数据“国家队”登场：新央企要为大模型输送“弹药”

2026年7月20日，上海，中国首个大模型创新生态社区模速空间迎来WAIC世界人工智能大会嘉宾参观。视觉中国/图

数据领域迎来“国家队”。

2026年10月20日，国家数据集团有限公司(下称国家数据集团)在河北雄安新区揭牌。

根据官方信息，国家数据集团的成立旨在推进数据资源开发利用、释放数据要素价值、服务人工智能发展、繁荣数据产业生态。

国务院国资委更新后的央企名录中，国家数据集团位列第28，排在中国电信、中国联通、中国移动以及中国星网之后，中国电子信息产业集团之前。

数据产业产值规模巨大。国家数据局公布的《中国数据产业发展报告（2026）》显示，2025年，中国数据产业规模达到6.78万亿元，同比增长15.7%，数据企业数量达48.2万家。

为什么此时需要一家专门“做数据”的央企？它的成立要解决哪些问题？

从“拼算力”到“拼语料”

2026年2月，由图灵奖得主约书亚·本吉奥领衔编撰的《2026年国际人工智能安全报告》发布。他认为，前沿人工智能的发展由三个方面驱动：计算能力、算法进步和数据。

报告还指出，高质量的语言数据是有限的，这意味着未来的发展可能会因数据可用性不足而受到限制。

国家数据专家咨询委员会委员、北京交通大学信息管理理论与技术国际研究中心特聘教授张向宏向南方周末记者表示，以数据为燃料的人工智能领域成为竞争焦点，“行业高质量数据供给已成为人工智能发展的巨大瓶颈。谁能在数据方面领先，谁就可能在下一轮竞争中脱颖而出”。

“从全球来看，通用大模型的发展已基本触及瓶颈，必须向行业延伸。”张向宏进一步解释，过去通用大模型得以快速发展，与互联网上免费的公域数据密不可分，但从通用大模型走向行业大模型，严重受制于行业数据供给。

他还提到，美国大模型公司如Anthropic、OpenAI等目前在向金融、保险、商业、工业等领域延伸，但进展并不理想，原因之一就是行业数据涉及隐私和机密，很难提供。

“算力是底盘，语料是弹药。”中至远咨询数据要素部总经理陈阳告诉南方周末记者，国家数据集团这个“卖水人”入场，意味着中文AI的竞争，正在从“拼算力”向“拼语料”延伸。谁能拿到高质量、合规、独家的行业数据，谁才能真正做出懂中国、懂中文、懂行业的大模型。

公共数据是公共部门在履职过程中产生的数据。与一般互联网数据相比，公共数据覆盖政务、医疗、交通、社保等领域，具有权威性高、覆盖面广、结构化程度较好的特点。

陈阳介绍，几乎所有主流大模型，不管是国外的ChatGPT、Claude，还是国内的文心、通义、豆包，它们“读”过的中文专业资料，比例都非常低。更麻烦的是质量，开源数据集普遍存在高重复率、低信噪比的问题，尤其