2025 年 2 月 19 日，当 ChatGPT - 5 以近乎人类的逻辑能力通过执业医师资格考试时，人们猛然惊觉：在 AI 时代，大模型的能力终将趋于相同，然而，真正决定胜负的关键，是隐匿于算法背后的高质量数据集。这就好比所有厨师都能购置相同的锅具，但唯有掌握独家秘方的人，才能烹饪出米其林三星级别的美食。 一、数据金矿的真相：核心竞争力所在 在 AI 领域，存在着一个有悖于直觉的现象：全球顶尖实验室的算法代码几乎全部开源，然而 OpenAI 仅仅依靠 45TB 高质量训练数据，便构建起了技术壁垒。这有力地印证了一个核心观点：模型能力终会收敛，而数据质量则决定了价值的上限。以谷歌医疗 AI 和特斯拉自动驾驶系统为例： •谷歌医疗 AI 凭借整合 200 万份电子病历、影像数据和基因组信息的多模态医疗数据集，使其诊断准确率高达 94%； •特斯拉自动驾驶系统则得益于车队每日回传的 160 亿帧真实道路场景数据，迭代速度远超同行。这些案例清晰地揭示出：当算力与算法成为基础设施时，数据质量才是真正难以逾越的护城河。相关文献指出，政府部门掌握着全社会 80% 的高价值数据，但当前公共数据开放率不足 30%，大量 “数据原油” 尚未被转化为 “数据汽油”。 同时，企业日常生产和服务中产生的数据，同样是一座尚未被充分开采的金矿。特斯拉每天通过全球 300 万辆汽车收集 160 亿帧道路数据，这些原本只是自动驾驶系统的 “副产品”，却成为其估值突破万亿美元的核心资产。企业数据价值可通过公式 “企业数据价值 = 数据质量 × 应用场景 × 流通效率” 来体现，其中数据质量由准确性、完整性、时效性构成，直接影响价值转化系数。 二、数据炼金术的重重难关 （一）数据荒漠化危机中文互联网优质语料仅占英文数据的 1/5，并且存在严重的长尾效应。据文献显示，某头部大模型在训练时，不得不使用 30% 的低质量网络爬虫数据，这导致模型出现 “幻觉” 的概率提升了 47%。 （二）数据孤岛困境某东部省份政务平台接入了 58 个部门的业务系统，但由于数据标准不统一，需要开发 142 个数据转换接口。这种碎片化的现状，直接致使智慧城市项目中数据分析成本占比高达 65%。 （三）数据标注的 “罗塞塔石碑”在自动驾驶场景中，标注 1 小时激光雷达点云数据，需要专业团队工作 3 天，成本超过 2000 元。文献指出，数据清洗与标注环节，消耗了 AI 项目 70% 的人力和时间成本。 三、企业数据炼金术：化腐朽为神奇 （一）企业构建高质量数据集四步法 1.数据治理筑基：美的集团通过建立 “数据字典”，统一 200 多个业务系统字段定义，将数据清洗效率提升 80%，设备故障预测准确率从 65% 跃升至 92%。关键措施包括： ◦制定《数据质量标准手册》明确 5 级质量评级； ◦部署自动化数据校验工具，实时拦截错误数据； ◦建立数据血缘图谱，实现全生命周期追溯。 2.技术赋能提纯：京东物流运用联邦学习技术，在不共享原始数据的前提下，联合 200 家供应商构建智能补货模型，库存周转率提升 37%。前沿技术应用还包括： ◦智能标注（AI 预标注 + 人工复核，使自动驾驶数据标注成本降低 60%）； ◦合成数据（GAN 生成工业缺陷样本，解决小样本训练难题）；◦区块链存证（为每个数据单元打上 “数字指纹” 确保可信）。 3.数据资产化运营：某头部电商将用户行为数据封装为 “消费者洞察指数”，通过数据交易所年交易额超 5 亿元。创新模式包括： ◦数据资产入表（按《企业数据资源会计处理规定》将数据集纳入资产负债表）； ◦数据质押融资（以医疗影像数据集获得银行 2 亿元授信额度）； ◦数据收益分成（与合作伙伴按模型效果进行分成结算）。 4.场景价值闭环：三一重工在工程机械安装 5000 + 传感器，实时数据驱动实现： ◦预测性维护（故障预警准确率 91%，维修成本下降 45%）； ◦能耗优化（通过工况数据分析，设备油耗降低 18%）； ◦产品迭代（根据 150 万小时作业数据改进新一代挖掘机设计）。 四、构建高质量数据集的多重炼金术 （一）政企协同的数据生态 深圳数据交易所创新推出 “数据海关” 模式，通过区块链技术实现政务数据与企业数据的合规流通。截至 2025 年 1 月，已完成医疗、交通等领域的 12 个跨域数据集建设，数据使用效率提升 300%。 （二）技术驱动的数据提纯 •采用 GAN 网络自动修复缺失数据，某电网公司设备故障预测准确率从 78% 提升至 93%； •银行间通过加密沙箱共享反欺诈数据，模型效果提升 40% 且不泄露原始数据。 （三）标准引领的质量体系 湖北省发布的《高质量数据集白皮书》首创 “5A” 评估标准（Accuracy, Accessibility, Authenticity, Auditability, Actionability），使金融风控数据集交易合格率从 32% 跃升至 89%。 （四）价值循环的商业模式 上海某三甲医院将脱敏后的 30 万份电子病历转化为医疗数据集，通过 “数据入股” 方式与 AI 企业合作，年收益超 2 亿元。这种 “DaaS（数据即服务）” 模式正在引发产业变革。 五、数据价值飞轮：从成本到利润的转变 当某乳企将奶牛体温监测数据转化为 “牧场健康指数” 产品时，意外开拓了年收入 3 亿元的数字化服务市场。这印证了数据价值创造的三大范式： 1.内生价值挖掘： ◦海尔工厂通过 MES 系统数据优化排产，交付周期缩短 32%； ◦顺丰利用运单数据训练智能路由算法，分拣效率提升 28%。 2.外延价值创造： ◦电网公司出售脱敏用电数据，助力新能源企业精准选址； ◦连锁药店联合药企开发 “区域流行病预警系统”，年服务费收入超 8000 万。 3.生态价值重构： ◦汽车制造商开放车辆数据接口，吸引 300 + 开发者创建车联网应用； ◦物流平台构建产业数据中台，带动上下游企业平均降本 15%。 六、数据资本主义时代的企业行动纲领 1.建立首席数据官（CDO）体系：平安集团 CDO 办公室统筹管理 200PB 数据资产，通过数据产品矩阵年创收超百亿。 