前不久发布的《国家数据局关于印发〈关于推进行业高质量数据集建设行动的实施方案〉的通知》国数科基（2026）25号（简称《实施方案》），本质上是在把一件事讲透：AI竞争打到今天，“数据"不再是"有就行"，而是要变成"Al-Ready（可直接训练/可对齐/可复用/可交易/可监管）"的高质量行业数据集体系。给数据做一次"Al-Ready体检"就非常重要。不看计算机存储容量的单位（Terabyte），需要看四个硬指标：我的核心业务场景数据，有多少有统一口径+有时间戳对齐+有关键字段完整? 其中有多少带标注/可标注（或至少带明确的标签生成路径）? 哪些数据集能拿出应用验证记录（训练过模型、出过性能对比）? 哪些数据的权限边界和法律属性是清的?一句话记住：“数据占了多大地方不重要”，AI-Ready 回答的是“能不能吃、吃了有没有用、吃了违不违法”。这段话的核心就是让你把考核指标从前者切换到后者。不及格的话那就别急着模型战略，先修地基。

AI-Ready是什么？一句话定义AI-Ready = 数据不再是“给人看的记录”，而是“能直接喂给模型并产生稳定效果”的状态。更精确地说——一套数据被称为 AI-Ready，当且仅当它同时满足：机器能读（格式规范）× 语义能懂（口径一致）× 质量可信（干净/有标签/可追溯）× 用法合法（权限清晰/边界明确）× 效果可验（能跑出baseline、能复现）。缺任何一项，数据量再大也只是“数字废墟”。它和普通“数字化数据”根本不是一回事。

这是最容易混淆的点——信息化/数字化的数据，目标是让人能查、能统计、能做报表：Excel里有客户表；ERP里有工单记录；文件系统里有扫描件和PDF。AI-Ready 数据，目标是让模型能直接消费并产生可复现的性能提升：同一批客户数据，有没有统一ID体系让跨表关联不出错？工单文本里的关键字段（故障类型/严重程度/处理结果）有没有结构化提取或高质量标注？那些扫描件——是锁在PDF里不可解析，还是已OCR+版面解析成可检索的文本？训练集中正常样本和异常样本的比例会不会把模型“喂偏”？这批数据用了之后，能不能说清它来自哪个系统、哪个时间段、经过了什么清洗步骤？信息化的终点是“可查询”，AI-Ready的起点是“可训练”。中间隔着清洗、对齐、标注、质检、脱敏、版本化、授权——整条工程链。

AI-Ready 的 5 个硬特征（可逐项自检）。

1.机器可读 + 结构化（Readable）。不是“放在服务器上”，而是确定的格式（JSONL/Parquet/CSV with schema，而不是扫描件堆、手工合并的xlsx黑洞）。每条样本有明确的字段定义、类型约束、缺失值规则。多模态数据（图像/音频/点云/时序）附带对齐的元数据（时间戳、采集设备、工况标签、分辨率等）。

2.口径一致 + 可关联（Consistent）。同一概念在不同表里叫法相同、计算逻辑相同（否则模型学到的就是噪音）。跨系统ID可对齐（客户ID不漂移、设备ID不重号、时间区不混UTC/local）。有数据字典/数据卡片：这段数据“是什么、从哪来、代表什么、不代表什么”。

3.干净 + 有标签/有明确监督信号（Clean & Supervised）。去重、去脏、离群处理有记录（不是悄悄删掉）。关键任务字段有标注或可靠推导路径：分类任务 → 标签正确率要高（不然 garbage in, garbage out）。生成/推理任务 → 有参考答案、有来源引用、有事实性校验。对稀缺/危险case（缺陷、欺诈、急症）有刻意覆盖，不能只靠自然采样。

4.可追溯 + 可版本化（Traceable）。每个数据集有版本号：v1.2 / 产出日期 / 对应脚本commit。能从最终训练集反推回原始采集记录（至少到批次级别）。知道“这条样本为什么在/为什么不在”（过滤规则透明，不能黑箱式洗数据）。

