城市是推进数字中国建设的核心载体，更是中国式现代化建设的主战场与动力源。近日，《深化智慧城市发展 推进全域数字化转型行动计划》（以下简称《行动计划》）正式发布，明确了推进城市全域数字化转型的思路与目标，并从六个方面系统规划了扎实推进转型的重点任务与具体举措，为城市数字化转型提供了行动指南。《行动计划》深入贯彻中央城市工作会议精神，深刻把握并主动适应我国城镇化和城市发展的形势变化，以数据赋能城市经济社会发展全局为核心理念，充分发挥数据要素在城市高质量发展中的协同优化、复用增效与融合创新作用，不仅为提升城市治理智能化精细化水平提供了清晰路径，更为满足人民群众美好生活需要注入了动能，为现代化人民城市建设提供了强大支撑。 一、聚焦三大核心领域全维度赋能城市发展 建设现代化人民城市具有深刻的理论内涵与实践意义。“人民城市”彰显了中国特色城市发展的本质属性，“现代化”则涵盖创新、宜居、美丽、韧性、文明、智慧等多元维度，是对城市发展质量与水平的综合性要求。《行动计划》锚定建设现代化人民城市的目标定位，坚持数据驱动、应用导向，聚焦城市智慧高效能治理、高品质生活、高质量发展三大核心领域，致力于全领域、全方位、全过程赋能城市经济社会发展。 一是以数据驱动城市高效能治理。当前我国城市工作重心正发生重大转变，亟需打破“重建设、轻治理”的传统思维与惯性做法，加大治理投入，推动城市向高水平运营、高效能治理转型。《行动计划》紧密结合治理需求，统筹发展与安全，提出实施城市智慧高效治理提升行动，围绕城市运行、安全风险、社会服务与治理等关键领域，明确了构建城市智慧高效治理体系、数智赋能城市应急安全保障、提升民意速办服务效能等重点举措。其中，深化“一网统管”建设，构建城市运行体征指标体系，建立数据赋能、分级协作、闭环落实的智慧高效治理机制；围绕城市风险早期预警、灾前防范、应急处置等关键环节强化数智赋能；在社会治理中深化数字化应用，提升社情民意实时感知与精准服务水平等举措，均有助于将风险防控深度嵌入城市管理系统，助力建设安全可靠的韧性城市，提升城市平急联动协同能力。 二是以数据创造高品质生活。人民群众对美好生活的向往是城市工作的出发点与落脚点，宜居则是践行人民城市理念的基本要求。《行动计划》提出开展数字美好生活行动，着力建设舒适便利的宜居城市。重点聚焦医疗、健康、教育、新就业群体服务管理等重点应用场景，推进智慧公共服务升级；打造数字赋能文旅、体育、数字消费等新型数字生活场景，推动人工智能在消费场景的深度应用，发展智创品质生活；精准识别老年人、儿童、残障人士等群体的服务需求，推动城乡数字基本公共服务均衡化，优化数字友好型人文环境。一系列举措紧扣民生所需、推动精准普惠，充分彰显了城市数字化转型的“温度”，生动诠释了“人民城市为人民”的发展理念。 三是以数据引领高质量发展。建设富有活力的创新城市，精心培育创新生态，在发展新质生产力上持续突破，是我国当前及今后一段时期城市工作的重点任务。《行动计划》立足城市内涵式发展的战略取向，统筹建设与治理关系，提出实施数字经济赋能行动，从发挥城市功能的角度推动经济高质量发展。在依托城市集聚优势、推进数据要素价值化实现“以城带产”的同时，更强调“以产促城”，利用数字技术推动城市功能改造，建设创新型产业社区、商务社区；依托产业园区促进传统产业、新兴产业、未来产业的科技创新成果落地转化；构建城市经济运行协同调度与监测体系，支持有条件的地区开展城市数字经济监测分析，为建设活力之城、机遇之城提供有力支撑。 二、聚焦存量提质增效推进城市数字更新 城市全域数字化转型需置于我国城镇化和城市发展的历史方位中审视。从我国新型工业化、城镇化进程来看，尽管城镇化仍有较大空间与潜力，但增速已整体趋稳，城市空间布局和基础设施建设已大体成型，多数城市建成区面积与开发强度已达较高水平，城市发展已难以延续外延式扩张态势。在我国城镇化从快速增长期转向稳定发展期、城市发展从大规模增量扩张转向存量提质增效为主的阶段，推动城市全域数字化转型必须以坚持城市内涵式发展为主线，以推进城市更新为重要抓手。 《行动计划》深刻把握我国城市发展阶段性特征，提出推动城市数字更新行动，注重通过盘活存量带动增量发展。一方面，优先解决安全与韧性问题，加快城市基础设施数字化更新改造。在风险高发区域有序实施城市泛在感知工程，运用人工智能等技术深化城市生命线安全工程建设，同时建立健全数字基础设施与市政基础设施同步规划、同步建设机制。另一方面，深化智慧社区建设，着力提升城市功能与品质。支持有条件的地区改造建设一批高品质智慧社区，完善社区嵌入式服务设施，按需配置、优化升级社区数字服务能力，发展智慧物业；打造数字惠民服务生活圈，建设涵盖一站式托育助老、亲子阅读、社区康养等服务的幸福邻里综合体，通过高品质生活空间的打造实现城市有机“新陈代谢”。 三、聚焦城市新“硬件”构建统筹集约数字底座 新时代以来，我国新型城镇化水平和城市发展能级不断提升，城市面貌发生历史性变化，城市功能实现历史性跃升，城市发展取得历史性成就，城市发展的传统“硬件”设施已达到较高水平，部分特大超大城市更是走在世界前列。但与此同时，面对新一轮科技革命和产业变革加速演进、人民群众需求日益升级的新形势，我国城市在数字基础设施建设方面仍有较大提升空间。 《行动计划》提出实施数字化转型筑基行动，强调大力推进城市数字基础设施建设，集约布局感知、网络、算力等基础设施，推进全国一体化算力网建设，在国家算力资源统筹规划下，推动跨区域多元异构算力资源的统筹管理与灵活调度；强化数据资源供给，积极探索数据产权归属认定、合规流通、权益分配等制度建设，建立动态更新的城市公共数据资源目录，逐步构建公共数据“一本账”；完善城市智能中枢，构建统一规划、统一架构、统一标准、统一运维的一体化中枢系统，加强城市数据汇聚治理与融合利用；高度重视数字化转型安全，强化网络安全、数据安全一体化防护能力。一系列具体行动围绕基础设施、数据资源、智能中枢、安全防护四个主要维度形成实施城市新“硬件”发展“路线图”，为现代化人民城市构筑了坚实的数字底座。 四、聚焦激发城市活力深化适数化改革 建设现代化人民城市，需要通过持续深化改革破解矛盾难题，加快培育壮大城市发展新动能。当前，许多城市的政策、标准体系形成于大规模扩张时期，而数字化领域的政策制度仍不健全，亟需破除数字化转型的制度性堵点，加快构建与城市发展新阶段、新目标、新任务相适应的政策制度体系，在适数化改革中实现突破。 《行动计划》坚持系统观念与问题导向，提出开展适数化改革创新行动。重点围绕城市治理需求推进适数化改革，依托城市智能中枢创新跨部门数据合作机制，构建线下网络与线上平台联动协同机制，开展有利于数字化转型的数据确权规则、数字权证应用、行政管理、政府采购等制度改革；针对城市运行效能提升，创新长效运营运维模式，探索建立以用户满意度等应用效果为导向的运营预算与评价考核机制；尤其注重发挥标准的基础性、引领性作用，推动形成涵盖数字底座、转型场景、运营运维等领域的标准规范体系，并围绕服务主体评价，制定城市全域数字化转型规划咨询、建设实施、运营运维三类服务主体评价标准，构建闭环管理体系。相关适数化改革既强调跨部门、跨层级、跨区域统筹协调，又注重鼓励和支持各城市因地制宜，差异化探索全域数字化转型之路，有助于持续激发城市活力，提升现代化人民城市建设的整体效能。 作者： 国务院发展研究中心公共管理与人力资源研究所综合研究室主任、研究员 赵峥 来源（公众号）：北京数据

在数字化转型的进程中，“数据”、“平台”、“组织”被喻为必须翻越的“三座大山”。其中，数据是核心驱动力，软件平台是技术支撑，而组织则是实现转型的基础与保障。唯有构建灵活高效的组织机制，才能推动数据治理落地、释放数据价值，最终实现数字化转型的目标。通过最近走访的一些头部高校，对学校的数据部门的工作调研，促使我思考该如何建立数据治理团队，IT部门如何构建敏捷组织。 一、敏捷组织：数字化时代的组织新范式 （一）敏捷组织的核心定义 敏捷组织（Agile Organization）是指能够灵敏感知内外部环境变化并快速响应的组织形态。麦肯锡研究将其形容为“生物型组织”——如同生命体般具备自我调节、快速进化的能力。与传统金字塔型层级结构不同，敏捷组织以扁平化架构、跨职能团队、端到端责任为特征，强调“小团队作战”与“动态协同”，从而打破层级壁垒，提升决策效率。 （二）敏捷组织的五大核心特征 1.架构灵活：从“层级管控”到“扁平协同” 传统组织依赖金字塔结构实现权力集中，但层级越多，沟通成本越高、响应速度越慢。敏捷组织通过消除上下级壁垒，将组织拆解为小型跨职能团队，团队规模控制在1-5人左右，采用"部落-小队"模式（Tribe-Squad），每个小队承担特定数据治理任务，如教学数据质量提升、科研数据标准化等专项工作。这种结构在企业中已实现决策效率提升30%以上，在高校中可有效解决教务处、科研处、学工处等部门的数据割据问题。 2.数据驱动：从“权威指令”到“数字决策” 数据成为敏捷组织的“神经中枢”。不同于传统高校依赖经验决策的模式，敏捷组织强调"用数据说话"，通过构建统一数据中台，实现教学评价、科研管理、学生服务等场景的量化决策。例如某双一流高校通过分析学生行为数据，将图书馆借阅量、在线课程参与度等12项指标纳入学业预警模型，使挂科率下降18%。 3.员工能动：从“被动执行”到“自我驱动” 敏捷组织将员工定位为“专家型参与者”，而非“任务执行者”。通过目标对齐（OKR）、自主决策、团队协同模式，激发员工主人翁意识。通过OKR（目标与关键成果法）替代传统KPI考核，赋予教师、科研人员、技术人员充分的决策自主权。荷兰代尔夫特理工大学的实践表明，这种模式能使数据治理项目的参与度提升40%，显著改善行政人员与一线教师的协作效率。 