《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》提出，要建立数据产权结构性分置制度，成为各方关注的重点。具体来说，数据产权应如何分置？ 【点评】 数据具有多方共生的特点，同一数据往往涉及多个主体。比如，消费者在电商平台上的交易数据，涉及消费者、商户、物流公司、支付公司、电商平台等多方主体。因此，推动数据产权结构性分置，重点是顺应数据特点，明确“谁对什么数据有什么权利”。 第一，什么是数据的持有权、使用权、经营权？ 持有权就是自行持有或委托他人代为持有合法获取的数据的权利，其他人不得窃取、篡改、泄露或者破坏权利人合法持有的数据。比如，大型集团企业往往安排旗下数科公司汇聚、存储、维护集团所有数据，统一提供数据服务，并相应地将数据持有权配置给这家数科公司。 使用权就是对数据进行加工、聚合、分析等的权利，可以将数据用于优化生产经营，也可以形成衍生数据等。比如，医院可以在保护个人信息前提下，建设数据资源池，允许药物研发企业在资源池内对数据进行加工使用，研发新产品，并相应地将数据使用权授予药企，但不授予持有权、经营权，这就在保障了数据安全的同时，让更多主体参与释放数据要素价值。 经营权就是以转让、许可、出资或者设立担保等有偿或无偿的方式对外提供数据的权利。比如，一些企业希望由数据中介机构代为销售数据，但又担心数据不受控制，所以仅授予数据中介机构数据经营权。该情况下，数据中介机构不持有数据、也不使用数据，但是取得了代表企业对外提供数据的权利，这保障了其对外供数服务的稳定性。数据中介机构达成交易意向后，数据供给方可以先复核数据需求方可信，再提供数据。 第二，如何理解数据持有权、使用权、经营权的关系？ 一方面，持有权、使用权、经营权互相独立，同一权利人可同时享有全部权利，也可享有其中一项或多项权利。比如，在数据融合利用的情形中，某汽车数据空间运营企业联合车企、相关供应商等共同开发数据，各方可以约定各自享有融合后数据的持有权和使用权，并由其中某一方享有数据经营权；也可以约定均享有持有权、使用权、经营权。 另一方面，对于同一数据的同一权利，不同权利人可同时享有且互不排斥。比如，某经营主体合法合规获取一份数据，享有持有权、使用权、经营权，该主体把这份数据复制一份提供给其他人并进行相应授权，则双方对相同的数据同时享有持有权、使用权、经营权，互不排斥。再如，该主体通过建设可信数据空间等数据基础设施，授权多个主体在空间内使用数据，则多方同时对这份数据享有使用权。 第三，这样设置的好处是什么？ 一是有利于适应数据特征，清晰界定数据权利内容。通过持有权、使用权、经营权分置，清晰界定不同主体的权利内容，有利于定分止争，符合数据多方共创的特性，将各方关注点从争论“数据是谁的”，转移到“数据怎么用”上来，更好推动数据开发利用，释放数据价值。 二是有利于满足实践需要，释放数据要素乘数效应。数据具有低成本复制的特点，一份数据可以极低的成本，被多个主体重复使用，创造多样化的价值增量，这是数据要素乘数效应的重要来源。因此，明确不同主体可以对同一数据享有同样的数据产权，符合多主体并行使用数据的客观实践，有利于推动数据复用增效。 三是有利于留足发展空间，支持数据领域创新创造。数据作为新兴领域，技术、产业、市场等都在快速发展，未来还将涌现很多新模式、新业态。持有权、使用权、经营权互相独立，有利于市场经营主体描述自身权利内容，让数据产权制度更好满足丰富多样的实践需要，为数据领域创新创造留足发展空间。 来源（网站）：国家数据局
总体概述 数据已从业务运营的副产品演变为驱动现代企业逻辑的原材料。企业往往难以对有效管理这一资产所需的各种学科进行分类。高管和工程师经常混淆数据战略、数据治理和数据管理的概念，交替使用这些术语或应用不一致。这种混淆造成了结构性摩擦，导致战略停留在理论层面，治理沦为官僚主义的繁文缛节，管理缺乏战略方向。 要形成一套连贯的方法，就需要将这些概念分解成不同的层次，同时明确连接它们的机制。不妨将组织比作一座城市。数据战略就像城市规划，根据人口增长和经济目标来决定商业区和住宅区的选址。数据管理就像施工队，负责铺设管道、修路，并确保水流顺畅。数据治理就像建筑规范检查员和市规划委员会，确保施工队遵循规划，并保证城市宜居安全。当这些角色界限模糊不清时，城市就会变成混乱无序的蔓延，数据组织也会变成代价高昂的负担。本文旨在明确这些界限，探讨策略上的交汇点，并提供一个严谨的执行框架。 战略背景 构建稳健的数据战略已不再是纸上谈兵，而是关乎生存的根本。人工智能和机器学习模型需要消耗海量数据，以驱动预测性维护、个性化医疗和算法交易。如果没有基础战略，这些先进功能要么无法实现，要么更糟，会产生缺陷结果。 战略层面运作的逻辑在于应对不确定性。与依赖可预测资源和资本的计划不同，战略指导组织在不可预测的市场环境下实现目标。数据战略必须阐明理想的未来状态，并将数据举措与更广泛的业务目标保持一致。而这种一致性往往是举措失败的原因。战略往往因为过于抽象而沦为束之高阁，缺乏影响日常运营所需的“具体性”。 各行业的战略驱动因素不尽相同，但都具有一些共同的主题。在金融领域，驱动因素通常是风险建模和欺诈检测；在制造业，则是供应链优化和预测性维护；医疗保健行业则依赖数据进行患者监测和疫情预测。这些驱动因素的共同之处在于，它们都依赖数据和人工智能能力来保持竞争力。那些未能构建数据基础设施、培育数据驱动文化以及招募分析人才的组织，将面临被淘汰的命运。 “做什么”和“怎么做”之间存在着至关重要的区别。战略定义了“做什么”——愿景、目标和架构方向。执行，通常被错误地归入战略范畴，实际上属于运营层。数据治理是连接两者的桥梁。数据治理在战术层运作，将战略意图转化为可执行的操作。它提供必要的监督，确保运营任务——数据质量检查、管道维护和安全协议——与战略愿景保持一致。如果没有这个战术层，战略和执行就如同身处两个独立的世界，造成价值损失。 深度解析 要理解数据学科的运作机制，需要剖析“DAMA 轮”，并将其重新置于三维空间中进行重构。传统上，数据管理协会 (DAMA) 将数据治理置于轮子的中心，周围环绕着数据架构、数据质量和数据安全等学科。这种模型虽然准确，但对于现代组织设计而言却不够完善。它暗示了一种扁平化的关系。 三维模型提升了治理水平。它位于战略与管理的交汇点，起到战术筛选的作用。 三层架构 战略层由首席数据官 (CDO) 或首席数据与分析官 (CDAO) 负责。该层定义了愿景，并解答了有关数据权属、延迟要求和总体业务价值主张等问题。它决定了组织是采用数据网格（数据所有权分散）模式，还是采用集中式数据仓库模式。 运营层是数据工程师和数据库管理员的职责范围，是执行层面。