文｜錢麗娜

ID | BMR2004

“在人工智能技術飛速發展的今天，數據作為核心生產要素，其治理水平直接決定著大模型的性能與產業落地的深度。”北京智源人工智能研究院副院長兼總工程師林詠華在2025世界人工智能大會暨人工智能全球治理高級別會議（簡稱WAIC 2025）期間，接受《商學院》雜志專訪時表示。

作為國內人工智能領域的領軍機構，智源研究院在數據治理領域深耕多年，構建了一套涵蓋審查標準、管理規范、創新應用的完整體系。從開源數據的質量管控到具身智能的特殊數據治理，從多元數據使用模式到未來商業模式探索，智源的實踐為行業提供了寶貴的參考樣本，也深刻揭示了數據治理在智能時代的核心價值。

開源數據因質量參差不齊、采集基準缺失等問題廣受詬病，建立科學的數據審查標準成為行業亟待解決的難題。

智源研究院從隱私保護、質量過濾、安全管控三個維度，構建了全流程的數據審查體系，為高質量數據應用奠定了基礎。

在隱私保護方面，智源對所有采集的數據實行“雙重篩查”機制。對于合作方提供的數據集，首先區分其使用權限——哪些可用于模型訓練但不可開源，哪些可部分開源，哪些完全禁止對外披露。例如，某企業提供的用戶行為數據，經過脫敏處理后可用于模型訓練，但原始數據因涉及個人隱私被嚴格限制在內部使用。這種分類處理既保障了數據的利用價值，又守住了隱私保護的紅線。

數據質量過濾則依托技術手段實現標準化。2023年初，智源研究院承擔國家級高質量語料庫建設與開源任務時，便意識到人工審核存在標準不統一、效率低下的問題。為此，研究院訓練出質量過濾模型，構建起完善的算法庫，通過機器審核實現數據質量的統一把控。當遇到新的數據質量問題時，算法庫會迅速迭代更新，將新規則納入模型訓練中。例如，在處理文本數據時，模型能自動識別并過濾掉重復內容、低信息密度文本以及涉黃、涉毒等違規信息，確保入庫數據的純凈度。

安全管控貫穿數據審查的全流程。除了常見的內容安全篩查，智源還針對不同數據類型制定了專項審查標準。對于多模態數據中的圖像、視頻，增加了對敏感場景、標識信息的識別；對于工業場景采集的數據，重點排查是否涉及企業商業機密。這種全方位的審查機制，為數據的安全合規使用提供了堅實保障。

林詠華同時也表示：“實際上我們在使用數據時，很多時候我們發現匯聚數據容易，但使用數據卻變成整個產業的問題。”

智源研究院在2024年聯合產業機構推出三種數據使用模式，通過開源共享、共建共享、數算一體的多元模式，破解數據流通與保護的難題。具體來看：

開源數據模式聚焦科研與產業普惠。智源將可開放的數據打包發布，支持學術界和產業界免費下載使用。

共建共享模式以積分制激發數據流通活力。針對不愿開源但愿意在可信機構間交換數據的企業，智源設計了一套基于數據質量和數量的積分體系——企業貢獻的數據經質量評估后轉化為積分，積分可用于兌換其他企業的共享數據。這種模式既保護了數據所有權，又打破了“數據壁壘”。

數算一體模式則為版權要求高的數據提供安全使用方案，數據和算力放在一起。對于來自影視作品的高質量的視頻和音頻數據，智源構建了“數據與算力綁定”的安全域，特定團隊可在安全域內使用數據訓練模型，但數據本身不可帶出，訓練成果（模型）則可自主帶走。這種模式在保護版權的同時，也實現了數據的高效利用。

三種模式的協同推進，形成了“分層分類、安全可控”的數據管理生態。這種生態既滿足了不同類型數據的使用需求，又通過規范的流程設計，降低了數據泄露、濫用的風險，為數據要素的市場化配置提供了重要支撐。

隨著具身智能的興起，數據治理進入更為復雜的新階段。與傳統大模型相比，具身智能的數據具有多模態、高維度、場景敏感等特點，智源研究院在繼承傳統治理經驗的基礎上，創新出一套適配具身智能的數據治理方法，為該領域的技術突破掃清了障礙。

林詠華指出，具身智能的數據多樣性遠超普通多模態模型。以機械臂數據為例，除了攝像頭采集的視頻信息，還涉及機械臂的運動軌跡、多自由度（XYZ軸）數據、加速度數據等傳感器信息。除了上述的單機數據采集，工程師還要跨機器人本體采集數據，增加了設備數據的采集，同時為了在真實場景中采集數據，公司還在實驗室里搭建仿真場景。可以說，具身智能的數據維度增加，格式各異，傳統的分類方法難以應對。

場景敏感性是具身智能數據治理的另一大挑戰。在工業場景采集數據時，部分企業因擔心流水線作業流程泄露，對數據采集持保守態度。智源通過“物理場景分級”策略解決這一問題。

智源為此建立了“行業+場景+操作復雜度” 的三維分類體系：按行業劃分為工業、家庭服務、醫療等領域；按場景細分為廚房操作、流水線作業等具體場景；按操作復雜度分為原子操作（如幾秒之內的一個抓取動作）、長程操作（如疊衣服，涉及多個步驟）、復雜組合操作（如整理房間的指令中涉及到疊衣服、整理被子、掃地等不同的操作）。

數據采集效率是制約具身智能發展的關鍵瓶頸。具身數據的采集依賴硬件設備，不同構型的機械臂（單臂、雙臂、輪式等）、不同類型的末端執行器（夾爪、靈巧手等），都需要針對性的采集方案。此外，遙操過程中的視角差異、設備校準誤差，進一步降低了采集效率。目前有一些解決方案，包括開發VR映射校準系統等。

具身智能的數據治理創新，不僅解決了該領域的技術痛點，更拓展了數據治理的邊界。這種創新證明，數據治理必須與具體技術場景深度融合，才能真正發揮支撐作用。

仿真合成數據的價值與局限，是行業爭論的焦點。智源研究院在實踐中形成了以“真機數據為核心、仿真數據為補充”的治理思路，通過二者的有機融合，既保證了數據的真實性，又提升了數據的覆蓋范圍，為模型訓練提供了更豐富的“養料”。

“真機采集很難構造所有的場景，所以這就是為什么大家覺得仿真數據很重要。但是仿真數據也有仿真不了的場景，例如真實物體的重量、摩擦力、質感等物理特性。”林詠華說。

仿真數據的價值在于“場景泛化”。通過數據增強技術，智源將單一真機數據擴展出多種場景變體：改變光線強度、替換背景顏色、調整物體擺放角度等。這種處理使得一條原始數據可生成多條有效訓練數據，大幅提升了數據的利用效率。

真機數據與仿真數據的融合是治理的關鍵。智源探索出“物理屬性保真+場景靈活替換”的融合策略：保留真機數據中的物理參數（如力量、速度），通過仿真技術替換場景背景、物體外觀等非關鍵信息。這種方法既保證了數據的物理真實性，又拓展了場景覆蓋范圍。

數據治理的終極目標是釋放數據價值。智源研究院在夯實治理基礎的同時，積極探索具身數據服務的商業模式，推動公共平臺建設，為數據要素的規模化應用描繪了清晰的路徑。