2.打造数据中台 2.0：某银行升级数据中台为 “智能数据工厂”，实现： ◦实时数据服务响应速度 < 50ms；◦自动化数据产品生成效率提升 10 倍； ◦模型训练数据准备周期从周级降至小时级。 3.构建数据利益共同体：长三角 16 家制造企业共建 “工业数据联盟”，通过可信数据空间交换数据，实现： ◦共享设备故障数据训练行业级预测模型； ◦联合开发数据产品按贡献度分配收益； ◦建立数据质量联保机制防范风险。 七、未来图景：数据要素的崭新大陆 当数据质量认证体系与电力 ISO 标准同等重要时，我们或许将看到： •每个城市出现 “数据精炼厂”，专门处理原始数据到训练数据的转化； •出现类似穆迪的数据质量评级机构，为数据集颁发 “AAA” 信用证书； •数据质量保险成为新险种，承保 AI 模型因数据缺陷导致的决策失误。文献预言，到 2030 年，高质量数据集交易市场规模将突破万亿，成为比云计算更基础的数字经济基础设施。这场悄然发生的数据革命，正在重塑全球创新版图。因为，真正改变世界的，从来不是算法，而是算法背后那些经过千锤百炼的数据真相。在这个 AI 无处不在的时代，数据不是石油，而是能将铅块变成黄金的哲人石。那些率先掌握数据炼金术的企业，正在将生产流程中的每个字节转化为数字时代的硬通货。 参考文献： 1.王晓明。加快建设人工智能高质量数据集。科技日报，2025. 2.彭宗峰，周婧。政府开放数据治理体系构建。光明日报，2023. 3.深圳数据交易所。高质量数据集标准白皮书，2024. 4.企业数据质量管理实践，2024. 5.湖北省数据局。高质量数据集白皮书，2024. 6.华为《如何构建高质量大模型数据集》 来源（公众号）：AI数据推进器

你是否曾面对过这样的困境：海量数据如同洪水般涌来，传统数据库却无力应对？当分析查询需求日益增长，普通数据库却只能提供龟速的响应时间？当业务决策需要实时洞察，而系统返回的只有超时提示？ 这正是Apache Doris要解决的核心问题。 Apache Doris：不止于速度的数据分析利器 Apache Doris是一款基于MPP架构的高性能实时分析型数据库，它以极致高效、超级简单和统一整合的特点在数据分析领域脱颖而出，能在亚秒级时间内完成对海量数据的查询请求，无论是高并发点查询还是复杂分析场景，Doris都能轻松应对。 我第一次接触Doris是在一个业务挑战中。当时面对每天超过几十亿条的用户行为数据，传统MySQL已无力支撑实时查询需求，整个团队陷入困境。一位同事推荐了Doris，半信半疑中我们决定一试。部署过程出乎意料地简单，只需配置两类节点：Frontend负责接收请求和解析规划，Backend负责存储和执行。三天后，系统上线，原本需要20分钟的复杂分析查询，响应时间降至1.2秒。 Doris最初是百度广告报表业务的Palo项目，2017年对外开源，2018年由百度捐赠给Apache基金会孵化。2022年6月，正式成为Apache顶级项目。如今，Apache Doris已在全球超过5千多家企业环境中落地应用，包括百度、美团、小米、京东、字节跳动等国内80%的顶级互联网公司，以及众多金融、消费、电信、工业制造、能源和医疗领域的企业。 Doris核心竞争力：架构简洁、性能强劲 与同类产品相比，Doris的架构简洁得令人惊讶。整个系统只有两类进程：Frontend(FE)：负责接收用户请求、查询解析规划、元数据管理和节点管理。Backend(BE)：负责数据存储和查询计划执行。这种高度集成的架构极大降低了分布式系统的运维复杂度。一位资深运维工程师曾对我说："相比其他分布式系统动辄十几个组件的复杂架构，Doris就像一股清流，它让我们从繁琐的运维工作中解脱出来。" Doris还支持存算分离架构，用户可以根据业务需求灵活选择。从Doris3.0版本开始，可以使用统一的共享存储层作为数据存储空间，独立扩展存储容量和计算资源，实现最佳性能和成本平衡。性能方面，Doris采用列式存储技术，对数据进行编码与压缩，大幅优化查询性能和存储压缩比。它的查询引擎基于MPP架构，支持向量化执行，能高效处理复杂分析查询，实现低延迟实时分析。一家电商公司的数据团队负责人分享过他们的使用体验："我们有一张包含1亿条记录的用户行为分析表，在Doris上执行复杂的多维分析查询，平均响应时间仅为0.8秒，而同样的查询在我们之前的系统上需要15秒以上。这种性能差异直接改变了分析师的工作方式。" Doris实战应用：从理论到实践 Doris主要应用于以下场景： 实时数据分析：提供实时更新的报表和仪表盘，支持实时决策需求；实现多维数据分析，支持即席查询；分析用户行为和画像。 湖仓融合分析：加速湖仓数据查询；支持跨多个数据源的联邦查询；结合实时数据流和批量数据处理。 半结构化数据分析：对分布式系统中的日志和事件数据进行实时或批量分析。一家金融科技公司的CTO曾向我展示他们如何利用Doris构建全公司的实时分析平台。 "我们每天处理超过10亿笔交易数据，需要实时监控交易异常、分析用户行为和评估风险。传统方案要么延迟高，要么成本高，直到我们发现了Doris。现在，我们的风控团队可以在秒级内检测可疑交易，大大提高了系统的安全性。" Doris的MySQL协议兼容性也极大降低了用户学习成本。通过标准SQL语法，用户可以使用各类客户端工具访问Doris，实现与BI工具的无缝集成。 结语 一位资深数据架构师曾这样评价："Doris给我最大的惊喜不是它的速度，而是它的稳定性。在我们长达18个月的使用过程中，即使面对节点故障、网络波动等各种问题，Doris依然保持着稳定的服务。" Apache Doris正在为数据分析带来革命性变化。通过极简的架构、卓越的性能和广泛的生态兼容性，它让企业能够真正发挥数据的价值，从海量信息中获取实时洞察。无论是互联网巨头还是传统行业，Doris都提供了一条高效、低成本的数据分析之路。 来源(公众号）：大数据AI智能圈