它涵盖了数据处理的实际操作，例如 ETL 流程、管道自动化和查询优化。运维层注重效率、可靠性和可扩展性，并采用数据质量管理中常用的“计划-部署-监控-行动”循环来确保稳定运行。 战术层是数据治理的领域。它扮演着翻译机制的角色，将战略的抽象逻辑转化为政策、标准和所有权模型。然后，它监督运营层，确保这些标准得到遵守。在这一层，“战略得以具体化”。它不仅仅关乎执行或合规，更关乎赋能。治理通过协调人员、流程和技术，为战略的有效实施扫清障碍。 反馈回路和二阶观测 一成不变的策略是行不通的。系统需要健全的反馈机制才能保持活力。 第一个循环在数据管理内部运行。“计划-部署-监控-行动”循环用于收集运营经验。如果数据管道由于模式漂移而持续出现故障，则此运营情况会反馈到战术层。治理层会审查故障，并可能调整有关模式验证或强制执行的策略。 第二个循环更为深刻。它与亨利·明茨伯格的涌现策略概念相吻合。它涉及“双环学习”，这一概念源于海因茨·冯·福斯特和尼克拉斯·莱曼关于“二阶观察”的研究。 一级观察是指执行最佳实践。如果流程已经制定，运营团队就会遵循该流程。 二阶观察是指质疑这些做法是否符合其潜在价值观或战略目标。它不仅问“我们这样做对吗？”，还问“我们做的事情正确吗？” 这种反馈必须从运营层流经战术层，最终返回战略层。如果战略要求“单一客户视图”，但运营实际情况证明客户数据碎片化严重，无法修复，那么战术层必须将这种矛盾反馈给战略层。战略随后必须进行调整。这种自适应学习机制可以防止组织追求无法实现的目标，并促进数据生态系统的成熟。 摩擦点 实施这种分层架构会遇到很大的阻力。这些阻力很少是技术性的，而是结构性和语义性的。 语义混淆 “数据治理”和“数据管理”这两个术语经常被混用。这并非无关紧要的语义错误，而是会导致结构错位。当治理被视为管理的子集时，它便失去了效力，沦为清单上的项目，而非决策机构。反之，当管理被视为治理的下属时，创新则会在繁琐的审批流程中停滞不前。因此，必须明确二者的职责：数据管理负责执行，数据治理负责监督。 以管道为中心的陷阱 传统的数据生命周期侧重于数据摄取、转换、存储和服务。这是一种以管道为中心的视角，将数据视为一种公用设施，需要从源头输送到消费者。这种视角的问题在于忽略了消费者。它是一种“从左到右”的数据流，消费者必须接受所有被提供的数据。 这种方法造成了脱节。数据工程团队沦为“IT后台”部门。他们构建的数据管道技术上无可挑剔，但由于缺乏上下文信息，无法创造业务价值。这种摩擦体现在：仪表盘无人问津、采用率低以及对数据缺乏信任。 产品生命周期倒置 为了解决流程中的摩擦，企业正在转向产品生命周期模型。这种模型颠倒了流程，从消费者开始，从右向左推进。 这里的摩擦源于文化差异。数据工程师必须转型为产品经理。他们必须根据用户需求而非数据源的可用性来“发现、设计、开发、部署和迭代”数据产品。这需要思维模式和技能的根本转变。它要求数据专业人员理解业务背景，而这种能力在传统的工程岗位中往往缺失。 适应性函数和自动化 随着组织规模的扩大，人工治理变得难以为继。“适应性函数”的概念引入了自动化测试，用于根据架构标准评估数据产品。其难点在于实现的复杂性。定义“可发现性”、“可信度”或“互操作性”等适应性函数需要将主观概念编码为可执行代码。这要求较高的技术成熟度和强大的元数据管理系统。 超完整执行 将这些理念转化为现实需要一个严谨的、循序渐进的执行计划。下面将详细介绍如何构建全面的数据战略以及维持该战略所需的运营架构。 第一阶段战略基础 初始阶段的重点是确定逻辑和评估现状。 1.明确愿景和目标 领导团队必须明确阐述期望的未来状态。这并非一份愿望清单，而是对数据如何支持业务目标的精确定义。 业务一致性：将数据计划直接与收入目标、成本降低目标或客户满意度指标挂钩。 目标设定：制定SMART目标（具体、可衡量、可实现、相关、有时限）。例如，“在12个月内将数据检索延迟降低40%，以支持实时欺诈检测。” 2.评估当前状态 战略的制定不能脱离实际情况。对现有环境进行全面评估是必不可少的。 SWOT 分析：开展严格的 SWOT 分析，重点关注数据资产。 优势：识别现有的高质量数据资产或成熟的数据管道。 弱点：目录孤岛、数据缺失或缺乏熟练人员。 机遇：发现人工智能或分析技术可能颠覆现有商业模式的领域。 威胁：分析监管风险（GDPR、CCPA）和竞争对手的数据能力。 数据资产清单：使用数据目录工具扫描生态系统。不要依赖文档；要扫描实际数据库。识别： 数据源（数据库、API、平面文件）。 数据存储（湖、仓库、市场）。 管道（ETL/ELT 作业）。 消费者（报告、仪表盘、机器学习模型）。 流程评估：绘制当前数据流图。识别人工干预发生的位置。找到影子IT运作的“Excel地狱”。 第二阶段团队和治理结构 人员和政策构成战术层面。 1.组建数据团队 组织结构必须与数据战略相呼应。 领导层：任命首席数据官 (CDO) 或首席数据助理官 (CDAO)。该职位必须获得高管层的支持。他们并非 IT 经理，而是负责战略资产的业务领导者。 跨职能团队：组建一个由以下人员组成的团队： 数据工程师：构建和维护数据管道。 数据科学家：构建模型。 数据管理员：管理业务领域内的数据质量和定义。 产品经理：弥合技术团队和业务消费者之间的差距。 2.选择组织模式 选择适合公司文化和规模的组织结构。 (1)集中式结构： 逻辑：所有数据功能均由一个团队处理。 优点：标准化的工具、一致的管理方式、更易于管理。 缺点：成为瓶颈；与业务领域的细微差别脱节。 (2)去中心化/网状结构： 逻辑：领域特定团队将自己的数据作为产品进行管理。 优点：高度可扩展、领域专业知识、迭代速度更快。 缺点：存在碎片化风险，需要强大的自动化（计算治理）。 (3)混合式/中心辐射式： 逻辑：中央团队管理基础设施和治理；领域团队管理分析和使用情况。 优点：兼顾控制力和灵活性。常见于中大型企业。 3.制定战略原则 治理政策定义了行动规则。 (1)数据所有权：每个数据域都必须指定一名所有者。此人对该数据的质量和安全负责。 (2)命名规则：制定严格的标准： 表名（蛇形命名法与驼峰命名法）。 列名（术语统一）。 指标定义（例如，“活跃用户的定义是什么？”）。 UTM 参数和广告系列跟踪代码。 (3)安全与隐私：定义访问控制策略。实施基于角色的访问控制（RBAC）。明确将数据分类为公共数据、内部数据、机密数据或受限数据。 第三阶段架构和技术 运营层依赖于坚实的架构基础。 1.设计数据架构 该架构必须支持“大数据架构”。 (1)参考架构：创建蓝图。它应该详细说明从源头到消费的流程。 (2)整合策略：确定整合模式。 