2026人工智能高质量数据集建设与应用实践白皮书

3编制说明识沉淀和智能应用落地的重要基础。高质量数据集作为连接数据资源与人工智能应用当前，高质量数据集建设正由单一的数据整理工作，逐步发展为 5引言：高质量数据集夯实产业智能化应用基础持续演进，企业智能化建设的关键问题逐步聚焦到数据基础：模型能否理解行业知求建设的高质量数据集。按照相关标准，高质量数据集是经过采集、加工等数据处理，可直接用于开发和训练人工智能模型，能有效提升模型性能的数据集合。对象和环境关系等三维空间数据也开始进入部分仿真训练、空间理解和具身智能场景，进一步丰富企业面向AI的数据来源。这些数据承载着企业经营规则、行业知质量不稳、标注不充分、更新机制不清晰等问题。数据资源需要经过系统治理、加基础数据治理支撑通识数据集建设，服务通用大模型的基础能力供给；行业数据治理与多模态数据治理支撑行业通识数据集建设，服务行业大模型和知识库构建；业务数据治理与多模态数据治理支撑行业专识数据集建设，服务垂类业务大模型训练和具体 6高质量数据集建设是一项面向长期应用的数据工程。TC609《高质量数据集建设业务专家、数据团队、算法团队和应用团队协同本白皮书围绕企业智能化落地过程中的高质量数据供给能力建设展开，系统梳理设中的差异化需求，结合在数据治理、多模型训练和智能应用支撑方面的实践经验，为企业推进高质量数据集建设和行业智能 7图1：白皮书框架与脉络概览 8 9 第一章高质量数据集建设背景：数据供给能力成为产业智能化新竞争力这一变化进一步凸显了数据的基础作用。模型提供通用的理解与推理能力，企业自身的数据和知识决定其进入专业业务后的适配深度。高质量数据集正在成为连接企（一）技术演进：专业场景持续提升高质量数据价值通用大模型已经具备较强的语言理解、知识问答和内容生成能力，显著降低了企业应用人工智能的技术门槛。随着应用深入产业核心环节，模型面对的任务更加专与此同时，人工智能处理的数据形态持续扩展。结构化业务数据之外，设备时 大模型的发展也推动数据工程进一步引入领域专家。专业人员参与术语定义、规则梳理、复杂样本判断和模型结果校准，使企业长期形成的行业知识能够更加系统地（二）政策驱动：高质量数据集成为“人工智能+”的重要数据基础近年来，我国持续加强人工智能与数据要素协同发展，高质量数据集逐步成为支表1：高质量数据集相关政策总览2026年6月，国家数据局印发《关于推进行业高质量数据集建设行动的实施方 建设与行业模型、专用模型、特色智能体和图2：高质量数方向三是强化。模型和应用检验数据集质量，并将应用过程中产生的问高建设更加（三）企业现实：丰富的数据资源仍需进一步转化为AI数据供给 .业务数据关联仍需加强。企业信息系统通常按照不同业务流程建设，同一客户、例等行业Know-how长期分布在文档、历史案例和专业人员经验中，需要通过知数据资源已经大量积累，能够持续支撑模型据供给仍然不足。（四）价值重构：高质量数据集连接数据治理与智能应用高质量数据集建设建立在企业已有数据基础之上，并进一步围绕人工智能任务组量数据集则进一步融入业务语义、行业知识、多模 图3：高质量数据集核心价值体系.沉淀企业行业知识。将技术标准、业务规则、工艺经验、风险判断和历史案成规范的数据表达，使企业长期积累的行业Know-how逐步转化为能够持续管理.支撑智能应用持续优化。模型应用过程中产生的错误案例、知识缺失和业务反和释放数据价值。随着人工智能进一步深入产业核心业务，高质量数据集也将逐渐成为企业AI能 第二章高质量数据集认知框架：概念、分类与企业建设重点高质量数据集已经成为企业人工智能建设中的重要数据形态。对于企图4：企业建设高质量数据集应该明确的三类问题按照国家数据局及全国数据标准化技术委员会相关文件，高质量数据集已经形成较为明确的概念和分类框架。在此基础上，企业还需要结合自身数据基础（一）概念内涵：高质量数据集以人工智能任务为明确导向“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，能有效提升模型性能的数据的集合。”这一概念明确了高质量数据集的核心特征：数据需要经过针对性的处理，并与人等，都可以成为高质量数据集的数据来源。但这些原始数据通常按照业务系统和管理需求组织，进入人工智能应用后，还需要进一步根据模型任务确定数据范围、处理规 特征描述数据对象及其属性，是模型理解数据的重要信息；标签承载分类、状设备健康诊断时，还需要关联设备型号、运行工况、异常事件、维修记录和故障类图5：高质量数据集需要同时关注三个层面高质量数据集由此成为一种面向人工智能任务进行组织、加工和持续管理的数据（二）分类体系：从模型使用阶段与行业属性理解高质量数据集高质量数据集可以根据不同建设目标和应用需求进行分类。