欧美人与性囗牲恔配,久久99热狠狠色精品一区,一区三区精品久久久精品,啊V天堂在线

數據治理（Data Governance）是圍繞數據全生命周期，通過管理優(yōu)化和技術工具，確保數據的可用性、一致性、安全性、合規(guī)性的管理體系。數據治理涉及數據的整個生命周期，包含數據的產生、采集、清洗、存儲、處理、應用、共享及銷毀。

當前，人工智能正迅速滲透到經濟社會的各個領域。2025 年，中央經濟工作會議將“人工智能 +”列為重點任務，旨在用人工智能技術改造提升傳統(tǒng)產業(yè)、發(fā)展新興產業(yè)、培育未來產業(yè)；全國工業(yè)和信息化工作會議也規(guī)劃了“人工智能 + 制造”行動，強調大模型研發(fā)和場景應用。近期，中國大模型憑借其高性能和高能效比，引發(fā)了全球關注。DeepSeekV3/R1 通過混合專家模型（MOE）、多頭潛在注意力機制（MLA）、FP8 混合精度訓練等前沿技術，大幅提升了模型能力。其高算力效能、開源特性和本地化部署為企業(yè)提供了低成本、高隱私保障的 AI 解決方案，正在快速推動制造業(yè)的數字化和智能化轉型。

算力、算法、數據是 AI 發(fā)展的三大核心要素。我國數據潛力雖大，但數據治理水平亟待提升。《全國數據資源調查報告（2023 年）》顯示，全國數據產存轉化率僅為 2.9%，未使用數據占比高達 38.9%。此外，高質量中文語料匱乏，Hugging Face 數據集中中文占比僅為 3.2%。相比之下，美國早在 2009 年就啟動了 Data.gov平臺，匯集了超過 30 萬種數據集，數據體量和質量全球領先。

因此，加強數據治理刻不容緩。國家層面，強化數據治理有助于彌補算力短板，提升 AI 倫理和安全保障；企業(yè)層面，數據治理能更好地賦能生產經營，實現(xiàn)智能化轉型。高水平的數據治理是推動人工智能賦能實體經濟、搶占未來科技和產業(yè)發(fā)展制高點的關鍵。

一、人工智能時代制造業(yè)數據的新特征

（一）來源廣泛化

傳統(tǒng)工業(yè)數據主要來自生產設備運行參數和產品質量檢測。隨著傳感技術和物聯(lián)網的廣泛應用，智能傳感器、工業(yè)機器人、智能機床等設備在生產線中大量部署，數據種類更加豐富。供應鏈上下游的數據流通也推動數據來源和規(guī)模的爆發(fā)式增長。例如，智能工廠的傳感器可實時監(jiān)測溫度、振動等數據；工業(yè)機器人不僅能夠傳輸傳統(tǒng)加工參數，還能生成路徑規(guī)劃和決策評估數據；產品通過內置傳感器將使用數據回傳至生產企業(yè)。

（二）產生實時化

人工智能技術使數據采集和控制更加精細，數據生成實時性顯著增強。工業(yè)智能機器人、智能裝備等設備的普及，使數據采集效率大幅提升，毫秒級甚至微秒級的數據采集成為常態(tài)。例如，自動化生產線需實時監(jiān)控設備運行數據以確保穩(wěn)定性，寶鋼與華為合作的熱軋自然寬展預測模型已實現(xiàn)毫秒級預測控制。

（三）多模態(tài)融合

人工智能重構了工業(yè)制造形態(tài)，推動全流程、全價值鏈的互聯(lián)互通。工業(yè)數據不再局限于結構化數據，圖像、視頻、音頻等多模態(tài)數據大量涌現(xiàn)并深度融合。例如，科大訊飛的“工業(yè)六感”傳感器模擬工人的“視聽嗅味觸思”感知能力，采集并分析多模態(tài)數據，為智能控制和決策提供支持。

（四）存儲新要求

人工智能應用產生海量數據，對存儲容量和模式提出了更高要求，促使分布式存儲技術成為主流，且需滿足高性能、高并發(fā)、高可靠和高可擴展性需求。例如，新能源汽車、化工和鋼鐵企業(yè)采用分布式存儲技術，確保數據高效訪問和流轉。