5.合法合规 + 使用边界清晰（Legitimate）。敏感字段已脱敏/加密/隔离，且有访问控制。数据使用权限写得清楚：能用于什么目的、不能用于什么目的、能否对外、能否留存。对外提供时有最小必要原则 + 审计日志（谁下了什么包、用在哪、什么时候）。

一个快速自检：你的数据到底AI-Ready到几分？

问自己 5秒问题（任意一个答不上来，就不是AI-Ready）：我把这批数据拖进训练脚本——不用手工修整就能跑吗？如果同事用同一份数据跑同一任务——能得到一样的结果吗？（可复现）我能指着任意一条样本说：它为什么在这、标签哪来的、谁标的？如果法务问“这里有个人信息/商业机密吗”——我有清单和脱敏记录吗？如果模型上线后翻车——我能在数据层追溯到原因吗？

常见误区（踩坑率极高）。“我们有PB级数据，肯定AI-Ready” → 容量≠可训练性，泥和矿石都重，但矿石才能炼钢。“先搞大模型，数据回头再整理 ”→ 回头就等于重写：清洗规则、标注体系、口径对齐全要返工。“把PDF拖进RAG就算AI-Ready”→ 没做版面解析、没做表格还原、没做引用溯源，出来的幻觉比价值多。只盯训练集不管分布 → 训练集准确率99%，上线遇到真实边缘case全崩，就是因为数据没覆盖“困难样本”。

《实施方案》国家数据局反复强调的“高质量数据集”，翻译成落地语言就是：AI-Ready的数据资产 × 行业知识注入（标注/对齐）× 标准与质检闭环 × 合规可流通。四条缺一，数据集就只能停留在“我们有数据”的故事层面，进不到“模型吃了有效”的生产力层面。我可以按实际处境把“AI-Ready体检”做成一份10分钟自查问卷（制造业现场数据），你填完就能正确定位：你现在卡在5个特征里的哪一个，以及第一步该动哪里。你手头主要是哪类数据？

以下是专门针对制造业现场数据（设备传感器、PLC日志、MES工单、质检图像、工艺参数等）的 10分钟AI-Ready体检问卷。请在每题中选择最符合现状的选项，完成后根据末尾的计分指引定位短板。制造业现场数据 AI-Ready 10分钟自查问卷。填写说明：每题选一个答案，记录对应分数（A=0分，B=1分，C=2分，D=3分）。时间预算：共10题，每题约1分钟。

