高质量数据集建设背景 .....................................................1 (一) 高质量数据集的发展背景 ............................................1 (二) 高质量数据集的概念内涵 ............................................3 (三) 高质量数据集的分类 .................................................... 5 二、 高质量数据集应用需求 .....................................................8 (一) 基础认知层数据集需求——建立世界的基本认知 ... 8 (二) 场景理解层数据集需求——解析复杂场景关系 ..... 10 (三) 行动规划层数据集需求——规划执行具体行动 ..... 13 三、 高质量数据集建设现状 .................................................. 17 (一) 全球高质量数据集建设现状 ......................................17 (二) 我国高质量数据集建设现状 ......................................19 (三) 高质量数据集建设困难与挑战 ..................................21 四、 高质量数据集建设方法与实践 ...................................... 24 (一) 典型建设模式 .............................................................. 24 (二) 建设核心环节 .............................................................. 26 (三) 建设核心技术 .............................................................. 28 (四) 数据集质量评价 .......................................................... 33 五、 高质量数据集建设运营体系 .......................................... 40 (一) 高质量数据集体系规划 .............................................. 40 (二) 高质量数据集工程建设 .............................................. 41 (三) 高质量数据集运营管理 .............................................. 42 六、 高质量数据集建设推进思路 .......................................... 45
Page
7
(一) 体系化布局高质量数据集建设 ..................................45 (二) 设施化推进高质量数据集应用 ..................................47 (三) 生态化赋能高质量数据集发展 ..................................48
Page
8
1 一、 高质量数据集建设背景 (一)高质量数据集的发展背景 在以人工智能为代表的新一轮科技革命和产业变革深入推 进的大背景下,数据正日益成为国家基础性战略资源和关键性 生产要素。高质量数据集作为人工智能发展的基础支撑,其重 要地位不断上升,成为驱动技术创新、赋能产业升级和提升治 理能力的重要抓手。当前,高质量数据集的建设正处于政策驱 动与场景牵引同步发力、协同推进的关键阶段。 1.高质量数据集成为人工智能发展核心支撑 人工智能技术迈入大模型时代后,研发重点从“重点优化 模型架构”转向“模型与数据协同优化”,其中高质量数据的 作用日益凸显。主要表现在:一是将数据视为活的资产,不再 是一次性收集、处理后就束之高阁的静态文件,而是一个需要 持续投资、管理、监控和优化的动态、演进的战略资产。二是 用自动化的、可编程的、可扩展的数据处理流程,取代手动的、 一次性的数据处理工作,系统性处理海量数据,并能提升数据 质量。三是整合领域专家,将拥有深厚行业知识的主题专家直 接整合到数据处理的流水线中。专家知识被用来定义数据标准、 标注复杂案例、识别数据中的细微偏差,从而将领域智慧注入 数据。四是建立模型反馈闭环,将模型在实际应用中的错误作 为诊断信号,用来发现数据中的问题(如标签错误、数据分布 不均、边界案例缺失等),然后有针对性地改进数据集。由此 就形成了一个“数据飞轮”效应,更好的数据训练出更好的模