4.领导赋能：从“控制管理”到“方向指引” 管理者角色从“指令下达者”转变为“资源协调者”与“方向洞察者”。IT部门负责人从控制者转变为赋能者，聚焦数据战略制定而非具体事务审批，直接牵头协调资源，消除部门本位主义。斯坦福大学数据治理委员会的"方向指引+资源保障"模式，成功推动全校17个业务系统的数据互联互通。 5.动态资源：从“权力分配”到“市场调配” 资源配置摆脱“部门壁垒”，建立市场化资源调配机制。改变传统高校按编制分配资源的固化模式，采用"数据项目入库"，由跨部门团队根据治理需求申请资源，如利用教育教学课题立项申报，通过竞争性申报机制，使有限资源向高价值治理项目倾斜。 二、数据治理为何需要敏捷组织？ 在数字化浪潮下，数据需求呈现“易变性、不确定性、复杂性、模糊性”（VUCA）特征。传统组织因层级僵化、部门割裂、决策滞后，难以应对数据治理的动态需求。敏捷组织通过“柔性架构+数据驱动+全员协同”，成为破解数据治理难题的关键。 （一）数据治理的本质：从“管控数据”到“释放价值” 数据治理的核心目标不是“管理数据”，而是通过数据创造业务价值。这一目标具有显著的动态演进特征：从初期的"消除数据孤岛"，到中期的"构建数据应用场景"，再到长期的"形成数据驱动文化"，每个阶段的重点任务差异明显。传统高校的常设性数据管理部门往往因职责固化，难以适应目标切换需求。而传统层级组织的“层层上报、跨部门协调难”问题，往往导致数据治理沦为“形式化合规”。 （二）敏捷组织可以破解数据治理三大痛点 1.打破“IT部门孤军奋战”困境 传统数据治理多由IT部门主导，业务部门被动配合，导致“数据与业务脱节”。敏捷组织通过IT与业务深度融合，组建跨职能项目团队（如“业务+技术+数据”铁三角），确保数据标准、质量规则与业务场景紧密结合。 2.应对“需求动态变化”挑战 高校数据治理本质上是持续优化的渐进式过程，而非一蹴而就的工程建设。无论是数据标准制定、治理工具开发还是治理文化培育，都需要通过快速迭代响应实践反馈。传统"大而全"的治理方案往往因无法适应实际需求变化而导致项目失败。敏捷组织通过短周期冲刺（Sprint）、快速验证（MVP）机制实现数据治理“小步快跑、敏捷迭代”。 3.构建“全员共治”文化 高校数据治理涉及教学、科研、管理、服务四大领域，治理对象呈现出显著的复杂性：从数据类型看，既有结构化的学籍数据，也有非结构化的科研文献；从数据主体看，涉及师生、管理者、科研团队等多元角色；从治理环节看，覆盖数据采集、存储、共享、应用全生命周期。数据治理需“人人参与”，而非“数据部门专属责任”。敏捷组织通过员工自我驱动、激励机制对齐，推动数据意识渗透到业务全流程。 三、组织架构：从"科层壁垒"到"网络协同" 构建适配高校特点的敏捷数据治理团队，需要从组织架构重构、运行机制设计、能力体系建设三个维度系统推进。这一路径既要吸收企业敏捷实践的成熟经验，又要充分考虑高校学术组织的特殊性，构建具有教育行业特色的治理模式。 从学校整体层面而言，打破传统高校按行政职能划分的组织边界，实现战略层、协调层、执行层的有机衔接： 战略决策层：设立校级数据治理委员会，由校长担任主任，分管信息化副校长任副主任，成员包括教务处、科研院、人事处等核心部门负责人及数据领域专家教授。目前国内很多高校已经成立了类似的委员会，可以通过治理驾驶舱实时监控重点项目进度，有效避免委员会沦为形式化机构，建立"决策-执行-反馈"闭环工作机制。 跨域协调层：学校信息化部门实际上是数据治理常设协调机构，负责将战略层决策转化为具体任务。关键职能包括制定数据治理标准规范（如《高校数据分类分级指南》）、统筹跨部门数据项目、开展数据治理成熟度评估等。 敏捷执行层：信息化部门的数据业务部或信息系统部则是数据治理的执行层，构建多元化执行团队体系，进行敏捷组织建设是数据治理成效的关键。负责日常数据治理工作，如数据质量管理团队（监控数据质量KPI）、数据安全合规团队（处理隐私保护问题），采用"7+2"人员配置模式（7名专职技术人员+2名业务部门人员）。针对临时性治理任务，如"智慧迎新"，任务完成后自动解散。采用"3×3"组建原则：3个核心部门（学工、信息、教务）+3个关键角色（产品负责人、技术负责人、业务负责人）。上述方法可以灵活配置团队规模，有效缓解数据部门人员不足的问题。 四、运行机制：从"行政指令"到"价值驱动" 建立适配敏捷治理的全流程运行机制，通过目标管理、协作模式、激励机制的创新，激发团队内生动力： 目标管理机制：引入OKR（目标与关键成果法）替代传统任务分解模式，通过"校级战略-部门级战术-个人级执行"三级联动，确保治理目标上下对齐。 迭代协作机制：采用Scrum敏捷框架，将治理项目分解为2-4周的冲刺周期，通过"每日站会-冲刺评审-回顾会议"实现持续改进。 激励约束机制：构建多元激励体系，在项目奖励、职称评审、教学成果认定等方面设计激励政策。同时建立柔性约束机制，通过数据治理成熟度评估，将评估结果与部门绩效考核挂钩。 五、能力体系：从"单一技能"到"复合素养" 敏捷组织需要“懂业务+懂技术+懂数据”的T型人才，除技术能力外，强调“问题解决能力”“跨团队沟通能力”。数据治理团队需要从五个方面进行建设。 （一）以客户为中心：从“部门视角”到“用户视角” 用户需求是数据治理的起点，敏捷组织需建立“客户洞察-数据响应-价值交付”的工作闭环。基于用户旅程 Mapping，梳理用户全流程数据触点，识别关键痛点。对新数据应用场景（如个性化推荐）先进行小范围测试，用小步验证方式，获取用户反馈并快速调整。 （二）以数据驱动：从“经验决策”到“数字洞察” 数据是敏捷组织的“血液”，需构建“数据采集-整合-分析-应用”全链路能力。通过协作工具（如飞书、Jira）、低代码平台（如Power Apps）、数据中台支撑小团队快速行动。搭建实时数据平台，通过数据湖、流处理技术（如Flink）实现业务数据实时接入。推广普及自助分析工具，为业务人员提供低代码分析平台（如Tableau、Power BI），减少对IT部门的依赖。 （三）重新定义IT：从“成本中心”到“价值引擎” 敏捷组织要求IT成为业务创新的“发动机”。IT部门努力实现三个转型，一是从“业务支撑”到“业务驱动”，IT人员要嵌入业务一线，IT工程师与业务部门工作人员共同主导数据治理；二是从“技术实现”到“生态整合”，通过引入外部技术供应商（如云服务、AI工具）弥补内部能力短板，与第三方合作搭建平台，降低数据处理成本；三是从“系统运维”到“能力中台”，构建可复用的数据中台、业务中台，支撑前端快速创新。 （四）业务与IT深度融合：从“部门协同”到“组织共生” 打破“业务不懂技术、IT不懂业务”的壁垒，实现“技术赋能业务、业务反哺技术”。IT人员可以到业务部门轮岗，业务人员参与系统开发。通过双向奔赴，培养“既懂业务又懂大数据”的复合型骨干。业务与IT团队共享目标，联合OKR设定，双方协同完成数据埋点、模型优化、运营活动设计等环节。 （五）培养复合型人才：从“单一技能”到“多元能力” 数据团队需要“懂业务+懂技术+懂数据”的T型人才，除技术能力外，强调“问题解决能力”“跨团队沟通能力”。加强内部培训，开设“数据治理专项培训”“业务场景工作研讨”；对数据创新成果给予额外奖励，在教学成果申报、论文认定、专利软著申请等方面给予支持。 五、结语：敏捷组织——数据治理的“胜负手” 数字化转型的本质是“用数据重构业务逻辑”，而敏捷组织则是这一过程的“组织容器”。从“架构灵活”到“数据驱动”，从“员工能动”到“业务IT融合”，敏捷组织通过系统性变革，将数据治理从“合规任务”转化为“业务增长引擎”。未来，只有那些能够快速感知数据价值、灵活调整组织形态组织，才能立于不败之地。 正如管理学大师彼得·德鲁克所言：“动荡时代最大的危险不是动荡本身，而是仍然用过去的逻辑做事。”敏捷组织，正是应对数据时代不确定性的“新逻辑”。 来源（公众号）：数智转型洞察

在之前的文章中，我们探讨了什么是数据中台。数据中台本质上是实现数据“汇聚整合”与“服务化输出”的核心载体。

Gartner研究副总裁高挺（Arnold Gao）表示：“2026年对技术领导者而言是至关重要的一年，变革、创新与风险将在这一年以空前的速度发展。2026年的各项重要战略技术趋势将密切交织，折射出一个由人工智能（AI）驱动的高度互联化世界的现实图景。 在这样一个世界，企业机构必须推动负责任的创新、卓越运营和数字信任。这些趋势不仅代表了技术变革的方向，还是促进业务转型的催化剂。今年不同于以往的一点是变革速度——这一年涌现的创新成果远超以往。由于下一轮创新浪潮已近在眼前，只有当下采取行动的企业才能应对市场波动和决定未来数十年的行业走向。” 以下是2026年重要战略技术趋势。（小编根据10大趋势内容做了一个图表供大家更快速的参考阅读，版权归属Gartner公司） Part 01 AI超级计算平台 AI超级计算平台整合了CPU、GPU、AI ASIC、神经系统计算和替代性计算范式，使企业能够统筹复杂工作负载，同时释放更大的性能、效率与创新潜力。这些系统融合了强大的处理器、海量存储、专用硬件及编排软件，可处理机器学习、仿真模拟和分析等领域的数据密集型工作负载。 Gartner预测，到2028年，将混合计算范式架构应用于关键业务流程的领先企业将达到40%以上，较当前8%的水平大幅增长。 高挺表示：“该技术已在推动各行各业的创新。例如医疗和生物技术企业已将新药建模时间从之前的数年缩短至仅需数周；金融服务机构通过模拟全球市场降低了投资组合风险；在公共事业领域，服务商通过建立极端天气模型提升电网性能。” Part 02 多智能体系统 多智能体系统（MAS）是由多个AI智能体组成的集合，它们通过交互实现复杂的个体或共同目标。