工业和信息化部办公厅印发通知,启动工业数据筑基行动,开展面向人工智能赋能的高质量行业数据集建设先行先试。通知明确,到2026年底,培育一批行业数据合作联合体,建设重点行业数据可信互联平台,汇聚一批行业数据资源,攻关一批数据关键技术,研制一批工业数据标准,打造一批高质量、标准化、可流通的行业数据集,赋能一批行业大模型、工业智能体等应用落地。工业数据的价值,藏在生产细节里。设备振动、温度、能耗、工艺参数,这些数据对预测性维护、质量优化、能耗管理都有直接作用。预测性维护依赖历史故障与实时监测的结合。预测性维护是工业数据最成熟的应用。通过振动、温度、电流数据,可以提前识别设备故障,减少非计划停机。预测性维护的落地,需要历史故障数据与实时监测数据的结合;数据积累越久,模型越准确。模型训练需要标注数据,标注质量直接影响预测准确率。
工业数据的流通,难度高于一般数据。设备数据分散在不同厂商、不同协议之下,采集标准不一;工艺参数往往涉及企业核心秘密,共享意愿低;数据权益涉及设备商、工厂、软件服务商等多方,边界复杂。采集环节的碎片化,是流通的第一道障碍。不同厂商的设备协议不同,数据格式各异,统一采集需要额外的网关与适配工作。采集成本对中小企业是门槛,园区统一部署更经济。设备数据的确权涉及制造商与使用方。网关与适配的成本,对中小企业是负担。统一的工业互联网平台、标准化的采集方案,可以降低门槛。中小企业可以采用"共享网关"模式,由园区或平台统一部署采集设备,企业按需接入,分摊成本。共享网关的运维责任,应由平台方承担,企业按使用付费。
行业数据合作联合体,是破解上述难题的组织形态。把设备制造商、制造企业、工业软件商、AI企业组织到一起,共同定义数据集的范围、标准与权益分配,才能形成可流通的产品。工艺数据的敏感性,决定了共享的难度。配方、参数、良率数据往往是企业核心竞争力,一旦泄露,损失难以挽回。模型共享可以替代数据共享。企业共享训练好的模型而非原始数据,既保护工艺秘密,也能实现价值交换。共享的边界需要制度设计。企业可以共享统计特征而非原始数据,在保护工艺秘密的同时实现价值交换。统计特征的共享,可以在不暴露原始数据的前提下实现价值交换;特征的选择需要行业共识,避免泄露关键信息。特征的粒度应适中,过细可能泄露工艺,过粗则价值有限。
可信互联平台的作用,是让数据"可用不可见"。工厂不愿把原始数据交出去,但愿意在受控环境下参与联合建模;平台提供隐私计算、访问控制、审计追溯能力,把共享的风险降到可接受水平。联合体的治理结构,需要明确权责。谁负责数据归集、谁负责加工、谁负责销售、收益如何分配,都应在协议中约定。协议要写清权责利,减少事后争议。收益分配可按贡献度分层。提供原始数据、完成清洗标注、承担平台运维,各环节投入不同,分配比例应区分。协议应明确数据权属、使用范围、保密义务、违约责任;条款越清晰,合作越稳定。违约责任的设计,应包括数据泄露的赔偿、超范围使用的终止、保密义务的持续有效;条款要有可执行性。协议应约定争议解决方式,如仲裁或诉讼。
年底的考核压力,落在"可流通"三个字上。数据集建出来但不能流通,就只是内部资料;标准化、可流通,意味着格式统一、权属清晰、质量可控、交付可计量。可信互联平台的技术方案,包括隐私计算、联邦学习、可信执行环境;不同方案的成本与性能差异大,需要按场景选择。方案要匹配运维能力,复杂技术未必适用。隐私计算的技术选型,要按数据规模与实时性要求。联邦学习适合分布式训练,可信执行环境适合高敏感数据。技术选型还应考虑运维能力。复杂的隐私计算方案需要专业团队维护,中小企业可能难以承担。运维能力可以通过购买服务补足,降低技术门槛。
资信树认为,工业数据筑基的关键,不在于建多少平台,而在于能否形成"企业愿意供、AI企业愿意买"的闭环。联合体与可信平台的组合,是当前最现实的路径。可流通的标准,涉及格式、质量、元数据、授权协议。标准不统一,数据集就难以跨企业使用,流通规模受限。标准统一需要行业合力。由联合体牵头制定,比单个企业各自为战更有效率。行业合力的形成,需要牵头单位、参与企业、标准机构的共同努力;缺少任何一方,标准都难以落地。标准的实施需要配套培训,让企业理解并执行。