Page
9
2 型,更好的模型反过来帮助获得更好的数据。 大模型参数规模指数级增长与多模态能力的拓展,数据需 求从“量级积累”转向“量质并重”。例如,以 OpenAI 为代 表的国际领先科技企业正通过强化微调等技术手段,依托小规 模但高度精准、精细化、结构化的高质量数据集,实现大模型 在垂直领域的专业化和实用化演进。这种“以质取胜”的数据 策略显著提升了模型性能与落地能力。而 DeepSeek 模型在复杂 逻辑推理任务中取得突破性进展,源于其 R1 模型采用的数学 推理数据集,不仅要求答案正确性,更对解题步骤的规范性、 逻辑链的完整性提出严格标准,这种精细化的数据设计使得模 型在抽象思维能力上实现质的提升。 人工智能走进千行百业的具体场景,行业模型的性能跃升 越来越依赖数据与场景的深度耦合,从“数据规模竞赛”转向 “数据质量深耕”。越来越多的企业开始采用自动化的数据筛 选、数据标注与数据增强等技术工具,以提升数据集的专业性 和适用性。在这种趋势下,模型训练不再依赖于盲目扩充数据 规模,而是更注重数据的代表性、多样性和场景适配性,为人 工智能的可持续发展奠定坚实基础。例如,医疗领域中某肺结 节检测模型训练数据集仅利用 1 万多例数据和亚毫米级病灶边 界勾画的标注信息,使得早期肺癌筛查中的假阳性率大幅下降; 工业质检场景中某企业通过合成数据等技术生成了 10 万种 “极端缺陷样本”,弥补了真实生产中罕见缺陷数据不足的问 题,使模型缺陷识别覆盖率大幅提升。
Page
10
3 2.国家高度重视高质量数据集建设 党中央、国务院高度重视数据资源的开发利用与高质量发 展,围绕构建数据基础制度、完善数据要素市场、推动公共数 据开放、夯实智能技术底座等方面,陆续出台多项纲领性政策 文件,为高质量数据资源体系建设提供了顶层设计和制度保障。 2022 年 12 月,中共中央、国务院印发《关于构建数据基 础制度更好发挥数据要素作用的意见》,明确提出探索开展数 据质量标准化体系建设。2023 年 12 月,国家数据局等 17 部门 联合印发《“数据要素×”三年行动计划(2024—2026年)》, 强调数据要素高质量供给与合规高效流通,提出打造高质量人 工智能大模型训练数据集。2024 年 12 月,国家发展改革委、 国家数据局等部门印发《关于促进数据产业高质量发展的指导 意见》,首次明确提出“高质量数据集”概念,将其作为人工 智能与实体经济融合的核心载体,并对行业数据集建设提出具 体要求。随后一系列政策相继发布,《关于促进数据标注产业 高质量发展的实施意见》《关于促进企业数据资源开发利用的 意见》以及《国家数据基础设施建设指引》等政策均提出建设 行业“高质量数据集”,由此数据集高质量发展成为行业发展 重要目标。2025 年 2 月,国家数据局组织 27 个部委召开高质 量数据集建设工作启动会,加强统筹协调,深化部门协同,全 力推动高质量数据集建设,高效赋能行业高质量发展,标志着 高质量数据集建设进入系统化、规模化推进阶段。 (二)高质量数据集的概念内涵
Page
11
4 高质量数据集是指经过采集、加工等数据处理,可直接用 于开发和训练人工智能模型,能有效提升模型表现的数据的集 合。高质量数据集主要服务于人工智能的实际应用场景,通常 包括以下四个核心组成要素:特征、标签、元数据和样本。特 征是模型训练的输入变量,用于描述每个样本的具体属性;标 签是需要模型预测的目标输出;元数据记录了数据生成与处理 过程的相关信息,如采集时间、地点、来源等;样本则是构成 数据集的基本单元,由特征向量及其对应的标签共同组成。例 如,机器学习中的经典数据集鸢尾花(Iris)数据集,包含 150 条样本,均匀分属三类鸢尾花,每类 50 条样本,使用花萼长度、 花萼宽度、花瓣长度和花瓣宽度作为分类特征。再如图像识别 领域广泛使用的 ImageNet 数据集,涵盖超过 1400 万张高分辨 率图像,覆盖 2 万多个类别,每张图像均配有准确的类别标签, 其中超过 100 万张图像还包含了物体边界框等精细标注信息。 高质量体现在规模“大”、安全“牢”、观点“正”、效 果“好”、应用“广”等方面,可以采用静态和动态的质量评 价方法来度量。静态质量主要关注数据本身的关键属性,在准 确性、完整性、一致性、时效性等基础指标上增加多样性、真 实性、合规性等维度,重点评估数据的领域覆盖、来源可靠性 以及在隐私保护和安全合规方面的表现。动态质量则强调数据 集在模型训练和应用中的实际效果,可通过引入代表性模型开 展基准测试,结合基准评测数据集与量化指标,客观衡量模型 性能的提升程度,从而明确数据集的“高质量”标准。同时,