对于企业人工智能实前者关注数据在模型训练、优化和评测过程中承担什么作用，后者关注数据所承载知识的专业程度以及适用范围。两个维度相互独立，又共同影响数据集的组织方 按照数据在模型开发与评测过程中的作用，高质量数据集可以划分为训练集、验图6：训练集、验证集与测试集在模型开发过程中的作用 合模型表现持续检查数据覆盖、样本分布和质量状态，使数据集能够真实反映模型能按照数据所承载知识的专业程度和适用范围，高质量数据集可以进一步划分为通图7：高质量数据集按行业属性分类通识数据集主要包含社会公众通常无需专业 对于企业而言，这部分能力通常更多依赖通用模型及公共知识体系，企业自身进行业通识数据集面向特定行业，包含需要一定专业背景才能准确理解的行业领域例如，制造业的行业标准、生产管理知识和通用工艺规范，金融行业的监管规行业通识数据集能够帮助模型建立对某一行业的系统认知，使其理解行业语言、行业专识数据集面向更加具体的业务场景，承载需要较深专业背景和实践经验才 行业专识数据集与具体业务任务联系最为紧密，也是企业沉淀自身行业Know-表2：三类高质量数据集的区分与应用框架（三）企业重点：行业专识数据集成为沉淀业务知识的重要载体通用模型已经能够提供较丰富的基础知识，行业公开标准、专业文献也能够帮助模型建立行业认知。但模型进入企业实际业务后，还需要理解组织自身的产品、客制造企业可能采用不同的设备型号、工艺流程和质量规则；不同银行具有自己的客户体系、风险政策和信贷管理方法；不同集团的经营指行业专识数据集的建设价值，正是在于将这些专业内容形成更加规范的数据表 图8：高质量数据集多源融合体系复杂样本判断、业务边界确认和模型结果复核，使数据集能够准确表达真实业务逻量数据集将三者按照具体场景组织起来。（四）建设关系：数据治理、高质量数据集与模型应用协同建设 识关系、业务规则和专业标签需要形成规范表达；数据质量还需要结合模型任务和应图9：通识数据集建设逻辑数据，形成具有行业共性的知识体系，支撑行业模型、行业知识库和行业智能应图10：行业通识数据集建设逻辑 图11：行业专识数据集建设逻辑表3：数据治理—高质量数据集—模型与智能应用关系（五）建设重点：围绕高价值场景形成企业数据集体系更加合理的方式，是结合人工智能应用规划确定建设优先级，并围绕高价值场景 图12：高价值场景选择的三个关键维度.业务价值。场景是否具有较高的人工投入、专业判断要求、经营价值或风险影.数据基础。相关数据、文档和历史案例是否具有一定积累，关键数据是否具备持.验证条件。能否通过模型效果、专家评价或业务指标判断数据集是否满足任务需承载企业自身专业能力。三类数据集共同构成企业面向人工智能的数据供给体系，其中行业专识数据集与 标、验全生命周期高质量数据集建设不是对既有数据进行一次集中清洗和整理，而是一项围绕人工保证质量等传统数据工程问题，也要进一步回答数据能否支撑模型理解业务、完成任按照《高质量数据集建设指南》的生命周期，高质量根据具体人工智能任务选择开展；模型验证发现的问题，还可以反馈至前序阶段，推 图13：高质量数据集建设六阶段 图14：高质量数据集建设链路（一）总体方法：以业务任务组织高质量数据集建设高质量数据集与传统数据项目最大的差异，在于其建设目标与人工智能任务直接和维修类型等字段准确；如果用于设备故障诊断，还需要进一步关联运行参 一份合同用于档案管理时，关注的是文件完整性和归档规范；用于智能合同审查图15：高质量数据集四维对象映射体系.应用效果检验数据质量。模型和业务应用成为判断数据集是否达到目标的重要依 图16：企业完整的数据工程链路其中，前五个环节完成数据集生产，模型验证和应用反馈则持续推动数据集更这种建设方式使数据工程与人工智能应用形成直接联系，避免数据建设与实际业（二）规：将业务需求转化为明确的数据集建设任务“规”包括标准生命周期中的数据需求和数据规划两个阶段，是整个数据集建设工这一阶段需要完成一次关键转换：将“希望建设某个AI应用”的业务语言，转化 图17：清晰的数据集任务需要回答的六个关键问题企业首期建设不宜追求覆盖全部业务数据，更适合优先选择价值明确、数据基础图18：人工智能任务对应的数据需求拆解 对于复杂产业场景，仅确定数据表和文件通常还不够，还需要提前梳理业务对象例如，设备健康管理需要形成：设备—设备型号—运行工况—实时参数—异常事金融风险管理可能需要形成：客户—账户—交易—授信—担保—关联主体—风险需要关注数据是否充分覆盖业务场景，关键样本是否具有代表性，专业标签是否准因此，高质量数据集不存在完全脱离场景的统一质量阈值，数据质量需要与 