ETL（提取、转换、加载）：先转换后加载。适用于结构化数据。 ELT（提取、加载、转换）：加载原始数据，按需转换。适用于数据湖。 (3)存储策略： 数据湖：存储原始数据（图像、日志、非结构化文本）。成本低。 数据仓库：存储结构化、处理后的数据。高性能。 数据集市：特定业务部门的数据子集。 2.实施管理工具 选择能够执行该策略的工具。 集成：使用 Fivetran、Airbyte 或自定义 Airflow DAG 等工具进行数据摄取。 转换：使用 dbt（数据构建工具）等工具来管理转换逻辑并进行版本控制。 目录：使用 DataHub 或 Alation 等工具来管理元数据。这对于产品生命周期的“发现”阶段至关重要。 商业智能和可视化： Tableau、Looker 或 PowerBI 等工具。 第四阶段 产品生命周期实施 将工程工作流程从以流水线为中心转变为以产品为中心。 1.从右到左的工作流程 探索：与企业客户互动。了解他们的痛点。他们需要的是仪表盘还是API？ 设计：定义模式和数据模型，确保其满足用户需求。 开发：编写代码（SQL、Python）构建数据产品。应用测试（数据质量检查）。 部署：将代码部署到生产环境。通过 CI/CD 实现此过程自动化。 演进：监测使用情况，收集反馈，迭代产品。 2.适应度函数实现 实现这些产品的管理自动化。 可发现性：编写一个脚本，检查数据产品是否已在中央目录中注册。 可信度：实施数据质量测试（例如，[此处应插入测试用例名称]）。如果测试失败，管道会向所有者发出警报。rowcount > 0nonullsinid_column 安全性：自动扫描器检查敏感列是否被屏蔽或加密。 第五阶段：卓越运营 这就是数据管理的日常工作。 1.数据采集和存储协议 服务器端追踪：将追踪逻辑从客户端（浏览器）移至服务器端。这可以减少广告拦截器造成的数据丢失，并提高追踪准确性。 数据层清理：确保源端发送的数据结构与消费层逻辑匹配。 身份解析：如果在多渠道环境下运行，则实现合并用户身份的逻辑。 逻辑：IF (email matches) OR (deviceid matches) THEN mergeprofiles 2.测量与分析 归因模型：定义如何将功劳分配给各个接触点。 测试文化：实施A/B测试框架。确保在宣布获胜者之前计算出统计显著性。 增量效应：设置对照组，以衡量营销活动带来的真正提升。 3.客户和第一方数据 单一客户记录：梦寐以求的理想状态。整合来自订单管理系统 (OMS)、企业资源计划 (ERP) 和网络分析的数据。 LTV 和 CAC：计算客户终身价值和客户获取成本。这些是衡量增长的关键指标。 4.商业智能和报表 优化：优化仓库查询以降低成本。 访问控制：确保业务用户能够“自助”访问受管数据集，但原始数据仍对数据工程师锁定。 第六阶段 文化与演化 1.培养数据驱动文化 技术若不被采用，就无法发挥作用。 数据素养：培训员工阅读图表和理解基本统计数据。 数据倡导者：在业务部门中确定“数据倡导者”。他们将作为中央数据团队和业务部门之间的联络人。 2.持续监测 计划-部署-监控-行动循环。 (1)关键绩效指标：跟踪数据平台的运行状况。 管道可靠性（正常运行时间）。 数据新鲜度（延迟）。 用户采纳率（活跃查询数量）。 (2)反馈循环：定期审查策略。当前数据资产清单是否支持业务目标？如果不支持，则调整路线图。 3.监管合规 隐私：实施“隐私设计”。数据最小化（仅收集必要数据）。 伦理方面：建立人工智能伦理委员会，审查算法偏见。 小结 数据战略、数据治理和数据管理在结构上的分离并非纸上谈兵，而是运营稳定的先决条件。战略指明方向，治理提供战术控制，管理提供运营能力。当这三者融合为一个凝聚的生态系统，并由自动化适应性功能和以产品为中心的生命周期提供支持时，组织便能达到数据成熟度，数据不再是负担，而是强大且可变现的资产。术语混乱和以流水线为中心的模式带来的摩擦将不复存在，取而代之的是一个稳定、自我纠正的架构，能够满足人工智能时代不断增长的需求。 转载（公众号）：数据驱动智能
文 | 对外经济贸易大学法学院教授 许可 数据要素放大、叠加、倍增作用的发挥，关键在于数据流通利用。正是通过多主体、多场景的持续复用，数据才能在循环中不断精炼，突破传统资源约束下的产出边界，开拓经济增长新境域，进而以数据流通利用为枢纽，引领物质、人才、技术与资本的融通，催生新知识、新业态、新模式，为发展注入源源不绝的动力。然而，实践中，由于权属、利益和责任边界的分歧与模糊，数据往往被固化在特定主体内部，成为无法与外界连接的“数据孤岛”。 为破除这一痼疾，需要从多方面统筹设计。首先，在典型场景中明晰数据产权，应降低数据交易流通中各方调查权利边界的核实成本和就权利内容讨价还价的磋商成本、人们约束自身行为和防范侵权的合规成本，以及数据产权人向第三方主张权利的行权成本。其次，应强化党政机关、企事业单位切实履行有序开发利用公共数据资源的责任，鼓励行业龙头企业、平台企业按照安全、公平、合理、无歧视原则对外提供数据服务，形成数据供给的激励。最后，应研究数据的“合理使用”，在维护相关各方合法权利的前提下，保障社会公众和其他市场主体使用数据的需求。 一、从著作权的“合理使用”到数据的“合理使用” “合理使用”源自我国的著作权法。《中华人民共和国著作权法》第24条规定，出于学习、科研、新闻报道等非营利性目的，在不影响作品正常使用、未不合理地损害著作权人合法权益的情况下，可以不经著作权人许可且不向其支付报酬，而使用作品。著作权“合理使用”旨在平衡著作权人与社会公众之间的利益，避免权利人不加限制地行使其权利，不当妨碍作品中信息的传播与分享。 数据“合理使用”与之异曲同工。在数据处理者享有数据持有权、使用权、经营权等广泛权利的基础上，以社会公共利益为基点，对数据处理者的数据产权加以适当限制，允许他人在特定情形中，无需经过数据权利人同意而使用其数据，从而防范数据处理者恶意闭锁数据，加剧“数据孤岛”。数据三权分置和数据“合理使用”相辅相成，均以实现数据复用和高效利用为宗旨。 二、数据“合理使用”的特定情形 数据“合理使用”主要用于科学研究、教育教学等公益事业以及突发事件应对等公共治理领域。根据《中华人民共和国公益事业捐赠法》第三条，所谓“公益事业”，是指非营利的下列事项：（一）救助灾害、救济贫困、扶助残疾人等困难的社会群体和个人的活动；（二）教育、科学、文化、卫生、体育事业；（三）环境保护、社会公共设施建设；（四）促进社会发展和进步的其他社会公共和福利事业。当前，数据已成为科学研究的支撑和重要的战略性资源，科研也步入了以数据驱动为主导、以算力探索为工具的第四范式时代。