Page
12
5 还应建设统一的质量评估平台,规范评估流程与工具,增强不 同数据集之间的可比性与通用性。由于不同行业数据集的模态 分布、标注需求差异较大,需根据行业特点应用不同的数据处 理技术和方法,其质量评价也需要在通用的指标上进行定制加 强。例如,医疗卫生领域,以文本(电子病历)和医疗影像居 多,侧重于文本解析、图文结合处理和专业标注等处理方式, 更关注数据内容的合规性、安全性和标注准确性;工业制造领 域,以时序数据、图像、图纸文档、仿真数据居多,侧重于时 序数据处理、高精度合成和专业标注等处理方式,更关注数据 内容的真实性、多样性和标注准确性。 (三)高质量数据集的分类 高质量数据集的类型和特性因应用场景、数据来源与模型 目标的不同而呈现多样化,可以从数据模态、模型阶段与行业 应用三个维度对当前主要的高质量数据集进行分类。 在数据模态方面,可以分为单模态数据集和多模态数据集。 单模态数据中,文本数据是非结构化的语言信息,用于自然语 言处理的机器翻译、情感分析等场景以及语言模型的训练;图 像数据是像素矩阵构成的视觉信息,用于计算机视觉的图像分 类、目标检测、医疗影像分析以及自动驾驶等场景;音频数据 是声波信号,用于语音识别、音乐生成、工业设备异常检测等 场景;IoT数据主要是传感器的实时流数据,例如温度、湿度、 加速度等,用于设备状态的监控、智慧城市中交通流量的预测 等场景。而多模态数据是指两种及以上模态数据的融合,通过
Page
13
6 模态互补提升模型的鲁棒性,用于图文生成、视频理解等场景。 而近期新涌现的思维链数据则是一种数据标注方法或推理过程 的表示方法,而非一种独立的数据模态,主要是通过分步推理 解释模型决策,演绎从问题到答案的具体推理步骤,用于数学 证明、逻辑谜题等模型的复杂推理,同时也提高人类对模型的 信任度。 在模型阶段方面,主要分为预训练数据集、微调数据集和 评估数据集。预训练数据集是用于大规模无监督或自监督学习 的基础数据集,通过让模型从中学习通用特征和知识,为后续 任务提供强大的初始参数。它是大模型训练的基石,其核心逻 辑是“先通识教育,再专业精修”,特点是海量、无需标注且 来源广泛,包括网页内容、书籍、学术文献、编程代码、平行 语料库、社交媒体和百科全书等。微调数据集是让模型“术业 有专攻”的关键,其核心作用是让模型在特定任务、领域或场 景中表现更优,引导模型聚焦特定任务的规律,强化与任务相 关的知识,同时弱化无关信息的干扰,最终实现“通用能力+专 项技能”的结合。它是连接通用预训练模型与具体应用需求的 “桥梁”,相比预训练阶段使用的海量通用数据,微调数据集 通常具有规模更小、针对性更强、标注更精细的特点。评估数 据集是一类精心设计的数据样本,主要目的是为了相对客观地 衡量模型的性能和泛化能力,具备独立性、代表性、时效性等 特点。 在行业应用方面,参考技术文件《高质量数据集 分类指南
Page
14
7 (征求意见稿)》可以分为通识数据集、行业通识数据集和行 业专识数据集。高质量数据集作为开发和训练人工智能模型的 重要支撑,不同类型模型所需数据集蕴含的通用知识、行业领 域通用知识、行业领域专业知识的内容、范围和数量也不一样。 通识、行业通识、行业专识三类高质量数据集,主要是通过数 据集的知识内容、来源类型、时效性、标注人员类型、敏感程 度、模型类型、主题范围等维度来进行划分。通识数据集包含 面向社会公众、无需专业背景即可理解的通用知识,主要用于 支撑通用模型落地应用,例如百度百科;行业通识数据集包含 面向行业从业人员、需要一定专业背景才能理解的行业领域通 用知识,主要用于支撑行业模型落地应用,例如行业研究报告; 行业专识数据集包含面向特定业务场景相关人员、需要较深的 专业背景才能理解的行业领域专业知识,主要用于支撑业务场 景模型落地应用,例如医疗领域的电子病历数据集等。
Page
15