图19：前期规划七大核心规范与清单（三）采：形成稳定、完整的多源异构数据供给数据采集阶段需要解决两个问题：一是把需要的数据稳定获取出来，二是尽可能采集过程中除了保证数据完整，还需要重点关注业务主键、数据口径和对象一致 同一客户可能在CRM和财务系统具有不同图20：时序数据采集五项重点保障 只有建立这些关系，多媒体数据才能由孤立文件转化为具有业务价值的数据样（四）预：将原始数据预加工为AI能够理解的数据内容 图21：数据预处理模态类型及标准结构化数据通常需要完成字段映射、格式转换、数据清洗、重复处理、缺失处例如，“客户状态”“设备状态”“订单状态”等字段往往具有明确业务含义，不同系通过主题建模、实体关联和指标口径治理，可以进一步将分散业务数据组织为面 这些加工使文档逐渐由“文件”转化为模型能够检索图片数据需要根据业务任务进行质量筛选、分辨率处理、去噪、裁剪和内容增工业视觉等场景还需要关注不同光照、角度、设备类型和缺陷类预处理的重点并不是将所有视频和音频全部转化，而是根据任务提取真正影响模 在设备预测和生产控制场景中，可以进一步将连续时序数据与故障事件、维护记（五）标：将专业规则和专家经验沉淀为任务样本知识库检索、文档问答等应用经过充分的数据治理和知识加工后，可以直接进入 工业设备故障需要专业工程师判断故障类型，制造质量需要熟悉工艺和质量标准的人员判断缺陷，金融风险需要业务专家参与风险标签设计，医疗场景中的数据处理图22：数据标注的三大核心机制对于存在灰色边界的复杂场景，还需要给出正反样例和争议处理规则，使不同标 专家可以对模型预标结果进行复核，对争议样本进行判断，并根据实际业务情况过去依靠人员经验判断的“什么属于异常”“什么情况需要预警”“什么条件下采用某（六）验：通过模型和业务应用检验数据集质量传统数据质量评估主要关注数据自身属性，而高质量数据集还需要回答：这些数据能否有效支撑人工智能模型完成预期任务。模型验证因此成为生命周期中的关键环图23：模型验证核心机制 例如，术语定义是否准确，风险规则是否符合实际业务要求，工艺参数是否有模型表现能够进一步验证数据集是否具有足够的业 图24：七大维度数据问题归因和用户纠正结果重新沉淀为训练、验证和评测数据，使数据集逐步覆盖更多复杂业务（七）全周期管理：建立持续的数据集质量与运营机制工艺规则也会不断调整。模型能力升级后，对数据形态和质量的要求也可能发生变 图25：高质量数据集全生命周期管理体系数据血缘能够帮助企业在上游数据发生变化时及时判断影响范围，也为问题追 业务人员反馈模型结果和业务规则变化，算法团队反馈模型BadCase和样本需求，数据团队负责定位数据问题并推动数据集更新。通过持续运营，高质量数据集逐图26：高质量数据集持续飞轮迭代 企业高质量数据集建设由此形成持续演进的数据工程，使专业数据、行业知识和 第四章高质量数据集建设方案：构建面向AI的数据供给与应用支撑体系组织、模型训练与应用验证等多个环节。各环节如果分散建设，容易基于长期多模态数据智能平台建设与数据治理实践，将传统面向数据开发、图27：数据采集-治理-应用全链路其建设重点是围绕真实业务任务建立一套能够持续运行的数据生产机制：明确场景需要什么数据，持续获取相关数据，按照不同模态完成专业加工，通过治理与标注形成可管理的数据集，再进入知识库、模型和应用进行验证，并利用实际应用 （一）总体方案：建立面向AI应用的高质量数据集工程化建设体系高质量数据集建设方案以业务场景和人工智能任务为牵引，依托企业既有的数据平台、数据治理和数据资产基础，构建覆盖数据资源、数据汇聚融合、AI-Ready加工、数据资产与知识组织、智能标注验证及应用服务的一体化建设体系。整图28：高质量数据集解决方案总体架构等多种形态，并根据空间模型和具身智能等新型任务进一步纳入三维场景及空间数 数据汇聚后进一步开展数据清洗、主数据管理和实体对齐，解决同一业务对象在语义向量等组织形式，并根据具体任务开展人机协同标注、训练样本生成和模型效果高质量数据集通过数据服务、知识服务和模型服务进入实际业务，可以支撑知识 最终形成：“业务场景驱动数据构建→多源数据汇聚融合→AI-Ready加工形成高质量数据集→数据支撑模型与应用→业务反馈回流→数据持续优化”的持续演进机制，为大模型、智能体、多模态模型和具身智能等应用提供稳定、专业的数据供图29：从数据资源到业务价值转化链路（二）多源数据汇聚与融合：形成统一、完整、可持续的数据供给基础高质量数据集建设的第一步，是将企业分散在不同系统、不同平台和不同业务环企业长期的信息化建设积累了大量数据资源，但这些数据通常分布于业务系统、 