面向未来创新的科学研究和教育教学，亟需数据的开放和共享，成为数据“合理使用”的关键场景。 公共治理是我国国家治理的重要方面。在国家治理能力现代化的背景下，公共治理系统化、科学化、数字化、智能化的需求日益迫切。2015年，《国务院关于印发促进大数据发展行动纲要的通知》提出建立“用数据说话、用数据决策、用数据管理、用数据创新”的管理机制，实现基于数据的科学决策，推动政府管理理念和社会治理模式的进步。随着我国数字化转型的深入推进，利用数据改进公共政策、公共服务、公共治理，构建数字政府，已成为改革愿景。在各种公共治理中，攸关平安中国的突发事件治理尤其重要。根据《中华人民共和国突发事件应对法》第二条，所谓“突发事件”，是指突然发生，造成或者可能造成严重社会危害，需要采取应急处置措施予以应对的自然灾害、事故灾难、公共卫生事件和社会安全事件。例如，利用铁塔遭受水浸、停电、离线的数据，可以高效进行灾害分析，提供灾害早期识别、灾情高效研判、精准锁定“三断”地区以及应急处置辅助决策等服务，有效提升灾害监测、分析与预警等应急管理水平，降低各类自然灾害带来的经济损失。当然，公共治理中的数据“合理使用”仅仅是对数据处理者权利的限制，对于承载个人信息、商业秘密的数据，仍应尊重个人的人格权利和企业的经营权利。 三、数据“合理使用”是开放的清单 数据“合理使用”并不是封闭的，而是具有弹性和开放性的制度。科学研究、教育教学、突发事件应对只是部分场景。这是因为，随着技术进步、商业迭代和社会发展，作为数字经济关键生产要素的数据，其使用场景无穷无尽，因此，如果对数据“合理使用”的情形作过于严格的解释，将违背《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》中“促进数据使用价值复用与充分利用”，以及“个人、企业、公共数据分享价值收益”的政策方向。因此，在未来的立法和司法中，可以从公益事业和公共治理的目的出发，综合考量数据的性质、被使用数据的质量数量、数据使用的目的与性质、使用行为对数据潜在市场或价值的影响等多方面因素，判断是否构成“合理使用”。放眼未来，数据“合理使用”将是数据产权制度的重要内容，服务于打破数据孤岛、促进数据流通和创造数据价值的目标。 来源（网站）：国家数据局
龙石数据中台V3.8.5版本正式发布，本次升级以“聚焦核心场景、提升易用体验”为目标，重点实现了对Gbase数据库的全流程适配，同时对使用率较低的功能模块进行了精简优化，让产品更贴合实际工作场景。 一、 数据集成 1 数据源接入 新增Gbase数据源适配： 本次升级实现了对Gbase的全流程支持，覆盖数据接入、数据归集、数据质量、数据共享等核心模块。 2 日志查询优化 数据归集、清洗等任务日志的查询时间范围默认设为7天。 新增“只查看数据量大于0的日志”开关，一键过滤无效执行记录。 3 编排任务管理 此前，编排任务在归集、清洗等任务管理页面与编排任务管理模块均可操作，存在功能重叠，易造成管理混乱。 因此，本次升级将编排任务统一收口至“编排任务管理”模块，其他模块的相关操作全部置灰，避免冲突，职责边界更清晰。 4 文件管理升级 单次上传最大支持5G，单个文件最大支持500MB，大文件上传更轻松。 二、 数据治理 1 元数据模块—功能精简 移除“元数据标准化、元数据稽核分析、元数据标准化审核、全链分析”等使用率低的模块。 元数据检索页面去掉“标准化差异”按钮，使界面更聚焦。 三、 数据共享 1 API共享优化 自助API增加SQL说明提示： 不分页查询，单次最大查询10000条记录；开启分页查询的API，建议SQL语句要做排序，如果使用SQLServer时必须加排序，否则会报错。 执行SQL时增加loading等待提示，用户体验更友好。 四、 运维监控 1 监控项优化 目前平台默认监控任务状态和任务逾期情况，可满足日常监控需求。 本次升级，将数据归集、清洗、共享等任务的“执行耗时”和“采集记录数”改为非必填项，减轻用户使用负担。 五、 全局体验 此前保存流程后，提示框需等待数秒才会消失，无法手动关闭。 本次新增“关闭”按钮，用户执行完流程后可立即关闭提示，减少等待时间，操作更高效。 龙石新书｜欢迎共创 龙石数据编写的书籍《数据治理实战指南—“理采存管用”落地方法、步骤与模版》已在官网连载完毕，供大家参考交流。 这不是一本晦涩的理论著作。对于实施人员，这是一本手把手帮带的指导书。对于管理人员，这是一本提升成效的检查单。 更特别的是，本书采用了开放式共创的编撰模式，诚邀大家审阅、研讨、共创和交流。 点击图片进入共创空间，与作者直连、获电子版书稿
在过往对AI本质、碳基与硅基生命边界的深度探讨中，我们主要在理念层面求索。理念指导实践，回归实践层面，一张清晰、完整、可落地的“AI+”架构全景图，才是串联所有要素的关键纽带。 为此，我从四个维度系统性解构人工智能+架构：第一个是系统结构维度——“理念、方法、工具”，它指导我们如何去解构AI+；第二个是时间过程维度——“意图、智算、执行”，将AI系统解构为彼此依赖、相互协同的三层；第三个是空间部署维度——从中心-边缘-终端的视角，描绘出AI+在云、边、端的分层部署；第四个是组织实施维度——从“战略、业务、平台”的角度，强调AI+敏捷的动态性变革。 一、系统结构维度：理念层、方法层、工具层 理念层：明晰边界，坚守人本 AI时代的核心命题，是认清人与机器的能力边界，守住人类不可替代的价值高地。随着技术手段的不断创新，在强逻辑、高重复、高精度的智能任务方面，机器终将超越人类；而感性认知、信仰构建、价值度量、道德自律与审美创造，则是人类独有的精神内核。 道德律是内在的信仰自律，法律是外在的契约他律，自律与他律共同指向相对自由，最终滋养审美与善意。技术可以无限迭代，但人类追求的终极理想，永远是情感与精神的丰盈。因此，无论AI如何进化，以人为本、向善而行，始终是技术发展的底层逻辑。 方法层：范式革新，架构赋能 在上述理念指导下，我们的方法论势必发生变革。工业文明以体力劳动为核心，数字文明则是智力与体力的双重协同。AI方法论的本质，是把治理能力下沉到业务场景，以平台化的方式持续迭代、沉淀长期价值。 方法不对，努力白费；架构先行，事半功倍。我们需要构建“32N（三网关+两中心+N场景）”核心架构，打通“感知/控制数据、模型/算力、战略意图/编排调度”三大通路，通过语义治理和安全治理，让AI能力精准赋能场景创新。 工具层：数据通联，安全护航 工具层的核心使命，是破解异构数据的互联互通难题，实现“感知数据、控制数据、语义数据”这三大数据“书同文、车同轨”。 同时，碳基人类与硅基数字人混合协作的新时代，催生出全新的安全挑战，必须构建出一套覆盖全链路、全场景的安全体系，为AI发展筑牢底线。 