中国工业互联网研究院《建设工业高质量数据集的关键任务》:需求规划、采集汇聚、治理加工、训练验证,四大任务形成闭环

2026年11月15日,中国工业互联网研究院院长鲁春丛在2026第五届数据治理年会上以《建设工业高质量数据集的关键任务》为题作主旨报告。
640-62
以下为报告全文

建设工业高质量数据集的关键任务

行业高质量数据集是推动“人工智能+”赋能千行百业、实现产业落地的基础性、关键性资源。习近平总书记深刻指出,“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。要推动人工智能科技创新与产业创新深度融合……深化数据资源开发利用和开放共享”。全国先进制造业大会也强调要“坚持智能化、绿色化、融合化方向,持续做大做强先进制造业”,明确提出以新一代智能制造为主攻方向,发展策略上更加注重数智赋能,纵深开展“人工智能+制造”行动。这为我们的工作指明了方向,提供了根本遵循。

工业高质量数据集不是工业原始数据的简单聚合,也不是消费互联网数据集模式在工业领域的直接迁移,而是以工业全生命周期数据为原料、以工业机理知识为加工准则、以特定人工智能模型的训练与验证为质量标尺,形成的主题明确、格式规范、质量可控、场景适配的标准化数据集合。从需求规划、采集汇聚、治理加工到训练验证,四个核心环节环环相扣,构成了从建设到应用的完整闭环。

关键任务一:明确场景需求,以用促建厘清“建什么”

推进工业智能应用,产业界普遍共识是“七分在数据、三分在模型”。消费互联网数据围绕人的点击、浏览、购买行为产生,容错率较高;而工业数据围绕物理化学过程和业务闭环产生,容错率极低。消费数据推荐失误仅影响用户体验,而工业数据一旦失真、导致模型误判,轻则造成产品报废、产线停机,重则引发生产安全事故。这一本质差异,决定了工业高质量数据集建设必须摒弃过去“重存储、轻应用”“先囤数据、后找场景”的粗放路子,转向“场景牵引、模型倒逼、以用促建”的建设逻辑。

在具体推进中,要坚持以终为始,围绕制造业“研发设计、中试验证、生产制造、营销服务、运营管理”全流程各环节,建立“应用场景—智能模型—高质量数据集”的分层映射机制。比如,在研发与中试环节,面向新材料设计与生物制造仿真需求,将分散的文献专利、成分配比与显微图像关联起来,把反应器上千个点位的在线参数与离线化验指标对齐。由此构建的高精度数据集,能够有效支撑虚拟仿真验证,将生物制品批次间的关键质量波动严格控制在5%以内。在生产与管理环节,无论是氧化铝溶出智能控制、汽车焊点质量预测,还是高端电梯的预测性维护,都要从提质、降本、增效、绿色、安全的量化目标出发,反向界定数据集的特征空间、采样频率与标注粒度。目前,我院已联合行业龙头梳理了汽车、生物制造、有色金属、电力装备等重点行业超200个高价值人工智能应用场景图谱,分类推进企业生产、企业运营和产业链协同三类核心数据集建设,从源头上明确每类数据集“需要什么数据、建到什么标准”,坚决杜绝盲目建库与建用脱节。

关键任务二:创新采集汇聚,多措并举破解“怎么集”

2025年我国工业数据生产量达8.53泽字节(ZB),占全部企业数据生产总量的25.43%,位居各行业之首。但要把分散在超600万家制造企业的数据汇聚起来,面临格式异构与跨主体流通双重挑战。工业数据具有多源异构、多级分布、深度耦合的特点,一座现代化工厂每天产生的数据形态极其复杂:既有像“业务账本”一样的ERP表单、像设备“心电图”一样的传感器时序波形,也有半结构化的日志报文,更有占总量80%以上、却最难利用的质检图像、监控视频、三维点云等非结构化数据。加之工厂连接设备动辄上千台套、数据测点成千上万,数百种工业协议就像各说各话的“方言”,复杂作业场景还要求多源数据达到亚毫秒级的同步精度,导致底层数据“采不上、拢不起”;同时企业出于核心工艺泄密顾虑,普遍“不敢给、不愿给”。

解决这些问题,要坚持技术攻坚与机制创新并举。在技术路径上,向下通过工业5G、工业光网与智能网关实现多协议解析,在边缘侧完成滤波降噪与特征提取,保障源头数据高保真。向上严守“数据不出域”原则,运用数据库指纹、统一数据度量与标识解析等技术,在不上传原始数据的前提下,以“所见即所传”方式完成特征校验与确权登记,构建多层级目录体系。在组织机制上,分类探索“自建自用、他建自用、共建共用、共建他用、混合运营、第三方租用”六种建设运营模式,灵活运用“数据换数据、换服务、换模型、换场景、换订单”五种交换机制,唤醒中小企业沉睡的罕见故障样本,与龙头企业、科研机构实现分级流通与收益共享。

