从资源盘点到“模数飞轮”，数据价值如何持续释放？

一个重要原因在于，数据的价值往往需要在实际使用中不断形成。与土地、资本等传统要素相比，数据可通过加工、共享和反复使用创造新的价值。如果只是把数据盘点出来，却没有后续的产品开发和场景应用，数据的价值就很难真正释放。

要理解数据价值释放的路径，首先要厘清数据价值的双重定义。

技术内生价值，是不依赖外部交易，通过数据加工处理与模型训练，在组织内部转化为降本增效、提质创新的现实生产力。原始数据往往难以直接发挥价值，需要经过持续加工，才能更好地支撑模型构建和业务应用，逐步形成可持续的数据应用能力。

市场衍生价值，是指具备成熟应用能力与稳定场景价值的数据资源，在合规前提下通过数据资产化、市场化运作，经由确权、估值、流通、收益分配乃至资本化等环节实现商业变现。这是数据价值的放大通道与长效保障。

两大价值维度相辅相成。技术内生价值沿“基础数据—治理加工—数据产品”的能力链生成；市场衍生价值沿“产品—交易—场景落地”的市场链实现。数据价值释放，本质上就是这两条链条不断循环互动、持续迭代升级的结果。

那么，如何让数据在内部持续增值，同时通过市场应用获得回报，再将收益和反馈用于下一轮开发？这就需要引入“飞轮”机制。

飞轮概念源自机械动力学，指初始阶段需持续外力驱动、突破临界点后可依托自身惯性实现加速运转的系统。将这一原理引入数据领域，便构建出一体化正向价值循环体系——“模数飞轮”。

“模数飞轮”以数据与模型作为飞轮本体的两大叶片，以技术内生价值、市场衍生价值作为驱动飞轮运转的两股核心动力。

具体来说，数据经过治理加工后，可以用于模型训练和业务应用。模型在实际应用中产生新的数据和反馈，又能推动下一轮数据治理和模型优化，形成持续循环。

一是以数据产品为枢纽，打通价值循环。数据产品是连接内部价值创造与外部市场应用的重要纽带。通过数据治理和模型开发，可以形成高质量数据集、算法模型和应用服务等产品。这些产品进入市场和实际业务场景后，产生的收益、新需求和反馈数据，又可以反过来推动数据治理、模型优化和产品升级。

二是通过持续迭代，让数据和模型越用越好。每一轮有效运转，都有机会积累新的数据、优化模型能力，并逐步拓展到更多应用场景。

三是吸引多方参与，扩大数据应用范围。“模数飞轮”可以整合不同市场主体的数据、算力、技术和应用场景，弥补单一主体在资源和能力方面的不足。通过多方协同，推动数据产品进入更多应用场景，在更大范围释放数据价值。

以江苏医保基金监管为例。江苏通过汇聚医保结算、诊疗项目、药品耗材等数据，围绕医保反欺诈等场景训练模型，将过去大量依靠人工排查的工作转变为智能监管。通过智能模型识别异常行为、发现风险线索，推动医保基金监管从人工排查向智能监管转变，提高监管效率和精准度。

2026年1月，工信部等八部门印发《“人工智能+制造”专项行动实施意见》；2026年6月，国家数据局发布《关于推进行业高质量数据集建设行动的实施方案》，提出构建“数据飞轮”机制，形成“场景牵引数据、数据驱动模型、模型赋能应用、应用创造价值”的良性循环，为数据价值释放提供了更清晰的路径。

从市场需求来看，人工智能应用正在加快落地，模型服务也逐渐成为数据价值转化的重要载体。相比直接提供原始数据，通过API提供模型服务，并按照Token用量等方式计费，通常更便于计量和收费，也为数据产品的市场化运营提供了新的路径。

以“模数飞轮”为抓手，可以把政府的公共数据、场景、制度资源，跟企业的算法、产品、工程、市场能力拼在一起，让数据价值开发从政府单向推动，转向政企协同、市场化运营、持续迭代。

具体而言，可从三个方向推进落地。

以模型为切口，推动数据产品化。数据资源盘点完成后，需要进一步考虑如何将数据转化为可用的产品和服务。可围绕模型训练和应用需求，持续开展数据治理、加工和更新，形成高质量数据集、行业模型和智能服务等成果。这样既能让数据开发有明确方向，也有利于形成可复用、可推广的产品。

以场景为牵引，让数据真正解决问题。数据产品的价值，最终要通过实际应用来检验。可以先从工业质检、金融风控、城市治理等具体场景入手，找到数据能够解决的真实问题，再围绕这些问题开展数据治理和模型开发。在实际应用中持续收集反馈、优化产品，等到单个场景取得效果后，再逐步拓展到更多领域。

以创新中心为载体，推动多方协同。“模数飞轮”要在更大范围发挥作用，还需要把政府、企业和专业服务机构组织起来。可以依托现有的数据平台和创新资源，建设“模数飞轮”创新中心，为企业提供数据供给、场景对接、模型训练、产品评测等服务，帮助企业获得可用的数据资源和真实的应用机会。同时，通过创新中心对接技术、资本和市场资源，推动成熟的数据产品和模型服务进入更多行业，让单个场景中形成的经验和成果能够复制推广。

数据价值释放，不会一蹴而就，也不会自然发生。对地方政府和企业来说，关键还是要让数据真正用起来，让模型在实际应用中不断优化，并通过持续的反馈和迭代，推动“模数飞轮”转起来。