二、时间过程维度：意图层、智算层、执行层 AI不只是思维框架，更是可落地的平台实体，我们将其纵向拆解为意图、智算、执行三层协同体系，层层递进、闭环运转。 意图层：从数据到智慧，从理解到战略 意图层实现的是数据→信息→知识→智慧的高阶跃迁，也是成本最高、价值最大的核心环节。 传统的数据治理解决“可信”，当下的语义治理解决“可理解”。实现语义层的互通，必须在知识层面建立动态本体模型，并基于此实现人机互通，但这并不等同于自主意图。真正的意图，最终指向战略决策。意图层是AI的“大脑中枢”，也是未来攻坚的核心制高点。 智算层：算力底座，模型引擎 智算层是AI的动力心脏，集成计算、网络、存储三大核心资源，承载算力调度与模型运行，为上层意图、下层执行提供坚实支撑，是智能运转的基础保障。 执行层：感知闭环，全域落地 执行层负责从感知付诸行动，完成感知—控制—反馈—优化的全流程闭环。执行的主体涵盖“碳基人类、硅基数字人、软件、硬件”四类资源，是AI从技术走向实用的“最后一公里”，让智能真正转化为行动与价值。 三、空间部署维度：云智能、边智能、端智能 与传统IT架构相比，AI+部署呈现高度分层压缩、分布式部署的特征，智能不再集中于中心节点，即便最小终端也具备计算能力，形成云、边、端三级协同的智能分布。 云智能：全局中枢，重载计算 云智能是全局大脑，承担中心化重载计算、智能网关、语义治理、动态本体模型、安全治理等全局能力，以全局视角统筹全域智能，保障体系的一致性。 边智能：场景先锋，即时响应 边智能是场景创新的灵活触角。对于多模态数据处理，云端处理通常为秒级响应，边缘侧则可实现毫秒甚至微秒级低时延。边缘智能的本质，是以具体场景为中心的轻量化模型计算，是大模型在边缘侧的轻量化部署。 端智能：终端触点，精准对齐 端智能是AI和现实世界真正接触的最后一环，其核心是完成语义对齐与安全对齐：边缘语义在云端汇聚对齐，让本体模型持续迭代优化；安全规则上下贯通，保障终端可信执行。 上述三者关系清晰：云为纲、边为目、端为行。边与云是上下级协同：“云不约束、边即自由”“云若约束、边即遵从”；端严格北向遵从标准，确保数据上传可信，指令下达可落地。 四、组织实施维度：动态战略、动态业务、动态平台 AI带来的不是局部优化，而是全链路、全周期的动态性变革，在此背景下，传统一体化数据平台将迎来彻底的继承性与演进性跃迁。 动态战略：数据驱动，科学决策 AI+让战略制定从经验驱动走向“数据驱动+智能辅助”，实现战略工程级科学动态调整。决策权始终归于人类，但硅基智能为战略研判、动态调整提供强大支撑，让战略更精准、更敏捷。 动态业务：流程重塑，自动优化 在战略的指引下，AI将深度参与组织、制度、流程、标准设计，实现业务流程动态生成、自主优化，打破传统固化模式，让业务适配变化、快速迭代。 动态平台：智能自治，降本增效 传统平台依赖人工开发与反复对齐。未来，平台将走向智能自生成、自治理、自运营，成为一个能不断集成新AI能力、新工具的“活”的平台。数据与技术治理将变得更敏捷、更安全，硅基智能在平台全生命周期中占比也将持续提升。 结语 综上所述，四大维度一维带三维，三维可将“AI+”在宏观整体架构拆解为27个关键模块，按照总分总的V字模型深化下去，可以形成完整的顶层设计蓝图。 “AI+”顶层架构初期不宜过细，也不可缺失；在粗粒度顶层指引下，聚焦重点场景突破，提炼共性需求反哺顶层设计，让顶层规划与基层创新双向奔赴、循环演进，才是AI架构持续进化的正确路径。 技术有边界，智能无终点；架构明方向，落地见真章。 作者：王巍 数字浙江技术运营有限公司总经理 来源（公众号）：数字浙江
《中共中央 国务院关于构建数据基础制度更好发挥数据要素作用的意见》提出，要建立数据产权结构性分置制度，成为各方关注的重点。具体来说，数据产权应如何分置？ 数据具有多方共生的特点，同一数据往往涉及多个主体。比如，消费者在电商平台上的交易数据，涉及消费者、商户、物流公司、支付公司、电商平台等多方主体。因此，推动数据产权结构性分置，重点是顺应数据特点，明确“谁对什么数据有什么权利”。 01 什么是数据的持有权、使用权、经营权？ 持有权就是自行持有或委托他人代为持有合法获取的数据的权利，其他人不得窃取、篡改、泄露或者破坏权利人合法持有的数据。比如，大型集团企业往往安排旗下数科公司汇聚、存储、维护集团所有数据，统一提供数据服务，并相应地将数据持有权配置给这家数科公司。 使用权就是对数据进行加工、聚合、分析等的权利，可以将数据用于优化生产经营，也可以形成衍生数据等。比如，医院可以在保护个人信息前提下，建设数据资源池，允许药物研发企业在资源池内对数据进行加工使用，研发新产品，并相应地将数据使用权授予药企，但不授予持有权、经营权，这就在保障了数据安全的同时，让更多主体参与释放数据要素价值。 经营权就是以转让、许可、出资或者设立担保等有偿或无偿的方式对外提供数据的权利。比如，一些企业希望由数据中介机构代为销售数据，但又担心数据不受控制，所以仅授予数据中介机构数据经营权。该情况下，数据中介机构不持有数据、也不使用数据，但是取得了代表企业对外提供数据的权利，这保障了其对外供数服务的稳定性。数据中介机构达成交易意向后，数据供给方可以先复核数据需求方可信，再提供数据。 02 如何理解数据持有权、使用权、经营权的关系？ 一方面，持有权、使用权、经营权互相独立，同一权利人可同时享有全部权利，也可享有其中一项或多项权利。比如，在数据融合利用的情形中，某汽车数据空间运营企业联合车企、相关供应商等共同开发数据，各方可以约定各自享有融合后数据的持有权和使用权，并由其中某一方享有数据经营权；也可以约定均享有持有权、使用权、经营权。 另一方面，对于同一数据的同一权利，不同权利人可同时享有且互不排斥。比如，某经营主体合法合规获取一份数据，享有持有权、使用权、经营权，该主体把这份数据复制一份提供给其他人并进行相应授权，则双方对相同的数据同时享有持有权、使用权、经营权，互不排斥。再如，该主体通过建设可信数据空间等数据基础设施，授权多个主体在空间内使用数据，则多方同时对这份数据享有使用权。 03 这样设置的好处是什么？ 一是有利于适应数据特征，清晰界定数据权利内容。通过持有权、使用权、经营权分置，清晰界定不同主体的权利内容，有利于定分止争，符合数据多方共创的特性，将各方关注点从争论“数据是谁的”，转移到“数据怎么用”上来，更好推动数据开发利用，释放数据价值。 二是有利于满足实践需要，释放数据要素乘数效应。数据具有低成本复制的特点，一份数据可以极低的成本，被多个主体重复使用，创造多样化的价值增量，这是数据要素乘数效应的重要来源。因此，明确不同主体可以对同一数据享有同样的数据产权，符合多主体并行使用数据的客观实践，有利于推动数据复用增效。 三是有利于留足发展空间，支持数据领域创新创造。数据作为新兴领域，技术、产业、市场等都在快速发展，未来还将涌现很多新模式、新业态。持有权、使用权、经营权互相独立，有利于市场经营主体描述自身权利内容，让数据产权制度更好满足丰富多样的实践需要，为数据领域创新创造留足发展空间。 来源：国家数据局