大数据领域有个有趣现象：当一项技术引发热议时，我们往往忘记它已经存在多久。数据湖就是这样一个例子。 2010年，Pentaho创始人詹姆斯·狄克逊在纽约Hadoop World大会提出"数据湖"概念。时至今日，这项技术已经走过十多年历程，经历了从概念到应用的完整演变。 让我们放下技术细节，重新审视数据湖在这十几年间发生的变化与未来可能的发展方向。 数据湖：从概念到现实的三次飞跃 詹姆斯·狄克逊最初对数据湖的描述很朴素："把原来在磁带上存储的东西倒入数据湖，就可以开始探索数据了。"这个概念听起来简单，却解决了当时企业面临的核心痛点：如何高效存储和分析多种类型的数据。 数据湖的引力场：吸引企业的四大磁力 站在2025年回望，数据湖之所以能从概念走向广泛应用，源于其四大独特吸引力：无限包容的数据接纳能力。数据湖支持从结构化数据到半结构化数据，再到非结构化和二进制数据的全方位接入。企业不再担心"这种数据无法存储"的问题。随着5G和物联网的发展，实时流数据处理需求激增，数据湖的这一特性显得尤为珍贵。打破数据孤岛的整合能力。传统企业IT系统呈"烟囱式"架构，各应用间数据互不相通。数据湖通过汇集不同来源的数据，解决了这一长期困扰企业的痛点。一位制造业CIO曾对我说："数据湖让我们第一次看到了整个公司的全貌。"灵活多变的分析能力。与数据仓库严格的"写时模式"(Schema-On-Write)不同，数据湖采用"读时模式"(Schema-On-Read)，保留数据原始状态。这一特性使企业能够根据不同需求灵活定义分析模型，无需预先确定数据用途。敏捷可扩展的架构能力。数据湖基于分布式架构，扩展时不会"牵一发而动全身"。一家电商企业在双11期间只用三天时间就完成了数据湖的扩容，而传统方案可能需要数周甚至数月。 云上数据湖：技术演进的新阶段 数据湖发展十年，最关键的转折点是云计算的普及。企业级数据湖对性能、扩展性、稳定性和经济性要求极高，这恰恰是云服务的优势所在。AWS、微软Azure、阿里云、华为云成为数据湖领域的主力玩家。AWS于2018年推出Lake Formation服务；Azure早在2015年就布局了数据湖服务；阿里云在2018年中推出Data Lake Analytics；华为云则提供了Data Lake Insight服务。云服务商带来三个关键改变：一是降低了数据湖的使用门槛，企业无需复杂的技术积累即可快速部署；二是增强了数据湖的安全性与稳定性，解决了企业对数据安全的顾虑；三是引入了serverless架构，企业可按需付费，避免资源浪费。数据湖与数据仓库的关系也发生了微妙变化。最初业界认为数据湖将替代数据仓库，但十年发展表明两者各有所长，可以协同工作。数据湖适合存储原始数据并支持灵活分析，而数据仓库仍是结构化数据查询报表的理想选择。一位资深数据架构师形象地说："数据湖是原材料市场，数据仓库是精品超市，两者相辅相成。" 数据湖的未来：AI驱动的智能化演进 数据湖走过十年发展历程，未来道路将更加清晰。结合当前技术发展趋势，未来五年数据湖将呈现五大发展方向：AI增强治理能力。当前数据湖面临的最大挑战是"数据沼泽化"——数据存储容易，但治理困难。未来数据湖将深度融合大模型技术，实现智能元数据管理、自动数据分类和关联分析，降低数据治理成本，提升数据质量。实时处理能力升级。流批一体已成为数据处理的基本需求。下一代数据湖将进一步提升实时处理能力，支持毫秒级数据响应，满足物联网、智能制造等场景的超低延迟需求。多云协同统一视图。企业数据分散在多个云平台已成常态。未来数据湖将突破单云边界，实现跨云数据共享与计算，为企业提供统一数据视图，避免新的"云上数据孤岛"。数据安全与隐私保护。随着数据价值提升，安全重要性日益凸显。未来数据湖将内置更完善的权限控制机制，并融合联邦学习、隐私计算等技术，平衡数据共享与隐私保护的矛盾。数据资产价值量化。数据价值难以衡量一直是困扰企业的问题。未来数据湖将引入数据资产评估模型，通过使用频率、业务贡献等指标量化数据价值，帮助企业精准投资数据资源。 回望数据湖近十几年发展，我们看到的不仅是一项技术的成熟，更是数据价值观念的革命。从"存得下"到"用得好"，企业数据应用思维正在发生根本性转变。数据湖从未许诺解决所有数据问题，它只是为企业提供了一个更灵活、更包容的数据管理方案。就像自然界的湖泊需要活水循环才能保持生态平衡，企业数据湖也需要持续的数据流动与治理，才能避免沦为"数据沼泽"。十年前，詹姆斯·狄克逊提出数据湖概念时可能没有预见到今天的繁荣景象。十年后的今天，我们有理由相信，随着AI技术融合与企业数字化转型深入，数据湖还将迎来更广阔的发展空间。未来已来，数据湖的旅程才刚刚开始。 来源（公众号）：大数据AI智能圈

想不想让AI化身你的数据小助手？ 21世纪的数据就像一缸水泥,没有合适的工具,就会变得又重又难搬。过去我们靠人工标注、人工研判、人工决策,工作效率就像蜗牛爬楼梯。 直到大模型带着"魔法棒"来了。它不仅能自动分类数据、智能检索信息,还能在1分钟内完成风控决策。就像给数据管理装上了"智慧引擎",让繁重的工作变得轻松自如。 让我们一起来了解如何用大模型这根"魔法棒",搅动数据治理这缸"水泥",让数据工作变得既轻盈又高效的精彩故事。 大模型在数据管理领域的创新应用 如何大模型技术引入数据治理,实现了数据管理效率的质的飞跃？从最开始的数据分类分级到元数据检索,再到风控运营智能化,大模型正在重塑数据管理的未来。 在数据管理领域,大模型展现出强大的智能化能力。通过大模型实现数据分类分级自动化,将人工成本降低90%。过去,数据分类分级需要大量人力投入,研发人员需要逐个标注表格,不仅效率低下,标注结果也存在主观差异。 大模型解决方案采用向量化存储分类规则,结合prompt工程规范化输出。通过这种方式,系统能自动识别数据类型并给出合理的分类分级建议。这项技术不仅提升了效率,还保证了分类结果的一致性。 在元数据检索方面,大模型突破了传统关键词匹配的局限。系统能理解用户意图,自动关联相关信息,提供更精准的检索结果。一个典型场景是,用户查询"财富等级"时,系统不仅返回直接相关的表字段,还会智能联想"风险等级""信用卡等级"等相关信息。 