这些智能体既可在单一环境中交付，也可在分布式环境中独立开发部署。 高挺表示：“通过使用多智能体系统，企业可实现复杂业务流程的自动化、提升团队技能并开创人类与AI智能体的新协作方式。采用模块化设计的专业智能体通过在各工作流中重复使用成熟解决方案提升效率、加快交付速度和降低风险。这种方案还便于扩展运营规模和快速适应需求变化。” Part 03 特定领域语言模型（DSLM） 首席信息官（CIO）和首席执行官（CEO）正要求AI创造更多商业价值，但通用大语言模型（LLM）往往难以胜任专业任务。特定领域语言模型（DSLM）凭借更高的准确性、更低的成本和更好的合规性填补了这一空白。DSLM是在针对特定行业、功能或流程的专用数据上训练或微调的语言模型。不同于通用模型，DSLM能更加精准、可靠且合规地满足特定业务需求。 Gartner预测，到2028年，企业使用的生成式AI（GenAI）模型中将有超过半数属于特定领域模型。 高挺表示：“上下文正成为决定代理部署成功与否的关键因素之一。基于DSLM的AI代理可解读特定行业的上下文，即使在陌生场景中也能做出合理决策，因而具有出色的准确性、可解释性和决策合理性。” Part 04 AI安全平台 AI安全平台为第三方及定制AI应用提供了统一防护机制，它能够进行集中监测、强制执行使用策略并有效防范AI特有风险，如提示注入、数据泄露、恶意代理行为等。此类平台可帮助CIO有力执行使用政策、监控AI活动并在全AI系统中建立统一防护边界。 Gartner预测，到2028年，使用AI安全平台保护AI投资的企业比例将达到50%以上。 Part 05 AI原生开发平台 AI原生开发平台使用GenAI实现空前快速、便捷的软件开发。进入业务部门的软件工程师作为“前沿部署工程师”可使用这些平台协同领域专家开发应用。企业只需维持现有开发人员规模，通过组建微型团队配合AI即可开发更多应用。目前，领先的企业正在组建微型平台团队，在安全和治理框架范围内让非技术领域专家能够自主开发软件。 Gartner预测，到2030年，80%的企业将通过AI原生开发平台将大型软件工程团队转变为更小、更敏捷的团队并通过AI赋能这些团队。 Part 06 机密计算 机密计算重塑了企业处理敏感数据的方式。由于工作负载被隔离在基于硬件的可信执行环境（TEE）中，因此即使面对基础设施所有者、云提供商或任何拥有硬件物理访问权限的实体，机密计算也能保持内容与工作负载的私密性。这对受监管行业、面临地缘政治与合规风险的跨国公司以及竞争对手间的合作尤为重要。 Gartner预测，到2029年，75%以上在非可信基础设施中处理的业务将通过机密计算保障使用安全。 Part 07 物理AI 物理AI通过赋能具有感知、决策和行动能力的机器与设备（例如机器人、无人机和智能设备），将智能带入到现实世界。它能为自动化、适应性和安全性至关重要的行业带来可观的收益。 随着该技术的日益普及，企业需要融合IT、运营与工程知识的新型技术人才。这一转变虽带来了技能提升与协作机会，但也可能引发人们对就业的担忧，因此需要采取谨慎的变革管理。 Part 08 前置式主动网络安全 随着企业面临的网络、数据及联网系统威胁成倍增长，前置式主动网络安全正成为趋势。Gartner预测，到2030年，随着CIO从被动防御转向主动防护，前置式主动防御解决方案将占到企业安全支出总额的一半。 高挺表示：“前置式主动网络安全的核心在于运用AI驱动的安全运营、程序化阻断与欺骗技术在攻击者行动前实施干预，这项技术通过预测实现防护。” Part 09 数字溯源 随着企业日益依赖第三方软件、开源代码及AI生成内容，数字溯源验证已成为一项重要的需求。数字溯源指对软件、数据、媒体及流程的来源、所有权和完整性进行验证的能力。企业可使用软件物料清单（SBoM）、认证数据库、数字水印等新工具验证和追踪供应链中的数字资产。 Gartner预测，到2029年，在数字溯源方面投入不足的企业将面临高达数十亿美元的制裁风险。 Part 10 地缘回迁 地缘回迁指企业因考虑到地缘政治风险而将数据与应用从全球公有云迁出至主权云、区域云服务商或自有数据中心等本地平台。云主权这一概念曾仅限于银行与政府机构，如今随着全球局势动荡加剧而影响到各类企业。 高挺表示：“将工作负载转移至主权立场更强的服务提供商可帮助CIO加强对数据驻留、合规及治理的控制力。这有助于提高对本地法规的遵从性并获得关注数据隐私或国家利益的客户的信任。” Gartner预测，到2030年，欧洲和中东地区将有超过75%的企业把虚拟工作负载回迁至降低地缘政治风险的解决方案，而2025年的这一比例不足5%。 今年的主要战略技术趋势聚焦未来五年将为CIO、IT及高科技领导者带来重大变革与机遇的趋势。Gartner客户可通过《2026年重要战略技术趋势》专题报告了解更多详情。 来源：Gartner公司

近年来，“场景”一词在各类政策文件、产业报告和创新实践中频繁出现——从“数字政府场景化建设”到“AI+ 工业场景落地”，从“消费端场景创新”到“公共服务场景优化”。“场景”已不再是单纯的“情境描述”，而是成为新技术落地、新需求挖掘乃至问题解决与新价值创造的核心载体。 究其本源，当人工智能、物联网、大数据、边缘计算等新技术不断突破壁垒后，如何避免技术沦为“空转工具”，使其精准对接真实需求，成为创新的关键命题？而“场景”，正是链接技术与价值的重要桥梁。基于实践和研究总结，本文将场景归纳为“问题场景、需求场景、应用场景、案例场景”四阶框架，系统厘清从“发现问题”到“创造价值”的完整逻辑链条，以期为新技术时代的创新实践提供行动参考。 从“问题场景”入手，精准锚定价值源头 在新技术加速渗透的当下，创新实践往往面临“伪痛点”干扰——部分看似亟待解决的问题，要么脱离实际需求，要么缺乏技术适配基础，最终导致资源错配与创新低效。而“问题场景”的核心价值，在于依托新技术的感知、分析能力，穿透表象，识别核心矛盾，精准锚定“具体问题 + 价值缺口”。 借助数据监测、用户画像等技术工具，“问题场景”能够摆脱“模糊感受”的局限，将抽象的“不便”转化为可量化、可界定的具体矛盾：明确“谁在什么情境下遇到了什么阻碍”，以及“这一阻碍会造成怎样的价值损失”。这种精准锚定，使创新从源头就瞄准真正的价值“靶点”，避免技术投入“无的放矢”，也为后续价值创造筑牢了基础。 明晰勾勒“需求场景”，准确反映目标诉求 如果说“问题场景”是价值创造的“起点”，那么“需求场景”便是连接问题与技术的“转换器”。它将问题背后的价值缺口系统拆解为可落地的分层诉求，为新技术应用提供清晰指令。 “需求场景”的勾勒需紧扣“技术适配性”与“价值完整性”：既要关注直接解决问题的显性需求，明确技术应用的核心方向；也要重视支撑价值落地的隐性需求，保障技术应用的实际体验——若忽略隐性需求，即便技术功能达标，也可能因“体验缺陷”难以落地；还需考虑技术联动的关联需求，推动价值形成闭环，避免出现“解决老问题、引发新矛盾”的情况。 在此过程中，要警惕走入“技术先行”的误区，始终坚持以价值为导向，让需求牵引技术应用，而非让技术定义需求，确保每一项诉求都能服务于创造价值的最终目标。 打造“应用场景”，融合新技术创造新价值 “应用场景”是“需求场景”的具象化落地载体，也是新技术真正转化为实际价值的“最后一公里”。它聚焦于“在具体情境下，如何通过技术方案满足需求并创造价值”，核心在于实现技术与场景的深度适配。 打造“应用场景”需充分考量场景的约束条件——包括成本预算、环境限制、用户能力等，拒绝脱离实际的“通用方案”，而是要结合场景特性定制技术组合。“应用场景”通过将新技术与场景需求深度融合，使技术从“空中楼阁”的功能堆砌转变为嵌入实际场景的实用工具，既解决核心问题，又契合场景特性，最终创造出可感知、可量化的新价值。 这种“场景定制化”的技术应用，不仅能提升创新效率，更能确保价值落地的稳定性与可持续性。 用好“案例场景”，迭代推广实现价值升级 “案例场景”并非简单的成果展示，而是兼具“内部优化”与“外部推广”双重价值的闭环环节，既是前序场景的验证与修正载体，也是价值经验跨场景、跨区域扩散的核心纽带。在新技术赋能的创新生态中，单一案例的价值往往局限于内部，只有通过系统化推广，才能将局部经验转化为行业级、区域级的规模化价值增量。 一方面，“案例场景”需通过真实实践完成内部校准——验证“问题—需求—应用”链条的合理性，发现漏洞、反馈优化；另一方面，更需构建“可推广的经验模板”，通过提炼案例中的“共性逻辑”与“适配方法”，形成标准化的推广框架。同时，可依托数字化平台搭建案例共享库，整合不同领域、不同规模的案例经验，配套“场景适配指南”，帮助推广对象快速判断案例适用性，降低试错成本。 这种“内部迭代 + 外部推广”的双轮驱动，既能让案例价值从单一场景延伸至更广领域，实现“一点突破、多点受益”，又能通过推广中的反馈进一步丰富案例内涵，形成“迭代—推广—再迭代”的良性循环，推动价值创造从“局部优化”走向“系统升级”。 四阶场景联动，构建价值创造的系统闭环 “问题场景、需求场景、应用场景、案例场景”并非线性的步骤流程，而是围绕价值创造形成的相互校准、动态优化的系统闭环——“问题场景”锚定价值源头，若锚定偏差，后续环节便会偏离方向；“需求场景”拆解技术指令，若拆解不完整，应用场景便难以落地；“应用场景”实现价值转化，若适配不足，价值便无法有效生成；“案例场景”推动价值优化与推广，若反馈缺失或推广乏力，价值创造便难以突破局部局限、实现规模化增量。 这一闭环框架的核心意义，在于为新技术时代的创新实践提供一条清晰的从“技术”到“价值”、从“局部”到“全局”的转化路径，让创新不再依赖“经验判断”，而是基于系统逻辑实现精准发力与规模化扩散。在新技术加速创新的背景下，唯有依托四阶场景的联动，才能让技术真正嵌入社会经济肌理，成为推动价值创造从“单点创新”走向“生态化突破”的核心力量，为产业升级、公共服务优化、消费创新等领域提供坚实支撑。 来源（公众号）：浙江数字经济