8 二、高质量数据集应用需求 随着人工智能技术的快速发展,不同应用领域对高质量数 据集的需求呈现出层次化、专业化的特征。根据 AI 系统能力的 发展路径和认知层次,高质量数据集的应用需求可以划分为基 础认知层、场景理解层、行动规划层三个递进层次。从建立世 界的基本认知,到解析复杂场景关系,再到规划执行具体行动, 每一层都承载着不同的学习目标和能力要求。深入探索这三个 层次对高质量数据集的具体需求,将为建设主体提供清晰的数 据集建设方向和路径指引。 (一)基础认知层数据集需求——建立世界的基本认知 基础认知层是人工智能系统的根基,主要负责建立对世界 的基础表征和模式认知。这一阶段的核心目标是让 AI 系统掌握 “这是什么”的基本判断能力,构建对物理世界和抽象概念的 初步理解框架。基础认知层的能力直接决定了 AI 系统的认知上 限——没有扎实的基础表征,就无法实现深层理解和复杂推理。 1.应用目标:建立全面的基础认知框架 基础认知层需要通过海量数据学习各领域的通用模式和基 本概念,这种学习过程类似于人类儿童通过大量观察和体验认 识世界的过程。在语言领域,系统不仅需要掌握词汇、语法、 语义的基础表征,还要理解语言的统计规律和上下文关联模式, 形成对自然语言的内在理解;在视觉领域,需要学习从低级特 征(边缘、纹理、颜色)到高级概念(物体、场景)的层次化 表征,建立视觉世界的认知地图;在跨模态领域,需要建立不
Page
16
9 同模态间的基础对应关系,理解同一概念在不同感知通道中的 表现形式。这种学习强调知识的广度覆盖和基础模式的充分学 习,为后续的专业化学习和深度理解奠定坚实基础。 2.数据内容:海量数据支撑通用能力 基础认知层数据集的显著特征是规模庞大,通常达到 TB 至 PB 级别,这种规模需求有其深层的理论依据。大语言模型 的预训练语料包含数万亿词元(Token),这种海量数据使模型 能够捕捉语言中的长尾分布和罕见模式;视觉领域的大规模数 据集如 ImageNet 包含超过 1400 万张图像,覆盖 2 万多个类别, 确保模型能够学习到视觉世界的多样性。这种大规模需求源于 模型需要从数据中学习通用表征,遵循尺度定律(Scaling Law)——随着数据规模的增加,模型性能会持续提升,且这 种提升呈现幂律关系。更重要的是,海量数据能够提供足够的 统计信息,使模型学习到稳定可靠的模式,而非过拟合于特定 样本。 3.数据质量:覆盖广度与基础质量并重 基础认知层对数据质量的要求体现在多个维度的平衡上。 首先是覆盖面的广度,数据需要涵盖多领域(科学、文学、历 史、技术等)、多语言(主流语言及小语种)、多场景(正式、 非正式、专业、日常等),这种广覆盖确保模型具备处理多样 化输入的能力;其次是数据分布的合理性,要能够反映真实世 界的特征分布,避免因数据偏见导致模型产生系统性偏差;第 三是基础质量的保障,需要经过去重处理避免过拟合、去噪过
Page
17
10 滤提高信噪比、内容审核确保安全合规。值得注意的是,相比 后续层次,这一阶段对标注精度的要求相对较低,更多依赖自 监督学习,从数据本身的结构中学习,这也是为什么能够利用 互联网规模数据的关键所在。 4.典型应用:奠定模型基础能力 基础认知层数据集支撑了各类基础模型的训练,这些基础 模型成为整个 AI 生态系统的基石。语言领域的 GPT、BERT 等 模型通过大规模文本预训练,不仅学会了语言的表面形式,更 掌握了语言背后的知识结构和推理模式,为各种下游任务提供 了 强 大 的 语 言 理 解 能 力 ; 视 觉 领 域 的 ResNet 、 Vision Transformer 等通过大规模图像数据集训练,建立了从像素到语 义的完整映射,使计算机视觉从特征工程时代进入深度学习时 代;跨模态的 CLIP 等模型通过海量图文对数据,学习到视觉 和语言的统一表征空间,实现了零样本图像分类等突破性能力。 这些基础模型通过迁移学习和微调,能够快速适应各种下游任 务,极大降低了 AI 应用的开发成本和技术门槛。 (二)场景理解层数据集需求——解析复杂场景关系 场景理解层在基础认知之上,负责理解复杂场景中的结构 关系、语义逻辑和事件过程。这一层的核心是让 AI 系统能够深 度解析“这里发生了什么”“关系如何”“为什么会这样”等 需要理解的问题。场景理解层是 AI 从“看到”到“看懂”的关 键跨越,它要求系统不仅能识别单个元素,更要理解元素间的 相互作用和整体语境。
Page
18