关键任务三:深化数据治理,机理融合做实“怎么治”

原始数据采集入库仅完成了物理层面的搬家,数据汇聚不等于语义贯通。当前不少企业虽建成了数据中台,智能应用却依然难以落地,症结在于未能消除深层次的“语义孤岛”。企业内部ERP的“订单”、MES的“工单”与SCADA的“批次号”普遍存在“异名同义”,不同车间的“产量”“有效库存”又常因统计口径不同出现“同名异义”。机器读不懂数据背后的业务逻辑与物理因果,数据孤岛就只是换了一种形式存在。因此,工业数据治理绝不是简单的“洗数据”,而是要将工业机理与专家知识深度融入数据工程全过程,加快引入“工业本体模型”技术,推动工业数据从物理层的“可连接”向语义层的“可理解、可推理”跨越。

具体而言,要重点抓实四个环节:一是开展机理约束下的精准清洗。比如,依据物料平衡、能量守恒与设备动力学规律,精准区分“采集噪声”与轴承早期点蚀、电解槽阳极效应等真实的“工况异常”,对真实物理异常保留原值并加注标签,防止将“宝贵”的故障前兆样本误删。二是推进语义标准化与跨时空对齐。建立行业统一的数据编码与度量标准,以生产批次和统一时间轴为基准,把秒级的传感器数据与小时级的化验指标、低频的视觉图像与高频的力觉信号精准对齐。在数据时空对齐的基础上,构建工业本体模型,进一步实现语义的统一。通过对设备、工艺、质量等对象的属性、关系和规则进行统一定义,为数据装上“业务词典”。比如采集到“85℃”,本体模型能直接理解这是“偏高的炉膛出口温度”,并自动关联对应设备与工序。三是实施人机协同的专业化标注。采取“机器预标、专家精校”的方式,把老师傅看火候、听声响的隐性经验,转化为机器读得懂的标准标签。四是强化长尾稀缺样本合成。运用生成式模型与数字孪生仿真技术,在严守物理规律的前提下,主动生成极端工况与罕见缺陷样本,有效破解工业故障样本稀缺难题。

关键任务四:强化模型训练,以评促用检验“怎么用”

去年我国人工智能“推理”数据量首次超过“训练”数据量,达到101.34艾字节(EB),标志着人工智能已进入“训练与推理并重、应用驱动迭代”的新阶段。工业高质量数据集的价值,最终要靠模型训推与产线成效来检验。在“怎么训”上,要构建“大小模型协同”与“云边协同”训练体系。围绕不同层级需求,用多模态基础数据集,训出“懂行业”的通识大模型;用工艺机理数据集,训出“精专业”的专识模型与边缘小模型,满足产线毫秒级质检与控制需求;用动态交互数据集,训出“会操作”的工业智能体与具身智能。在“怎么推”上,要结合数据本体定义的语义规则,挖掘工业数据中隐含的知识关联,回答复杂业务问题,支撑精准决策。特别是在工业推理与多智能体协同中,要充分发挥“本体推理”与“认知对齐”技术的乘数效应。

在“怎么验”上,要建立中试验证与三级评测闭环。数据集与模型绝不能从实验室直接搬上大生产线,上线前要在中试平台主动注入电磁干扰、镜头污渍、原料批次波动等真实工业噪声,全面检验模型的适应性与抗干扰能力。同时构建覆盖“数据、数据集、智能应用”的三级评价指标体系,严卡工业安全零容忍的“漏报率”红线与降本增效等指标。比如,我院支撑大型冶金集团整合8年监测数据构建电解铝工艺机理高质量数据集,经模型训练与产线验证,将分子比预测偏差控制在0.06以内,生产温度波动减少30%,实现了专家经验从“口传心授”到“数字传承”的跨越。更重要的是,将产线检验出的疑难样本持续反哺回数据集,在应用中动态迭代,真正实现“数据越用越精、模型越训越准”的良性循环。

(报告起草人:任俊琦 邓帅 王骁)

www.smartcity.team
【数字科技专题研究】社群
同行深度交流,专注智慧城市与数字科技行业研究、资料沉淀。
持续更新最新行业白皮书、产业研究、政策动态与落地解决方案,帮助行业从业者高效积累知识、共享经验。
海量精华内容持续迭代,提供前沿视野,对接行业人才,开展案例共创与资源互通,共建高质量行业交流氛围。
点击查看>> https://t.zsxq.com/zGWUg

为您推荐

发表回复