数据智能产业现状、挑战与发展前景如何？

近年来，全球数据智能产业快速发展，产业规模持续扩大，逐步 形成了覆盖数据智能基础设施、资源服务、数据治理、开发应用和生 态服务等多维度的完整产业链格局。

1.数据智能全景化布局提速，产业体系逐步完善

根据中国通信标准化协会大数据技术标准推进委员会（CCSA TC601）发布的《数据智能产业图谱（2024 年）》显示，我国数据智 能产业布局正逐步完善，已围绕数据智能基础设施、数据治理、数据 资源服务、数据智能开发、数据智能应用及数据智能生态服务等各方 面，初步形成了健康有序、优势互补的产业体系。

数据智能基础设施企业主要围绕通用计算硬件、智能计算硬件、 数据存储、数据智能平台等提供产品服务，为上层数据开发和模型训 练提供算力支撑。 数据治理企业主要围绕数据质量管理、数据标准管理、数据资产 管理、数据标准等方面提供平台及服务，支撑数据管理相关工作。 数据资源服务企业主要围绕人工智能数据集、数据产品开发、数 据运营、数据交易等提供平台及服务，为数据产品/服务的开发及应用 提供数据基础。

数据智能开发企业主要围绕数据开发、人工智能算法开发、数据 科学、知识图谱等提供平台能力，支撑数据智能产品及应用开发。 数据智能应用企业围绕生成式大模型、通用应用和场景化应用形 成了多项产品及服务，覆盖了金融、通信、汽车、能源等多个行业， 持续赋能企业数智化转型。

从企业发展情况来看，入选产业图谱的企业大多数成立于 2010 年之后，占比高达 68%；规模上以大中型企业为主，年营业收入在亿 元以上的企业占比超过 40%，是数据智能产业发展的中流砥柱。从企 业研发能力来看，入选产业图谱的企业平均专利授权数达到 31.7 项， 软著登记数达到 77.2 项，拥有 10 项以上专利、30 项以上软著的企业 占比超过 50%，自主知识产权体系稳步构建。从企业人才培养来看， 研发人员数量超过 30%的企业占比高达 95%，其中近 10%的企业研 发人员数量超过 80%；人才层次方面，平均本科学历以上比例达到92%，平均研究生学历以上比例超过 25%，工作经验 5 年以上的人才 占比超过 70%，企业人才体系日趋完善。

2.全球数据智能产业快速发展，规模化效应初显

政策方面，数据智能的快速发展促使全球多国综合考虑发展与监 管，加快推动相关政策出台。2023 年 3 月，加拿大政府宣布将制定 《人工智能与数据法案》，并发布预告性配套文件，以规范人工智能 开发和应用活动。2023 年 11 月，美国网络及信息技术研究与发展小 组委员会发布《美国人工智能 2024 财年预算和计划信息》，提出建设 用于人工智能训练、测试、开发的共享公共数据集和环境，在机器学 习、智能制造、医疗等领域创建训练数据集，旨在确保自身在数据智 能领域的全球领导地位。2024 年 3 月 13 日，欧洲议会通过世界首部 《人工智能法案》，该法案旨在通过对人工智能的使用进行规制，以 保护公民基本权利、民主、法治和生态环境免受人工智能的影响，促进以人为本、值得信赖的人工智能发展应用。 企业方面，全球数据智能领域相关企业加速涌现，企业数量增长 态势明显。据中国信通院统计，截至 2024 年 4 月，全球共有人工智 能企业 30000 余家，我国人工智能企业数量超过 4500 家。其中超半 数人工智能企业从事涉及数据的相关业务，包括数据智能类软硬件开 发、人工智能数据治理、人工智能数据集开发、数据智能产品开发等。 同时，据不完全统计，国内有近 2000 家数据企业面向人工智能领域 提供服务，如专注于多模态学习的数据标注业务，根据特定领域需求 场景提供定制化的数据加工方案与实施服务，提供标准化结构化的高 精度数据集等。未来，随着大模型技术在各行业领域的落地应用，数 据智能企业数量将持续增长，支撑产业规模持续扩大。

