数据工厂白皮书：推理数据首超训练量，高质量数据集供给成AI最大瓶颈

AI越强大，数据的"饥渴"就越根本。北京交通大学、北京化工大学联合华为等三十余家单位共同编制的《数据工厂白皮书》，138页，系统论述了一个正在浮出水面的新业态——将高质量数据集的生产从"作坊式"升级为"工厂化"。

一、拐点已至：推理数据量首次超越训练数据量

白皮书给出了一个标志性的时间节点：2025年国内AI推理数据量达到101.34EB，首次超越98.14EB的训练数据量——这意味着人工智能已正式跨过"学习阶段"，步入"规模化应用阶段"。Token调用量爆发式增长、智能体流量超过人类对HTML网页的访问流量、计算驱动成为数据生产的主要方式——这三组变化共同指向一个结论：AI正在从"技术能力"竞赛转向"数据燃料"竞赛，谁能规模化地生产高质量数据集，谁就能在AI应用的深度和广度上拉开差距。

二、"供不出、存不好、产不快"：数智产业链的三个薄弱环节

白皮书直指数智产业链的三大短板：数据"供不出"——存量公域数据持续供给乏力，海量私域数据、非结构化数据、行业高端数据无法有效供给；数据"存不好"——多元异构数据的存储、标注、治理体系尚未建立统一标准；高质量数据集"作坊式"生产效率低下——行业高质量数据集供给严重不足，导致市面上各类大模型能力趋同，难以突破专业场景应用。白皮书的判断直截了当：高质量数据集的规模和质量，不仅是AI模型"智商"的决定因素，更是AI在千行百业广泛应用的核心瓶颈。

三、数据工厂的解法：设施化、规模化、智能化"三位一体"

白皮书将"数据工厂"定义为高质量数据集规模化生产的关键设施，并拆解为"供给—生产—应用"三环节：供给环节要建立多元稳定的数据来源渠道；生产环节要实现设施化、规模化、智能化"三位一体"——从储备车间到生产车间再到中试车间，形成完整的数据流水线；应用环节直接对接AI模型训练与推理的持续性数据需求。白皮书还对比了国内外典型数据工厂的实践——美国的ScaleAI、星际之门，欧洲的数据中心与实验室数据工厂，中国的崖州湾超级数据工厂、贵州主枢纽、库帕思语料超级工厂、京津冀数据要素产业园等——并归纳出三种类型、五种特征、四种建设模式、四种运营模式和四种部署策略。