11 1.应用目标:实现结构解析与深层理解 场景理解层要求模型具备结构解析和关系推理能力,这种 能力远超简单的模式匹配。在语言领域,模型需要理解篇章的 层次结构、段落间的逻辑关系、句子中的隐含信息和言外之意, 能够进行因果推理、类比推理和反事实推理;在视觉领域,需 要理解多个对象的空间关系(上下、左右、包含、相邻)、功 能关系(工具与使用者、容器与内容物)和场景的整体布局, 从而推断场景的功能和可能发生的事件;在视频领域,需要理 解时序事件的因果链条、动作的目的和结果、场景的动态变化 规律,捕捉关键帧之间的语义连续性。这一层强调从简单识别 到深度理解的能力跃升,要求模型具备类似人类的场景解析和 情境推理能力。 2.数据内容:精细化标注与语义信息丰富 场景理解层数据集包含丰富而精细的标注,每个标注都承 载着特定的语义信息。语言理解数据集如 SQuAD 不仅包含问 答对,还标注了答案在原文中的精确位置和推理依据,要求模 型理解问题意图并定位关键信息;视觉场景数据集如 COCO 包 含多层次标注体系——从粗粒度的场景类别到细粒度的像素级 分割,从静态的对象位置到动态的动作描述,形成了完整的视 觉语义体系;视频理解数据集如 ActivityNet 包含时序动作的精 确边界、动作类别的层次结构以及事件间的因果关系。数据规 模通常在十万到百万级别,这种相对适中的规模反映了一个重 要权衡:标注的精细度与覆盖的广度。每个样本都经过精心设
Page
19
12 计和标注,确保包含足够的信息密度来训练模型的理解能力。 3.数据质量:语义完整性与逻辑一致性 场景理解层对数据质量有着严格的多维度要求。语义完整 性要求标注覆盖场景的所有关键信息,不能有重要元素的遗 漏——例如在图像描述中,不仅要标注主要对象,还要包括它 们的属性、状态和相互关系;逻辑一致性要求不同层次、不同 角度的标注必须相互协调,形成统一的语义表达——如对象检 测的结果要与场景分类一致,时序标注要与事件描述对应,避 免矛盾和歧义;标注精确性要求细粒度的语义区分,能够区分 相似但不同的概念、动作或关系。这需要专业的标注团队经过 系统培训,遵循详细的标注规范,并通过多轮交叉验证和一致 性检查来保证质量。质量控制流程通常包括标注员培训、样例 标注、批量标注、质量抽检和反馈改进等环节。 4.典型应用:支撑复杂理解任务 场景理解层数据集广泛应用于各类需要深度理解的 AI 任务。 在自然语言处理领域,机器阅读理解系统能够回答关于文本的 复杂问题,信息抽取系统能够从非结构化文本中提取结构化知 识;在计算机视觉领域,目标检测能够精确定位和识别图像中 的多个对象,语义分割能够理解每个像素的语义类别,场景图 生成能够构建对象间的关系网络;在视频分析领域,动作识别 能够理解人类的复杂行为,事件检测能够发现视频中的关键时 刻。这些应用不仅要求模型能够识别“是什么”,更要理解 “为什么”和“怎么样”,真正实现对场景的深度理解。
Page
20
13 (三)行动规划层数据集需求——规划执行具体行动 行动规划层是 AI 系统的最高能力层,负责将理解转化为决 策和行动,实现从认知到执行的完整闭环。这一层的核心是让 AI 系统掌握“怎么做”“为什么这么做”以及“这样做的后果 是什么”,形成类似人类的决策推理能力。行动规划层代表了 AI 从被动响应到主动规划的质变,是实现通用人工智能的关键 环节。 1.应用目标:掌握完整的推理决策链条 行动规划层需要学习从问题识别到方案制定再到执行验证 的完整认知过程。在复杂推理领域,模型需要掌握多步推理的 逻辑链条,能够将复杂问题分解为子问题,选择合适的求解策 略,并验证每一步的正确性;在对话交互领域,需要理解用户 的真实意图(包括字面意思和潜在需求),根据上下文选择合 适的回应策略,维持对话的连贯性和目标导向性;在代码生成 领域,需要理解需求的本质,设计合理的算法架构,处理边界 条件和异常情况,生成高质量的可执行代码;在具身智能领域, 需要将高层任务目标分解为可执行的动作序列,考虑环境约束 和不确定性,实时调整执行策略。这一层强调思维的完整性、 决策的合理性以及执行的可行性。 2.数据内容:包含完整推理链与决策过程 行动规划层数据集的核心特征是包含完整、可追溯的推理 和决策过程。思维链(Chain-of-Thought)数据不仅提供最终答 案,更重要的是展示到达答案的每一个推理步骤,包括假设的
The above is a preview of the first 20 pages. Register to read the complete e-book.