外部数据治理和数据血缘管理等能力，将分散的数据资源转化图30：全量数据汇聚与多源融合企业需要围绕具体业务场景和人工智能任务，对已有数据资源进行系统梳理，明目、合同、工序等核心对象对应的数据来源和关联方式，形成面通过数据资产盘点，企业能够明确“已有数据在哪里”“哪些数据能够支撑哪些AI 在完成数据资源梳理后，需要根据不同数据类型和业务需求建立统一的数据采集续性和设备状态关联，使设备参数能够进一步结合工况、事件和运行结果形成业务数场景资源、空间对象等数据，使企业数据体系能够覆盖二维业务数据和三维空间数通过统一数据汇聚，企业能够将不同来源、不同格式的数据纳入同一数据供给体 图31：多模态数据汇聚多源数据融合的核心，在于让不同系统中的数据能够围绕统一业务对象形成关在实际业务中，同一个客户可能存在多个系统编码，同一设备可能在生产、运如果缺少统一对象识别，模型只能获取孤立的数据片段，难以理解完整业务上下 通过外部数据接入治理，企业可以在保障数据可多行业知识和外部信息纳入高质量数据集建设体系，增强模型对行业环境和业务场景当数据源发生变化、加工规则调整或模型效果异常时，可以通关联到全过程追溯的数据基础能力，将原本分散的数据资源转化为面向AI应用的统一数据供给体系，为后续数据预处理、知识加工、专业标注和模型训练提供可靠支 （三）AI-Ready工程化加工：将原始数据转化为模型可用数据完成多源数据汇聚后，企业仍需要进一步解决“数据如何被AI理解和使用”的问传统数据治理主要关注数据完整性、准确性和一致性，而面向人工智能的数据建设则进一步关注数据与模型任务之间的匹配关系。原始业务数据需要经过清洗、解与知识沉淀、数据版本管理等环节，建立AI-Ready工程化加工体系，使企业数据从图32：AI-Ready工程化清洗与知识萃取 识别的数据需要关注标签准确性和样本覆盖度；用于设备诊断的数据需要关注状态标准中的章节关系、合同中的条款逻辑、报告中的指标和结论通过文档智能解析，将原本存储于文件中的专业知识转化为结构化知识单元，为仅完成文本解析还不足以支撑复杂AI任务，还需要进一步识别其中蕴含的关键通过实体识别、关系抽取和知识加工，可以从文档、记录和业务数据中提取客 通过核心要素抽取，企业隐含在文本和数据中的专业知识能够进一步形成可计图33：多模态数据加工与处理链路一方面，通过规则校验发现明显的数据异常，例如字段逻辑冲突、时间关系错 通过自动校验与人工复核结合，降低错误数据进入训练和应用环节的风险，提高通过统一变量体系、语义映射、知识图谱和向量针对模型训练和验证场景，还需要管理训练集、验证集、测试集之间的划分关当业务应用产生新的需求、模型出现新的问题或人工反馈通过AI-Ready工程化加工，企业原始数据能够进一步转化为结构规范、语义清 （四）数据资产与知识组织：将数据集转化为可管理、可复用的数据资产经过AI-Ready工程化加工后，数据已经具备进入人工智能任务的基础条件，但要实现长期管理和持续应用，还需要进一步建立面向数据集的数据资产管理与知识组与传统数据治理主要关注数据库表、字段和指标不同，高质量数据集管理对象更加丰富，既包括结构化数据表、指标和变量，也包括文档内容、知识单元、标签体图34：数据资产与知识组织流程围绕不同业务场景和AI任务，需要建立统 例如，面向设备健康诊断的数据集，需要明确包含哪些设备对象、哪些运行参数、哪些故障案例以及适用于哪些分析任务；面向知识问答的数据集，需要流程、指标、事件等业务对象进行关联，使分散的数据形成具有业务逻辑的知识网这种基于业务语义的数据组织方式，使模型能够理解企业专业知识，而不仅仅是 图35：数据模型资产沉淀含在业务流程和专家经验中的判断标准转化标签体系建设需要结合业务任务明确标签定义、标注规则和质量标准，并通过业通过样本管理，企业能够持续沉淀高价值业务经验，为模型训练和效果优化提供 练场景需要关注样本覆盖度、标签准确性和数据分布合理性；视觉识别场景需要关注高质量数据集通常涉及企业核心业务数据和专业知识，需要在数据价值释放与安对于涉及敏感信息的数据，还需要根据应用场景进行匿名化、脱敏或安全计算处当模型效果下降、业务规则变化或新增应用场景出现 通过持续运营，高质量数据集能够不断吸收新的业务数据、专家经验和应用反通过数据资产与知识组织体系建设，企业能够实现从“拥有数据”到“管理数据”、从“管理数据”到“沉淀知识”的转变，使高质量数据集真（五）场景驱动的智能标注与模型验证：构建面向任务的数据闭环高质量数据集建设的核心目标，不仅是形成规模化数据资源，更是围绕具体人工经过前序的数据采集、加工和知识组织后，企业仍需要结合业务场景明确模型任环节，建立面向AI应用的数据标注与模型验证体系，使数据建设与模型能力提升形图36：场景驱动的智能标注与模型验证链路 