2月7日国家数据局联合工信部等多个部门发布的《关于培育数据流通服务机构 加快推进数据要素市场化价值化的意见》国数政策【2026】6号简称《意见》，总共四部分16条。为激活数据要素价值绘制了清晰的实施路径。

理解《意见》的三个关键视角。这份《意见》的深度在于它不仅仅是一份机构分类指南，更是一套激活市场的系统方案。从“搭台”到“唱戏”：过去数据市场建设侧重于搭建交易平台（“搭台”），而《意见》则着力于解决“唱戏”的问题，即如何让高质量数据高效地流动起来并被用起来。它通过明确三类机构的分工协作，旨在形成一个功能互补、运行有序的生态系统，避免同质化竞争。创新交易模式，降低门槛：《意见》鼓励探索多元化的价值交换模式，如“数据换数据、换服务、换模型”等。这些模式突破了传统单一的货币交易形式，降低了企业尤其是中小企业的数据获取门槛和成本，有利于更大范围地促进数据流通。紧扣时代脉搏，服务AI发展：文件敏锐地抓住了人工智能发展的关键瓶颈——高质量数据供给。它明确支持数据流通服务机构与AI企业合作，建设面向AI训练的高质量数据集，提供数据汇聚、治理乃至模型训练等服务。这使数据要素直接赋能于新质生产力的发展。

坚实的保障体系。为确保数据要素市场健康有序发展，《意见》在监管与安全方面做出了周密安排。优化监管与激励创新并重：在监管上，文件体现出了弹性。一方面，它强调要严格规范数据交易所的审批，统筹布局，避免重复建设。另一方面，它提出探索建立试错容错机制，为企业在风险可控前提下开展创新提供了宝贵的政策空间。坚守安全底线：文件通篇强调“安全合规”，要求把安全贯穿于数据供给、流通、使用的全过程，明确各类机构的数据安全责任，以 “高水平安全”保障“高质量发展” 。

“数据换数据、换服务、换模型”是这份《意见》中极具创新性的核心举措，旨在破解数据流通中的关键难题。

理解这三种模式的关键视角。这些模式并非简单的交易方式变化，其背后反映了数据要素市场发展的深刻思路转变。降低流通门槛：传统的货币交易方式，使得数据定价成为巨大难题，也让许多中小企业望而却步。这些“以物易物”式的交换，绕开了复杂的货币定价环节，显著降低了企业尤其是中小企业获取高质量数据和先进技术的门槛和成本，让数据流通变得更加普惠。破解“数据荒”：当前，人工智能产业面临高质量训练数据短缺的“数据荒”。《意见》特别强调“数据换模型”，实质上是为AI企业提供了获取宝贵数据资源的新渠道，同时让提供数据的企业能直接享受到AI技术红利，形成了双向赋能的正向循环。激活生态价值：这些模式鼓励企业将自身数据视为可增值的“资本”而非库存，通过流通来创造新价值。这有助于打破“数据孤岛”，促进跨行业、跨主体的数据融合应用，催生更多创新的业务模式和应用场景。

政策引导与未来展望。《意见》推出这些模式，体现了明确的政策导向。服务于国家战略：这一设计直接对接“数据要素×”和“人工智能+”等国家行动，意图通过机制创新，快速打通数据赋能实体经济的关键路径，让数据真正成为驱动产业升级和新质生产力发展的核心动能。鼓励探索与规范并存：《意见》在鼓励探索的同时，也强调“合规健康发展”和“风险可控”。这意味着未来会有一系列配套规则和标准出台，确保这些创新模式在安全有序的轨道上运行。

“数据换模型”在医疗领域的应用，本质上是医疗机构以其宝贵的临床数据，与科技公司或研究机构交换AI模型能力的一种合作模式。这种模式既解决了AI企业训练数据短缺的问题，也让医疗机构快速获得了智能化工具。

合作模式的双向价值。这些案例的成功，关键在于实现了 双向赋能。对医疗机构而言：在不涉及资金流出、确保数据安全与合规的前提下，直接获得了前沿的AI能力。这能显著提升诊疗效率与质量，并将医生从繁重的文书工作中解放出来，专注于临床决策。对技术公司而言：获得了高质量、大规模、稀缺的医疗数据资源，这是训练出精准可靠的医疗AI模型的基石。没有这些真实世界的数据，任何模型都难以达到临床可用的水平。