大模型在风控运营领域的创新应用 在金融支付领域,风控决策向来是一个复杂且关键的环节。接下来一起聊聊，如何将大模型引入风控运营,构建了一个全新的智能风控体系。 传统风控运营面临三大挑战:一是信息碎片化,风控人员需要在多个系统间切换查询信息;二是知识更新快,新型风险层出不穷;三是人工研判慢,一个案件处理往往需要30分钟以上。 智能风控架构采用"聚合+AI+工作流"的创新方案。首先构建综合风控平台,将交易信息、身份信息、操作信息等多维数据实时聚合。其次引入Agent技术,将复杂的风控判断拆分为多个微任务,通过工具代理、任务切分、记忆管理等模块协同完成风险研判。 这套系统实现了显著的效率提升。风控案件处理时间从30分钟缩短至1分钟,准确率保持在95%以上。系统不仅能给出风险判断,还能生成详细的处置建议,包括用户画像、风险分析、处置方案等。 在电话照会环节,系统能根据案件特征自动生成个性化的询问话术。通过分析历史成功案例,系统总结出一套智能问询模板,帮助风控人员一次性获取关键信息。这不仅提升了工作效率,还降低了对客户的打扰。 在技术架构上,可以采用了"RAG+Agent+Workflow"的创新组合。RAG技术实现知识库的智能检索,Agent技术负责任务分解与执行,Workflow则确保整个流程的有序推进。 针对RAG召回效率不高的问题,团队创新性地引入了IUR(Incomplete Utterance Rewriting)组件。该组件能智能补全用户查询中的隐含信息,显著提升检索准确度。同时采用HiveToCache架构优化检索速度,使用Rerank算法提升召回质量。 在Agent设计上,采用"规划者-观察者-决策者"的三角色协作模式。规划者负责理解问题并设计执行路径,观察者负责监控执行过程并收集反馈,决策者则基于所有信息作出最终判断。这种设计既保证了处理的全面性,又提升了系统的可靠性。 通过这些技术创新,可以成功实现了数据管理和风控运营的智能化升级。这些实践不仅提升了业务效率,更为金融行业的数智化转型提供了宝贵经验。未来,随着大模型技术的持续演进,数据管理领域将迎来更多创新突破。 来源（公众号）：大数据AI智能圈

你有没有遇到过这样的数据困境：一个指标异常，却不知道问题出在哪里；一个任务变更，担心会影响到哪些下游；几百个数据任务盘根错节，想理清楚却无从下手... 这些让数据从业者头疼的问题，都指向了一个关键技术 - 数据血缘。 数据血缘技术：重塑大数据治理的未来 在超大规模数据驱动的时代，一个企业的数据规模可能达到数百PB，日均任务量轻松破万。数据血缘技术正悄然崛起，成为撬动企业数据资产的关键支点。 数据血缘技术革新正全方位重塑企业数据治理格局。传统数据治理模式下，企业面临着数据资产管理混乱、数据质量难以保障、数据资源浪费等痛点。数据血缘技术通过构建全链路数据关系图谱，让企业数据资产管理进入智能化新阶段。 在现代企业运营中，一个看似简单的数据报表背后，往往涉及复杂的数据加工链路。从原始日志采集、数据清洗、特征计算，到最终的指标呈现，动辄几十上百个任务节点相互依赖。任何一个环节出现问题，都可能导致数据质量受损。数据血缘技术正是解决这一复杂性的关键。数据血缘技术核心在于解析与追踪数据流转过程中的依赖关系。 从技术架构看，一个完整的数据血缘系统包含三层：数据源层负责采集各类数据源信息、处理层通过血缘解析引擎分析数据间的关联关系、应用层则基于血缘数据支撑数据开发、治理等场景 在工程实践中，血缘系统面临三大挑战： 全面性 需要覆盖从埋点采集到应用消费的全链路血缘关系。企业级数据体系涉及多种异构数据源，血缘系统要能适配不同类型数据源的解析需求。 准确性 血缘关系解析必须准确无误。任何解析错误都可能误导下游决策。这要求血缘解析引擎具备强大的解析能力，能正确理解各类数据处理逻辑。 实时性 血缘关系需要随数据处理逻辑变化而实时更新。大规模数据体系下每天都有大量任务变更，血缘系统要能快速感知并更新血缘关系。 数据血缘系统：架构设计与关键突破 解析引擎作为数据血缘系统的大脑，承担着识别和提取数据间依赖关系的重任。面对SQL、Python、Java等多样化的数据处理代码，解析引擎需要准确理解其中的数据流转逻辑。 业界主流方案采用Antlr和Calcite组合架构。Antlr负责词法和语法解析，将代码转化为抽象语法树；Calcite则专注于SQL优化，提供统一的关系代数模型。这种组合让血缘系统既能处理标准SQL，又能应对复杂的脚本语言。 血缘存储层采用图数据库技术，将数据实体和依赖关系建模为点和边。 考虑到海量血缘数据的存取效率，系统往往会同时维护两套数据模型：一套面向写入优化，一套面向查询优化。这种双模型设计既保证了血缘数据的实时性，又兼顾了查询性能。 在实际应用中，数据血缘技术正在重塑数据开发模式。开发人员通过血缘分析快速定位数据来源，评估代码变更影响范围。血缘系统甚至能基于历史血缘关系，智能推荐最佳数据处理方案，大幅提升开发效率。 数据治理领域，血缘技术让资源优化有了精准抓手。通过分析数据血缘图谱，系统能够识别出重复计算、低价值存储等资源浪费点。运维团队据此进行精准治理，既降低存储成本，又提升计算效率。 数据安全方面，血缘技术为敏感数据保护提供全新思路。系统通过追踪敏感数据的传播路径，及时发现潜在风险，并自动采取脱敏、加密等保护措施。这种基于血缘的主动防护，让数据安全管理更加智能和高效。 数据血缘优化：从评估到提升 衡量数据血缘系统的质量，需要构建科学的评估体系。业界普遍采用"三率"指标：覆盖率、准确率和时效性。 覆盖率关注血缘系统对数据全链路的把控能力。一个优秀的血缘系统应该覆盖所有关键数据节点，包括数据源采集、任务处理、应用消费等环节。当前头部互联网公司的血缘覆盖率普遍超过95%，有力支撑了数据治理工作。 准确率衡量血缘关系识别的精准度。血缘关系存在表级和字段级两个粒度，字段级血缘解析难度更大。解析准确性直接影响下游应用的可靠性。领先企业通过持续优化解析引擎，将准确率提升至99%以上。 时效性度量血缘信息的新鲜度。在敏捷开发环境下，数据处理逻辑频繁变更，血缘关系需要实时更新。通过流式采集和增量解析等技术，优秀血缘系统能将更新延迟控制在分钟级。 数据血缘技术正在向更智能、更精细的方向演进。 智能解析引擎将借助机器学习技术，提升复杂代码的解析能力。语义级血缘分析将帮助理解数据间的业务关联。知识图谱技术的引入，将让血缘系统具备推理能力，预测数据变更影响。跨域血缘是另一个重要发展方向。 随着企业数据规模扩大，跨数据中心、跨组织的数据协作日益普遍。构建统一的跨域血缘体系，将成为数据治理的新课题。 大数据时代，血缘技术正在成为连接数据资产的桥梁。通过持续创新和实践，血缘技术必将为企业数据治理带来更大价值。 来源（公众号）：大数据AI智能圈