任务拆解过程中，还需要结合业务流程和实际使用方式，明确数据集需要覆盖的通过场景任务拆解，将“建设什么数据”转化为“解决什么业务问题”，为后续标注行业专识数据集建设通常涉及大量专业判断，仅依靠自动化处理难以满足业务准高处理效率；对于复杂业务内容，则需要由业务专家参与标签设计、样本审核和疑难域需要专业人员判断风险事件、客户关系和业务规则；医疗领域需要 通过专家经验与自动化能力结合，将企业隐性的业务Know-how逐步转化为结构训练数据用于帮助模型学习业务规律，需要覆盖典型场景和关键样本；验证数据用于调整模型参数和评估模型表现；测试数据用于检验模型在真实环境中的泛化能例如，在风险识别任务中，不能只积累大量正常样本，还需要保证异 高质量数据集建设不是一次性项目，而是随着模型应用不断演进的数据运营过模型上线后，真实业务使用过程中产生的新问题、新需求和人工修例如，智能问答中未覆盖的问题可以补充为新的知识样本；风险模型中的误判案“模型应用—问题发现—数据补充—模型优化”的数据飞轮。最终，高质量数据集能够随着企业业务发展持续积累专业知识，不断提升模型对图37：模型应用—问题发现—数据补充—模型优化”数据飞轮（六）安全合规与可信管理：保障高质量数据集全生命周期安全可控随着人工智能应用逐步深入企业核心业务，高质量数据集建设不仅需要关注数据 知识、敏感信息以及模型调用结果等多类内容，需要建立覆盖数据全生命周期的安全险场景管理、数据集生命周期管理等能力，保障高质量数据集在满足AI应用需求的图38：合规底线与安全管控链路高质量数据集建设涉及的数据类型复杂，不同数据具有不同安全等级和使用要企业需要结合业务属性、数据敏感程度和应用场景，对数据资源进行分类分级管通过建立统一的数据分类分级标准，企业能够明确不同数据的访问权限、使用范 在数据进入加工、标注和模型训练环节前，需要根据数据特点采取相应保护措对于模型训练场景，还需要关注训练数据中的敏感信息记忆风险，通过数据筛部分AI应用需要融合多个数据源，但不同组织之间可能存在数据不可直接共享 当模型输出结果出现异常时，可以追溯相关数据来源、处理规则和模型使用情于涉及经营决策、安全生产、风险判断等重例如，智能风险判断需要结合业务规则和人工审核；设备安全诊断需要结合专业在数据集运营过程中，需要持续记录版本变化、质量评价、使用情况和应用反当业务规则变化、模型效果下降或新增应用需求出现 通过生命周期管理，高质量数据集能够在安全可控的前提下持续积累企业知识和（七）数据智能应用支撑：以高质量数据集提升业务理解与决策能力智能应用体系，为知识获取、业务分析、辅助决策和智能体执行提供稳定的数据基义，将原本分散在不同系统和文件中的数据与知识进行关联，可以使模型获得更加完之间的关系，并通过语义向量、知识图谱等方式形成可检索、可关联的知识组织体模型能够基于企业自身知识进行理解和生成。同时，知识来源和版本 对于知识密集型业务，数据建设的重点还包括专业术语、业务规则和对象关系的统一表达。通过统一业务语义，可以减少同一概念在不同系统和部门中的表达差异，企业经营管理、生产运行和风险管理过程中产生的大量结构化数据、指标数据和时序数据，在完成标准统一、实体关联和特征加工后，可以进一步形成面向分析和决析、原因分析和辅助决策。对于需要跨系统分析的复 图39：智能分析场景应用高质量数据集在这一过程中承担的是统一事实基础和业务语义的作用。模型获得 随着大模型和智能体技术进一步进入企业业务流程，任务。业务智能体需要同时理解企业数据、图40：业务智能体应用在任务执行过程中，智能体可以根据业务问题获取相关数据和知识，结合业务规则完成分析和判断，并通过工具调用完成后续任务。对于多步骤任务，还需要保证不智能体实际运行过程中形成的人工修正、任务结果和异常案例，也可以进一步沉淀为新的业务样本。随着这些数据持续积累，企业可以逐步形成面向特定业务流 通过数据智能应用，高质量数据集能够将企业长期积累的业务数据、知识和经验转化为可被AI理解和使用的数据基础，进一步支撑知识服务、分析决策和业务智能（八）空间智能应用支撑：构建连接真实空间与AI训练的数字场景体系当前处于什么状态以及能够发生什么交互。