AI Reading Assistant
Whole-book reading guide from stratified index samples; jump to passages in the text
AI guide
# 高质量数据集 (High-Quality Datasets)
## 【One-Line Pitch】
A comprehensive national-level guide to building high-quality datasets for AI, covering everything from conceptual foundations and application needs to construction methods, core technologies, and operational systems. Essential reading for data practitioners, AI engineers, policy makers, and anyone involved in dataset development or AI model training.
## 【Book Arc】
- **Opening (~0%–7%)**: Establishes the strategic importance of high-quality datasets in the AI era, tracing China's policy evolution from early data regulations to the formal introduction of the "high-quality dataset" concept in 2024, culminating in the 2025 national launch of systematic dataset construction.
- **Early (~7%–20%)**: Defines what constitutes a high-quality dataset—its four core components (features, labels, metadata, samples), quality dimensions (scale, safety, correctness, effectiveness, applicability), and classification systems across data modalities, model stages, and industry applications.
- **Early (~20%–33%)**: Presents a three-tier framework for dataset application needs: foundational cognition (building world knowledge), scene understanding (parsing complex relationships), and action planning (decision-making and execution), with detailed requirements for data content, quality, and typical applications at each level.
- **Middle (~33%–47%)**: Surveys the global and Chinese landscape of dataset construction, comparing international platforms (Hugging Face, Common Crawl, LAION-5B) with China's regional and industry initiatives, including the seven national data annotation bases and 104 exemplary cases across 17 domains.
- **Middle (~47%–53%)**: Identifies key challenges: structural data shortages, weak technical toolchains, incomplete standards, security-compliance tensions, and lack of sustainable business models.
- **Middle (~53%–67%)**: Details the full construction lifecycle—from scenario-driven vs. data-driven models through six core stages (requirements, planning, collection, preprocessing, annotation, model validation)—and introduces five core technologies: collection, transformation, cleaning, feature selection, and annotation.
- **Late (~67%–end)**: Covers dataset quality evaluation systems, construction and operation frameworks (planning, engineering, management), and forward-looking recommendations for systematic, infrastructure-based, and ecosystem-driven development.
## 【Key Takeaways】
- **Data is now a strategic national asset** (Opening): The shift from "optimizing model architecture" to "coordinated model-data optimization" makes high-quality datasets the decisive factor in AI performance. Policy momentum in China—from the 2022 Data Foundation Systems opinion to the 2025 national launch meeting—signals datasets as a top-tier priority.
- **High-quality datasets have four essential components** (Early): Features (input variables), labels (target outputs), metadata (provenance and processing info), and samples (basic units). Quality is measured both statically (accuracy, completeness, consistency, diversity, compliance) and dynamically (benchmark testing with representative models).
- **Datasets classify along three dimensions** (Early): By modality (text, image, audio, IoT, multimodal, chain-of-thought), by model stage (pre-training, fine-tuning, evaluation), and by industry knowledge depth (general knowledge, industry-general, industry-specialized). Understanding these taxonomies helps match data investments to actual needs.
- **AI capability needs form a three-layer hierarchy** (Early): Foundational cognition (TB-to-PB scale data for basic representation), scene understanding (100K–1M samples with rich semantic annotation), and action planning (thousand-to-million scale "thought specimens" with complete reasoning chains). Each layer builds on the previous—skipping layers creates brittle AI.
- **China has built substantial dataset infrastructure** (Middle): By mid-2025, over 35,000 high-quality datasets totaling 400+ PB nationwide, with 3,364 listed on data exchanges (nearly ¥4 billion in transactions). Seven national annotation bases have produced 524 industry datasets supporting 163 domestic AI models.
