天府聚势 智链未来 | 数之联傅彦：以高质量数据集“炼化”之道，驱动工业智能升级
发表时间：2025-10-09 10:28:05
2025年9月28日，由四川省人工智能产业链链长办公室、四川省发展改革委指导，成都数之联科技股份有限公司承办的“2025天府人工智能产业生态大会——数据集和语料库赛道对接洽谈会”在成都成功举办。数之联董事长傅彦受邀出席并发表《工业高质量数据集建设实践》主题演讲，围绕数据作为AI发展核心要素的“炼化”路径、产业实践与未来展望进行深度分享。
傅彦以“石油炼化”为喻指出，数据之于大模型，就像石油之于汽车。“原始数据必须经过清洗、标注、对齐、治理等一系列‘炼化’工序，才能转化为高质量数据集，支撑大模型精准学习规律，适应多样化工业场景。”她强调，高质量数据集是工业智能落地的核心引擎，也是当前推动制造业数字化转型的关键基础。
在实践层面，傅彦系统介绍了数之联围绕智能质检、智能问答、AI培训等场景所构建的多模态数据集体系。通过“实景采集+公开数据+AIGC生成”的方式，数之联持续提升数据多样性与覆盖能力，并构建了从数据标注、质量评估到安全运营的全流程治理体系。截至目前，公司已完成文本数据32TB、图像数据29.4TB的原始资源积累，建成国产化率超90%的数据集管理平台，并形成规模达文本2.1TB、图像25.2TB的高质量图文预训练集，为工业大模型研发提供了坚实基座。
傅彦以液晶面板缺陷检测、家电外观质检、金属包装印刷检测等场景为例，展示了高质量数据集在实际生产中的效能。例如，在某易拉罐生产项目中，数之联通过高流速视觉算法实现每分钟1800罐的实时检测，直通率达99.9%，显著降低千倍级质量风险；在某家电巨头全球多地产线中，系统实现漏检率低于0.1%、过检率低于5%的高精度水平。目前，数之联在面板行业AI质检市场覆盖率超80%，累计部署模型超500个，并在家电行业率先实现AI-AOI全流程检测应用。
傅彦表示，面对当前企业普遍存在的高质量语料匮乏、数据治理能力不足等挑战，数之联将持续推进“数据要素×工业制造”的深度融合，通过构建开放协同的数据平台与可信数据空间，推动“数据可用不可见”的安全共享机制落地，助力工业智能从单点应用走向系统化生态建设。
展望未来，数之联将继续深化高质量数据集建设与行业赋能，以数据根基推动智能制造高质量发展。
尊敬的各位领导、各位企业家朋友： 在这个秋高气爽的美好时节，我们迎来了2025天府人工智能产业生态大会的隆重召开。大家齐聚一堂，共同探讨人工智能时代下的高质量数据建设这一重要议题。作为本次会议的承办方，我谨代表数之联对各位的到来表示热烈欢迎，也期待通过今天的交流碰撞出更多科技火花，共谋产业发展新路径。 当前，数字经济已成为推动经济高质量发展的重要引擎，数字化转型正引领新一轮科技革命和产业变革。国有企业数字化转型升级更是未来国民经济发展的重要抓手。近期，国务院出台《关于深入实施“人工智能+”行动的意见》，围绕科学研究、产业发展等六大主题推动人工智能与经济社会深度融合。同时，四川省发改委印发《四川省“数据要素×”重点工作方案》，聚焦科技创新、工业制造等12个领域，加快数据资源开发利用，释放数据要素价值。这一系列政策举措，都为推动国民经济高质量发展注入了强劲动能。 人工智能发展的三大核心要素是数据、模型与算力。其中，大数据是基础，大模型是核心，大算力是关键，而真实业务场景则是落地保障。通过数据、算法、算力的有机结合，结合对业务场景的深入理解，我们可以实现数据的搜索智能、认知智能、生成智能与交付智能，逐步完成从“机器智能”到“人类智能”的模拟进化。因此，数据是实现人工智能的关键因素，今天我们将聚焦的高质量数据集建设，正是未来人工智能发展的重要方向。 