当你每天面对万亿级数据、日均百万次查询请求时，你会怎么做？ 处理海量数据查询犹如在迷雾中寻路，方向稍有不慎就会迷失。数据负载高到屏幕只显示超时，查询速度慢到让你有时间泡一杯咖啡再来检查结果。 在这个数据井喷的时代，高效查询分析已经成为数据团队的必修课。

文 | 国家信息中心大数据发展部 于施洋，王璟璇 我国正处于大力发展数据事业的关键时期，近年来党中央国务院高度重视数据要素市场培育及公共数据资源开发利用。全国一体化公共数据资源登记平台（https://sjdj.nda.gov.cn）于2025年3月1日正式上线，标志着数据要素市场化配置改革迈出重要一步。 01 国家公共数据资源登记平台是构建全国一体化公共数据资源登记体系的重要信息系统 今年1月，国家发展改革委、国家数据局公开印发《公共数据资源登记管理暂行办法》《公共数据资源授权运营实施规范（试行）》《关于建立公共数据资源授权运营价格形成机制的通知》，构建起以《中共中央办公厅、国务院办公厅关于加快公共数据资源开发利用的意见》为核心的相关“1+3”政策体系。 其中，《公共数据资源登记管理暂行办法》明确，要构建全国一体化公共数据资源登记体系。登记机构执行全国统一要求，按行政层级和属地原则，提供规范化、标准化、便利化登记服务。直接持有或管理公共数据资源的党政机关和事业单位，需对纳入授权运营的公共数据资源登记，对未纳入授权运营范围的数据资源，以及利用被授权数据资源加工形成的数据产品和服务鼓励登记。公共数据资源登记平台是开展登记工作的信息化载体，实行“一个标准、两级平台”。国家登记平台与省级登记平台依托国家电子政务外网实现统一赋码、互联互通，逐步构建起职责明确、分工负责、运转有序的全国公共数据资源登记体系。 3月1日上线的国家公共数据资源登记平台是支撑全国公共数据资源登记全流程服务，构建全国一体化公共数据资源登记体系的重要信息系统。当前包括登记指引、登记公示、登记查验、资源查询、登记政策等核心内容，支撑全国所有公共数据资源登记采用统一编码机制，实现“一证一码”的登记确认单管理方式。国家公共数据资源登记平台的核心功能主要包括两项，一是支撑中央和国家机关及其直属机构、中央企业的公共数据资源登记业务开展，二是作为中央节点，实现全国登记信息的互联互通。 02 国家公共数据资源登记平台对数据要素市场建设意义重大 国家公共数据资源登记平台上线首日，已有医保、气象、自然资源等多类国家级公共数据登记上线，北京、天津、河北、内蒙古、辽宁、上海、广东、海南、四川、陕西、宁夏、新疆生产建设兵团等地依托国家平台开展了登记工作。此外，山西、江苏、浙江、安徽、福建、江西、湖北等省级平台实现与国家平台顺利对接，同步上线运行。未来将有更多省份登记平台陆续上线并实现与国家平台的互通。 在数据要素市场建设中，国家公共数据资源登记平台可发挥三方面积极作用。 一是明确数据持有和开发利用状态，规范公共数据资源授权运营。公共数据资源登记程序包括申请、受理、形式审核、公示、赋码等。登记信息向社会公示并接受公众提出合理异议，是完善授权运营披露机制的重要手段，促进公共数据资源规范、合规对外供给。 二是强化公共数据资源管理，构建全国公共数据资源“底账”。开展公共数据资源登记是中央与地方统筹公共数据资源开发利用，建立公共数据资源底账，筑牢数据资源底座的主要途径。 三是促进公共数据资源开发利用，加快公共数据价值释放。通过建立全国统一流程、统一标准、互联互通的公共数据资源登记体系，便于形成一体化的公共数据资源、公共数据产品和服务的目录体系。通过公示和开放登记目录查询，为数据需求方提供更加准确、全面的资源查询渠道，促进供需对接。 03 国家公共数据资源登记平台将推动全国一体化数据资源登记体系迈上新台阶 构建全国一体化数据登记体系对于落实党中央数据要素市场化配置改革决策部署、破解两级数据交易市场中数据确权难实现数据增值、夯实全国数据资源基础和激活数据要素潜能具有重要意义。国家公共数据资源登记平台为推动全国一体化数据资源登记体系提供了重要支撑。 下一步，一是持续优化平台功能，提升登记服务质量。进一步完善和丰富国家公共数据资源登记平台功能，更好满足用数主体的多元化需求，助力加快释放公共数据价值，赋能经济社会高质量发展；实现更多省份统筹本区域内登记平台建设，与国家平台实现数据互联互通，达到一地登记、全国通用的效果，为推动数据市场一体化发展奠基基础。 二是加快编制数据登记标准规范，实现各地登记流程的统一、规范。重点从登记流程、登记申请材料、登记审查内容、信息披露等方面明确业务标准，从统一身份认证、数字签名、区块链、登记确认单版式等方面明确技术标准，确保公共数据资源登记平台规范运作，实现中央和地方数据资源登记标准统一。 三是积极夯实中央地方数据登记机构，加强全国一体化的登记队伍建设。一方面，依托数据登记平台，通过开展公共数据资源登记工作，逐步建立中央、省、市多级登记机构，方便各登记主体按照行政层级和属地原则开展登记申请；二是通过线下或线上方式定期组织登记培训，加强登记人才培养，通过公共数据资源登记业务培养的登记队伍，未来可无缝衔接到企业数据和个人数据等社会数据的登记工作中。 来源（网站）：国家数据局