（五）安全性要求高

工業(yè)數據涉及企業(yè)核心競爭力，需要嚴密保護。人工智能時代，數據投毒、模型越獄等攻擊手段可能影響決策和裝備運轉，甚至引發(fā)安全事故。例如，?；沸袠I(yè)的模型決策失誤、越獄攻擊等問題可能導致泄漏甚至爆燃爆炸事故，航空航天企業(yè)則通過多重加密和訪問控制確保數據安全。

二、工業(yè)數據行業(yè)管理現(xiàn)狀

近年來，我國工業(yè)數據行業(yè)管理工作以統(tǒng)籌發(fā)展和安全為核心，從政策法規(guī)、標準建設、企業(yè)管理等方面綜合施策，推動數據高質量發(fā)展與高水平安全的良性互動。

（一）政策法規(guī)逐步完善

《中華人民共和國網絡安全法》《中華人民共和國數據安全法》《中華人民共和國個人信息保護法》等法律法規(guī)，為工業(yè)數據安全提供了基本法律框架。2022 年，《中共中央 國務院關于構建數據基礎制度更好發(fā)揮數據要素作用的意見》（“數據二十條”）出臺，奠定了數據要素市場的基礎制度體系。同年，工業(yè)和信息化部發(fā)布《工業(yè)和信息化領域數據安全管理辦法（試行）》，細化國家工業(yè)數據安全管理制度。2023 年，財政部印發(fā)《企業(yè)數據資源相關會計處理暫行規(guī)定》，為企業(yè)數據資源的會計處理提供明確指導。2024 年，國家數據局等部門聯(lián)合發(fā)布《關于促進企業(yè)數據資源開發(fā)利用的意見》，提出提升數據治理能力的要求；工業(yè)和信息化部發(fā)布《工業(yè)領域數據安全能力提升實施方案（2024—2026 年）》，體系化推動工業(yè)數據安全工作向縱深發(fā)展。

（二）標準建設穩(wěn)步推進

工業(yè)和信息化部與國家標準化管理委員會聯(lián)合發(fā)布《工業(yè)領域數據安全標準體系建設指南（2023 版）》，提出到 2026 年形成完備的數據安全標準體系 。目前已發(fā)布工業(yè)領域重要數據識別、安全防護等亟需的行業(yè)標準，并編制了工業(yè)數據資源目錄和圖譜。全國信息化和工業(yè)化融合管理標準化技術委員會（SAC/TC573）歸口了 5 項工業(yè)軟件行業(yè)標準，推動工業(yè)軟件底層數據的打通和兼容。此外，行業(yè)數據管理能力成熟度評估工作也在逐步展開。

（三）企業(yè)數據管理水平逐步提升

部分企業(yè)重視數據安全管理，設立專門的數據安全管理部門或崗位，明確責任和權限，實施數據分類分級管理及相應的安全策略。工業(yè)和信息化部建立了工業(yè)領域重要數據和核心數據識別報備機制，基本摸清了重要工業(yè)行業(yè)數據底數，并構建了數據安全風險監(jiān)測預警體系，持續(xù)提升行業(yè)數據安全風險防范和應對能力。通過政策引導和標準規(guī)范，一些頭部企業(yè)數據安全管理逐步走向系統(tǒng)化、專業(yè)化。

雖然我國工業(yè)數據行業(yè)管理在政策法規(guī)、標準建設、企業(yè)能力等方面取得了一定進展，但仍面臨政策落地難、標準不完善、企業(yè)能力不足、數據共享與隱私矛盾、技術創(chuàng)新與安全平衡難題以及行業(yè)協(xié)同不足等問題。未來，需進一步加強政策執(zhí)行力度、完善標準體系、提升企業(yè)數據管理能力、探索數據共享與隱私保護的平衡機制，并推動行業(yè)協(xié)同與生態(tài)建設，以實現(xiàn)工業(yè)數據的高質量發(fā)展與高水平安全。

三、人工智能時代工業(yè)數據治理挑戰(zhàn)