事实上，高质量数据集的概念早在大模型兴起之前便已存在。例如机器学习领域的经典数据集——鸢尾花数据集，早在1936年就已整理发布。该数据集包含山鸢尾、杂色鸢尾和维吉尼亚鸢尾三类，共150个样本，以花萼和花瓣的长度、宽度作为分类特征，为特征选择与降维技术研究提供了重要参考。另外，在图像识别领域的ImageNet视觉识别数据集，由李飞飞团队创建，至2009年已经包含超过1400万张高分辨率图像，涵盖2万多个类别，每张图像标注了类别标签，以及超100万张图像甚至还包含物体边界框的标注信息。这个数据集无论在质量还是数量上，在科学界都是空前的。ImageNet 这个庞大的图片数据库免费开放使用，让全球所有致力于计算机视觉识别的团队，都能从这个数据库中获取数据和试题，来训练和测试自家算法的准确率。可以说，ImageNet 的出现极大推动了计算机视觉领域的发展。 从数据模态来看，可分为单模态（如文本、图像、音频、IoT数据）和多模态（如图文、视频、思维链数据）。从流程阶段来看，则包括预训练数据集、指令微调数据集和评测数据集。我们可以将大模型训练类比为训练鹦鹉说话：预训练阶段如同让鹦鹉收听各类节目，广泛学习；指令微调阶段则通过优质对话范例教其规范应答；评测阶段则通过问题回复评分检验其学习效果。 高质量数据集建设涵盖数据设计、采集、治理、标注、质检与运营等环节，类似于石油的“勘采—粗炼—精炼—质检—运营”流程，推动原始数据资源向智能应用跃升。具体包括： 在泛半导体行业，尽管自动化程度较高，但质量检测仍依赖大量人工，成本高、效率低、质量不稳定。为此，我们基于现有AOI设备，开发AI缺陷检测系统；若无AOI设备，则提供自主生产的AI-AOI检测方案，以降低人力成本，提升检测效率与质量。进一步，我们融合生产过程中的人、机、料、法、环、测、时等多维数据，运用大数据与机器学习技术，实现缺陷根因追溯与良率提升。 智能制造领域数据门类繁多、专业性强，AI应用场景丰富。人工智能应以数据为中心。高质量数据集融合人类经验与隐含知识，能显著缩短行业大模型建模周期，提升模型精度与泛化能力。例如在工业质检中，可构建缺陷检测、良率分析等模型；在智能问答中，可搭建工艺知识库与问题搜索引擎；在员工培训中，可开发模拟环境与技能数据库。 数据是数字化转型的基石。当前工业领域高质量数据集匮乏，严重制约了大模型等AI技术的落地。我们通过实景拍摄、公开采集与AIGC生成等方式，构建了覆盖半导体、集成电路、显示面板、家电、外观包装等行业的文本、图像、视频多模态数据集。 在实践案例方面，我们的ADC系统在液晶面板质检中实现自动分类、判级与MAP分析，大幅降低人力成本，提升判图效率与准确性。在某家电巨头机内检项目中，覆盖国内外60余条产线，漏检率低于0.1%，检测效率达8秒以内，实现数据在多工厂的复用。在某易拉罐生产企业，我们开发的高流速彩印缺陷识别算法直通率达99.9%，每分钟将完成1800个易拉罐的检测，有效避免千倍级质量风险。 目前，我们在面板行业智能缺陷检测市占率超80%，部署模型超500个，覆盖最全技术制程与场景；在家电行业率先实现AI AOI检测，覆盖80%以上电视厂家。在2024年全国知识图谱与语义计算大会上，我们基于高质量数据集对千问大模型进行微调，荣获全国第二名及技术创新奖。这些行业领先的实践与荣誉，正是高质量数据集作为关键基石所催生的实实在在的成果。 当前企业普遍面临高质量语料匮乏与数据治理失衡两大挑战。高质量数据集建设与运营已成为数据要素市场的“供给侧基础”。为应对模型瓶颈向数据瓶颈的转变，需构建可信数据空间，打造“可用不可见”的安全共享环境，形成“提质—集市—一体—众创”四位一体的建设运营体系。通过搭建“高质量数据集综合服务平台”，推动“一平台+五主体+N场景”模式落地。