因此，空间高孪生场景开发—仿真数据生产—空间智能应用”的工程体系，使三维数字空间逐步具图41：三维空间高质量数据集建设及应用工空间智能数据建设首先需要根据场景范围、精度要求和AI任务选择合适的数据 图42：空间数据采集与三维模型生成链路对于设备密集、空间结构复杂或几何精度要求较高的区域，可以结合激光扫描和针对需要快速还原真实环境和视觉细节的工业现场、建筑内部及重点设备区域，还可以利用多视角照片或视频开展3DGS等实景重建。3DGS能够较好保留真实环境的视觉细节，但进入AI训练和物理仿真之前，还需要进一步补充统一坐标、对象语BIM、GIS和人工建模等方式，形成覆盖几何结构、视觉外观和业务对象的空间数据 图43：三维资产治理与孪生场景开发对于3DGS、倾斜摄影和点云等实景数据，还需要进一步建立与业务对象之间的完成这些加工后，三维场景具备的已经不仅是视觉表达，还能够回答“某个对象在此基础上，可以进一步开展数字孪生场景开发，将标准化三维资产按照真实空 通过连接IoT、设备平台和业务系统，还可以将真实环境中的动态状态映射至数由此形成：“资产标准化→场景组织→仿真环境→数据生成→质量评估→在具身智能巡检场景中，可以将园区、车间和设备区域构建为机器人可运行的数训练过程中同步记录机器人位姿、运动轨迹、视觉和点云感图44：具身智能巡检场景应用 在低空智能巡检场景中，高质量数据集通常需要融合无人机可见光影像、红外热通过统一坐标系和时间基准，将不同传感器数据对齐至同一真实三维环境，建立通过主动学习和高价值样本挖掘优先筛选困难样本进入训练集，提高有限标注投入的图45：低空智能巡检场景应用多方案仿真与效率评估，使空间数据进一步成为资源优化模型和智能调度应用的数据 图46：港口集装箱码头多资源协同调度域以及人员行为规则，构建不同时间、不同客流规模和不同突发条件下的人群活动模图47：大型赛事安保数字孪生指挥 运行和不同调度方案进行模拟分析。通过持续积累不同水情、工况和调度策略下的空图48：洪水演进方案预演模拟分析通过上述工程链路，空间智能高质量数据集逐步形成了一条面向物理世界的数据真实空间采集→三维模型生成→空间资产治理→孪生场景构建→仿真与合成数据生产→AI训练与空间智能应用。 第五章应用实践：高质量数据集驱动行业智能应用落地着AI逐步深入生产制造、风险管理、临床辅助以及物理空间等专业场景，模据的要求已经超越基础的完整性和准确性，更加关注业务语义、专业知识、场景关不同场景的数据基础和建设重点存在明显差异。装备制造需要融合经营生产数全的数据基础；具身智能则进一步将数据对象拓展至三维空间，通过三维场景、空间这些实践表明，高质量数据集建设需要紧密围绕具体AI任务展开：以业务场景本章选取装备制造、金融信贷、医疗健康和具身智能四个具有代表性的应用方向，分别展示高质量数据集如何支撑工业K正在不断扩展，由结构化业务数据、文档与多模态内容（一）装备制造：某大型装备制造企业高质量数据集建设与智能应用实践随着AI开始进入工艺知识服务、设备管理等专业业务，原有数据体系逐渐暴露和质量等对象之间缺少完整的数据关联。模型即使能够读取某一份文档或某一条设备复杂表格和专业参数，技术资料存在不同版本，历史工艺方案和设备维修案例分散存品适合什么工艺、某类设备故障应优先排查哪些因素，这些经验往往存在于专业人员 项目围绕“多源采集—多模态处理—数据治理—专业数据集—知识与模型应用”建够围绕统一业务对象形成关系；二是使工艺规则、故障经验等专业知识形成模型能够图49：项目数据生产及应用链路图50：工艺设计场景高质量数据集建设流程价值的信息，但传统模式下主要依靠工艺人员按照文件名称、产品型号或个人经验进行查找。资料数量增加后，历史案例难以快速复用，不同人员对同类问题的处理也容尽可能保持完整的知识结构；针对不同版本的技术资料，则同步维护来源、版本和有校验和补充。部分依赖人员经验的工艺判断 在实际使用中，工艺人员可以围绕产品、零部件或具体业务问题快速获得相关技术资料和历史案例，模型也能够结合企业自身工艺知识提供更加贴合业务环境的信息这一建设过程使企业工艺知识由分散文件进一步形成按照业务对象组织的数据内容，也使长期依赖人员经验传递的部分制造Know-how具备图51：设备健康管理场景高质量数据集建设流程单纯使用设备实时参数，可以发现某项指标是否发生异常；要进一步判断异常可能对应什么问题、是否需要处理以及过去类似问题如何解决，还需要结合设备型号、因此，项目围绕设备对象，将设备基础属性、运行状态、传感器数据、报警信针对时序数据开展时间对齐、异常处理和状态加工，并进一步关联设备运行工 状态、对应报警以及后续维修结果。