8月28日下午，在中国国际大数据产业博览会组委会主办，中国信息通信研究院、中国移动通信集团承办的“高质量数据集和数据标注”主题交流活动上，深圳大学电子与信息工程学院院长丁文华作题为《支撑人工智能发展的数据集建设思考》的主旨演讲。
他提出，数据集是人工智能技术迭代升级的核心底座，更是当前制约AI，尤其是具身智能规模化落地的关键因素。
他从人工智能核心要素、大模型能力现状、AIGC发展趋势、训练数据缺口、具身智能发展痛点等多个维度，系统剖析了当前人工智能产业的发展现状与核心短板。
深圳大学电子与信息工程学院院长丁文华。 闻双 摄
他表示，模型参数、训练数据、算力资源是支撑人工智能发展的三大核心要素，三者协同决定AI技术的迭代速度与落地能力，其中高质量训练数据是技术落地应用的核心根基。
针对当前人工智能的能力边界，丁文华结合行业实测数据作出详细解读。在业内主流的11项人工智能能力测试中，AI已在图像分类、视觉推理、英语理解、中等阅读理解等8个领域超越人类水平，智能化能力持续迭代突破。但在智能体多模态计算机应用、高阶数学推理、自主软件工程3个核心领域，AI能力仍未达到人类基线水平，智能综合应用、自主创新能力存在明显不足。与此同时，备受关注的具身智能技术，也因训练数据缺失陷入发展瓶颈。
丁文华说，具身智能在受控仿真场景中表现优异，短期任务完成成功率已接近90%。但落地真实生活场景时能力大幅下滑，日常家务类任务部分完成率仅25%至26%，完整任务全程成功率不足13%，场景适配、自主决策、动态交互能力短板显著。
“高质量数据集和数据标注”主题交流活动。闻双 摄
他进一步解释，具身智能的训练逻辑与传统大模型存在本质差异，其训练高度依赖多维度、全流程的持续交互轨迹数据，涵盖环境感知、设备自身状态、力觉反馈、动作痕迹、精细化任务标注等多元信息，对数据的真实性、连续性、场景化要求极高。
他表示，当前全球具身智能交互轨迹数据总时长仅十万至几十万小时量级，而业界共识显示，想要实现具身智能多场景、规模化商用落地，所需训练数据时长至少达到千万小时级，甚至需要突破亿小时量级，行业数据缺口巨大。
针对数据集建设短板与行业缺口，丁文华提出多方协同的破局思路。他表示，后续可依托高校开源数据、企业私有数据有序开放、第三方数据机构专业化生产、国家级数据平台统筹建设四大路径，整合全行业资源、打通数据壁垒，高效补齐具身智能训练数据短板，大幅缩短千万小时级高质量数据集的建设周期，为人工智能尤其是具身智能产业的长远发展筑牢数据底座。
天眼新闻记者 鲍贝贝
编辑 郭立
二审 管云
三审 岳振