（一）數據治理難

工業(yè)數據治理面臨兩大難題。一是獲取難，數據高度分散于企業(yè)內部，“數據孤島”現(xiàn)象嚴重。企業(yè) IT 資產種類繁多、來源多樣、協(xié)議標準不統(tǒng)一，導致數據異構性問題突出，難以實現(xiàn)統(tǒng)一交換與共享。二是質量參差不齊，工業(yè)生產環(huán)境復雜多變，數據噪聲和異常值較多，設備故障、傳感器失效等問題導致數據缺失和不完整現(xiàn)象普遍存在。例如，汽車制造企業(yè)中，不同供應商提供的數據格式和標準各異，數據整合難度大，有效的數據清洗、標注和整合成為行業(yè)模型建設面臨的主要挑戰(zhàn)。

（二）數據確權難

工業(yè)數據確權問題復雜，既有一般數據確權的共性難點，也有工業(yè)領域的特殊性。數據的無形性、易復制性和流動性使其在傳輸、存儲和使用過程中容易被非法復制、篡改或濫用，導致數據邊界模糊、產權歸屬不清。此外，工業(yè)數據的生成、處理和使用涉及多個主體，各方在數據生產、流通和價值實現(xiàn)中的利益訴求不同，進一步增加了權利主體識別和界定的難度。數據確權技術尚未成熟，企業(yè)投入意愿不足，使得實際操作中數據確權更加困難。

（三）數據加工成本高

工業(yè)數據的專業(yè)性強，尤其在石油、化工、汽車、飛機等細分行業(yè)，數據標注難度大，專業(yè)標注能力供給不足。為滿足大模型訓練需求，企業(yè)需頻繁組織行業(yè)專家進行數據標注，每次標注工作往往需要 20~30 位專家參與，成本高且效率低。盡管國內外人工智能企業(yè)正探索通過自動化工具與人工審核結合的方式降低標注成本，但整體成本壓力依然較大。

（四）數據安全風險突出

隨著人工智能技術在工業(yè)領域的廣泛應用，數據安全風險暴露面持續(xù)擴大。高價值工業(yè)數據成為網絡攻擊的重點目標，近年來汽車、電子、軟件等行業(yè)的數據勒索、泄露和篡改事件頻發(fā)。例如，國家工業(yè)數據安全監(jiān)測平臺發(fā)現(xiàn)，我國暴露于公網的數據資產超 90 萬個，近三年工信領域數據安全風險信息平臺通報處置的風險事件超 7000 起。近期，國外知名車企 80 萬輛電動汽車車主的個人數據泄露，定位精度高達 10厘米級，引發(fā)全球關注。

（五）數據人才短缺

我國數據人才培養(yǎng)體系尚處于起步階段，缺乏統(tǒng)一的培訓、認證和考核評價標準，人才培養(yǎng)速度遠落后于市場需求。據人社部測算，我國人工智能人才缺口超過 500 萬；英國德勤發(fā)布的報告指出，我國數字人才總體缺口在2500 萬至 3000 萬。尤其在工業(yè)領域，既懂工業(yè)知識又具備數據分析和人工智能技術的復合型人才極為緊缺，嚴重制約工業(yè)數據治理和應用的發(fā)展。

四、工業(yè)數據治理建議

（一）強化數據標準，推動專業(yè)化工業(yè)數據集建設

一是加快工業(yè)數據標準規(guī)范建設，圍繞工業(yè)重點領域、典型場景和關鍵環(huán)節(jié)，制定數據資源管理、安全保障、基礎設施建設和技術產品等相關標準，確保標準貼合高質量發(fā)展需求。堅持“急用先行”原則，強化標準推廣應用，推動行業(yè)數據規(guī)范化管理。二是建設專業(yè)化工業(yè)數據集，整合工業(yè)領域專業(yè)知識庫、互聯(lián)網資源、書籍及合成數據等多方來源，系統(tǒng)化整理、存儲和關聯(lián)專家經驗、操作規(guī)程等隱性知識，構建高質量工業(yè)數據集，支撐工業(yè)大模型的預訓練和微調，推動數據匯聚、優(yōu)化與應用。