中共广东省委办公厅 广东省人民政府办公厅 关于加快公共数据资源开发利用的实施意见 为贯彻落实《中共中央办公厅、国务院办公厅关于加快公共数据资源开发利用的意见》部署要求，加快我省各级党政机关、企事业单位在依法履职或提供公共服务过程中产生的公共数据资源的开发利用，充分释放公共数据要素潜能，促进数据要素市场高质量发展，助推数字广东建设上新水平，经省委、省政府同意，现结合实际提出如下实施意见。 提升公共数据资源供给规模和质量 （一）推动公共数据资源高质量供给。建立数据资源调查制度，摸清数据资源底数。强化统筹协调，落实首席数据官制度。完善公共数据资源目录，明确数据责任部门、数据来源、更新机制、质量标准、使用方法等属性，推动实现“一数一源”。推进政府核心业务数据化。编制完善政务数据共享、开放责任清单，明确数据采集、治理责任。 （二）健全公共数据资源管理标准规范。按照国家数据分类分级保护制度要求，对公共数据实施分类分级管理。围绕数据流通利用基础设施、公共数据资源授权运营、数据安全管理等方面，构建全省统一的公共数据领域标准规范体系。推动行业主管部门、行业协会、龙头企业等共同参与公共数据标准规范制定和推广应用。 （三）提高公共数据质量。建立公共数据质量监测和评价、问题数据纠错、异议核实与处理机制，综合运用多元比对、关联分析等技术手段，对公共数据进行核对、确认，提升数据精准度。按照“谁管理谁负责、谁使用谁负责”的原则，明确公共数据资源开发利用各环节责任主体，推动公共数据源头治理、系统治理。组织开展公共数据质量检查。 （四）促进公共数据资源融合应用创新。强化省数据资源“一网共享”平台技术支撑，围绕“高效办成一件事”，组织数据供需双方开展面向场景应用的数据共享。推动全省供水、供电、供气、公共交通以及城市基础设施等公共服务行业数据资源全面接入省数据资源“一网共享”平台。鼓励医疗、教育、金融、交通、能源、工业、电信等行业和领域融合应用公共数据和社会数据资源，开发产品、提供服务。鼓励行业龙头企业、互联网平台企业开放数据，推动跨行业跨领域数据互通共享。 规范公共数据授权运营 （五）系统推进授权运营。落实数据产权结构性分置制度要求，探索建立公共数据分类分级授权机制。以数字政府一体化为支撑，集约建设公共数据授权运营平台。省级数据主管部门统筹管理全省公共数据授权运营，指导监督省级运营机构依法依规经营。探索将授权运营纳入“三重一大”决策范围，明确授权条件、运营模式、运营期限、退出机制和安全管理责任，鼓励结合实际采用整体授权、分领域授权、依场景授权等模式，授权符合条件的运营机构依托公共数据授权运营平台开展公共数据资源开发、产品经营和技术服务。运营机构要落实授权要求，规范运营行为，面向市场公平提供服务，严禁未经授权超范围使用数据。 （六）落实资源登记管理制度。建立全省统一的公共数据资源登记制度和标准。对纳入授权运营范围的公共数据资源、授权运营形成的公共数据产品和服务实行登记管理。鼓励对持有但未纳入授权运营范围的公共数据资源进行登记，形成公共数据资源底账。依托省数据资源“一网共享”平台，基于公共数据资源目录，开展全程电子化公共数据资源登记。 （七）建立运营监督机制。通过公共数据授权运营平台，按规定向社会发布运营机构遴选公告、公开授权运营情况等。运营机构应公开公共数据产品和服务能力清单等，接受社会监督。数据主管部门要履行行业监管职责，指导监督运营机构依法依规经营。 （八）建立价格形成机制。全面落实公共数据资源授权运营价格形成机制，充分发挥价格政策的杠杆调节作用。指导运营机构建立各类应用场景下可提供的数据产品和服务项目价格清单，对用于公共治理、公益事业的，可以有条件无偿使用；对用于产业发展、行业发展，确需收费的，实行政府指导定价管理。 促进数据开放和流通交易 （九）有序推动公共数据开放。健全公共数据开放管理制度，在维护国家数据安全、保护个人信息和商业秘密前提下，依法依规有序开放公共数据。完善“开放广东”平台，提升公共数据开放服务水平。制定公共数据开放年度计划，明确重点任务。丰富并动态更新公共数据开放目录，优先开放气象、科研、交通等社会公众关注度高的公共数据。开展公共数据开放需求征集活动。 （十）开展数据产品和服务流通交易。鼓励通过依法设立的数据交易场所交易公共数据产品和服务。加强公共数据流通交易监管，优化数据交易场所配套服务机构布局，为公共数据产品和服务流通交易提供公平有序的市场环境。 推动数据产业健康发展 （十一）加强重点领域数据开发利用。开展公共数据需求调研，精准把握企事业单位、社会组织的数据需求，推动公共数据资源有效配置。围绕普惠金融、信用服务、消防安全、气象服务等重点领域，推动龙头企业发挥带动作用，协同上下游共建开发利用场景。支持企业利用开放数据建设开放创新平台、开源社区、评测适配中心、创新中心等技术服务平台。鼓励社会各界广泛利用开放数据支撑科技研究、咨询服务、产品开发、数据加工等活动。开展公共数据“跑起来”示范场景建设。 （十二）促进人工智能产业创新发展。鼓励各行业建设高质量数据集，加大高质量行业级数据集供给，推动典型行业数据汇集、共享和使用。探索利用政务大模型智能化升级改造政务信息系统，提供人工智能服务。常态化发布人工智能场景清单。支持有条件的地区和部门与科研机构、大模型企业合作，围绕医疗健康、公共管理、智慧城市等领域，融合利用公共数据资源开发行业特色大模型。 （十三）促进湾区数据流通便利化。以商事登记、健康医疗、社会保障等场景为试点，在粤港澳大湾区探索公共数据跨境流动。发挥横琴、前海、南沙、河套等重大合作平台优势，探索建设跨境可信数据空间，着力打通业务链条、数据共享、数据流通堵点。强化粤港澳大湾区智慧城市建设合作和平台联通，加强地理空间、交通信息、经济数据等智慧城市数据要素共享利用。 （十四）促进数据产业集聚发展。加快建设协同互补、特色发展、具有国际竞争力的数据要素集聚发展区，促进数据全产业链协同发展。围绕数据资源、数据技术、数据服务、数据应用、数据安全、数据基础设施等领域，引进和培育一批数据企业，构建大中小企业融通发展生态。推动城市全域数字化转型，促进数据相关产业在城市集聚。 （十五）繁荣数据产业发展生态。鼓励开发数据模型、数据核验、评价指数等多种形式数据产品。