推动工业数据“采、集、用”　为数据要素赋能新型工业化注入强劲动能（附图片）

外汇
7小时以前
1

　　本图片由豆包AI生成

　　近日，工业和信息化部发布《工业场景数据要素应用参考指引》（以下简称《指引》），明确了以场景为牵引推动工业数据开发利用的实施路径，为工业企业、数字化转型服务商、行业组织等主体提供清晰、具体的政策引导。《指引》是贯彻落实党中央、国务院决策部署的重要举措，与工业数据筑基行动等政策遥相呼应，将加快推动工业数据“采、集、用”，为数据要素赋能新型工业化注入强劲动能。

　　《指引》出台具有重要意义

　　《指引》是推动人工智能落地应用的重要抓手。当前及未来一段时间，制造业正步入数字化转型、智能化引领新阶段，“人工智能+制造”成为大势所趋。截至2025年底，我国规上制造业企业人工智能技术应用普及率超30％。人工智能在制造业的落地应用，核心在于高质量、高适配度的工业数据。《指引》围绕核心环节、凝炼典型场景，有助于把分散的工业数据转化为标准化、可复用的高质量数据集，为人工智能深度嵌入核心环节夯实数据底座，促进制造业数智化转型。

　　《指引》是释放工业数据要素价值的关键举措。工业数据是工业生产活动中人员、机器、物料、方法、环境全要素的数字映射，是驱动行业高质量发展的“核心要素”。近年来，在社会各界的共同努力下，我国工业数据开发利用呈积极态势，但也面临数据底座薄弱、应用路径不明等问题。《指引》将复杂的工业数据开发利用问题，转化为更具操作性的细分场景下的数据“采、集、用”问题，实现工业数据应用化繁为简，推进工业数据开发利用，释放工业数据价值。

　　《指引》是构筑国家竞争新优势的战略选择。当前，高端制造领域的国际竞争，正逐步演变为基于数据驱动的产业竞争。美国持续投资工业等领域数据相关先进工具与核心技术研发，力图掌握新一轮科技革命主导权。欧盟通过立法强制开放物联网设备、工业机器等场景数据，建设行业、通用数据空间。《指引》有助于充分释放我国和丰富应用场景优势，加快形成自主、安全的工业高质量数据资源，推动数据价值转化为产业竞争力，构筑面向全球竞争的新优势。

　　《指引》揭示工业数据要素开发利用的实施路径

　　《指引》以业务场景为牵引，聚焦核心环节和关键问题，从数据的“采、集、用”三方面，揭示了工业场景数据要素应用的实施路径，为工业数据开发利用提供了清晰的落地指导，提升企业基于业务场景开展数据开发利用的积极性，是精准破除工业数据开发利用瓶颈的关键性操作指南。

　　“采”明确了数据类别与采集方式。“采”即数据的采集获取，是工业数据开发利用的起点源头。针对工业多模态、多源异构数据“采不全、采不准、采不及时”等问题，《指引》提出通过传感器、标准化接口等手段，系统性采集场景所需的、来自不同方面的原始数据，明确了数据采集的方式与类别。而且《指引》强调“老师傅经验数据”等知识经验数据的采集，借助人工智能手段，将老师傅研发设计、生产制造等过程中积累的知识经验标准化、数据化，推动核心知识经验不断沉淀，让老师傅的经验真正传承下去。

　　“集”揭示了数据治理与汇集过程。“集”即数据的治理汇集，是工业数据开发利用的关键支撑。针对工业数据格式复杂、标准不统一、行业术语差异、“碎片化”等问题，《指引》提出利用数字化工具，对采集到的原始数据进行清洗、标注、整合等治理，打造标准化、规范化的高质量数据集，明确了数据加工处理、流通汇集的实施流程与路径。对于跨主体数据汇集，《指引》指出利用云平台或数据湖，实现不同主体数据共享与安全可信流通，推动场景所需数据高质量、安全汇集，为场景应用提供充足“养料”。

　　“用”指明了数据应用路径与方法。“用”即数据的融合应用，是工业数据开发利用的核心环节。针对工业企业数据不会用、不敢用、不善用等问题，《指引》点明了每个场景数据要素应用的技术工具，比如5G、工业互联网、具身智能等，并提出了需构建的数据模型或系统以及数据应用实施过程，为工业数据应用指明了建设路径与方法，让数据真正转化为生产效率、产品质量与竞争优势。

　　此外，《指引》在附件部分为每个场景附上一个典型实践案例，案例从要点概述、主要做法、应用成效三方面展开，帮助各类主体对场景有更加清晰直观的认识与理解。

　　加快《指引》落地应用

　　释放工业数据价值

　　《指引》的发布，既是对当前工业数据融合应用实践的总结，也为推进工业数据开发利用指明了方向。为加快《指引》落地应用，将从需求规划、数据准备、应用验证、安全防护等方面发力，充分释放工业数据蕴含的巨大价值。

　　开展需求规划，明确场景应用行动路线。聚焦核心业务环节，梳理痛点问题，识别能够产生最大业务回报的核心价值场景。将业务场景拆解为具体的子任务和关键节点，开展数据需求分析，明确所需的数据类型、来源、规模、质量等要求，形成《场景应用数据需求清单》。制定数据准备的具体实施计划和方案，明确各环节的步骤和关键点。

　　做好数据准备，提供高质量数据资源。运用标准化接口等手段，采集场景所需的运营技术（OT）数据和信息技术（IT）数据。使用自动化技术工具，结合行业领域知识，对采集的数据进行清洗、转换、标注等处理，构建以业务场景为核心的数据标签，形成高质量、标准化的数据资源。开展数据质量评估与合规性验证，持续提升数据质量水平。

　　实施应用验证，推动应用效果持续迭代。选择代表性产线或车间开展试点，验证数据应用效果。根据试点反馈，反向推动数据采集汇聚、加工处理、质量评估等环节优化。将优化后的数据持续应用于试点业务流程，推动应用模型持续迭代优化，提升数据应用效果。验证通过后，总结可复用可推广的应用模式，推动更多典型案例持续涌现。

　　强化安全防护，保障全流程数据安全。贯彻落实《数据安全法》等政策法规，对工业数据进行分级分类管理，建立数据全生命周期安全防护体系。加强访问控制、数据加密等安全措施，确保数据在传输、存储过程中的安全。采用智能化数据使用监测技术，建立数据使用风险预警与应对机制，强化数据应用监控和审计，提升数据安全防护水平。