投融资方面，数据智能企业投融资活跃，占整体人工智能产业投 资比重不断增加，投资带动效果显著。最近一年，随着大模型技术应 用快速发展，面向大模型的数据智能企业投融资规模不断扩大，据统 计，2023 年前三季度大模型企业融资金额同比增长 137%，融资轮次 以种子轮、天使轮、A 轮融资等早期投资为主。资本市场对于数据智 能产业的良好预期，对于产业新增长点的投资带动作用非常显著，推 动了以 Character.ai、Scale AI、月之暗面等为代表的一批数据智能领 域明星创业企业的涌现。面对数据智能应用在资本市场和用户市场的 火热态势，国内外科技巨头也纷纷入场，国外以微软、谷歌、Meta 等 为代表，国内以百度、阿里、字节跳动等为代表，一方面积极研发企 业级数据智能相关产品，另一方面以开放接口等方式与其他企业合作开发应用，加速构建数据智能产业生态。 人才方面，美中两国成为全球数据智能人才聚集高地，人才培养 体系正加速构建。随着各国在数据智能领域竞争的日益激烈，人才正 成为推动产业生态发展、抢占国际领先地位的核心资源，不管是企业 端还是高校机构，对人工智能人才的重视度都在不断增加。据美国保 尔森基金会发布的《全球人工智能人才追踪调查报告 2.0》显示，在 人工智能人才的培养和引进方面，美国仍保持压倒性的优势，而中国 正在迎头赶上。2022 年，美国机构中来自中美的顶级人工智能人才占 比高达 75%，中国在过去几年内持续构建人工智能人才库，以满足不 断增长的人工智能产业需求。截至目前，我国已有近 500 所高校院所 开设人工智能专业，着力提升人工智能基础研究和交叉应用能力，通 过校企合作促进科技创新和产业发展的有效衔接，培养跨学科、复合 型、高层次、创新型的人工智能高端人才。

开源社区方面，全球数据智能领域开源社区快速发展，开源项目 在创新和效率上展现出巨大潜力。国外方面，开源社区发展呈现出活 跃和多元化的特点。截至目前，全球开源人工智能项目和贡献者数量 显著增长，GitHub 上的贡献者数量同比增长 148%，项目总数同比增 长 248%。2023 年 12 月，IBM 和 Meta 联合全球 50 多个创始成员和 协作者宣布成立人工智能联盟（AI Alliance），该联盟支持开放式创新 和开放科学，致力于培育一个开放的社区，加速负责任的人工智能创 新。此外，Mistral、Vicuna、Yi、Llama 等开源模型快速发展，效率、 生态等优势逐步显现，与 GPT-4、Claude 等闭源模型性能差距逐步缩小。国内方面，开源社区正在积极发展中，在技术研发、创新培育和 产业应用方面展现出潜力，但与国外相较差距明显。大模型方面，清 华大学发布的 ChatGLM-6B、智源人工智能研究院推出的悟道·天鹰、 阿里推出的通义千问 Qwen 等已得到了广泛探索和应用，在模型参数 量、训练稳定性、性能等方面持续优化。高质量开源数据集方面，阿 里推出的天池开源数据集、百度推出的飞桨开源数据集、北京市发布 的人工智能大模型高质量数据集等为更多深度学习模型的建立和优 化提供了重要基础，持续驱动数据智能产业发展。

3.数据智能产业挑战与机遇并存

数据智能产业面临多重挑战 供需结构不平衡：数据智能核心技术自主创新不足，导致基础技 术服务产能过剩、前沿创新服务有所欠缺，产业结构供需匹配不平衡。 相关企业在应用层发展较为迅速，但在关键技术的研发和产业化能力， 以及业务模式的创新探索能力方面存在不足，产业链上下游缺乏具有 国际竞争力的核心技术和产品。与此同时，各方对于数据智能的产业 前景预期需回归理性，在不低估产业潜力、不高估产业价值的前提下， 统筹考虑并优化前沿创新类产业投入，避免陷入盲目内卷和恶性竞争 的困局。 技术工具体系庞杂：一是兼容性问题，比如不同数据库系统、大 数据处理框架、平台与技术工具之间难以兼容，导致数据难以跨平台 高效流转，技术开发成本较高。二是标准化和规范化程度不高，数据 智能技术应用缺乏统一的标准体系，不仅影响企业的互操作性和兼容性，也阻碍产业整体的规范化和规模化发展。三是部分技术难点堵点 问题尚未解决，例如技术路线选型缺乏统一标准、数据安全和隐私保 护能力有待提升、性能和稳定性仍需持续优化等。

