通信世界网消息（CWW）在数字化转型浪潮中，行业大模型被视为推动产业升级的核心引擎。但是，当前大多数行业大模型面临着训练数据的质量缺陷导致模型“逻辑混乱的伪推理”巨大挑战。2025年4月30日全国数据标准化技术委员会秘书处发布了《高质量数据集建设指南（征求意见稿）》，对高质量数据集建设的全生命周期要求，包括数据需求、数据规划、数据采集、数据预处理、数据标注、模型验证等阶段提出了建设指南，同时对高质量数据集分类、质量评测规范、面向数据流通的匿名化效果评估方法及处理实施、数据基础设施的参考架构、互联互通基本要求等都拟定了标准草案，标志着中国产业智能化将进入“数据精耕”时代。唯有持续完善数据的供给、标准、安全、价值多向发力，才能让行业大模型真正成为驱动产业升级的“超级引擎”，在这场全球智能竞赛中抢占制高点。
数据质量缺陷制约行业大模型发展
首先，数据供给不足。行业大模型对数据的需求多样，不同行业部门对模型场景数据的需求各不相同，特别是在工业、医疗、金融、交通等垂直领域，公共数据来源显著不足，难以满足大模型训练的需求。大型平台或企业出于商业利益与知识产权的考虑，更倾向于独享数据资源，常以保护信息、防范安全风险等理由拒绝共享数据。
其次，数据质量参差不齐。在行业大模型的实际建设中，对于构建和采买的数据没有统一衡量标准，不同系统产生的数据格式多样，行业数据集普遍存在分布偏差、颗粒度不一致、采集缺失甚至错误数据等问题，极大影响了大模型的训练效果和预测准确性，造成训练资源浪费。而且在数据标注智能化、专业化程度目前都比较初级，专业数据处理人员数量缺口较级新浪潮
这场由高质量数据集引发的“燃料革命”，正在重塑行业大模型的发展逻辑，数据质量决定模型智能上限、数据生态构建产业竞争壁垒。行业高质量数据集的加速汇聚共享，将为人工智能产业发展提供充足燃料，针对不同场景进行持续训练优化，推动行业大模型的落地应用，助力产业智能化升级。
1.构建标准化数据集体，保证高质量数据集生命周期内的有效高质运行
高质量数据集可通过强化标准引领，建立标准化数据集体系，从通识数据集、行业通识数据集、行业专识数据集分类着手，按照高质量数据集的生命周期有序展开，包括数据需求、数据采集、数据处理、数据管理、模型验证等阶段，各阶段按顺序逐步开展，并对其它阶段有序进行反馈和迭代。
2.充分的数据供给，可提升行业大模型性能，推动产业技术与应用创新
数据源充足的高质量数据集是行业大模型训练的“营养基”，能够显著提升模型的准确性和泛化能力，加载更丰富的行业场景数据，提升模型在特定领域的专业性和适配性。如上海中城交通达大模型，利用其积累多年的交通行业专用语料库，整合了6大类30小类多模态数据集，超200万份行业技术文档、10万公里道路设施数字档案、5万例管理场景案例，为大模型训练和推理提供数据基础，精准制定交通信号优化方案，在试点城市让路口的通行效率提升15%左右，推动行业发展与创新。
3.数据质量有保证的高质量数据集，可助推行业数字化转型
根据行业特点，对于数据的颗粒度，根据业务需求设定统一的规范，如数据来源、数据格式、数据质量、数据接口等，规范数据采集流程并做好数据挖掘、分析、应用和管理，由此形成的高质量数据集能够为行业大模型提供精准、丰富的训练素材，提升模型在特定领域的性能和适应性，行业大模型在更多领域的深度应用，加速行业的数字化转型。如中国电子科技集团联合国家能源集团构建了超10万组高质量光谱煤质数据集，研发了“融合光谱煤质快检技术”，大幅提升了检测效能，检测时间由8小时减至2分钟，检测能力由1克提升至1000千克以上，复杂煤种通过率从60%提升到100%。
4.促进数据流通与共享，提高数据利用率，提升数据要素价值
国家提出了数场、数联网、数据元件、数据空间、隐私计算和区块链等六条技术路线，推动形成横向联通、纵向贯通、协调有力的国家数据基础设施基本格局。高质量数据集的建设不仅可以提升数据的可用性，还通过数据流通基础设施加速了数据的开放共享，充分释放数据要素价值并构建完备的数据生态，推动传统行业的数字化升级。
5.推动产业智能化升级，赋能实体经济
高质量数据集结合大模型与智能体开发框架，可快速构建各类行业应用，赋能各行业的数智化转型。如国家能源投资集团研发的煤炭工业设备综合诊断运维大模型，覆盖27类关键设备，实现故障预警准确率超90%、诊断准确率超85%，设备综合寿命提升20%，年检修成本降低15%，实现煤炭行业在减人、增安、提效等方面的智能化升级。