安全与合规是前提。“数据换模型”的核心基础是数据安全与隐私保护。所有数据交换都必须在严格的法律法规和技术保障下进行。技术保障：例如前述案例中提到的“可信数据空间”，集成了隐私计算、数字沙箱和区块链存证等技术，确保数据在流转过程中 “可用不可见” ，全程可控可追溯，从技术上杜绝原始数据泄露的风险。规范与标准：国家及地方相关部门正持续推动数据安全、互认标准等规范制定，为这类合作营造合规环境。

“数据换模型”在医疗领域的未来发展趋势，核心是从基础的能力交换，转向深度融合与价值共创，旨在系统性提升医疗服务的质量、可及性与效率。数据治理与模型专业化。未来，“数据换模型”的成功将越来越依赖于精细化的数据治理和模型的垂直专业化。数据治理走向分层分级：单纯的数据汇集已不足够，未来的重点是将医疗数据治理成高质量、可用的知识资产。实践表明，有效的路径是构建“库+专科库+专病库+专项库”的分层数据体系，这能显著提升模型训练的效果和效率。模型发展聚焦专科深度：通用大模型会继续演进，但医疗领域的突破将更多由面向特定场景的垂类模型驱动。例如，专注于重症医学的模型能够整合多模态数据打造患者数字孪生，为脓毒症、急性呼吸窘迫综合征等复杂情况提供贴合临床的分析与处置建议。这类模型在专病领域的表现将愈发关键。

技术安全与协作模式创新。数据隐私和安全是发展的前提，相关技术的进步正推动合作模式演变。隐私计算成为数据协作的基石：为满足“数据不出院”等合规要求，联邦学习、可信计算环境、区块链等技术至关重要。它们能实现数据“可用不可见”，在保护患者隐私和安全的前提下，支持跨机构的数据协作与模型训练。合作模式从项目化走向生态化：“数据换模型”不再仅是单次交易。未来更倾向于建立长期、开放的战略合作生态。例如，医院、高校和企业共建联合创新平台，共同推动AI在细分医疗领域的深化应用。

政策法规与伦理框架完善。随着技术深入临床，相关的政策、法律和伦理框架也需同步完善。明确责任边界与监管规则：目前行业共识是AI充当辅助工具的角色。未来，需进一步细化因AI辅助诊疗导致医疗事故的责任认定标准。监管层面可能建立分级分类的体系，并配套相应的保险及风险分担机制。将公平性内嵌于技术发展：必须警惕并解决算法偏差可能加剧健康不公平的问题。这要求在模型训练数据的代表性、产品评估标准以及面向基层和困难群体的技术推广中，持续将公平性作为核心准则。

推动医疗资源均质化。“数据换模型”的一个重要使命是优化医疗资源配置，提升服务的可及性。赋能基层，促进服务均质化：通过AI将顶级医院的诊疗经验标准化并下沉至基层，有助于提升基层医疗机构的服务能力，助力分级诊疗，让优质医疗资源更普惠。重塑医学研究范式：AI能加速疾病亚型识别、生物标志物发现和新药靶点筛选，显著缩短医学知识从科研到临床的转化周期。这对应对如制药行业“反摩尔定律”所揭示的研发效率危机具有重要意义。

人机协同与能力建设。未来的发展强调人机协作，并对医疗从业者提出了新的能力要求。目标是人机共生，增强人类专家：AI的价值在于成为医生的“超级助手”，将医护人员从部分重复性劳动中解放出来，使其能更专注于临床决策和患者关怀。培养跨学科复合人才：推动“医学+AI”深度融合，亟需培养既懂临床又懂数据与算法的两栖人才。这需要从教育体系入手，建立交叉学科培养机制，并在医疗机构内加强技术人员评估和风险管理的能力建设。总体而言，“数据换模型”在医疗领域的未来，是一条走向数据驱动、生态共赢、智能普惠的道路。技术的持续创新与审慎的治理框架相结合，将共同推动医疗健康服务向更精准、更公平、更富人文关怀的方向演进。

医疗数据治理就像一套复杂的交通系统，不同国家基于各自的法律传统、技术基础和社会理念，设计了截然不同的“交通规则”和“基础设施”。下面的表格可以帮你快速把握美国、欧盟（以德国为例）和中国在核心治理维度上的主要差异。