数智化转型方法论缺失：一是知识体系梳理不足，企业缺乏对数 据智能领域知识的全面理解，难以系统性整合和应用这些知识，无法 快速构建完整的知识体系。二是缺乏实施路径引导，由于缺乏明确的 数智化转型路径和阶段性目标，企业在规划实施过程中难以设定短期 和长期目标、评估转型进度和效果。三是业务场景挖掘不深，对业务 流程的可优化性缺乏了解，难以将数据智能技术与具体业务需求相结 合，缺少识别和挖掘有价值业务场景的能力。四是组织架构规划不合 理，企业缺乏适应数据智能发展趋势的组织架构，需要调整但因担心 影响现有业务的稳定性无从下手。 生态体系不完善：一是数据智能专业人才不足。据不完全统计， 目前国内人工智能领域人才总缺口达 500 万，数据智能领域高层次领 军人才稀缺，基础研究人才流失等问题较为突出，人才结构分布与供 需发展不均衡，急需构建健全完善的多层次人才培养及引进体系。二 是开源社区体量较小，高质量开源项目缺乏。尽管国内数据智能开源 社区正快速成长，但与国际上成熟的开源社区相比，由于技术、资源、 开发者等方面的不足，国内有影响力、高质量的开源社区及项目相对 较少。同时由于缺少可持续运营模式，保持开源社区生态稳定性和长 期发展仍存在较大挑战。

数据智能产业发展前景广阔 “十四五”时期，随着人工智能、大数据、物联网等基础技术的 渗透应用，数据智能技术、应用及服务能力将加速成熟，并孕育产生 庞大的市场需求，产业正迎来前所未有的发展机遇，将催生技术能力 和应用场景的不断创新，推动生态加速培育与产业发展。 一是由技术导向走向服务导向。初期，企业更多关注于数据智能 的技术能力和基础设施建设，如数据仓库、计算平台等。未来，企业 将更加注重面向场景的服务建设，即如何利用技术产生有价值的产品 和决策支持。例如通过机器学习和人工智能技术，从大量数据中提取 深层次的业务洞察，形成数据产品，如用户画像、归因分析、市场趋 势分析等，为业务决策提供直接支持。 二是由单一数据管理走向多模态数据整合。当前，综合语音、图 像、视频、文本的多模态处理能力正成为数据智能进化的关键趋势。 传统的数据平台和数据仓库相对分离，未来将更加趋向于一体化的解 决方案，依托数据中台、知识中台、智能中台等新型平台，简化数据 管理流程，提高数据开发效率。

三是由资源导向走向需求导向。目前，企业在数据智能建设上更 多依赖于资源的投入，如硬件设备、人力资源等。未来，将更多地从 业务需求出发，以需求为导向进行数据智能的建设和应用。根据业务 目标和用户需求，定制化开发数据智能应用，如个性化推荐系统、智 能客服、智能投顾等，以满足市场和用户的特定需求。 四是由数据驱动走向场景驱动。数据智能应用更多强调数据的作用，未来将更加注重场景的驱动，即根据不同的应用场景设计和优化 数据智能解决方案，推出面向多场景的组合式应用。例如在智能制造 领域，企业将根据生产线、供应链、销售等不同场景的特点，设计相 应的数据分析和优化模型，以提高生产效率和市场响应速度。 五是由经验实施走向算法替代。传统企业在数据智能项目实施上， 更多依赖于专家的经验和直觉。未来将更多地利用算法和自动化工具， 减少对个人经验的依赖，提高项目的可复制性和可扩展性。以大模型 为例，随着底层硬件技术的迭代更新，预训练大模型也将迎来新的突 破，在模型逻辑理解能力、自适应学习能力等方面跃上新的台阶。