培育高水平数据应用企业，支持公共数据采集标注、分析挖掘、流通使用、数据安全等技术创新应用。支持数据行业协会、学会等社会团体制定行业数据合规指南，加强数据合规服务的标准化和规范化建设。鼓励高等学校和科研机构基于公共数据资源开发创新应用。支持开发具有社会潜力和社会效益的公益产品和数据应用项目。 增强数据领域支撑保障能力 （十六）加大创新激励力度。按照管运适度分离的原则，在保障政务应用和公共服务的前提下，承担数据运营职责的事业单位可按照有关规定转企改制，试点成立行业性、区域性运营机构，并按照国有资产有关法律法规进行管理，符合要求的纳入经营性国有资产集中统一监管。研究制定支持运营机构发展的激励政策。 （十七）加强数据基础设施建设。推进全国一体化算力网络粤港澳大湾区国家枢纽节点建设，推动行业数据中心集约化、智能化、绿色化发展。支持广州、深圳等市开展数据流通基础设施建设试点。聚焦算力网络和可信流通，支持数据基础设施企业发展。加强计算、网络、存储、应用协同创新，鼓励先进存储技术部署应用。探索政务信息系统社会化建设。有序推进企业、行业、城市、个人、跨境可信数据空间建设和应用。 （十八）加强数据安全管理。健全公共数据安全管理体系，强化数据安全和个人信息保护，完善数据安全监测预警和应急处置机制。加强对数据资源生产、加工使用、产品经营等开发利用全过程的监督和管理。运营机构要依据有关法律法规和政策要求，履行数据安全主体责任，建立健全数据安全管理制度，组织开展数据安全教育培训，采取技术措施加强动态监控、主动防御，形成数据安全规范管理闭环，提升安全防护水平。公共数据提供单位要严格落实信息公开保密审查主体责任，依法依规予以保密的公共数据不予开放，严格管控未依法依规公开的原始公共数据直接进入市场。 （十九）鼓励先行先试。建立健全容错机制，鼓励和保护干部担当作为，营造鼓励创新、包容创新的干事创业氛围，在公共数据资源开发利用的制度机制、依规授权、价格形成、收益分配等方面开展先行先试。充分认识数据规模利用的潜在风险，坚决防止以数谋私等“数据上的腐败”，坚持有错必纠、有过必改，对苗头性、倾向性问题早发现早纠正，对失误错误及时采取补救措施，维护公共数据安全。支持广州、深圳等市结合区域特色开展公共数据资源开发利用试点。 强化组织实施 坚持和加强党的全面领导，把党的领导贯彻到数据工作全过程各方面。各地区各部门要强化组织实施，结合实际抓好贯彻落实。省政府办公厅强化工作协调，加大跨地区跨部门跨层级协同联动和重大事项统筹协调力度。省政务和数据局加强工作统筹，加快推进公共数据共享开放和授权运营工作。研究制定广东省数据条例，强化公共数据资源开发利用制度保障。依托省级重点研发计划、科技重大专项等，开展数据加密、可信流通、安全治理等关键技术研究和攻关。加强数据领域人才队伍建设和国际交流合作。建立健全公共数据资源开发利用成效评价、第三方评估和监督检查工作机制。鼓励各地开展公共数据资源开发利用创新实践，加强典型案例推广，营造良好氛围。 来源 : 南方日报网络版
文 | 复旦大学管理学院教授 黄丽华 “数据要素潜力加快释放”，这是李强总理在政府工作报告对数据要素事业2025年度进展的肯定，也是对“十四五”以来数据要素制度体系建设成效的总结。2019年数据正式列为生产要素以来，开启了我国数据要素制度体系建设实践的伟大征程。国家数据局成立两年多来，以数据“供得出、流得动、用得好、保安全”为目标，打出了数据要素配置改革“组合拳”，使数据要素制度加快从概念提出到实践落地，为数据要素潜力加快释放提供坚实制度保障。 一、制度引领数据“供得出”，为数据要素潜力释放提供源源不断的“原料” 数据供给是数据要素价值释放的起点。从当前数据流通服务机构公开挂牌的数据产品和服务来看，数据内容源自开放的公共数据比例超60%，这充分说明公共数据蕴含的巨大潜力。公共数据资源开发利用“1+3”政策体系加快建立，为破解公共数据有序合规“供得出”提供了重要支撑。超过30个地方发布了与公共数据资源授权运营相关的专门文件。公共数据“跑起来”示范场景加快建设，加快打通公共数据供给—流通—利用链条，推动公共数据潜力快速释放。 除公共数据以外，支持企业数据和高质量数据集流通利用的政策加快出台，加之我国数据产权制度的确立，极大激发了各类企业和政府机构参与高质量数据集的开发和供给积极性。据报道，目前我国已建成高质量数据集超10万个，规模超890PB，有力支撑了人工智能、科技创新的发展。 二、制度打通数据“流得动”，为数据要素潜力释放提供强劲的动力支撑 数据流通服务机构是数据要素流通的重要载体。2026年初印发的《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》，明确了培育数据交易所（中心）、数据流通服务平台企业、数据商等三类数据流通服务机构，支持它们各展其长、创新发展，推动它们成为数据要素“流得动”的重要引擎，降低数据流通成本。 数据基础设施是数据要素流通的关键底座。《国家数据基础设施建设指引》提出了探索可信数据空间等六大类数据流通利用技术设施，并先后发布相关的技术框架或（试行）标准，以期在数据流通领域实现“车同轨、书同文”的基础标准。一年多来，先后开展了由18个城市、34个地方和31个领域三层级节点组成的数据基础设施示范工程，以及63个可信数据空间作为创新发展试点项目，为实现跨区域、跨层级、跨领域数据安全高效流通奠定了基础。 三、制度激发数据“用得好”，为数据要素潜力释放提供广泛的应用场景 “用得好”是数据要素价值释放的目的。制度引领数据要素向实体经济主战场聚焦，赋能千行百业。《“数据要素×”三年行动计划（2024—2026 年）》实施以来，通过开展试点、举办大赛、发布案例和编制场景指引等，以场景为牵引加快数据要素价值释放。以2025年大赛为例，全国参赛项目超2.3万个，涌现了一批优秀的数据要素应用场景和开发利用方案，呈现出多类安全可信数据流通模式，以及众多新型流通形式。比如，2025年商贸流通赛道的十个优秀团队实现了跨主体数据流通量近210T，赋能行业产业链或供应链上的企业有几百家到15万家不等。其中，“可信数据空间赋能家纺产供链高效协同”团队汇聚了200多万个设计素材数据、2万多个行业指数数据、5000多条生产线采集数据、1000多家纺企业销售数据、6万多企业征信数据，以及来自电子商务平台的家纺实时销售数据等，研发覆盖研发、生产、销售全链路流程的6大类业务场景所需的数据产品和服务，助力家纺产品设计时间从30天下降到2.5天，验布速度提高300%，充分彰显数据要素价值。 四、制度筑牢“保安全”底线，为数据要素潜力释放提供可信可控的环境 安全是发展的前提。通过制定数据流通安全治理的制度文件，发布典型案例、出台数据跨境流动、数据分类分级等标准规范，显著激发了各类主体探索安全治理模式和安全技术保障创新的动力。比如，上海城市可信数据空间以区块链等为基础，构建了涵盖数据汇聚、加工治理、可信流动、场景应用、安全保障“五位一体”的可信数据基础设施集群，支撑了上海市医疗健康数据的可信流动。又如，2025年“数据要素×”大赛中，所有参赛团队均采用了比较完善的数据资源管理的技术方案。这些实践说明，制度和技术“双管齐下”，可为数据要素潜力释放提供可信可控的环境。 总之，两年多来，数据要素制度体系建设成效已初步显现，激活供给，顺畅流通，赋能应用，引领了数据要素潜力快速释放。展望未来，制度体系将在实践中完善，在探索中发展，数据要素必将成为驱动我国经济社会高质量发展的核心引擎。 来源（网站）：国家数据局