在全国两会的热烈氛围中，2025年的《政府工作报告》犹如一盏明灯，照亮了国家未来发展的漫漫征途。这份报告高瞻远瞩，精准锚定了低空经济、人工智能（AI）、数据要素及算力四大关键领域，它们宛如四颗璀璨的星辰，将在未来一段时间成为推动国家发展的核心驱动力，为经济社会的蓬勃发展注入源源不断的活力。万亿级赛道上，谁将在这场变革中脱颖而出，成为引领未来的关键力量？ 低空经济：战略性新兴产业的耀眼明珠 低空经济，作为近年来崭露头角的新兴领域，正逐渐成为全球经济发展的新焦点。它以低空空域为依托，涵盖了从低空飞行器制造、运营到相关服务的完整产业链。在《政府工作报告》中，低空经济被委以领衔发展的重任，这无疑为其发展按下了“加速键”。随着政策环境的不断优化和市场需求的持续增长，低空经济的应用场景不断拓展。从无人机配送、空中旅游到农业植保、城市空中交通、安全巡检等多个方面，低空经济正展现出巨大的发展潜力。据中国民用航空局预估，到2025年，我国低空经济市场规模将达1.5万亿元，到2035年有望达到3.5万亿元。 AI技术：赋能低空经济的核心引擎 人工智能作为新一轮科技革命的核心驱动力，其在低空经济中的应用正日益广泛。AI技术可以优化无人机的飞行路线和任务规划，提高飞行效率和任务执行能力。通过大数据和机器学习技术，AI可以根据历史数据和实时环境，智能调整无人机的飞行路径，确保其在复杂环境中的安全、高效运行。此外，AI技术还能为低空经济提供精准的市场洞察和决策支持。通过对大量用户数据的分析，企业可以深入了解市场需求和用户痛点，推动产品和服务的创新。例如，在无人机物流配送领域，AI技术可以帮助企业快速处理订单信息、规划最优配送路线，提高配送效率和客户满意度。 数据要素：低空经济的“新石油” 在数字经济时代，数据要素的重要性不言而喻。对于低空经济而言，数据如同深埋地下的石油，蕴含着巨大的价值。从飞行器的运行数据到市场需求数据，再到用户行为数据，这些数据都是低空经济企业制定商业决策、优化运营管理的重要依据。《政府工作报告》明确指出，要加快完善数据基础制度，包括数据的采集、存储、处理、传输等全生命周期的管理规范，以及数据权属、交易、安全保护等法律框架的构建。这将为低空经济的数据要素流通和价值挖掘提供有力保障。 算力：支撑低空经济发展的基础设施 算力是支撑数据处理和运算的关键能力。在低空经济中，需要处理大量来自飞行器、传感器、气象信息等多源异构的数据。强大的算力能够快速处理和分析这些数据，实现实时监控、航线规划、风险预警等功能。随着低空经济的不断发展，对算力的需求也将持续增长。因此，《政府工作报告》强调优化全国算力资源布局，提升算力的服务效能，为低空经济的高质量发展提供坚实可靠的支撑。 万亿级赛道谁主沉浮？ 在万亿级赛道上，低空经济、AI、数据要素及算力四大领域将共同推动经济社会的蓬勃发展。然而，在这场变革中，谁将脱颖而出成为引领未来的关键力量？一方面，企业需要不断加强技术创新和产品研发，提升核心竞争力。另一方面，政府也需要继续优化政策环境，加强市场监管和公共服务，为低空经济的发展提供有力保障。可以预见的是，在未来的发展中，低空经济将与AI、数据要素及算力深度融合，共同构建出一个全新的现代产业体系。在这个体系中，谁能够抓住机遇、勇于创新，谁就将在这场变革中占据先机、引领未来。 来源（公众号）：AI战略数字转型

来源（公众号）：大数据AI智能圈 数据就像流淌在企业血管中的血液，它的每一次流动、每一次转化都留下独特的印记。 作为数据工程师，我曾困惑于复杂的数据链路，直到遇见数据血缘分析这个"数据世界的GPS"。它不仅帮我找到数据流转的每个关键节点，更让我看清数据治理的全新格局。 今天，想和大家分享这个强大工具背后的故事，看看它如何在数据的迷雾中开辟一条清晰的航道。 从混沌到有序的数据治理之路 当数据成为企业的生命线，我们遇到一个棘手的问题 - 数据来自哪里？去向何方？它是如何变化的？企业里的每一条数据都像一个基因序列，携带着独特的"遗传密码"。解读这些密码，追踪数据的来龙去脉，就是数据血缘分析的精髓所在。让我创建一个架构图来展示数据血缘的本质特征： 数据血缘分析就像给每条数据装上GPS定位器，不仅记录它的"出生地"，还能实时追踪它的"行踪"。在企业数据资产日益庞大的今天，这种追踪能力变得尤为重要。数据血缘分析系统在实际应用中有着独特的价值： 数据血缘分析是企业数据治理的关键武器。一个优秀的数据血缘分析系统能帮助企业快速定位数据问题，预测数据变更影响，评估数据资产价值。它像企业数据世界的"基因图谱"，记录着数据的演变历程，指导着数据的未来发展。要构建这样的系统，我们需要先理解数据血缘的四大核心组成：元数据（数据的DNA序列）、主数据（数据的基因库）、业务数据（数据的表现型）、指标数据（数据的性状特征）这些组成部分相互关联，构成了完整的数据血缘体系。 数据血缘的建设方法和实践路径 建设数据血缘系统就像建造一座现代化的智慧城市，需要从地基到顶层有序规划。 这座"数据城市"分为五层： 1、采集层负责数据收集 2、处理层进行数据加工 3、存储层保管数据资产 4、接口层提供数据服务 5、应用层创造数据价值。 让我们再深入看看数据血缘建设的具体实践路径： 企业在实施数据血缘分析时，面临三种建设路径选择：开源系统、厂商平台、自主建设。选择哪种方式取决于企业的实际情况：技术能力、资金预算、建设周期等核心要素。开源方案适合技术能力强的团队，可以深度定制，成本相对较低，适合特殊场景需求。厂商平台则提供成熟解决方案，能快速落地，但费用较高，定制能力有限。自主建设则完全掌控主动权，可以根据业务需求灵活调整，适合长期规划。 数据血缘建设核心在于建立数据资产全景图，打通数据孤岛。它不仅是技术工具，更是数据治理思维的升级。通过数据血缘，企业能更好地理解数据资产，提升数据质量，实现数据价值最大化。在数字化转型的浪潮中，数据血缘分析正成为企业数据治理的标配。它就像企业数据世界的"导航系统"，指引着数据资产的有序流动，推动着数据价值的持续释放... 数据血缘的实践场景和未来趋势 数据血缘分析在各行业已开花结果。 金融机构利用它追踪交易链路，确保合规性；制造企业通过它溯源产品质量；医疗机构借助它串联病历数据；零售商用它构建精准用户画像。 