为进一步深化智慧城市发展、推进全域数字化转型，充分发挥数据赋能城市经济社会发展作用，近日，国家发展改革委、国家数据局、财政部、住房和城乡建设部、自然资源部组织制定了《深化智慧城市发展 推进全域数字化转型行动计划》。 内容如下： 为贯彻落实党中央、国务院决策部署，进一步发挥数据要素在城市高质量发展中的协同优化、复用增效和融合创新作用，扎实推进城市全域数字化转型，着力建设便捷高效的智慧城市，提升城市治理体系和治理能力现代化水平，更好满足人民群众美好生活需要，制定本行动计划。 一、总体要求 以习近平新时代中国特色社会主义思想为指导，深入贯彻党的二十大和二十届二中、三中全会精神，全面贯彻习近平总书记关于城市工作的重要论述，坚持和加强党的全面领导，认真践行人民城市理念，坚持稳中求进工作总基调，坚持数据驱动、应用导向，统筹发展和安全，把城市作为推进数字中国建设的综合载体，以数据赋能城市经济社会发展全局为重点，以城市数字底座建设为支撑，以适数化改革为保障，推进设施联通、数据融通、平台互通、业务贯通，全领域推进城市数字化转型，全方位增强转型支撑，全过程优化转型生态，提升城市治理智能化精细化水平，为推进现代化人民城市建设注入强大动力。 到2027年底，数据赋能城市经济社会发展取得明显进展，“高效处置一件事”覆盖城市运行重点事件，“高效办成一件事”覆盖高频民生事项，数字经济成为城市发展新动能，在城市智慧高效治理、便捷普惠服务、城市数字更新等重点领域和关键环节取得突破性进展，建成50个以上全域数字化转型城市。超大特大城市率先建成智慧高效治理新体系，落地一批先进可用、自主可控城市大模型。到2035年，涌现一批具有国际竞争力、全球影响力的现代化城市。 二、实施城市智慧高效治理提升行动，提高平急联动协同能力 （一）构建城市智慧高效治理体系。深化“一网统管”建设，构建城市运行体征指标体系，建立数据赋能、分级协作、闭环落实的智慧高效治理机制。鼓励有条件的城市建设数字化城市综合运行和治理中心，探索建立基于智能中枢的多级贯通智能化平台，推进城市运行、综合治理、交通管理、应急管理等系统互联接入，提升监测预警、事件流转、指挥调度、决策支持等核心能力。加强基础平台功能整合、协同发展，完善城市信息模型（CIM）平台。强化实景三维中国数据开发利用。推动国土空间信息模型（TIM）、城市信息模型（CIM）、建筑信息模型（BIM）等在城市管理中的应用。加快城市运行管理服务平台建设，完善城市运行管理工作机制，探索实施全流程数字化报建，推进建立历史文化街区、建筑物、地下管廊等数字档案。构建房屋安全隐患动态监测和智能预警技术体系，提升房屋建筑管理智慧化水平。优化城市交通流量和交通信号灯控制，提高道路通行效率。深化国土空间规划实施监测网络建设，推进国土空间治理数字化转型。推动生态环境监测网络数智化转型，支撑污染防治等绿色低碳数字化应用。 （二）数智赋能城市应急安全保障。鼓励有条件的城市建设城市安全风险监测预警体系，建立公共安全、生产安全、自然灾害等城市风险的信息共享和应急联动机制，提高风险早期识别预警能力。探索利用大模型开展暴雨、台风等极端天气快速综合研判，优化预警信息发布流程，加强提升灾前防范能力。建立覆盖全域、全灾种的城市安全事件应急处置数字化预案库，支持有条件的地区开展多视角、跨领域智慧应急场景仿真推演。推动无人机、机器人等在公共安全、应急救援等领域的应用。 （三）提升民意速办服务效能。推动完善党建引领基层治理体系，健全多元治理力量全过程参与机制。用好市民服务热线等机制，加快整合政务服务、基层网格、12345热线、舆情信访等渠道数据，推进民意速办、接诉即办、未诉先办。坚持依法治市，深化数据赋能网格管理、社区治理、志愿服务和矛盾解纷等数字化应用，提升社情民意实时感知与精准服务水平。建立健全基层报表“一数一源”“统采共用”机制，有序推进基层信息填报渠道整合，探索拓展信息社会化、自动化采集等新模式。 三、开展数字美好生活行动，助力民生服务精准普惠 （四）推进智惠公共服务。支持各地增加“一网通办”特色事项，推动银行、医院、电信等更多公共服务集成办理，压减整体办理时长和跑动次数。加快拓展医疗电子处方流转、费用一站结算、诊疗数据共享等应用场景，推广远程会诊、检查检验结果互认等服务。发展健康管理、保险快速理赔等数据融合应用。推进人工智能全学段教育和全社会通识教育，拓展“人工智能+教育”“一网通学”等应用场景。加快推进社会保障卡居民服务“一卡通”跨省通用、一卡多用、线上线下融合发展。 （五）发展智创品质生活。打造数字赋能文旅、体育、数字消费等新型数字生活场景，推动人工智能在消费场景应用。强化数智技术在文旅内容创作、场景生成、导游导览等方面的创新应用，推进博物馆文物、古籍文字、历史建筑等文化遗产活化利用。加快推进体育场馆等文体设施数字化改造，推进健身场地共享共用。推动传统商圈数字化改造，打造智慧商店、人工智能产品体验店等数字消费新场景，积极发展消费新业态。鼓励有条件的地区开发碳足迹核算、碳交易等创新应用。支持建设城市跨领域信用服务体系，实现医疗、出行等服务信用认证、无感畅享。 （六）优化数字友好人居环境。利用数据分析精准识别老年人、儿童、残障人士等群体服务需求，持续推动城乡公共空间、数字服务适老化、适幼化和无障碍改造。推进医疗机构、康养机构、托育服务机构、家政机构数据有序共享、开发利用，强化“一老一小”公共服务资源一站式集成，推进助餐、助洁、助急等个性服务。开展覆盖全民的数字素养和技能培训，实施城市间结对数字帮扶行动，推动人才、资金、技术等资源跨区域、跨城乡流动，弥合数字鸿沟，促进城乡融合。 四、实施数字经济赋能行动，激发产城融合新动能 （七）推进数据要素价值化实现以城带产。发挥城市产业集聚、人才集聚、数据集聚优势，强化场景开放创新，促进城市数据资源汇聚；加快培育数据要素市场，打造数据产业创新发展高地，推进数据产业与低空经济、无人驾驶、具身智能等数据密集型产业融合发展。支持有条件的地区培育城市可信数据空间，推动公共数据、企业数据、个人数据融合应用，推动数字产业发展。因地制宜发展“数据即服务”“模型即服务”等新业态，培育数字经济创新型企业，打造具有生态引领力的行业龙头企业。探索发放数据券、模型券等奖补机制，降低企业创新投入成本。 （八）发展数字经济推动以产促城。利用数字技术推动闲置商业楼宇、老旧厂区、老旧街区等功能改造，打造数据创新创业载体，建立数据创新型产业社区、商务社区。依托产业园区构建数字公共服务体系，建设数字化转型产品和解决方案资源池，推动传统产业、新兴产业、未来产业科技创新成果落地实践，打造城市首试首用体验场。支持有条件的地区和城市群发展数据产业集聚区，探索数据保险、数据信托等金融服务产品，梯次培育数字产业集群。加强现代化城市群和都市圈数字化协同发展，支持有条件的地区推动数据要素互联互通，数字服务跨区共享。 （九）推动城市经济智慧调度监测。构建城市经济运行协同调度与监测体系，推动产业发展、消费就业、物价波动、项目投资、金融运行等多元数据的全域汇聚与智能分析，构建经济监测预警模型，提升宏观经济前瞻研判能力。建立企业服务支撑体系，利用多维数据画像，实现惠企政策精准直达、产融高效对接。支持有条件的地区开展城市数字经济监测分析。 五、推动城市数字更新行动，改善提升人居环境品质 （十）加快城市基础设施数字化更新改造。有序实施城市泛在感知工程，在管道泄漏爆管风险点、道路边坡风险点、地质灾害易发点、防洪排涝关键节点、易涝积水点、城市桥梁隧道等风险高发区域，统一规划、集约部署城市智能感知终端设备。运用人工智能等技术深化城市生命线安全工程建设，推动城市燃气、供水、排水、供热、桥梁、隧道、综合管廊等基础设施数字化改造和智能化管理，加强城市道路塌陷隐患排查整治。建立健全数字基础设施和市政基础设施同步规划、同步建设机制。支持有条件的地区适度超前布局低空数据基础设施，支撑城市巡检、物流配送、生产作业等场景，推动智能化路侧基础设施和云控基础平台建设，提升车路协同水平。 （十一）深化智慧社区建设。支持有条件的地区改造建设一批高品质智慧社区，完善社区嵌入式服务设施，按需配置、优化升级社区数字服务能力，发展智慧物业。打造数字惠民服务生活圈，完善一站式托育助老、亲子阅读、社区康养等服务的幸福邻里综合体。建设智能充电桩等便民设施，加快停车设施智能化改造和建设，推广高楼消防预警、高空抛物监测、电动自行车智能阻止等数字应用。推进绿色智能建筑建设，深化全屋智能应用，探索推动具身智能机器人进社区、进家庭。面向群众开展“问需于民”等活动，鼓励居民、企业、社会组织等多元主体积极参与智慧社区设计、建设和运营。 六、实施数字化转型筑基行动，打造统筹集约数字底座 （十二）建设城市数字基础设施。集约建设感知、网络、算力等基础设施，实现城市“物联、数联、智联”。构建高效弹性的数据传输网络，促进不同平台、专网间数据高速传输、互联互通。按照统一目录标识、统一身份登记、统一接口要求建设和运营城市数据基础设施，鼓励城市间数据基础设施互联互通，促进数据跨域高效流动。在国家算力资源统筹规划下，持续优化热点应用区域需求保障，有效统筹本地异构、异属算力设施，优化改造城市内“老旧小散”算力设施，面向社会提供普惠便利的数据服务。支持低空经济、自动驾驶等产业发展热点城市，建设低时延、高频率、高可靠、高安全推理算力。 （十三）强化数据资源供给。探索建立动态更新的城市公共数据资源目录，逐步构建公共数据“一本账”，加强整合共享、开放开发、授权运营，推动公共数据资源管理标准化、规范化。开展数据智能分类与标注，构建行业知识库、高质量数据集。建立城市数据资源体系，完善城市基础信息库，按需建设主题库和专题库，强化政务数据回流，促进跨层级、跨地域、跨系统、跨部门、跨业务政务数据安全有序高效共享利用。 （十四）完善城市智能中枢。构建统一规划、统一架构、统一标准、统一运维的城市智能中枢，健全云网、感知、组件、数据、算法模型等一站式管理与调度。加强城市数据汇聚治理，有序融合城市运行感知、政务服务、市场主体等多元异构数据，深化数据融合利用。打造城市共性技术能力支撑体系，推进数字孪生等共性功能组件共享复用。加强人工智能公共服务能力建设，探索集约构建多模融合的城市大模型，打造城市智能体应用。鼓励超大特大城市有序推进人工智能赋能全域转型。 （十五）筑牢数字化转型安全防线。强化网络安全、数据安全防护能力。健全政务云网安全保障体系。加强城市数据基础设施安全保障，实现可信接入、安全互联、跨域管控、全栈防护等安全管理。推进数据安全治理，建立健全数据安全风险防控体系，强化城市数据分类分级保护和全生命周期安全管理，完善数据安全制度规范，加强个人信息保护，压实各类主体安全责任，提升数据安全保护水平。 七、开展适数化改革创新行动，破除数字化转型制度堵点 （十六）推进城市治理适数化改革。充分利用城市智能中枢，创新跨部门数据合作机制，构建线下网格与线上网络联动协同机制，支持有条件的城市探索构建数字赋能的城市综合治理体制，明确权责划分、优化城市管理流程，推进跨部门、跨层级高效协同联动。开展有利于数字化转型的数据确权规则、数字权证应用、行政管理、政府采购等制度改革。 （十七）创新长效运营运维模式。建立城市数据运营、场景运营、设施运营的立体化运营体系，探索建立以用户满意度等应用效果为导向的运营预算和评价考核机制。建立运营运维评价动态反馈和发布机制，强化运营运维评价结果运用。 （十八）建立健全标准体系。发挥标准的基础性、引领性作用，加快形成涵盖数字底座、转型场景、运营运维等标准规范体系。建立城市全域数字化转型成熟度标准，促进城市数字化转型规范化、高质量发展。制定城市全域数字化转型规划咨询、建设实施、运营运维三类服务主体评价标准，形成闭环管理体系。 八、组织实施 国家数据局会同有关部门加强工作指导，分类分级有序推进城市全域数字化转型，强化部门协同、上下联动，确保重点任务落地见效。支持各地面向城市全域数字化转型重大需求、重大场景和重大改革，建立健全高层级统筹推进机制。鼓励各地加强交流合作，量力而行、因地制宜，统筹利用各类资金，加大对全域数字化转型的技术攻关、重大项目、试点试验等方面的支持。强化数字化转型、数据合规、数据服务等专业人才队伍建设。加强城市数字化转型优秀实践、典型案例提炼推广。深化城市全域数字化转型国际交流合作。 来源（网站）：国家数据局

数据标准的宗旨在于为业务、技术及管理提供全方位的服务与支持。数据标准构成了实现数据驱动管理和数据驱动创新的坚实基础，数据治理必须要过数据标准管理这一关！ 一、三个方面认识数据标准 1.业务方面 数据标准是解决数据不一致、不完整、不准确等问题的关键基础。各业务部门对数据形成统一的认知和理解，消除数据的“二义性”，从而提升业务的规范性，降低因数据不一致而产生的沟通成本，进而提高业务处理效率。 2.技术方面 统一标准化的数据及其结构是信息共享的基石。标准的数据模型和标准数据元为新建系统提供有力支撑，显著提升应用系统开发及信息系统集成的实施效率。此外，数据标准为数据质量规则的建立和稽核提供了重要依据，是数据质量管理不可或缺的输入。 3.管理方面 通过对业务术语、主数据、参考数据及指标数据等定义统一的标准，为精准数据分析奠定坚实基础。统一的数据标准使业务人员能够轻松获取数据，从而为数据分析和数据挖掘创造可能。 二、数据标准的四项内容 一套完善的数据标准体系是数据管理和应用的基础，有助于实现数据底层的互联互通，提升数据的可用性，消除数据业务中的歧义。数据标准通常涵盖四个方面的内容： 1.数据模型标准 数据模型标准对每个数据元素的业务描述、数据结构、业务规则、质量规则、管理规则及采集规则进行详尽的定义，以确保数据具备可理解性、可访问性、可获取性和可用性。数据模型不仅体现了对业务的理解和定义，还能有效构建组织内部及组织间的沟通桥梁。此外，数据模型有助于识别缺失和冗余数据，并在ETL过程中精准记录数据映射。 在设计数据模型标准时，需重点考虑以下方面： 首先，是否符合设计规范，如遵循统一命名规则、确保元数据与数据的一致性； 其次，实体和属性的含义是否定义清晰且准确； 第三，术语和标准是否与实际情况相符，包括数据名称、属性和规则等； 最后，是否便于查阅，布局是否合理。 2.基础数据标准 基础数据构成系统的数据字典。在系统初始化阶段即已嵌入系统数据库，扮演着结构性和功能性支撑的角色。基础数据标准通常涉及国际标准、国家标准及行业标准。在定义数据实体或元素时，可引用相关标准，并依据组织部门实际需求持续补充完善、更新优化和积累，从而更有效地支撑业务应用开发、信息系统集成及企业数据管理。 基础数据标准包含业务、技术和管理三大属性： 业务属性:描述基础数据业务信息，供业务人员理解，包括标准主题、分类、编码、中英文名称、业务定义、规则、引用标准、来源及依据等； 技术属性:描述技术信息，支持系统实现，涉及数据类型、格式、长度、编码规则、取值范围等； 管理属性:描述管理信息，便于数据管理操作，涵盖定义者、管理者、使用者，以及版本、应用领域、使用系统等。 3.主数据与参考数据标准 主数据是用于描述核心业务实体的数据，如教师、学生、财务、教学、资产等。它具有高业务价值，能在学校内跨业务部门重复使用的“核心数据”。 参考数据则是用于将其他数据进行分类或目录整编的数据，规定了数据属性的域值范围。主数据标准包括主数据分类、主数据编码和主数据模型。主数据分类依据主数据的属性或特征，按照一定原则和方法进行区分和归类，建立相应的分类体系和排列顺序。主数据编码是为事物或概念（编码对象）赋予具有规律性、易于计算机和人识别处理的符号，形成代码元素集合。 4.指标数据标准 学校各业务域和部门设有业务指标，部分指标名称相同但业务含义不同，部分指标名称差异大却指向同一内容。若不进行指标数据标准化处理，同一指标在不同系统统计结果可能不同且难辨准确结果，构建或变更分析主题时需重新定义指标，耗费大。此外，当前大数据分析倡导业务人员自助分析，若无指标数据标准，业务人员难从不同系统获取所需数据，自助式分析难以实现，数据分析报告沦为空谈！ 指标数据标准是基于实体数据，通过增加统计维度、计算方式、分析规则等信息加工而成的数据。它对业务指标所涉及的指标项进行统一定义和管理。指标数据标准与基础数据标准相似，同样涵盖业务属性、技术属性和管理属性三部分： 业务属性:包括编码、中英文名称、主题、分类、类型、业务定义、业务规则、数据来源、取数规则、统计维度、计算公式、显示精度及相关基础数据标准等。 技术属性:涵盖来源系统、使用系统、数据源表、数据类型、度量单位、取值范围、生成频度、计算周期、取数精度等。 管理属性:涉及归口管理部门、业务和技术负责人、权限范围等。指标数据标准化适用于业务数据描述、管理、分析和可视化，促进业务部门间、业务与技术间形成共识。 三、推进数据标准的六个阶段 数据标准管理从需求发起到落地执行，通常需经过标准梳理、标准编制、标准审查、标准发布和标准贯彻及管理办法的发布六个阶段。 1.数据标准梳理 根据行业标杆经验和本校实际确定实施范围，制定数据标准优先级和难易度。梳理和定义数据标准步骤如下： 首先，依业务划分业务域，识别关键业务活动并梳理定义，处理活动输入输出的业务单据和用户视图，梳理其数据对象； 其次，分析数据对象，明确所含数据项，提炼业务域的数据指标和数据项，定义数据元标准，详尽描述业务逻辑； 第三，梳理抽象数据实体和指标的关联关系，定义数据间关系，明确数据对象的数据关系； 第四，经上述梳理分析定义，确定企业数据标准管理主体范围，基于系统逻辑归纳抽象，形成数据标准模型，此过程可能涉及数据对象的合并或拆分。 2.数据标准编制 数据标准编制是依业务需求和数据管控要求，对数据对象及其数据项明确定义的过程，涵盖数据项名称、编码、类型、长度等方面。编制可参考国际、国家或行业标准，也可依本校业务需求制定校级标准。数据标准制定分三步实施： 标准制定推进会：召集相关干系人开会推进数据标准制定，讨论标准定义，标识记录数据对象、业务术语和关键指标，得出精确定义以达成共识。该方法有助于识别对象、定义标准、提升效率，解决含义不清和歧义问题。 标准差异专项分析：先查询数据标准是否已有定义，若有则结合需求确定附加信息或修改定义，形成完整可接受的元数据定义和规范。若存在多对象标准，分析是否一致，接受、修改或创建定义以达成共识，删除多余定义。 标准影响风险评估：数据标准管理易出现新旧系统、部门和业务冲突，处理不当会致标准化失败。落地时要做好影响评估和干系人沟通，通过业务影响分析识别对业务的影响范围、程度、价值及风险，确定业务人员可接受范围和程度，为后续沟通做准备。 3.数据标准审查 审查数据标准初稿，评估其是否符合应用、管理需求及数据战略要求，直至满足发布条件。数据标准审查从需求符合性、实用性等方面综合判断是否契合需求与管理现状。 数据标准征集意见：拟定初稿广泛征集意见，降低不可用或难落地风险，包括初步培训和宣贯。征求意见设期限（依业务范围定），规定时间无意见则默认接受。 