隨著大模型與智能體技術的快速發展，數據基礎設施正面臨前所未有的變革壓力。在近日于上海舉辦的第八屆金猿大數據產業發展論壇暨AI Infra & Data Agent趨勢論壇上，來自政產學研用各界的專家達成共識：傳統數據處理方式已難以滿足智能時代需求，高質量數據供給與新型數據架構成為推動產業升級的關鍵要素。
上海市數商協會秘書長盧勇指出，人工智能應用中約90%的投入集中在后續軟件工程領域，現有基礎架構在算力、存儲及數據治理方面存在明顯短板。以公積金行業為例，鹽城市住房公積金管理中心技術信息處副處長葉光輝透露，該行業數據量近年呈幾何級增長，但單條數據即使準確無誤，若缺乏多樣性仍無法直接應用于智能場景。這種供需矛盾在制造業采購環節尤為突出——某新能源車內飾件供應商因定制化需求激增，約三分之一的采購崗位面臨被智能系統替代的風險。
數據價值評估體系正在發生根本性轉變。華院計算高級技術專家趙康寧強調，大模型時代對數據質量的考量已超越傳統完整度、整齊度等指標，轉向數據與模型演進方向的契合度、安全可靠性及動態評估機制。中國數聯科技創新部總經理沈旸則揭示了企業數據利用的深層矛盾：互聯網公司訓練大模型使用的公開數據價值有限，而企業內部99.9%的過程管理數據尚未數字化，這些沉淀管理過程的私有數據才是構建AI核心競爭力的關鍵。
金融行業實時反欺詐系統的實踐印證了高質量數據的戰略價值。某頭部商業銀行通過整合上百個數據源，在50毫秒內完成風險數據采集、清洗與模型推理，其成功關鍵在于建立貫穿全鏈路的數據溯源與質量監控體系。這種需求推動著數據治理向智能化、實時化方向演進，上海紐約大學信息技術部高級主任常潘形象比喻："就像學車不能只在空曠場地訓練，大模型需要高密度高質量數據才能實現能力躍遷。"
構建"用戶反饋-場景數據-模型迭代"閉環成為產業共識。葉光輝提出"小步快跑"實施路徑：先基于真實業務場景梳理數據，再建立專用模型進行訓練，最后通過人工反饋實現快速迭代。這種動態優化機制在制造業供需匹配中已見成效——上海某工業互聯網平臺通過數據智能匹配，幫助陶瓷行業小作坊精準對接市場需求，實現經濟效益最大化。
面向未來智能形態，數據基礎設施需突破多重局限。沈旸指出，大語言模型作為概率模型的本質缺陷，使其難以直接處理結構化數據，未來數據底座可能需要向端到端架構演進。趙康寧則展望，當機器邁向通用智能，數據將不再是被處理對象，而是成為影響機器決策的核心要素，這要求建立全新的數據治理架構。常潘特別強調數據權限管理的變革：在智能時代，數據權限中心應從人類轉向機器，以匹配AI處理需求。
這場數據與智能的深度對話揭示，我們正從數據治理時代邁向智能驅動時代。當數據成為智能體的"感官"與"經驗"，當機器開始自主決定數據的使用方式，數據架構與治理體系必將迎來顛覆性創新。這種變革不僅是技術層面的突破，更是人類認知世界方式的根本性重構。