让我们展望数据血缘的未来发展趋势： AI技术将深度赋能数据血缘分析，自动发现数据关联，预测数据变化。实时血缘追踪将成为标配，支持数据变更的即时响应。跨组织的数据协同共享将突破壁垒，构建更广阔的数据生态。打造卓越的数据血缘体系需要注意以下关键点： 明确建设目标，避免贪大求全。从最急需的业务场景出发，逐步扩展。重视数据标准，建立统一的数据规范。血缘分析的前提是数据的规范化管理。平衡技术与业务，技术服务于业务需求。过于复杂的技术方案往往难以落地。持续运营维护，保持系统的时效性。数据血缘不是一次性工程，需要持续投入。 1、明确建设目标，避免贪大求全。从最急需的业务场景出发，逐步扩展。 2、重视数据标准，建立统一的数据规范。血缘分析的前提是数据的规范化管理。 3、平衡技术与业务，技术服务于业务需求。过于复杂的技术方案往往难以落地。 4、持续运营维护，保持系统的时效性。数据血缘不是一次性工程，需要持续投入。 数据血缘分析正在改变企业的数据治理方式。它不仅是技术创新，更是管理思维的革新。精准掌握数据血缘，就掌握了数字时代的制胜密码。 未来，数据血缘将与云计算、大数据、人工智能等技术深度融合，催生更多创新应用。企业应未雨绸缪，构建自己的数据血缘能力，在数字化转型的浪潮中占得先机。数据血缘分析已成为数据治理的必修课，好比一张智能地图，指引企业在数据的海洋中找到前进的方向。掌握数据血缘，就掌握了数据治理的未来。

破局数据要素市场化 攻克数字建设难题 3月5日，国务院总理李强在政府工作报告中指出，今年要加快完善数据基础制度，深化数据资源开发利用，促进和规范数据跨境流动。 今年是“十四五”规划的收官之年，也是进一步全面深化改革的重要一年，更是数据工作“改革攻坚年”。在此重要节点，如何持续推进数据要素市场化配置改革，强化对数字中国、数字经济、数字社会规划建设的统筹，不断完善政策制度与体制机制，重点攻克数据要素市场化、价值化进程中的难点、堵点、痛点，成为亟待解决的核心问题。 释放数据价值的关键突破口 随着数字经济时代的到来，数据已成为新型生产要素。公共数据资源作为要素投入生产，对经济、政治、文化、社会和生态文明建设等具有巨大价值。麦肯锡公司预测，数据流动量每增加10%，将带动GDP增长0.2%。 用“数智化”等先进技术改造提升传统产业成为我国老工业基地黑龙江省近年来发展新质生产力的重要路径。图为在哈尔滨汽轮机厂有限责任公司叶片分厂，中小叶片智能生产线上的机械臂在安装卡紧汽轮机叶片。新华社 “今年，数据价值将会实现真正的大爆发。”全国政协委员，全国工商联副主席、奇安信集团董事长齐向东对本报记者表示，大模型推动人工智能高速发展，这是数据价值变现的重要途径之一。人工智能大模型相当于“倍增器”和“发动机”，把数据“灌”进去，就会产生出动力。 3月1日，国家公共数据资源登记平台正式上线运行，凡是已经授权、计划授权运营的公共数据资源产品，需要到该平台上进行登记。这标志着数据要素市场化配置改革迈出重要一步。 面对公共数据在早期市场化中存在“流不动、供不出、用不好”的问题，国家信息中心大数据发展部数据要素处处长王璟璇告诉本报记者，在助力传统产业数字化转型方面，要鼓励更多党政机关、公共服务机构通过共享、开放、授权运营方式对外供给产业发展所需的公共数据。国家公共数据资源登记平台上线后，全社会都可以了解、查询哪些公共数据对外进行了开发利用以及形成了哪些公共数据产品和服务，未来用数单位还可以提交申请用数需求，促进供需对接。 中国通信标准化协会发布的《数据要素白皮书（2024年）》显示，截至2024年7月，我国已有243个省级和城市的地方政府上线数据开放平台，各地平台上开放的有效数据集达370320个，与2023年下半年相比，新增17个地方平台，平台总数增长约8%。 数据价值化，要在场景应用中得以实现。公共数据是数据要素市场化改革的“试验田”和“加速器”，其开发利用不仅为市场提供基础资源，还通过场景创新带动全要素流通。 山东青岛真情巴士集团打造的充电精益化数据产品“青益充”，实现了公交车辆运营数据、国家电网波峰波谷时段数据等公共数据与“特来电实时充电状态数据”等九类数据深度融合，预计每年可节约充电成本970余万元；福建省依托省市两级公共数据汇聚共享平台，接入全省2000余个政务信息系统、汇聚1800多亿条有效数据，目前平台日均批量交换数据1.5亿多条，有效支撑各地各部门800多个应用场景。 目前，我国数据产业呈现出储量大、增长快、多元化、应用广的发展特征，以政务、金融、互联网、交通电力为代表的行业持续深化数据要素的发展与应用。艾瑞咨询预计2024年全年市场规模将达1662亿元，2025年市场规模将有望达2042.9亿元。 在促进产业协同中实现放大、叠加、倍增效应 数据要素市场化配置改革要解决让数据“供得出”“流得动”“用得好”“保安全”，需要构建良好的供数、用数生态，实现数据要素在促进产业协同中的放大、叠加、倍增效应。而构建良好供数、用数生态，推动数据要素市场化配置改革，对于进一步深化企业数字化转型、挖掘数据要素在产业协同中潜力，具有极为关键的意义。 目前，我国企业数字化转型程度持续加深，但仍有较大发展空间。相关数据显示，98.8%的中小企业已经开始数字化转型，但62.6%的中小企业仍处于数字化转型早期阶段。实际上，数据的价值不能孤立存在，需要在与各类业务的深度融合中得到彰显，要以赋能实体经济为提点，不断拓展数据应用场景。 在大连华锐重工集团股份有限公司智能化实验室，孙元华（左）和同事操作大连港数字化矿石码头系统（2025年2月20日摄）。新华社记者 杨青 摄 “制造业是立国之本、强国之基，大力推动数字经济和实体经济深度融合势在必行。”全国人大代表、伊利集团全球创新中心科学研究总监王彩云对本报记者表示，企业在推动数实融合的过程中会产生大量数据，要实现高质量发展，关键是打通数据从“有”到“用”的过程。比如在消费端，伊利推动“全域、全场景、全生命周期”的消费者数字化运营，搭建覆盖400多个数据源的大数据雷达，开发了与1.5亿消费者在线协同共创新品的智能洞察系统，平均用3.5天就可以完成市场洞察，不断打造满足消费者多元需求的健康产品。 