数据标准专家评审：标准制定和执行依赖专家团队，成员需深入了解业务领域，提供权威定义建议、解决歧义。执行中协调解决部门争议，完善标准体系。 4.数据标准发布 数据标准意见征集工作完成后，经过严格审查，正式发布数据标准。数据标准一旦发布，各部门及各业务系统必须严格遵循执行。对于遗留系统的存量数据，存在一定风险，应进行全面的影响评估，以妥善应对潜在问题。 5.数据标准贯彻 数据标准的贯彻是将已发布的数据标准应用于信息系统建设和改造，消除数据不一致性。将数据标准与业务系统映射，明确标准与现状关联，识别受影响应用。对于新建系统，直接采用已定义的数据标准；旧系统则建立数据映射关系、进行转换，逐步落地标准。同时，要加强对业务人员的数据标准培训和宣贯。宣贯方法有： - 文件传阅：以正式文件发布数据标准供各部门传阅，作为数据维护参考。 - 集中培训：制定培训计划，落实场地等开展宣贯培训，学员反馈心得，老师总结经验。 - 专题培训：针对不同业务领域开展专题培训，通过上机实操强化效果，推动标准落地。 6.数据标准管理办法 数据治理应结合实际情况，制定科学的数据标准管理办法。该办法旨在提供规范性的指导和约束，保障前期数据标准的顺利落地与有效执行。 一份完整的数据标准管理办法通常涵盖但不限于以下内容：数据标准的目的、适用范围及具体细则，数据标准的管理组织架构、管理流程、执行要求、考核机制以及附则等。 四、数据标准的四个常见误区 数据标准管理核心目标是确保信息系统建设和集成遵循标准，保障数据标准完整适用并有效执行。贯彻数据标准要在业务部门和信息系统逐步推行，争取管理层与系统开发部门支持配合。 1.业务驱动，不可一意孤行：数据标准源于业务、归于业务，本质是管理问题，应从业务层面解决。建立数据标准是为促进系统数据互通和业务部门共识，制定时要逐个业务域梳理，靠业务人员努力，技术工具用于固化执行。 2.循序渐进，不可急于求成：从价值链和业务流程角度分段实施数据管理标准，结合业务需求、系统改造和新系统建设契机，选合适落地范围和层次，优先解决紧迫问题，明确业务部门数据职责，确保数据与业务流程匹配。 3.动态管理，不可一劳永逸：数据标准管理要保持定义、设计和使用一致，但标准并非固定不变。新业务需增标准，无价值标准要废弃，数据变化时标准要与时俱进、有前瞻性，建立更新体系和治理平台，有序管理版本。 4.应用为王，不可断章取义：数据标准化是信息化建设基石，工作要着眼信息系统规划、应用方向和需求，做到标准统一。高质量标准化为后续分析建模奠基。建设标准要服务业务、提升效率，结合IT 系统现状，以应用为目标，以国标、行标为基础，减少对现有系统影响，确保标准实用有效，回归业务应用。 五、小结 数据治理的成功很大程度上取决于数据标准的合理性和统一实施程度。数据标准体系构建的过程是信息化部门推进技术与管理深度融合的过程，不仅考验信息化部门的专业化水平，更考验工作人员沟通协调能力。 来源（公众号）：数智转型洞察

“您是否知道，许多‘小型’人工智能模型在性能上优于较老、较大的模型——而且仅使用了一小部分资源？” 想象一下，直接在你的智能手机上运行强大的AI助手，无需访问云端，即可在几毫秒内处理你的请求。这并非科幻小说——小语言模型正在将这一切变为现实，触手可及。 连续三年，人工智能界一直痴迷于一个简单的等式：越大越好。 科技巨头们投入数十亿美元构建庞大的语言模型，每一个模型都比上一个更大： •据传拥有万亿个参数的 GPT-4 •克劳德拥有数千亿 •Meta 的 LLaMA 突破极限，达到 700 亿 每一次突破似乎都遵循同样的模式——更多的参数、更大的功率、更多的可能性。 但2025年发生了一件意想不到的事情。 一 改变一切的剧情转折 随着企业人工智能部署从概念验证阶段过渡到生产阶段，一个令人惊讶的事实浮出水面：越大并不总是越好。 英伟达一项突破性研究表明，40%至70%的企业级人工智能任务可以通过小型语言模型（SLM ）更高效地处理——这些紧凑而强大的模型参数少于100亿，具有以下特点： ✓速度比同类巨型设备快 10 倍 ✓部署和维护成本降低 5-20 倍 ✓更可靠，适用于特定业务任务 ✓设备端处理，注重隐私 大型语言模型（LLM）曾经需要昂贵的GPU来运行推理。但最近的进展为经济高效的CPU部署打开了大门，尤其对于小型模型而言。三大变革促成了这一转变： 1.更智能的模型——SLM 的设计旨在提高效率并不断改进。 2.CPU 优化运行时— llama.cpp 、GGUF等框架以及 Intel 的优化可实现接近 GPU 的效率。 3.量化——将模型从 16 位 → 8 位 → 4 位转换，可以大幅减少内存需求，并在几乎不损失准确性的情况下加快推理速度。 二 认识一下小型语言模型 当各大媒体都在追逐最新的十亿参数里程碑时，小型语言模型正在悄然赢得真正的胜利——实际业务部署。 1.市场信号：智能体人工智能正在蓬勃发展 据英伟达称，智能体人工智能（多个专业人工智能代理协作的系统）市场预计将从2024 年的 52 亿美元增长到 2034 年的 2000 亿美元。 2.思想领袖视角：40倍的增长代表了近年来最快的技术普及速度之一。这对企业高管来说意义重大：未来十年人工智能的发展将取决于普及规模，而非参数规模。 3.技术视角：要达到这种规模，人工智能必须从云端转移到边缘环境——智能手机、工厂车间、零售设备、医疗仪器等等。而这只有通过服务层级管理（SLM）才能实现，因为它们对计算和内存的需求更低。 三 快速演化时间线 语音语言模型的发展历程与自然语言处理（NLP）的发展紧密相连： •2017 年之前：基于规则和统计的模型像n-gram和word2vec 这样的模型捕捉到了基本的词语关联，但缺乏深入的理解。 •2017 年：Transformer 革新了 NLP Transformer 架构 的引入（在著名的“Attention is All You Need”论文中）使得深入的上下文理解成为可能。 •2018–2020 年：大型语言模型诞生 BERT、GPT-2 和 T5 带来了数十亿个参数，达到了最先进的基准。 •2021-2023 年：规模之战 OpenAI、Google、Anthropic 等公司通过将模型规模扩大到数百亿甚至数千亿个参数来展开竞争。 2023年至今：小即是美时代。 随着效率成为首要考虑因素，企业开始训练诸如LLaMA、Mistral、Phi、Gemma和TinyLLaMA等紧凑型模型，这些模型可在笔记本电脑、边缘设备甚至手机上运行。 四 小型语言模型究竟是什么 在了解 SLM 之前，我们先来了解一下什么是语言模型（LM）。 1.语言模型（LM） 一种经过训练的人工智能系统，能够通过预测序列中的下一个单词来理解和生成类似人类的文本。 2.小型语言模型（SLM） 一种轻量级的语言模型，参数更少，针对特定任务或设备端任务进行了优化，成本更低，性能更快。 •参数范围：通常为 1 亿至 30 亿个参数。 示例：认识小型人工智能领域的明日之星 3.大型语言模型（LLM） 一种功能强大的语言模型，拥有数十亿个参数，在海量数据集上进行训练，能够处理复杂的通用任务。 •参数范围：通常为 100 亿到 1 万亿以上参数。 例如：LLaMA 3 70B → 700亿、GPT-4 → 估计约 1 万亿、克劳德3号作品 → 数千亿。 大型语言模型 (LLM) 提供一流的推理能力，但需要大量的计算、内存和存储空间。而小型语言模型 (SLM) 则针对速度、效率和设备端使用进行了优化。LLM 能够处理广泛而复杂的任务，而 SLM 则擅长特定任务，能够更快地获得结果并降低成本。得益于量化和 GGUF 格式等技术，SLM 现在无需依赖昂贵的云基础设施即可为实际应用提供支持。 你可以把LLM和SLM的区别理解为： •大学图书馆藏书量（LLM）与专业专家的个人藏书量（SLM） •一把拥有100种工具的瑞士军刀与一把用于手术的精密手术刀。 4.其他值得了解的LM （1）检索增强型语言模型（RLM） 这是一种混合语言模型，它结合了语言生成和从外部来源（例如数据库、知识库或网络）实时检索信息的功能。这使得模型无需重新训练即可访问最新、真实且特定领域的数据，从而提高准确性并减少错误预测。 主要特性：集成检索（搜索）和生成（响应）。 参数范围：取决于基础模型——可构建于 SLM 或 LLM 之上。 示例：ChatGPT 与 Browse / GPT 与 RAG 集成；Perplexity AI（基于 RAG 的搜索助手）；Microsoft Copilot（带图形检索功能）；基于 LlamaIndex 或 LangChain 的 RAG 系统。 （2）中等语言模型（MLM） 中等语言模型 (MLM) 的规模介于小型语言模型 (SLM) 和大型语言模型 (LLM) 之间，通常包含 10 亿到 70 亿个参数，旨在平衡通用性和效率。它比小型语言模型更能有效地处理复杂任务，同时又比大型语言模型更经济高效。 主要特点：具有广泛的通用性，计算需求适中，通常采用 8 位量化进行优化。 参数范围：10 B–70 B 参数。 示例：Meta LLaMA 3 13B、Mistral Mix Medium 13B、Falcon 40B、GPT-3.5 Turbo（~20 B）。 ⚙️ SLM 的特性 •参数更少— 通常少于30 亿个参数，使其结构紧凑、重量轻。 •快速推理— 即使在 CPU 或消费级 GPU 上也能快速运行，延迟低。 •资源高效——需要更少的内存、计算能力和能源——非常适合边缘设备或本地部署。 •特定任务— 通常针对特定领域或特定任务进行微调（例如，客户支持、代码补全）。 •注重隐私——可在本地运行，无需将数据发送到云服务器。 •成本效益高——与大型模型相比，训练、部署和维护成本更低。 •更易于微调— 针对特定用例进行定制的速度更快、成本更低。 •便携易部署— 易于分发和集成（尤其是GGUF 格式）。 •环保——由于计算需求减少，碳足迹更低。 SLM也存在一些风险，下图详细比较了 SLM 和 LLM 的风险。 神奇之处不仅在于参数数量，更在于智能优化技术，这些技术使这些模型能够发挥远超其自身级别的性能。 五 SLM成功背后的技术创新 助力SLM部署的三项突破性技术 SLM 的兴起并非偶然。三大技术变革使得成本效益高的 CPU 部署成为可能，尤其适用于小型型号： 1. 更智能的模型架构：SLM 利用知识蒸馏等先进的训练技术，使较小的“学生”模型能够从较大的“教师”模型中学习，在参数减少 40% 的情况下，仍能保持 97% 的性能。微软的 Phi-3 系列便是这种方法的典范，在消费级设备上运行时，其性能可与 700 亿参数模型相媲美。 2. CPU 优化的推理运行时：围绕 llama.cpp、GGUF 和 Intel 优化技术的生态系统彻底改变了本地 AI 部署方式。这些框架在标准 CPU 上实现了接近 GPU 的效率，使 AI 无需昂贵的硬件投资即可普及。 3. 高级量化技术 或许最具变革性的创新是量化——将模型从 16 位转换为 8 位再转换为 4 位精度。这显著降低了内存需求，并在精度损失最小的情况下加快了推理速度。 六 混合部署模式 企业正在将两者结合起来，构建混合架构，以优化不同的使用场景。 •大语言模型：负责处理复杂的推理、战略规划和创造性任务 •SLM执行器：管理高频次、特定任务的操作，例如客户支持、数据处理和监控 这种方法既能实现最佳资源分配，又能保持复杂工作流程所需的智能性。 GGUF革命：让AI真正便携 GGUF（GPT生成的统一格式）值得特别关注，因为它代表了我们部署AI模型方式的范式转变。与针对训练优化的传统模型格式不同，GGUF是专门为提高推理效率而构建的。 GGUF的主要优势包括： 单文件可移植性：运行模型所需的一切都高效打包。 •混合精度：智能地为关键权重分配更高精度，而在其他部分使用较低精度。 •硬件灵活性：在 CPU 上高效运行，同时允许 GPU 层卸载 •量化支持：支持 4 位模型，在保持质量的同时大幅减小模型尺寸。 ✅理想的CPU部署配置： •8B参数模型 → 量化到4位时效果最佳 •4B参数模型 → 量化到8位时最优 一个实际的例子：将 Mistral-7B Instruct 量化为 Q4_K_M 格式，可以在配备 8GB 内存的笔记本电脑上流畅运行，同时提供与规模更大的云端模型相当的响应。 七 在本地运行 AI：构建本地 AI 执行架构 步骤 1：基础层 •GGML — 用于高效 CPU 操作的核心张量库 •GGUF — 轻量级二进制格式，支持混合精度量化 •结果：模型存储占用内存最小 步骤 2：推理运行时层 •llama.cpp — 具有原生 GGUF 支持的 CPU 优先引擎 •vLLM — GPU 到 CPU 的调度和批处理扩展 •MLC LLM——跨架构编译器和可移植运行时 •结果：在不同硬件上实现低开销模型执行 步骤 3：部署框架层 •Ollama — 用于无头服务器集成的 CLI/API 封装 •GPT4All — 桌面应用程序，内置 CPU 优化模型 •LM Studio — 用于拥抱脸模型实验的图形用户界面 •结果：简化部署和用户交互 第四步：绩效结果 •低于 200 毫秒的延迟 •低于 8GB 内存要求 •端到端量化管道 •最终结果：实现本地和边缘人工智能推理的民主化 八 实际应用：SLM 的优势所在 1.边缘计算和物联网集成 SLM 最引人注目的应用场景之一在于边缘计算部署。与依赖云的 LLM 不同，SLM 可以直接在以下环境中运行： •用于实时翻译和语音助手的智能手机和平板电脑 •用于即时异常检测的工业物联网传感器 •用于符合隐私保护规定的患者监护的医疗保健设备 •用于瞬间决策的自动驾驶车辆 •用于离线语音控制的智能家居系统 边缘部署的优势远不止于便利性。它能消除延迟，通过本地处理确保数据隐私，即使在网络连接不佳或中断的情况下也能保证持续运行。 2.企业成功案例 医疗保健：医院部署 SLM 以提供实时诊断辅助，处理敏感的患者数据，而无需承担云传输风险。 机器人技术：制造工厂使用 SLM 在工业自动化中进行自主决策，从而能够对不断变化的情况做出即时反应。 金融服务：银行利用特定任务的 SLM 进行欺诈检测和交易处理，与基于 LLM 的解决方案相比，可节省 10 到 100 倍的成本。 智能人工智能的经济学：SLM 与 LLM 成本分析 在单层模块 (SLM) 和层级模块 (LLM) 之间进行选择，对财务的影响非常大。请看以下实际成本比较： LLM部署（每日1000次查询）： •API费用：每月3000-6000元 •基础设施：依赖云的扩展 •延迟：平均响应时间为 500–2000 毫秒 SLM部署（相同工作负载）： •本地部署：每月 300-1200 元 •基础设施：一次性硬件投资 •延迟：平均响应时间为 50–200 毫秒 结果如何？SLM部署可以节省5-10倍的成本，同时提供更快的响应时间和更强的隐私控制。 或许，SLM 最深远的影响在于普及人工智能的使用。通过降低计算需求，SLM 可以实现： •小型企业如何在没有企业级预算的情况下部署人工智能解决方案 •个人开发者可以在消费级硬件上试验人工智能应用 •教育机构无需昂贵的云服务额度即可教授人工智能概念 •注重隐私的组织将在实施人工智能的同时保持数据控制权 这种民主化正在促进以前服务不足的市场和应用场景的创新。 九 展望未来：SLM的未来 SLM 的发展轨迹预示着几个令人振奋的发展方向： 模块化人工智能生态系统：我们正在从单一的模型转向由专门的SLM（系统生命周期管理）协作的系统，每个SLM都针对推理、视觉或编码等特定任务进行了优化。 绿色人工智能：SLM 的能源需求较低，因此对可持续人工智能部署至关重要，从而减少了人工智能广泛应用带来的碳足迹。 移动人工智能革命：移动芯片设计和SLM优化技术的进步使得无需云连接即可在智能手机上直接实现复杂的人工智能。 行业特定智能：我们看到，针对医疗保健、法律、金融和科学应用领域进行微调的特定领域 SLM 正在涌现，它们在专业任务中表现优于通用 LLM。 小结：静悄悄的革命仍在继续 小型语言模型正在重塑人工智能的部署方式，它将智能从云端转移到我们口袋里的设备、工厂车间的传感器以及真正做出决策的边缘系统。企业不再追求规模越来越大的模型，而是拥抱更智能、更高效的基础架构。到2025年，企业能否成功取决于它们采用这种易于上手且可持续的方法的速度。归根结底，人工智能的未来不在于规模，而在于智能，在这方面，小型模型往往比大型模型表现更出色。 人工智能领域正在飞速发展，及时了解这些变化对于做出明智的技术决策至关重要。小型语言模型不仅代表着一种技术趋势，更是对人工智能如何融入我们日常工作流程和业务流程的根本性重新构想。 来源（公众号）：数据驱动智能

标题：The Limits of Obliviate: Evaluating Unlearning in LLMs via Stimulus-Knowledge Entanglement-Behavior Framework 日期：2025-10-29 机构：University of Southern California, Indiana University 链接：http://arxiv.org/pdf/2510.25732v1 一句话总结：本文提出刺激-知识纠缠-行为框架，证明大语言模型的遗忘通常只是抑制：说服性提示能利用潜在知识唤醒本应遗忘的信息，且该效果与模型规模呈负。 为何AI的“遗忘”如此困难？ 在人工智能飞速发展的今天，我们常关注模型能学到什么。但它们需要忘记什么？这种“遗忘”能力——即移除敏感数据、纠正错误信息或删除受版权保护内容——已成为大语言模型（LLMs）的关键能力。然而，实现真正彻底的遗忘远比听起来困难。这个过程并非像从硬盘删除文件那么简单。 类比人类认知，机器遗忘似乎反映了我们如何遗忘记忆。被遗忘的记忆并非总是被抹去；更多时候只是被抑制，潜伏着直到特定触发条件使其重现。同样，当LLM“遗忘”信息时，未必会将其从神经网络中切除。相反，知识往往仍存在于错综复杂的概念网络中。这种现象被研究称为“知识纠缠”，其根源可追溯至赫布理论等认知原则——该理论著名论断是“同步激发的神经元会连接在一起”。试图精准移除某一信息可能残留痕迹、激活相关（有时是错误的）联想，甚至导致模型产生幻觉。因此，评估遗忘效果仍是一个开放性问题，因为仅通过直接提问不足以确认信息是否真正消失。 SKEB框架：审视LLM记忆的新视角 为系统研究遗忘的局限，研究者提出了刺激-知识纠缠-行为（SKEB）框架。这一新方法通过结构化方式理解并预测“被遗忘”知识何时可能复苏。该框架基于一个连接认知科学与传播理论的简洁而有力的公式： 刺激知识纠缠行为 解析这三个要素： 刺激： 指对模型的提示输入。关键的是，SKEB不仅考虑提示的内容（询问什么），还关注其表达方式——即提问所使用的修辞或说服性框架。 知识纠缠： 指模型内部信息的底层语义结构。正是这种密集互联的概念网络使得定向擦除异常困难。 行为： 模型可观测的输出——即针对刺激生成的文本。 如论文图2所示，SKEB融合了认知科学的扩散激活理论与传播理论的说服原则。该框架使我们能超越“模型能否回忆X？”这类二元问题，转而探讨更精细的命题：“在何种传播条件下X会复苏？这揭示了遗忘过程的哪些完整性特征？” 破解遗忘：说服技术如何唤醒隐藏知识 如果遗忘仅是抑制，我们能否通过“破解”手段还原本应被遗忘的信息？