精彩回顾 | 数据资产：AI形势下数据资产新形态及发展趋势

本期大话数资邀请中国信息协会数字治理专委会专家、石化联合会数据治理专家、中国智慧企业推进委员会专家委员王建峰老师，分享《数据资产：AI形势下数据资产新形态及发展趋势》，王老师围绕数据消费者之变、五种新资产形态、计量与制度重构、未来趋势与行动建议四大维度深度剖析，立足全国数据资源统计数据与一线治理实践，阐明AI如何将数据资产的消费者从“人”变为“机器”、如何催生语料、上下文、能力、合成仿真、闭环数据五类新资产，并给出从“库存思维”转向“产能思维”的路径指引。

2025年，全国年度数据生产总量达52.26ZB，占全球约27.44%，企业数据贡献了约九成的生产增量。但王建峰老师开篇即指出，规模优势在扩大，真正变化的不在总量，而在结构。

最根本的结构性变化是数据消费者的身份转换。过去，数据的使用者是决策者、分析师、业务人员——人查数、人解读。今天，Agent在自主拆解任务、调用工具、执行动作，数据的消费者变成了机器。与此同时，计量单位也在迁移：从“按条、按表”走向词元（Token） 。截至2026年3月，我国日均词元调用量突破140万亿，较2024年初增长超1000倍。词元虽然没有“入表”，却已经在收费，成为数据要素价值释放的新出口。

供给节奏同样发生了翻转。2025年用于人工智能的推理数据量达101.34EB，首次超过训练数据量，这意味着运维成本开始大于建设成本，“建好旧躺着吃增值”的时代结束了。数据资产必须进入持续供给与持续保鲜，否则价值会快速衰减。王建峰老师由此给出一个关键判断：如果数据的规格不升级，资产就会变成库存，库存就是成本。

AI时代的数据资产，不是把旧库存重新估值，而是长出了五种新的东西，它们的共同特征都是“被机器消费而产生”。

语料资产——不是原始数据，而是经过清洗、标注、配比、测评的高质量训练数据。语料加工正在从“项目”变成“产线”，从“卖一批数据”变成“卖数据流水线”。截至2026年8月，全国建成高质量数据集超12.6万个，总体量超1815PB，较一季度末增长超89%。上下文与语义资产——给智能体读得懂的“说明书”，包括分块、向量、元数据、权限、新鲜度的整合。能力资产（MCP） ——把数据封装成智能体可调用的工具，评价标准从“给人看”变成“给机器调”。合成与仿真数据资产——在高质量公开文本面临枯竭的约束下，按需生产、天然规避隐私红线的“造粮”能力本身成为资产。闭环数据资产——智能体运行中产生的轨迹与反馈修正，是唯一会自己长大的数据；具身智能、低空经济等新兴领域的数据生产增速分别达到477.78%和75%，正是闭环数据价值的直接印证。

五种形态对应着计量单位与半衰期的根本分化。语料按词元/PB计量，半衰期2—4年；上下文按调用次数计量，半衰期3—12个月；合成数据以生成量为单位，而闭环数据的估值逻辑接近产能而非库存。王建峰老师由此提出一个核心公式：同一份数据，三种计量对应三种价格、三种质量定义、三种成本结构——按条卖是商品，按词元卖是燃料，按任务成功率卖才是生产力。

从2022年“数据二十条”到2024年入表暂行规定，再到2026年数据产权统一登记制度落地，数据资产化第一次有了完整的制度通道。截至2026年4月，A股已有136家上市公司披露数据资源入表，涉及金额37.86亿元，其中82.42%计入无形资产。但王建峰老师提醒：入表不等于融资。成本法易行、收益法难验证、市场法缺可比案例，入表金额与真实价值之间仍有一段鸿沟。

2026年9月，国家数据产权登记服务系统启动试运行，实现“一次登记、全国互认”，凭证有效期一般不超过五年，可在交易定价、入表确认、质押融资、作价入股四个场景中使用。但这张“身份证”的前置条件是清洗、确权、审计、合规评估、登记发证、持续保鲜六个环节缺一不可。与此同时，行业正在持续清理“为入表而入表”的伪创新——真权属、真数据、真价值，才是入表与融资的硬前提。

王建峰老师给出五个正在发生的趋势判断：产线化——从卖数据集转向卖“供给能力”，甲方采购逻辑从“买一批数”变为“买持续供给”；Agent操作系统化——数据中台要为智能体重拍架构，消灭多副本、消灭反向ETL，把语义和权限做成统一平面；交易嵌入式——数据流通从“挂牌撮合”走向“埋进业务流程的连接器与词元计费”；语义治理——治理的价值锚点从“表的规范性”转向“机器的可理解性”；市场三层分化——原料层利润持续压缩，加工层与服务层才有定价权。

落到行动上，他给出一个90天—1年—3年的节奏：90天内盘点“AI可用的资产目录”，不是给人看的目录，而是机器能调的目录；1年内跑通一条数据产线，形成持续供给与退役规则；3年内让资产真正被智能体高频调用，在市场中形成可验证的价值闭环。

王建峰老师最后用一句话收束全场：“能让智能体用上的数据，才是未来的数据资产。” 数据不再是不折旧的“库存”，而是有半衰期、需要持续保鲜的“产能”——谁先把库存变成产线，谁就先拿到AI时代的定价权。

语料、上下文、能力、合成与仿真、闭环五种新形态中，大多数企业当前最紧迫该补哪一类？

王建峰老师：从一线实践看，多数企业还处在从“人用数据”向“机器用数据”过渡的早期。最紧迫的是语料和上下文。语料是燃料，质量不高，模型输出就无从谈起；上下文是语义层，口径不定义清楚，智能体只会按字面错误执行。这两件事是当下AI应用落地的地基。MCP、合成数据、闭环数据会随着应用深化逐步变得关键，但前提是语料和语义先立得住。

智能体读不懂“有效收入”这类口径，企业该怎样把业务语言翻译成机器可执行的语义层？

王建峰老师：传统指标治理做到“名称、公式、口径、来源、单位”对齐，对人已经够用了，但对机器不够。差距在于缺少语义层：这个指标用在哪张表、哪个业务条线、出问题怎么回溯、在什么报表和场景下适用。语义层不是文档，是可执行的定义。谁先把企业知识写进可执行的本体，谁的智能体就先懂业务。

关于“大话数资”各期详情及DAC全球数据资产理事会各项精彩活动，欢迎加DAC数据资产理事会秘书处，邀您加入DAC数据资产生态群，参与学习互动交流。