这些信息能够帮助模型学习运行状态与真实故障对于经过确认的故障和维修结果，可以进一步形成专业标签和典型样本，为设备设备管理人员对模型结果的判断同样具有较高误报以及真实维修结论经过审核后，可以继续补充至数据集，使设备专业知识随着实通过高质量数据集建设，企业首先建立了结构化业务数据、设备时序数据和专业文档统一加工与治理的基础，原本分散的数据能够按照产品、工艺和设备等业务对象识资产。企业对行业知识的利用方式由文件查阅进一步扩展至语义检索、知识调用和在工艺知识和设备健康两个重点场景中，AI应用能够获得更加完整的企业数据和专业语境。工艺辅助能够结合企业自身规范、历史案备健康管理则能够同时利用设备运行状态和历史故障经验，为异常分析和维修知识查数据治理的价值也进一步延伸到智能应用。业务对象是否统一、技术资料版本是否有效、设备数据是否完整，都可以通过实际模型效果得到检验，使数据质量管理与 备、新故障和新的业务反馈可以按照既有加工和治理流程不断进入数据集，使制造数据和行业Know-how具备长期积累条件，为后续更多工业AI场景提供可复用的数据图52：项目建设成效（二）金融行业：高质量数据集支撑智能尽调与贷后风险管理企业客户自身的经营关系也日益复杂。一家企业可能同时存在多传统尽调高度依赖客户经理人工阅读和交叉核验多源信息。现有方案调研口径显示，一份企业尽调报告通常需要2—5个工作日。其中相当一部分工作量集中在资料 持续变化，传统周期性检查及固定规则难以及时覆盖所有动态风险信号。部分风险在否真实命中、某类企业出现什么特征更值得关注、采取何种处置方式效非结构化文档和风险知识统一组织，进一步形成智能尽调和贷后管理需要的专业数据建设过程中，首先形成统一客户数字档案，再对专业文档进行解析和风险知识加工；在此基础上，围绕尽调和贷后两个场景分别组织专业数据、任务样本和业务反图53：银行项目高质量数据集方案架构 图54：智能尽调场景高质量数据集建设及应用方案通过主体识别和实体对齐，将来自不同渠道的数据统一至同一企业主体，并进一相比将各种数据分别展示，这种以企业主体为核心的数据组织方式能够提供更加金融文档处理中还需要特别关注数据溯源。模型提取的一项财务数据、风险事项 智能尽调应用按照“资料解析—主体画像—风险识别—内容生成—人工复核”组织模型承担大量基础资料阅读、信息抽取和风险信息整理工作，客户经理重点完成关键风险判断和最终复核。模型形成的重点结论同时保留来源依据，支持业务人员快人工调整结果继续形成新的专业样本。对于模型漏掉的风险、错误识别的信息以及客户经理新增的判断，可以进一步归入不同问题类型，使数据集随实际尽调业务持图55：贷后管理场景高质量数据集建设及应用方案 外部则持续关注工商变更、司法风险、被执行信息、税务异常及产业链风险事通过时间和企业主体进行关联，使不同时间发生的交易、企业状态变化和外部风级变化同时出现时，其风险意义可能明显增强。多源数据关联能够为模型提供更加完繁出现的误报，可以进一步分析特征或标签问题；对过去未能识别的风险，则可以补按照现有金融方案的场景验证口径，高质量数据集与AI能力结合已经体现出较 图56：项目建设价值概览在智能尽调场景中，单份企业尽调处理时间由传分钟，大量资料解析、信息提取和基础报告整理工作在贷后管理场景中，持续的数据监测进一步提升风险发现及时性，现有验证口径下风险识别窗口平均提前1—3个月；预警准确率提升20%—40%，误报率下降客户经理和风险人员在真实业务中做出的专业判断持续沉淀为标签、规则和案例，使高质量数据集能够随着客户状态和风险变化不断补充，为贷前和贷后的风险管理持续 （三）医疗行业：专病高质量数据集支撑临床知识与患者管理以大型综合医疗机构的典型专病建设需求为例，医疗高质量数据集需要同时处理这些数据完整记录患者诊疗活动，也是医疗AI能够理解疾病和临床业务的重要随着AI逐步用于临床知识查询、病历质量管理和患者随访等辅助业务，原有数图57：项目背景与建设目标首先，同一患者的数据通常分布在门诊、住院、检查、检验和随访等不同系统中。一名患者在一个疾病周期内可能经历多次就诊和检查，不同时间的数据相互关联。