上下联动、横向协同 数据要素市场化配置改革是一项庞大的系统性工程。随着国家数据局和各级数据管理机构的揭牌运行，我国上下联动、横向协同的数据工作体系基本形成。数据基础制度加速释放，一批围绕数据产权、流通交易、收益分配、协同治理等方面的制度正在构建。 2025年2月26日，在位于织里镇的湖州今童王制衣有限公司数字化车间，工人在流水线上加工服装。该公司是集产品研发、设计、生产供应链管理、市场营销为一体的综合性儿童服装企业，年产销量达200万件（套）。新华社记者 徐昱 摄 据统计，截至目前，国家数据局已发布20余份数据要素领域相关政策文件，激活供数动力，释放用数活力。未来，还将围绕企业数据开发利用等出台新政策文件。 此外，工信部、财政部等多部门围绕数据流通交易、数据安全与治理、产业融合等出台了多项政策，持续推动数据要素市场化。 随着数据要素市场日益壮大，数据资产化探索步伐显著提速，企业数据资产入表成为业界关注的热点方向。从2024年1月1日起，财政部制定印发的《企业数据资源相关会计处理暂行规定》（以下简称《规定》）正式施行。这意味着数据要素从会计报表上开始显性化，过去被企业费用化处理的数据资产在资产负债表内有了表达。 “《规定》发布以来，各类经营主体均在积极探索数据资源入表机制，激活数据要素市场发展内生动力。”针对数据资源入表存在的问题，全国政协委员，上海市政协副主席、致公党上海市委主委邵志清表示，目前各类经营主体均在积极探索数据资源入表机制，激活数据要素市场发展内生动力。但仍存在数据资源的合规与确权难度大，对软件、系统和数据资源的异同理解尚未达成一致认识，数据资源的预期经济利益分析论证挑战大，数据资源的后续支出处理尚未达成一致认识，数据资源审计面临挑战等问题。他认为，应加强法律法规建设，细化权属证明流程，出台统一的数据资源审计指南和标准，从而引导企业对数据资源进行更有效的治理。 面对全球数字化竞争的加剧、国内经济高质量发展的迫切需求，数据要素市场化配置工作被赋予了更为重大的使命。对于“十五五”时期数据要素市场化配置如何激活数字动能这一问题，王璟璇认为应注重以下四个方面： 一是加快建立数据产权归属认定制度。传统要素如土地、资本等形成的成熟要素市场，均具备两个特性：要素权属明晰，在流通中增值。当前国家应加快出台数据产权制度，从长期看，建议推进数据产权立法工作。 二是推进全国一体化数据市场建设。全国一体化数据市场是数据要素市场化配置改革的发展目标。应着力构建场内场外相结合、多层次的数据流通交易体系，健全各方收益分配和利益保护制度，建设纵横联通的国家数据基础设施，促进数据要素合规高效流通交易。 三是着力增强全社会数据资源创新应用能力。提高各方治数、用数能力，激发更多数据创新应用场景，培育更多新业态、新模式、新技术，让数据要素的价值被更广泛认可。 四是加强数据要素、数字经济领域国际合作。我国是第一个将数据列为生产要素的国家，我国在数据要素市场化配置改革中积累的经验可以更多分享给海外，为全球数据资源共享开发提供中国经验、中国方案。 (中国发展改革报社前方记者 杜壮) 新质生产力发展需要注重三个关键词 3月5日，国务院总理李强作政府工作报告。透过政府工作报告，可以看到，“因地制宜发展新质生产力，加快建设现代化产业体系”依然是今年政府工作十大任务之一。 笔者从今年的政府工作报告及与代表委员面对面交流中发现，推动新质生产力发展，有三个关键词值得关注。 一是产业集聚。地区产业高质量发展不是“独角戏”，而是“大合唱”。作为现代产业发展的重要组织形式，产业集群是区域经济竞争力的集中体现。 谈到今年工作目标时，政府工作报告中出现了“深入推进战略性新兴产业融合集群发展”“先进制造业和现代服务业融合发展试点”“加快国家高新区创新发展”“打造具有国际竞争力的数字产业集群”“增强国际和区域科技创新中心辐射带动能力”等表述，都不约而同地指向了产业集群建设。 在产业集群创新的当下，多位代表委员都在关注两大问题，一是如何集聚更多的创新资源、高效利用创新要素，二是如何增强供应链的弹性和韧性。目前多地都在积极寻找破解之策，一些集群以龙头企业为创新源，一些通过发挥产业基础或要素禀赋突出优势，还有的通过融合创新实现进一步转型升级。今年政府工作报告对“集群”的关注既表明了加快培育的决心，又提出了重点发展方向。因此，在发挥产业集聚效应过程中，各地要注意在自身产业发展基础上，进一步提高产业关联性和市场融通性。 二是技术突破。让更多的技术实现从“0”到“1”的突破至从“1”到“100”的拓展。从芯片制程的不断精进，到量子计算的崭露头角，技术的每一次突破都打破了既有边界，重塑着行业新格局。在推进高水平科技自立自强上，政府工作报告不仅提到了“做什么”，也提到了“怎么做”。新质生产力所强调的关键核心技术攻关和前沿性、颠覆性技术研发依然是技术发展重点，而在政策落实上，需要人才培养、国家战略科技力量布局、科技经费分配和管理、市场服务、政策性金融等方面的支持。实际上，只有持续推动技术创新突破，我们才能在激烈的国际竞争中抢占先机，实现经济高质量发展，为社会进步与民生改善提供不竭动力源泉。 三是产业应用。推动先进技术从“图纸”登上“生产线”。每年政府工作报告中的“新词”备受关注，今年更是出现了多个“新面孔”，比如具身智能、6G、人工智能手机和电脑、智能机器人。这些产业从应用推广上体现出一些共同点，即具有高度智能、数据驱动、跨领域融合、生产生活效率提升，以及发展前景广阔、市场潜力大等特点。 产业应用的主体是企业。政府工作报告提出，对于新兴产业和未来产业，要“梯度培育创新型企业，促进“专精特新”中小企业发展壮大，支持独角兽企业、瞪羚企业发展，让更多企业在新领域新赛道跑出加速度”；对于传统产业转型升级，要“培育一批既懂行业又懂数字化的服务商”。唯有企业勇立潮头，新质生产力才能在产业落地中释放巨大能量。 以“新”提“质”，以“质”催“新”。在“十四五”规划的收官之年，新质生产力培育让高质量发展成色更足，也将为开启新征程筑牢坚实根基。 （中国发展改革报社评论员 杜壮） 来源（公众号）：国家数据、中国经济导报