大模型竞争的焦点，正从“卷算力、卷参数”转向“卷数据、卷闭环”。全国高质量数据集已超12万个、总体量逾1565PB，数据标注基地服务数百个大模型；与此同时，合成数据成为破解稀缺与长尾场景的关键技术，而大洋彼岸的版权诉讼，则给“训练数据能否免费取用”画上了问号。数据供给的天花板与合规的地板，共同决定了下一阶段AI能力能抵达的高度。本期聚焦AI训练数据这条主线上的供给、技术与法律三重变局。
一、全国高质量数据集超12万个：数据标注基地服务425个大模型
全国已建成高质量数据集超12万个、总体量超过1565PB，这是国家数据局在语料创新论坛上披露的阶段成果。同期数据显示，数据标注先行先试城市标注规模超119PB，服务425个大模型研发，带动相关产业产值263亿元。围绕这一目标，国家数据局将实施强基扩容、标注攻坚、提质增效、应用赋能、管理服务、价值释放六大行动。
“数据定智能”正成为行业共识——模型与算力决定逼近上限的速度，而数据决定智能的上限本身。这组数字的意义不只是规模，更在于供给结构的变化：高质量数据集从通用公域数据，转向专业化、多模态、过程数据。论坛上发布的语料运营公共服务平台提出“筛选—转换—合成”三层十级的数据进化路线，标志着语料供给正从“一次性交付”走向“持续迭代”。对数据行业而言，这意味着“卖数据集”的生意正在向“运营数据生产线”的生意演进。
来源：人民网上海频道
二、山东“20条”支持数据标注产业：从“劳动密集”走向“技术密集”
山东发布支持数据标注产业高质量发展、助力人工智能创新赋能的若干措施，即“数据标注20条”，围绕技术攻关、主体培育、集群发展三大维度发力，推动产学研联合攻关4D标注、自动化标注、合成数据等前沿技术。按目标，到2027年全省将建成5个省级领航基地、20个示范园区，数据标注产业规模突破25亿元，形成50个以上省级高质量数据集。
数据标注曾被视作典型的劳动密集型环节，但“20条”的落点，是把它推向技术密集型。山东同步推进的重点行业语料库建设已覆盖全部制造业大类，一些链主企业提交的原始数据经十余道工序处理后，转化为数十倍规模的训练材料，数据准备周期大幅压缩。这说明数据标注的竞争焦点已从“人海”转向“工艺”——谁掌握标注标准的制定权、自动化工具链与行业语料的理解力，谁就能在数据供给侧占据更有利的位置。
来源：大众日报（山东数据局）
三、合成数据商业化提速：从“拿不到、不敢用”到“可用、可控、可溯源”
数据服务商加速进军合成数据商业化应用，重点布局建筑物应急排查等方向，对接韧性城市建设需求。其逻辑在于：在医疗健康等高敏感场景中，真实数据往往面临“拿不到、不敢用、用不好”的困境，罕见病样本尤为稀缺；合成数据可以在不触碰真实个人信息的前提下，生成可用、可控、可溯源的训练样本，从源头缓解数据供给的合规与伦理压力。
合成数据的产业价值，正在从“补充”升级为“主力”之一。有数据服务商凭借采集、治理、标注、合成、评测一体化的工业化产线获得行业认可，依托合成技术改善稀缺与长尾场景的数据供给，形成“生产—评测—进化”的数据飞轮。当真实数据越用越贵、越用越受限，合成数据就成了决定模型能否在长尾场景中保持能力的胜负手。当然，它同样面临挑战：合成数据与真实分布的偏差如何评估、如何避免“模型吃自己吐出的数据”导致的退化，仍是待解课题。
来源：贵阳网、TalkingData
四、具身智能数据基础设施：新光世界与“全球数据交易平台”构想
新希望与光轮智能合资成立“新光世界”，定位具身智能全栈式数据基础设施提供商，落地国家数据标注基地园区。公司围绕物流、养殖、零售等场景，构建“场景理解—数据生成—模型迭代—部署验证”的数据闭环，并计划逐步构建面向全球的具身智能数据交易平台。
具身智能对数据的渴求，正在催生一类全新的数据基础设施。与语言模型不同，机器人训练需要真机操作数据、人类施教数据与仿真合成数据三层协同，且失败数据的价值不亚于成功数据。这些数据高度分散、难以标准化，恰恰是数据交易的用武之地。当产业资本开始把“数据闭环”当作核心竞争力来投资，并把它与“数据交易平台”绑定，说明具身智能的数据供给已经越过“自给自足”阶段，走向社会化分工——这正是数据要素市场在AI时代最具想象力的新增量。
来源：四川在线
五、第三巡回法院裁定AI训练不构成合理使用：训练数据“免费午餐”收紧？
美国第三巡回上诉法院在汤姆森路透诉ROSS Intelligence一案中，裁定相关用于AI训练的headnotes受版权保护，ROSS的使用不构成合理使用。这是联邦上诉法院首次就AI训练中的“合理使用”作出判断。法院在分析中特别指出，涉案行为损害了“正在形成的、将headnotes授权为AI训练数据的市场”，把训练数据授权市场本身纳入了损害考量。
这一判决的分量，在于它第一次从司法层面承认了“训练数据授权市场”的存在与价值。不过需要冷静看待其边界：法院明确区分了本案（非生成式检索）与生成式AI案件，生成式模型用版权作品训练是否构成合理使用，仍未定论。同期，欧盟启动了针对生成式AI的版权改革咨询，美国多家新闻机构也持续对AI公司提起版权诉讼。对数据行业而言，方向已经清晰：免费抓取的红利正在收窄，合规授权正在成为训练数据的“入场券”，而这恰恰是数据交易与数据授权业务的机会窗口。
把供给、技术、规则三条线索合起来看，AI训练数据的格局已经清晰：供给端，高质量数据集与数据标注走向工业化、专业化；技术端，合成数据从“补充”走向“主力”，成为破解稀缺与长尾场景的关键；规则端，免费抓取的空间收窄，合规授权正成为“入场券”。三条线索共同指向一个结论——数据正在从模型训练的“原材料”，变成需要精耕、授权与运营的“资本品”。对数据提供方来说，这既是压力，也是机会：越是合规、越是高质量、越是能被清晰授权与计量的数据，在未来就越稀缺、越有价值。
数据星球·新闻资讯 – 典枢数据旗下AI数据行业栏目