第1题：数据格式与存储方式

你的设备/产线数据目前主要以什么形式保存？

A. 纸质记录、PDF扫描件、或手工录入的Excel（无固定模板）。

B. 系统导出的CSV/Excel，但字段名经常变化，或需要手动拼接多个文件。

C. 统一格式的CSV/Parquet/数据库表，有固定的Schema定义。

D. 以上皆满足，且已实现实时流式写入（Kafka/MQTT）或定时自动入库。

第2题：时间戳与对齐

不同来源的数据（如温度传感器、转速、MES工单）能否在时间轴上精确对齐？

A. 几乎不能对齐，时间戳缺失或格式混乱（比如有的用本地时间，有的用UTC，有的无日期）。

B. 勉强能对齐，但需要大量人工校对（比如手工匹配时间窗口）。

C. 大部分可自动对齐，少数异常需人工介入。

D. 所有数据源使用统一的时间同步机制（如NTP），时间戳精度到毫秒级且格式统一。

第3题：设备ID与产品追溯

同一个设备或产品在不同系统（如SCADA、MES、WMS）中是否有统一的唯一标识？

A. 完全没有，各系统用各自的编码，无法直接关联。

B. 部分系统有映射表，但更新不及时，经常出现找不到对应关系的情况。

C. 有主数据管理，但偶尔有重复或错误。

D. 有完善的设备/产品主数据体系，跨系统ID自动关联且定期校验。

第4题：标注与标签

你的现场数据中，用于监督学习（如缺陷检测、故障分类）的标签是如何获得的？

A. 几乎没有标签，或只有极少量人工备注。

B. 有标签，但主要依靠人工事后翻阅记录添加，效率低且一致性差。

C. 有半自动标注流程（如规则+人工复核），标签一致性较好。

D. 有完整的标注流水线：自动初标+专家抽检+版本管理，标签正确率≥95%。

第5题：数据质量与清洗

你对自己数据的“干净程度”有多大信心？

A. 很脏：缺失值、异常跳点、重复记录大量存在，且不清楚哪些是脏数据。

B. 知道脏，但只能靠手工清理，每次项目都从头再来。

C. 有固定的清洗脚本，但只覆盖常见问题，边缘case常漏掉。

D. 有自动化的数据质量监控系统（如异常检测、缺失率报警），清洗过程可复现、可审计。

第6题：困难样本与长尾分布

你的数据集中，是否特意覆盖了“少见但关键”的场景（如罕见缺陷、极端工况）？

A. 没有考虑过，全靠自然采集，稀有事件极少甚至为零。

B. 知道需要，但没有系统性的方法去收集或合成。

C. 有意识地在产线上增加特殊工况的采集频次，或通过数据增强扩充。

D. 建立了主动学习/困难样本挖掘机制，持续补充边缘case，并有合成数据方案。

第7题：数据版本与溯源

你是否能回答：“三个月前训练模型时用的那批数据，和现在这批有什么不同？”

A. 完全不能，数据文件没有版本号，改了就覆盖。

B. 能说出大概，但缺少详细的变更日志（比如谁改了哪条规则）。

C. 有版本号和简单注释，但无法从最终数据集追溯到原始采集记录。

D. 有完整的版本管理（Git-LFS或类似系统），每条数据可追溯至原始设备、采集时间、处理脚本commit。

第8题：脱敏与合规

你的现场数据中是否包含人员信息（如操作员工号、人脸）、客户信息或商业机密？如何处理？

A. 不清楚，没有检查过，也没有脱敏措施。

B. 知道有敏感信息，但只在项目交付前临时脱敏，且脱敏方式粗糙（如直接删除列）。

C. 有脱敏策略（如泛化、加密），但未覆盖所有数据源，或脱敏后影响数据分析。

D. 有规范的敏感数据识别与脱敏流程，脱敏后保留统计特性，且定期审计。

第9题：使用边界与授权

如果你的数据要提供给第三方（如算法供应商、合作实验室），你是否有清晰的授权协议？

A. 没有，数据内部都没理清，更不敢外供。

B. 有口头约定，但没有书面协议，或者协议过于笼统。

C. 有正式的数据使用协议，明确了用途、期限、保密义务。

D. 有完整的授权链：数据分类→审批流程→协议模板→交付审计日志。

第10题：历史项目复盘

你过去用现场数据训练AI模型时，遇到过最头疼的问题是什么？（单选，用于辅助定位）

A. 数据格式太乱，花了80%时间在清洗上。

B. 不同产线的数据口径不一致，模型换条线就失效。

C. 缺乏高质量标签，模型精度一直上不去。

D. 数据量够，但模型上线后效果不稳定，找不到原因（怀疑数据漂移或版本混乱）。

E. 合规审查没过，数据不能出车间，项目搁浅。

计分与定位

第一步：计算总分

将1-9题的分数相加（每题0-3分），满分27分。

22-27分：整体AI-Ready水平较高，重点关注第10题反映的剩余短板。

15-21分：有基础，但存在明显短板，建议优先修补得分最低的维度。

0-14分：数据底盘薄弱，不建议直接启动AI项目，先做基础治理。

第二步：定位短板（结合第10题与各题得分）

第三步：优先级建议

若总分小于15分，先做第1步（机器可读）和第2步（口径一致），因为它们是其他所有工作的前提。若总分在15-21分之间，按第10题所选的最痛问题（A→1，B→2，C→3，D→4，E→5）优先攻克对应维度。若总分≥22分，重点补长尾短板（第6题困难样本、第7题可追溯深度），并建立常态化监控。

输出结果示例（你填完后会得到这样的结论）

您的总分为：13分（红灯）。主要短板： 机器可读（第1题0分）+ 口径一致（第2题1分、第3题0分）。第一步行动：一周内召集IT与产线负责人，确定设备数据统一采集格式（推荐Parquet+固定Schema）；启动时间同步改造（NTP服务器），并梳理设备ID映射表；在完成上述两项前，暂缓任何AI模型训练项目。