专家解读｜构建数据共享协同机制，以高质量数据集与智能体融合赋能产业

单志广：三届大赛清晰印证，各行各业对数据要素乘数效应的理解持续深化，数据要素不再停留在政策概念层面，已经沉淀为各行业的核心知识资产。当前行业实践普遍走向 “数据 + AI” 融合：依托高质量数据集，持续打磨行业垂类模型，落地智能体应用，不断放大数据价值。三年大赛充分凝聚行业共识、深化产业实践，持续释放数据要素乘数作用，有力支撑数字经济与智能经济高质量发展。

欧阳日辉：从项目评审视角来看，三大变化十分突出：

1.项目 “数据味” 越来越浓。项目不再只谈业务场景，而是覆盖数据采集、开发、应用、安全的全生命周期，从小切口切入打造高价值落地场景。今年金融赛道进步尤为明显，从银行延伸到融资担保、证券交易所等全金融业态，数据开发利用水平整体跃升。

2.数据与技术融合逻辑更加清晰。行业已经形成共识：数据价值释放必须依托技术创新。当下 “人工智能发展到哪里，高质量数据集就建设到哪里”，金融领域表现最为典型。今年绝大多数参赛项目都在探索智能体落地，研究数据与智能体如何深度融合。

3.地方项目质量稳步提升。各地政府对大赛的理解持续加深，初赛项目筛选把关更严格、选题更精准，报送项目整体质量逐年走高，金融赛道的数据应用能力提升尤为显著。

单志广：这一现象，正是本届大赛最鲜明的特征：“数据要素 ×” 与 “人工智能 +” 已经高度绑定。算力、算法、数据是人工智能三大基石，也是数字经济发展的核心要素。随着生成式大模型快速普及，高质量数据集正在成为大模型迭代升级的核心支撑。本届决赛项目大多兼具 “数据要素 ×” 与 “人工智能 +” 双重属性，核心比拼的就是数据对模型、算法的支撑能力。

目前行业普遍在建设行业高质量数据集，但短板依然明显：垂类数据集的测评基准（Benchmark）尚不健全。现有评价多停留在基础门槛层面，无法衡量数据集在细分业务场景中的实际价值。未来必须加快完善垂类行业数据集评价标准，让高质量数据集真正成为垂类大模型迭代、业务场景落地的核心驱动力。

欧阳日辉：在前两年，金融 + AI 还停留在宽泛概念，今年则精准聚焦到智能体全业务落地，覆盖信贷贷前、贷中、贷后全流程。一个核心结论：智能体能不能真正落地、能不能降本增效，决定性因素是数据质量。只有数据维度全、质量高、规模足，智能体才能摆脱空转，真正嵌入业务流程。今年几乎所有决赛项目都在布局智能体，从业者对智能体的理解更加多元，金融全业务环节都已经开启智能体深度融合实践。

单志广：本届大赛涌现出大量多元数据融合项目，交通运输赛道最具代表性：陆海空多式联运数据来源分散、类型多元，项目普遍聚焦多元数据汇聚、公共数据授权开放，支撑港口、民航、火车站枢纽调度等场景。

不少项目给出了可复制的成熟方案：牵头机构联合港口、300 多家合作单位签订正式数据授权协议。这也点明了核心破局路径：想要实现数据 “供得出、流得动”，首要任务就是搭建完善的数据共享协同机制。数据共享是 “数据要素 ×” 的核心宗旨，没有顺畅的共享机制，数据流通、价值确权、资产入表都无从谈起。

交通运输行业机构多、数据分散，优秀项目通过签订数百份共享协议、建立多级授权体系，筑牢数据要素流通的制度保障。依托垂类模型 + 数据共享机制，航空、港口多源数据集成应用，有效赋能产业运行、民生服务与宏观经济监测。

单志广：第一，“数据要素 ×” 行动必须长期坚持。数据要素乘数效应的释放力度，直接决定数字经济发展成色。做强做优做大数字经济，必须持续激活数据要素倍增作用，面向十几个重点行业持续挖掘场景，把数据的放大、叠加、倍增效应落到实处。第二，持续破解堵点难题。当前最核心的课题，依然是完善跨主体、跨行业的数据共享与高效协同制度。第三，推动两大战略同频落地。数据已经成为人工智能发展的核心生产资料，下一步要同步推进 “数据要素 ×” 与 “人工智能 +”，把顶层战略转化为实实在在的产业价值，为培育新质生产力筑牢数据根基。这项工作需要长期探索、久久为功。