理解差异的关键视角。表格展示了宏观差异，深入理解这些差异背后的逻辑和影响更为重要。理念差异是根源：美国对商业创新的包容催生了繁荣的数字健康产业，但碎片化规则也带来高昂合规成本。欧盟的严谨为隐私树立了“黄金标准”，但可能放缓创新步伐。中国强大的国家动员能力能快速建设大型基础设施，但需在发展中持续完善个人权利的精细化和对技术风险的防范。技术路线的权衡：数据架构选择体现了不同的权衡。欧盟的“联邦制”在隐私保护和数据利用间取得精妙平衡。中国的集中式模式能汇聚海量数据，为AI训练和公共卫生提供无与伦比的优势，但也对数据安全和访问权限管理提出极高要求。未来的融合趋势：没有绝对的最优解，未来趋势是相互借鉴。中国学者已提出构建兼顾隐私保护和高效利用的分布式数据网络的思考。同时，中国正积极探索建立医疗数据要素生态系统（MDEE），旨在平衡数据安全、高效流通与公平价值分配。

中国医疗数据治理正处在从“被动存储”向“主动利用”的关键转型期。

挑战的深层透视。表格列出的挑战是相互关联的系统性问题。要深入理解，可以把握以下几个关键点：“不敢用”与“不愿用”的困境：即便技术可行，医疗机构也常因权责利不明晰和对安全风险的担忧，对数据共享持谨慎态度。这导致海量数据难以被有效聚合利用，比如在训练医疗AI模型时，常面临高质量、标准化数据短缺的瓶颈。从“合规驱动”到“价值驱动”的转变：当前数据治理很大精力花在满足合规要求上。未来的方向是让数据真正产生临床和科研价值，例如，通过高质量的真实世界数据支持新药研发和临床决策，但这需要跨机构、跨领域的深度协作。人才与认知的缺口：成功的数据治理需要既懂医疗又懂数据和AI的复合型人才。同时，医疗机构管理者也需要提升对数据战略价值的认知，从“成本中心”的视角转向“价值资产”的视角。

未来的发展方向。面对这些挑战，未来的发展路径正逐渐清晰，主要集中在以下几个方面：深化制度落地：加快出台医疗数据分类分级、确权授权和收益分配的具体细则，让数据流通有章可循。技术创新护航：隐私计算（如联邦学习、可信执行环境）等技术将在保障“数据可用不可见”方面发挥更大作用，帮助破解隐私与利用的矛盾。推动生态共建：需要政府、医院、企业、科研机构等各方共同参与，构建一个涵盖数据供给、加工、流通、应用和安全的健康数据产业生态。

当前中国医疗数据治理中的分类分级工作，已经形成了一套结合国家标准、地方实践与前沿技术的体系。

分类分级的基本原则。在具体操作中，数据的分类分级并非简单“对号入座”，而是遵循一些关键原则以确保科学性和实用性：就高从严原则：当同一数据项符合多个级别时，按最高级别进行保护。例如，一份既包含大量个人信息又涉及特定区域群体健康趋势的数据，会按核心数据或重要数据的要求进行管理。动态更新原则：数据的级别并非一成不变。当数据的业务属性、应用场景或相关法规发生变化时，需要重新评估并调整其级别。边界清晰原则：不同级别的数据应有清晰的边界，以便匹配差异化的保护措施。例如，核心数据的访问权限控制和加密强度会远高于一般数据。

实施流程与技术趋势。对于一家医院或卫生机构来说，开展数据分类分级是一项系统性工程，通常包含几个关键步骤，而人工智能等新技术的应用正让这项工作变得越来越高效。组织与规划：首先需要建立专门的工作团队，明确待分类分级的数据范围，并制定详细的工作计划。资产梳理与发现：利用自动化扫描工具，对医院内部各个信息系统（如HIS、EMR）的数据库进行盘点，生成数据资产目录，搞清楚“有什么数据”以及“数据在哪里”。智能打标与定级：这是技术创新的核心环节。一些领先的机构开始探索使用大语言模型等技术。系统可以自动理解数据字段的语义，并参考预设的分类分级标准，为数据智能地打上分类和分级标签，大大提升了效率和准确性。形成清单与持续运营：最终会生成一份数据分类分级清单，并纳入日常数据安全管理流程。同时，建立定期审核机制，确保清单能随着业务发展而动态更新。

核心价值与应用场景。做好数据分类分级的最终目的，是为了在保障安全的前提下，更好地释放数据的价值。实现精细化安全防护：不同级别的数据对应不同的安全措施。例如，核心数据和重要数据可能要求加密存储、严格访问控制、操作留痕；而一般数据则可以采用相对标准化的管理，从而实现安全投入的精准分配。促进数据合规共享与利用：明确了数据的级别和敏感度，就为数据在机构内部、跨机构之间甚至面向研究机构的安全合规流通奠定了基础。例如，在获得授权后，经过脱敏的一般数据可以用于医学研究，而核心数据的共享则会受到极其严格的限制。