只有按照患者、疾病和时间重新组织这些数据，模型才能获得同疾病或症状也可能存在多种表达方式，普通文档处理方式难以完整表达其临床含 一知识在不同人群、不同疾病阶段也可能具有不同适用范围，因此需要明确知识来整体围绕“患者—疾病—就诊—检查—检验—治疗—随访”建立专病数据对象体图58：专病数据对象主线家参与的数据质量验证，使专病数据集既能够表达患者真实诊疗过程，也能够承载可 图59：整合患者诊疗数据建设流程一项检查结果需要能够对应具体就诊，一次治疗变化需要能够与前后检查指标建通过这种方式，原本分散在多个系统中的数据能够形成更加连续的患者诊疗过针对持续变化的检查检验和随访数据建立更新机制，使专病数据集能够保持必要 经过这一阶段，专病数据集的组织对象由单条病历或单次就诊，进一步扩展为患图60：高质量专病数据集建设及支撑三大临床应用场景对于更新后的医学指南，可以同步调整旧版本知识状态，降低模型调用过期知识 医生在实际应用中发现的错误和边界案例，也可以进一步形成新的专业样本和评在此基础上，高质量数据集可以支撑临床知识临床知识检索重点帮助医务人员更高效地获取相关指南和院内规范；医疗文书质控可以结合文书规范和专业规则辅助识别信息缺失和内容不一致；患者随访则可以基系，使AI能够获得更加完整的患者诊疗上下文，也方便后续围绕专病开展数据分析诊疗指南、专业规范和院内知识建立明确的来源及版本机制，有助于保证模型使用知识的时效性和专业依据。对于专业知识出现更新的情况，也能够按照版本及时维案例和评测样本。随着实际应用开展，新的临床问题和模型错误可以持续进入数据 保持清晰的数据安全和专业使用边界。对于涉及具体患者的信息，可以根据角色和业务场景控制数据使用范围；模型结果则主要服务于知识查询、信息整理和业务辅助，对于医疗行业而言，高质量数据集最终形成的是一套专业知识可靠、患者关系完图61：项目建设成效（四）智能巡检：三维空间高质量数据集支撑机器狗仿真训练与算法验证 图62：机器狗矿道巡检与传统视觉识别任务相比，机器狗需要在真实三维环境中持续移动并完成具体任障碍区域不适合频繁开展机器人训练，设备异常、通道受阻等低频事件也很难在真实另一方面，企业在数字孪生、仿真和三维应用建设过程中已经积累了大量UE场对于机器狗巡检而言，一套视觉效果完整的三维场景，还需要进一步明确场景中 整体围绕“三维场景资源构建—资产清洗与标准化—空间结构化标注—任务图63：三维空间高质量数据集建设流程通过对UE场景及相关三维资产进行统一治理，使原本面向三维应用的数字场景进一步形成具有明确数据结构、空间语义和质量标准的数据集，为机器狗智能巡检的对于机器狗智能巡检而言，可编辑的三维环境能够根据算法研发需要进一步调整 这一过程使原本按照项目开发方式管理的三维资产具备更加清晰的数据结构，也对象层主要描述场景中存在的设备、建筑构件、道路、通道、障碍物等空间对通过结构化标注，三维场景由单纯的几何和视觉内容进一步形成机器可以理解和对于机器狗巡检任务，还可以在标准化空间数据基础上，根据具体算法研发需要 图64：物理空间结构化对象标注在自主导航和路径规划任务中，可以利用三维空间结构构建不同路线和环境条在智能巡检任务中，可以根据具体业务进一步配置目标设备、巡检区域和任务点 图65：智能巡检路线规划对于真实环境中采集成本较高的复杂情况，还可以基于三维场景进行适当的环境需要强调的是，三维高质量数据集在这一环节主要承担仿真环境和数据基础作等问题进行处理；完成场景封装后进一步开展场景加载、结构标注和数据字段检查，行和终验等多阶段方式开展质量验证，并同步形成数据集自检报告、数据字段说明和 这使三维场景能够按照标准化数据集进行交付和管理，为后续训练数据采集和算某类场景下导航失败，可能需要进一步补充空间结构信息；某种障碍物持续无法准确识别，可能需要增加对应对象和环境变化；某类巡检任务缺少足够复杂的测试条由此形成：三维场景构建→数据清洗与标准化→空间结构化标注→仿真训练 图66：三维数据运营飞轮重复、无效和存在质量问题的数据得到清理，三维资产形成较为明确的数据结 在算法研发层面，标准化三维场景能够为机器狗环境感知、自主导航、路径规划、避障和巡检任务等提供仿真环境，并可根据任务需要进一步生成不同条件下的训对于危险区域、复杂环境和低频异常状态，三维仿真还能够补充部分真实世界难三维空间由此成为高质量数据集体系中的一种重要数据形态，使AI的数据基础图67：项目建设成效 第六章企业推进路径：试点验证与体系化运营专业知识和模型任务的数据工程能力，也需要控制首期投入规模，通过真实业务场景对于已经具备一定数据治理基础的企业，高质量数据集建设可以优先依托已有数力；对于数据基础相对薄弱的企业，则需要同步完成必要的数据盘点、标准治理和业复制扩展和持续运营展开。关键在于控制建设边界，使首批高质量数据集能够对应明（一）场景选择：以高价值、可验证场景确定建设起点一个大型企业可能已经拥有数百个业务系统、数万张数据表和大量文档资料。如果直接按照数据规模开展建设，容易出现建设范围过大 图68：高质量数据集场景选择与建设要点制造质量的场景；金融机构可以关注尽调、风险预警、合险业务；集团企业则可以关注经营分析、制度知识业务人员投入时间较多；现有方式效率或质量存