（二）以企業(yè)數據資產化為核心，推動數據價值實現(xiàn)

數據價值實現(xiàn)需要經歷資源化、資產化和資本化三個階段，其中資產化是關鍵。通過數據入表，推動企業(yè)數據價值實現(xiàn)，具體步驟可參考如下：一是制定數據資產管理戰(zhàn)略；二是明確數據資產定義和范圍；三是建立數據治理框架；四是選擇合適技術工具；五是優(yōu)化數據管理流程；六是建立數據資產目錄；七是推動數據資產價值實現(xiàn)；八是開展培訓與文化建設；九是實施監(jiān)控與持續(xù)改進；十是確保合規(guī)與審計。

（三）引導企業(yè)建立數據質量與安全管理體系

一是建立數據質量管理體系，推動企業(yè)構建數據質量驅動的治理機制，開展數據質量評估。支持化工、新材料等重點行業(yè)龍頭企業(yè)貫通產業(yè)鏈，共建高質量數據集。深化仿真合成數據應用，解決數據稀缺和不平衡問題。二是建立數據安全保障體系，強化企業(yè)數據安全主體責任，以重要數據保護為核心，加強監(jiān)測預警技術建設，針對數據流轉的關鍵環(huán)節(jié)、人員和場景，實施有效安全措施，確保數據全生命周期安全。

（四）建設數據可信空間，推動數據共享流通

一是構建基于區(qū)塊鏈的可信流通體系，探索可信工業(yè)數據空間建設，提升數據流通效率與安全性。發(fā)展高性能智能合約、多鏈組網架構、異構跨鏈交互等關鍵技術，推動區(qū)塊鏈數據確權技術應用。二是建立數據模型分享機制，明確數據模型分享要求和激勵措施，激發(fā)數據開放動力，釋放數據模型應用價值，促進數據共享生態(tài)建設。

（五）強化國家產業(yè)安全，建立三大安全保障機制

 一是建立工業(yè)模型（軟件）安全保障機制，加強重要工業(yè)模型（軟件）清單管理，開展安全性測試，提升供應鏈和生產系統(tǒng)安全穩(wěn)定水平。二是打造工業(yè)數據安全保障機制，完善數據安全管理制度，制定重點行業(yè)數據識別、防護和出境等政策指引，持續(xù)開展“數安護航”“數安鑄盾”專項行動，提升風險防范和應急處置能力。三是健全工業(yè)網絡安全保障機制，實施工業(yè)互聯(lián)網安全分類分級管理，強化工業(yè)控制系統(tǒng)網絡安全防護能力評估，開展“鑄網”實網演練，構建與新型工業(yè)化相適應的網絡安全保障體系。

（六）加強數據復合型人才培養(yǎng)

一是在政府層面建設數字戰(zhàn)略科學家隊伍，培育數字領軍人才，壯大數字技術工程師隊伍，提升產業(yè)工人數字素養(yǎng)。二是在企業(yè)層面提升管理者數據洞察力和決策力，從業(yè)務、數據、AI 三個維度綜合提升員工能力。三是在高校層面加強數字技術通識教育，推動數字技術專業(yè)學生深入產業(yè)，以解決實際問題為導向，培養(yǎng)數據復合型人才，為產業(yè)發(fā)展儲備智力資源。

五、總結

高水平數據治理是“人工智能 + 制造”行動落實的關鍵，強化數據治理不僅有利推動人工智能更好地融入實體經濟，同時對彌補算力短板，提升 AI 倫理和安全保障也有著重要意義。當前，人工智能時代的工業(yè)數據面臨新特征和治理挑戰(zhàn)，需引起高度重視，并通過綜合施策加以解決。在此背景下，可通過強化數據標準、推動數據資產化、建立質量與安全管理體系、建設可信數據空間、完善安全保障機制以及加強人才培養(yǎng)等相關措施，推動制造業(yè)數據治理邁向更高水平，為產業(yè)數字化智能化轉型提供堅實基礎。

作者：王江平，第十四屆全國政協(xié)委員、工業(yè)和信息化部原副部長，研究員級高級工程師。

來源：數字化轉型期刊