国家数据局主导的“人工智能+”，核心是以高质量数据要素为人工智能筑基、以数据流通与安全为保障，为“人工智能+”行动提供数据底座与制度支撑，与工信部侧重产业落地形成互补。

一、核心定位与顶层逻辑

• 核心定位： 作为数据要素主管部门，聚焦 数据供给、数据流通、数据安全、数据治理 四大支柱，解决人工智能发展的“数据卡脖子”问题。

• 顶层逻辑： “数据+人工智能” 双向赋能 —用高质量数据训练更优模型，用人工智能技术激活数据价值，形成“数据→模型→应用→数据”的正向循环。

• 战略协同： 与工信部“人工智能+制造”等行动深度联动， “人工智能+”行动到哪里，高质量数据集建设就跟到哪里 。

二、核心政策文件（2025-2026）1. 《国家人工智能高质量数据集建设工程实施方案》（2025年6月，12部委联合）

• 核心目标： 到2027年建成 国家级、行业级、企业级 三级高质量数据集体系，形成一批国际标杆数据集。

• 三大抓手

• 资金： 设立 100亿元 数据资产化专项基金，支持公共数据开放与数据集建设。

• 标准：制定人工智能数据质量分级、标注、安全、合规等国家标准（如金融数据错误率< 0.001%、工业图像标注一致性≥99.9%）。

• 安全： 划定 12类敏感数据禁区 （人脸、基因、宗教等），严禁市场化流通。

• 重点领域： 优先建设 工业制造、医疗健康、交通运输、金融服务、智慧城市 等行业高质量数据集 。

2. 2026年全国数据工作会议部署（2025年12月）

• 核心任务： 强化数据赋能人工智能，落实 高质量数据集建设 大专项行动 （强基扩容、应用赋能、提质增效、管理服务、价值释放、安全保障） 。

• 2026目标： 形成一批满足人工智能就绪度、有效训练先进模型、解决行业难题的标杆数据集，实现供给 量质齐升 。

3. 《全国一体化数据市场建设方案》（2026年）

• 构建数据确权、定价、交易、监管全链条制度，推动数据“可用不可见、可控可计量”，为人工智能训练提供合规、低成本数据供给。

三、四大核心举措（数据赋能人工智能）1. 高质量数据供给：破解“数据贫油”

• 公共数据开放： 推动政务、国企、公共服务机构（医疗、交通、气象等） 分级分类、脱敏合规 开放高价值数据。

• 行业数据集建设： 在制造、医疗、金融等领域建设 国家级行业数据集 ，解决数据孤岛、质量低、标注乱问题 。

• 语料库工程： 建设 国家级高质量中文语料库 ，弥补生成式人工智能中文数据短板。

• 数据工场：布局行业级“数据工场”，建设自动化标注、数字孪生等数据生产基础设施。

2. 数据流通与市场化：激活“数据金矿”

• 数据交易市场： 建设全国一体化数据交易平台，探索 数据资产入表、收益分配、合规交易 机制 。

• 隐私计算： 推广联邦学习、多方安全计算等技术，实现 数据可用不可见 ，保障数据安全与隐私。

• 算力-数据协同：推进全国一体化算力网与数据基础设施互联互通，降低人工智能训练与推理的算力-数据成本。

3. 数据基础设施：夯实“数据底座”

• 国家数据基础设施： 建设 国家数据枢纽、区域数据中心、行业数据平台 三级架构，实现跨区域、跨行业数据互联互通 。

• 可信数据空间：实施可信数据空间发展行动计划，构建安全、可控、可追溯的数据流通环境。

• 算力电力协同：推动智算中心绿色化、集约化，创新算力电力协同机制，支撑大模型训练。

4. 数据安全与治理：筑牢“安全防线”

• 数据安全制度： 完善数据安全法、个人信息保护法配套细则，建立 AI 训练数据 合规审查、安全评估、风险预警 机制。

• 数据分类分级： 对公共数据、企业数据、个人数据实施 分类分级保护 ，明确数据使用边界与禁区。

• 伦理治理：建立人工智能数据伦理审查机制，防范数据偏见、算法歧视、隐私泄露等风险。

四、2026年最新进展（截至3月）

• 数据集建设： 首批 10个国家级行业数据集 启动建设，覆盖智能制造、智慧医疗、智能交通等领域 。

• 公共数据开放： 上海、广东、浙江等试点地区开放 千万级脱敏公共数据 ，人工智能企业调用成本大幅下降。

• 数据交易： 北京、上海、深圳数据交易所上线人工智能 训练数据专区 ，交易额快速增长。

• 标准制定： 《人工智能训练数据质量规范》等 5项国家标准 进入报批阶段。

五、与工信部“人工智能+”的协同关系

• 国家数据局： 侧重 数据要素供给、流通、安全、治理 ，为人工智能提供“燃料”与“规则”。

• 工信部： 侧重人工智能 技术研发、产业落地、场景应用、生态培育 ，为人工智能提供“引擎”与“场景”。

• 协同机制：联合发布政策、共建数据集、共推应用示范，形成“数据筑基+产业落地”的完整闭环。

六、对产业与企业的关键影响

• 人工智能企业： 获得 合规、高质量、低成本 的训练数据，降低模型训练成本，提升模型效果。

• 传统企业： 通过数据授权运营实现数据资产化，同时借助人工智能+数据实现 智能化转型、降本增效 。

• 数据服务商： 迎来 数据标注、清洗、交易、安全 等万亿级市场机遇。

七、下一步重点方向

1. 加快国家级高质量数据集规模化落地，形成标杆示范。

2. 完善数据确权、交易、定价、入表等基础制度，激活数据要素市场。

3. 强化数据安全与人工智能伦理治理，构建安全可信的发展环境。

4. 深化数据+人工智能+行业融合应用，赋能千行百业数字化转型。