數據治理（Data Governance）是圍繞數據全生命周期，通過管理優化和技術工具，確保數據的可用性、一致性、安全性、合規性的管理體系。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產業、發展新興產業、培育未來產業；全國工業和信息化工作會議也規劃了“人工智能 + 制造”行動，強調大模型研發和場景應用。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的數字化和智能化轉型。

算力、算法、數據是 AI 發展的三大核心要素。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；企業層面，數據治理能更好地賦能生產經營，實現智能化轉型。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發展制高點的關鍵。

一、人工智能時代制造業數據的新特征

（一）來源廣泛化

傳統工業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網的廣泛應用，智能傳感器、工業機器人、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模的爆發式增長。例如，智能工廠的傳感器可實時監測溫度、振動等數據；工業機器人不僅能夠傳輸傳統加工參數，還能生成路徑規劃和決策評估數據；產品通過內置傳感器將使用數據回傳至生產企業。

（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。例如，自動化生產線需實時監控設備運行數據以確保穩定性，寶鋼與華為合作的熱軋自然寬展預測模型已實現毫秒級預測控制。

（三）多模態融合

人工智能重構了工業制造形態，推動全流程、全價值鏈的互聯互通。工業數據不再局限于結構化數據，圖像、視頻、音頻等多模態數據大量涌現并深度融合。例如，科大訊飛的“工業六感”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、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

工業數據涉及企業核心競爭力，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，甚至引發安全事故。例如，危化品行業的模型決策失誤、越獄攻擊等問題可能導致泄漏甚至爆燃爆炸事故，航空航天企業則通過多重加密和訪問控制確保數據安全。

二、工業數據行業管理現狀

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

（一）政策法規逐步完善

《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，為工業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，工業和信息化部發布《工業和信息化領域數據安全管理辦法（試行）》，細化國家工業數據安全管理制度。2023 年，財政部印發《企業數據資源相關會計處理暫行規定》，為企業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合發布《關于促進企業數據資源開發利用的意見》，提出提升數據治理能力的要求；工業和信息化部發布《工業領域數據安全能力提升實施方案（2024—2026 年）》，體系化推動工業數據安全工作向縱深發展。

（二）標準建設穩步推進

工業和信息化部與國家標準化管理委員會聯合發布《工業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 。目前已發布工業領域重要數據識別、安全防護等亟需的行業標準，并編制了工業數據資源目錄和圖譜。全國信息化和工業化融合管理標準化技術委員會（SAC/TC573）歸口了 5 項工業軟件行業標準，推動工業軟件底層數據的打通和兼容。此外，行業數據管理能力成熟度評估工作也在逐步展開。

（三）企業數據管理水平逐步提升

部分企業重視數據安全管理，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。工業和信息化部建立了工業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行業數據底數，并構建了數據安全風險監測預警體系，持續提升行業數據安全風險防范和應對能力。通過政策引導和標準規范，一些頭部企業數據安全管理逐步走向系統化、專業化。

雖然我國工業數據行業管理在政策法規、標準建設、企業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、企業能力不足、數據共享與隱私矛盾、技術創新與安全平衡難題以及行業協同不足等問題。未來，需進一步加強政策執行力度、完善標準體系、提升企業數據管理能力、探索數據共享與隱私保護的平衡機制，并推動行業協同與生態建設，以實現工業數據的高質量發展與高水平安全。

三、人工智能時代工業數據治理挑戰

（一）數據治理難

工業數據治理面臨兩大難題。一是獲取難，數據高度分散于企業內部，“數據孤島”現象嚴重。企業 IT 資產種類繁多、來源多樣、協議標準不統一，導致數據異構性問題突出，難以實現統一交換與共享。二是質量參差不齊，工業生產環境復雜多變，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象普遍存在。例如，汽車制造企業中，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模型建設面臨的主要挑戰。

（二）數據確權難

工業數據確權問題復雜，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

工業數據的專業性強，尤其在石油、化工、汽車、飛機等細分行業，數據標注難度大，專業標注能力供給不足。為滿足大模型訓練需求，企業需頻繁組織行業專家進行數據標注，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領域的廣泛應用，數據安全風險暴露面持續擴大。高價值工業數據成為網絡攻擊的重點目標，近年來汽車、電子、軟件等行業的數據勒索、泄露和篡改事件頻發。例如，國家工業數據安全監測平臺發現，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，引發全球關注。

（五）數據人才短缺

我國數據人才培養體系尚處于起步階段，缺乏統一的培訓、認證和考核評價標準，人才培養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。尤其在工業領域，既懂工業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，嚴重制約工業數據治理和應用的發展。

四、工業數據治理建議

（一）強化數據標準，推動專業化工業數據集建設

一是加快工業數據標準規范建設，圍繞工業重點領域、典型場景和關鍵環節，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展需求。堅持“急用先行”原則，強化標準推廣應用，推動行業數據規范化管理。二是建設專業化工業數據集，整合工業領域專業知識庫、互聯網資源、書籍及合成數據等多方來源，系統化整理、存儲和關聯專家經驗、操作規程等隱性知識，構建高質量工業數據集，支撐工業大模型的預訓練和微調，推動數據匯聚、優化與應用。

（二）以企業數據資產化為核心，推動數據價值實現

數據價值實現需要經歷資源化、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，推動企業數據價值實現，具體步驟可參考如下：一是制定數據資產管理戰略；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；八是開展培訓與文化建設；九是實施監控與持續改進；十是確保合規與審計。

（三）引導企業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、新材料等重點行業龍頭企業貫通產業鏈，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，強化企業數據安全主體責任，以重要數據保護為核心，加強監測預警技術建設，針對數據流轉的關鍵環節、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

一是構建基于區塊鏈的可信流通體系，探索可信工業數據空間建設，提升數據流通效率與安全性。發展高性能智能合約、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，激發數據開放動力，釋放數據模型應用價值，促進數據共享生態建設。

（五）強化國家產業安全，建立三大安全保障機制

 一是建立工業模型（軟件）安全保障機制，加強重要工業模型（軟件）清單管理，開展安全性測試，提升供應鏈和生產系統安全穩定水平。二是打造工業數據安全保障機制，完善數據安全管理制度，制定重點行業數據識別、防護和出境等政策指引，持續開展“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。三是健全工業網絡安全保障機制，實施工業互聯網安全分類分級管理，強化工業控制系統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

一是在政府層面建設數字戰略科學家隊伍，培育數字領軍人才，壯大數字技術工程師隊伍，提升產業工人數字素養。二是在企業層面提升管理者數據洞察力和決策力，從業務、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，推動數字技術專業學生深入產業，以解決實際問題為導向，培養數據復合型人才，為產業發展儲備智力資源。

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數據面臨新特征和治理挑戰，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等相關措施，推動制造業數據治理邁向更高水平，為產業數字化智能化轉型提供堅實基礎。

作者：王江平，第十四屆全國政協委員、工業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