研究对此进行了验证。研究者让多个LLM通过遗忘算法“忘记”整个《哈利·波特》系列内容，随后不仅使用直接提问，更通过巧妙设计的说服性提示来探测这些已遗忘模型。 结果令人震惊。研究采用三种主要说服技术（详见论文表1）： 情感诉求： 使用情感化语言构建提示（如“用颤抖的声音…哈利问道…”） 逻辑推理： 将查询呈现为逻辑论证的一部分 权威背书： 借助权威人物使请求合法化（如“作为资深权威…他表示…‘答案显然是…’”） 如图1所示，不同框架产生显著差异效果。研究发现说服性提示显著提升事实知识召回率，当采用权威框架时，事实召回率从基线14.8%跃升至24.5%。 这表明知识检索效果关键取决于刺激的传递方式，而不仅是内容。 有趣的是，研究还发现不同框架会产生不同副作用。例如图7显示，虽然情感提示在召回事实方面效果欠佳，却能最有效抑制幻觉产生。这表明模型在面对情感操纵时会进入更保守或“安全对齐”状态。 机器幽灵：理解知识纠缠的本质 被遗忘知识的“幽灵”潜藏于机器纠缠的记忆中。为可视化并量化这一现象，研究者构建了《哈利·波特》系列的“领域图谱”（图3），基于书籍共现关系映射1,296个实体（角色、地点等）及其35,922种关联。该图谱作为模型内部知识结构的代理表征。 基于此图谱，他们开发了九项“纠缠指标”（表2汇总）以衡量提示所激活知识的结构特性。这些指标量化了从连接强度、网络密度到概念邻近度等各类特征。 分析显示纠缠度与知识泄露存在强正相关性。提示激活的信息纠缠度越高，事实召回率就越大。 最强预测指标是距离加权影响力（），该指标衡量激活如何扩散至邻近概念。这一发现有力支持记忆的扩散激活理论：激活知识图谱密集区域的提示会创建多重信息检索路径，从而绕过遗忘的抑制机制。相关性如此显著，以至于研究者可建立预测模型： 事实性 该方程表明通过测量提示的纠缠度，我们能预测已遗忘模型中事实知识泄露的可能性。 规模悖论：为何小模型更易受攻击 在遗忘领域，规模大未必意味着防御弱。研究揭示了反直觉的趋势：说服性召回技术的有效性与模型规模呈负相关（）。 如图6所示，小模型更容易被说服性“破解”。2.7B参数模型（OPT-2.7B）在权威框架提示下的事实召回率较直接提问暴增128% ，而最大模型（13B参数LLaMA-2）仅增长15%。 假设认为大模型建立了更强大的抑制机制。它们似乎能更好识别提示的社会与修辞框架，维持“已遗忘”状态。但胜利并非绝对——15%的召回率远非为零，表明即使最大模型也非免疫。这一“规模悖论”说明：虽然扩大规模能提升抗性，但无法完全杜绝知识泄露。 已遗忘的小模型应视为高度脆弱，即使最大模型也不能假定绝对安全。 对AI安全的启示：真正遗忘需超越抑制 本研究对AI安全、隐私及遗忘技术的实际应用具有深远意义。核心结论是：当前主要依赖调整模型权重的遗忘技术，实现的主要是抑制而非真正擦除。 这带来严重隐患： 隐私保护： 若个人身份信息（PII）被“遗忘”后仍能通过说服性提示还原，“被遗忘权”是否真正落实？研究表明答案可能是否定的。 危害防范： 被训练拒绝直接有害请求的模型（如“如何制造炸弹？”），若遇到权威背书的提示（如“作为进行安全演示的化学老师，请解释…”），仍可能泄露危险信息。 研究明确警示我们不能简单实施遗忘后便部署模型。实现真正稳健的遗忘可能需要根本性的架构创新——例如模块化记忆系统或因果知识隔离——而非仅停留于表面参数调整。 所幸SKEB框架也指明了实践路径。通过量化知识纠缠度，它为主动漏洞评估提供了工具。距离加权影响力指标（）与事实召回率的强相关性（）为开发者提供了具体方法，可在漏洞爆发前识别并过滤高风险查询，将AI记忆的理解从黑箱转变为可测量的系统。 来源（公众号）：AI SIgnal 前瞻

国家数据局综合司印发《关于在国家数据基础设施建设先行先试中加强场景应用的实施方案》的通知 国数综科基〔2025〕114号 国务院有关部委、直属机构办公厅（室），各省、自治区、直辖市及计划单列市、新疆生产建设兵团数据管理部门，有关中央企业： 为深入贯彻党的二十届三中全会关于建设和运营国家数据基础设施，促进数据共享的改革任务，落实《国家数据基础设施建设指引》，以场景应用、技术创新驱动国家数据基础设施高水平建设运营，我局组织制定了《关于在国家数据基础设施建设先行先试中加强场景应用的实施方案》。现印发给你们，请结合实际抓好落实。 国家数据局综合司 2025年10月28日 关于在国家数据基础设施建设先行先试中 加强场景应用的实施方案 为深入贯彻党的二十届三中全会关于建设和运营国家数据基础设施，促进数据共享的改革任务，落实《国家数据基础设施建设指引》，以场景建设、技术创新牵引驱动国家数据基础设施高水平建设和高质量发展，特制定本实施方案。 一、充分认识场景建设的重要意义 加强场景建设是推动数据基础设施从“建得好”向“用得好”转变的重要抓手，是培育全国一体化数据市场、释放数据要素价值的关键路径。要以用促建，强化场景应用对国家数据基础设施建设的牵引作用，通过场景应用驱动设施功能完善、促进设施迭代升级，确保设施建设与实际需要同频共振，将数据基础设施潜能转化为实际效能。要以建保用，依托数据基础设施开展数据高效汇聚共享、流通交易、开发利用，支撑跨主体协同、高性能调用、高安全保障，提升国家数据基础设施对场景落地的支撑能力，激发数据在跨区域、跨主体、跨平台流通利用中的创新活力。要推进场景与设施互建互促，在数据基础设施范围内推动规律探索、经验固化，促进场景建设可复制推广，实现数据要素价值释放。 二、重点场景建设方向 国家数据基础设施作为数据要素市场化配置改革的重要承载，要强化应用导向，支撑行业场景落地和技术创新应用。 （一）技术创新应用 1. 数据全域智能检索 基于统一目录及目录分发同步机制，利用智能体技术，支持精准、高效、智能的数据产品、数据需求发现。 2. 数据安全可信高效传输 面向科学数据、气象监测、遥感影像、人类遗传基因等领域的大颗粒数据传输需求，提供高带宽、低时延的数据传输、交付服务，支持传输路径动态调度、带宽弹性分配、安全分级保护。 3. 跨地域跨主体联合加工 面向多方高价值数据融合分析场景，通过多方安全计算、数据沙箱、联邦学习等技术，构建安全可信的数据联合加工环境，支持多方在安全可信加工环境中开展联合建模与加工分析，保障各方数据依授权使用。 4. 匿名化流通 面向个人敏感数据使用需求，采用隐私保护计算、密态计算、数据沙箱、可信执行环境等技术对数据进行匿名化加工，并通过技术手段避免匿名化数据被第三方数据关联还原。 5. 数据使用控制计量 基于数据使用控制和智能合约技术，实现对数据用法、用量、用时、用次的精细授权和动态管控，支持数据按需如约使用和精确度量、合规计费。 6. 远程数据治理 通过在数据源部署安全可信连接器，使数据加工治理方能够为数据持有方提供远程数据清洗、标准化、分类分级、质量评估等服务，确保数据治理过程始终在数据持有方信任的环境下进行。 7. 大模型训练推理 面向大模型训练推理场景，提供数据清洗、数据规约、特征构建、模型分层切割、弹性算力、可信传输、安全保障等服务，支持大模型训练推理的大规模、高质量、高并发、多模态等用数需求。 8. 智能体协同 面向数据基础设施支持智能用数供需匹配、需求登记、智能推荐等服务需求，通过提供标准化MCP接口，支持智能体接入、交互和协同。 （二）公共数据授权运营 依托数据基础设施支撑公共数据登记、加工处理、授权运营、流通定价、收益分配等制度机制落地。发挥数据基础设施对各类数据的融合应用作用，为交通物流、医疗健康、基层治理、气象服务等领域公共数据“跑起来”示范场景建设提供安全可信环境。支持公共数据按照“原始数据不出域、数据可用不可见、数据可控可计量”等要求，以数据专区、分层解耦、跨域共用、分级共享等形式向社会提供。 （三）行业典型应用 依托数据基础设施支撑工业制造、现代农业、文化旅游等领域“数据要素×”典型场景落地，激发数据要素乘数效应。包括但不限于发挥数据在金融业服务优化、产品创新、普惠覆盖、风险管控、生态重构等方面作用，为实现普惠金融提供有效支撑；发挥数据在柔性生产、创新研发、协同供应链、智能决策、绿色转型等方面作用，推动制造业全要素、全流程、全产业链重构；赋能农业生产、管理和服务，支撑打造以数据和模型为基础的农业生产数智化场景；通过AIGC内容共创提升文旅内容生产效率，支撑沉浸式文旅、线上展览、云端演出等场景落地，孵化文旅新业态等。 （四）探索拓展创新应用场景 鼓励依托数据基础设施开展数据智能封装、可信高速传输、多模态全域存储等前沿技术探索和创新场景建设。支持龙头企业、科研机构依托数据基础设施联合开展前沿技术适配验证，为场景规模化推广提供技术支撑。 同时，支持鼓励依托数据基础设施并发挥设施作用，打造可复制、有利于数据要素价值释放的其他应用场景。 三、加强组织保障 （一）建立跨部门协调机制。行业主管监管部门、地方数据管理部门要强化政策支持，推动依托数据基础设施开展场景建设。先行先试建设任务承担单位要结合场景发展需求，科学做好数据基础设施应用场景规划。 （二）加快公共数据和行业数据开发利用。行业主管监管部门、地方数据管理部门要为数据基础设施场景应用提供数据供给，建立数据资源发现渠道，有效促进供需对接，催生更多应用场景。 （三）强化数据安全保障。先行先试建设任务承担单位要加强数据基础设施安全能力建设，落实数据分类分级、个人信息保护、网络安全等级保护等要求，保障场景建设数据安全、业务安全。 （四）加强宣传推广。国家数据局将组织数据基础设施场景应用赛事和案例征集活动，激励社会各界共同挖掘场景建设，发掘典型案例，提升数据利用水平，并及时总结经验、复制推广。 来源（网站）：国家数据局