- **Five persistent challenges block progress** (Middle): Structural data shortages and silos, immature processing toolchains, incomplete standards, privacy-security bottlenecks, and lack of commercial闭环 (closed-loop) business models. These are systemic, not technical—they require coordinated policy, standards, and market solutions.
- **Two construction models serve different purposes** (Middle): "Scenario-driven" (start from business needs, build targeted data) suits vertical applications with high quality requirements; "data-driven" (start from accumulated assets, discover opportunities) suits general pre-training at scale. The guide recommends scenario-driven as the primary national approach.
- **The six-stage lifecycle with feedback loops is the core methodology** (Middle): Requirements → Planning → Collection → Preprocessing → Annotation → Model Validation. Each stage feeds back into others, creating iterative improvement—model validation failures should trace back to data quality issues, not just algorithm problems.
- **Quality evaluation must be systematic and standardized** (Late): Static metrics (data attributes) plus dynamic metrics (model performance gains) form a two-dimensional evaluation framework. A unified evaluation platform with standardized processes enables comparability across datasets and supports trustworthy circulation.
## 【Reading Tips】
- **Skim the policy history in the Opening** (~0%–7%): The policy timeline is useful context but dense; focus on the key takeaway that high-quality datasets are now a national strategic priority with concrete targets.
- **Deep-read the three-layer application framework** (~20%–33%): This is the conceptual heart of the book. The comparison table (Table 1) summarizing the three layers is worth memorizing—it structures all subsequent discussion.
- **Use the construction lifecycle as your operational checklist** (~53%–67%): The six core stages and five technologies translate directly into project planning. If you're building datasets, treat this section as a reference manual to return to during implementation.
- **Pay attention to the challenge diagnosis** (~47%–53%): The five challenge categories (supply, technology, standards, compliance, business model) provide a diagnostic framework for evaluating any dataset initiative's risks.
- **The final sections on evaluation and operations** (~67%–end) are lighter in the excerpts; if your work involves dataset governance or trading, seek supplementary materials on quality evaluation metrics and operational models.
## 【Coverage Limits】
The excerpts cover the first four chapters thoroughly (background, application needs, current status, construction methods) but provide limited detail on the final chapters covering quality evaluation systems, construction-operations frameworks, and forward-looking recommendations. Specific quality evaluation metrics and operational models are only partially covered.
##
Passage locations
Excerpt 1
......................... 42 六、 高质量数据集建设推进思路 .......................................... 45 (一) 体系化布局高质量数据集建设 ..................................45 (二) 设施化推进高质...
View in text
Page 17
为整个 AI 生态系统的基石。语言领域的 GPT、BERT 等 模型通过大规模文本预训练,不仅学会了语言的表面形式,更 掌握了语言背后的知识结构和推理模式,为各种下游任务提供 了 强 大 的 语 言 理 解 能 力 ; 视 觉 领 域 的 ResNet 、 Vision Transformer 等通过大规模图像数...
View in text
Excerpt 3
现出政 策引导、市场驱动与技术革新协同推进的态势。欧美等发达经 济体在开放共享、标准体系、平台化建设方面走在前列,形成 了较为完善的多模态、多领域数据集生态体系;我国则在国家 顶层设计和多方协同推动下,高质量数据集建设体系逐步完善, 区域与行业层面呈现并进发展格局。本指引通过分别梳理全球 与我国的高质量数据集建设...
View in text
Excerpt 4
数据预处理 高质量数据集的数据预处理环节主要是将所收集到的数据 处理成可供数据标注等后续环节使用的形式。该环节涉及以下 可选过程:数据转换,以最小的内容损失,将数据从一种表示 或空间转换为另一种表示或空间;数据验证,根据验证正确性、 有意义、安全性、隐私性等数据质量特征,确保数据是正确的; 数据清洗,检测错误数据...
View in text
Recommended for You
{{#thumbnailUrl}}
{{/thumbnailUrl}}
{{^thumbnailUrl}}
{{/thumbnailUrl}}
Loading recommended books...
Failed to load, please try again later
Tip the Site
Scan the WeChat Pay or Alipay code to tip. No login required.
WeChat Pay
Alipay