今年伊始，人工智能智能体（Agentic AI）的崛起便成为焦点。2026年才过去不到两个月，人工智能的讨论就已被人工智能智能体、它们的能力以及它们对企业的益处所主导。在智能体一夜之间创造出各种科幻场景，一系列更为实际的问题浮出水面。例如：将任务委托给机器所带来的治理风险、对人类劳动力的影响，以及对人类控制和监督日益增长的需求。 由于我对任何形式的科技炒作都过敏，所以我不会相信人工智能代理最迟会在圣诞节前统治地球这种说法。但企业确实在探索利用人工智能代理来优化工作流程的可能性。智能体人工智能治理框架的出现似乎也印证了人们对这些解决方案日益增长的兴趣。让我们来看几个例子。 一 新加坡的模型，世界上第一个智能体人工智能框架 2026年1月，新加坡资讯通信媒体发展局（IMDA）发布了全球首个智能体人工智能治理框架。该框架首先承认，智能体“能够访问敏感数据并对其环境进行更改”，这带来了全新的风险。智能体之间复杂的交互作用显著增加了结果变得难以预测的风险。由于智能体可能进行金融交易或修改包含个人数据的数据库，因此这些潜在风险的严重程度无法被低估。 新加坡的模式并非重写治理体系，而是调整人工智能的考量并将其转化为适用于智能体的形式。例如，公平和透明的原则比以往任何时候都更加重要。同样重要的是，人类的问责制、监督和控制也需要尽可能地贯穿人工智能的整个生命周期。 1.智能体人工智能风险 新加坡的框架承认，智能体人工智能的风险与传统的LLM相关风险（SQL注入和提示注入、幻觉、偏见、数据泄露等）并无太大区别。不同之处在于这些风险的表现形式：智能体可能通过制定错误的任务完成计划而产生幻觉，或者在执行过程中，通过调用不存在的工具或以带有偏见的方式调用这些工具而产生幻觉。 当主体之间相互交互时，风险会更高。一个主体的错误可能会引发连锁反应，因为错误的输出会传递给其他主体，并在整个系统中传播。如上所述，复杂的交互可能导致不可预测的结果，并在行动链中出现意想不到的瓶颈。 该模型识别出五类关键的、可能造成危害的风险： 错误操作。试想一下，如果人工智能代理检测到的异常情况不符合预设阈值，导致未能将IT事件上报给人工操作员，会发生什么情况？根据具体情况，这种错误操作可能会导致系统安全受到威胁。 未经授权的行为。这种风险是由代理人采取超出其许可范围的行为造成的。 带有偏见或不公平的行为。我们对偏见并不陌生，因为这是传统人工智能（尤其是二元分类模型）中常见的难题。其原理与此相同：试想一下，一个智能体做出了带有偏见的招聘决定。 数据泄露。一个典型的例子是，代理人可能在不知情的情况下无意中泄露了敏感信息，或者恶意行为者通过代理人获取了私人信息，从而造成了安全漏洞。 对连接系统的干扰。这种风险与代理与其他系统交互时采取的错误行为传播，从而扰乱信息或行为流的事件有关（例如，错误地删除生产代码库）。 2.治理模式 新加坡资讯通信媒体发展局 (IMDA) 的智能体人工智能治理模式基于四大支柱。 (1)前期风险评估 从本质上讲，这一步骤涉及确定代理部署的风险和用例，并设计风险控制系统。 确定应用案例的核心在于识别风险，风险被描述为影响和可能性的函数（这正是风险管理人员所需要的……），以及进行威胁建模。该模型展示了一系列影响人工智能代理潜在影响（部署领域、对敏感数据和外部系统的访问权限、代理行为的范围和可逆性）和可能性（代理的自主程度、任务复杂性）的因素。新加坡资讯通信媒体发展局（IMDA）认为，威胁建模是对风险评估的补充，因为它能够识别潜在的外部攻击场景。常见的威胁包括内存投毒、工具滥用和权限泄露。 下一步合乎逻辑的做法是定义智能体的限制和权限。这意味着需要制定策略、流程和协议，明确界定智能体在工具和系统访问权限、自主程度以及影响范围方面的限制（例如，将智能体部署在网络和数据访问权限受限的“独立环境”中，尤其是在执行代码执行等高风险任务时）。智能体的身份管理和访问控制问题更为棘手，因为目前为人类设计的身份验证系统无法顺利应用于人工智能智能体等复杂系统。随着新的解决方案和标准的开发，传统的身份访问控制和人工监督相结合的模式仍然不可或缺。 (2)使人真正承担责任 第二大支柱在于明确组织内外各方的责任，并建立有效的监督机制。新加坡资讯通信媒体发展局（IMDA）的基本原则是，组织和个人应对其代理人的行为负责。 在组织内部，应明确以下各方的职责：a)关键决策者，包括设定代理的高级目标、权限限制和整体治理方法；b)产品团队，包括定义代理的需求、设计、控制措施、安全实施和监控；c)网络安全团队，包括建立基线安全防护措施和安全测试程序；d)用户，包括确保负责任地使用代理并遵守相关政策。外部参与者可能包括模型开发者或智能体提供商等，组织也应为其明确职责。 设计有效的监督机制包含三项措施。首先，企业需要明确需要人工审批的行动边界，例如高风险或不可逆的操作（编辑敏感数据或永久删除数据），或异常和非典型行为（代理人越权行事）。其次，企业必须确保监督机制的持续有效性，例如通过培训员工识别常见故障模式并定期审核人工控制措施。最后，企业应引入自动化实时警报监控系统。 (3)实施技术和控制流程 除了传统的LLM 相关技术控制之外，第三支柱建议增加因智能体 AI 的新颖性而需要在生命周期内实施的新控制。 例如，企业应使用测试代理引入严格的部署前控制措施，以观察实际代理部署后的运行情况。企业在测试代理时应采取整体方法，包括评估新风险、工作流程、真实环境以及跨数据集的表现，并大规模评估测试结果。与传统人工智能一样，代理在部署后也应持续监控和测试，以便人工能够实时介入并在必要时进行调试。这项工作并非一帆风顺，因为代理运行速度极快，企业可能难以跟上。 (4)赋予最终用户责任 最后，为了确保最终用户（即使用和依赖人工智能代理的用户）的责任和义务，企业应注重透明度（沟通代理的功能和局限性）和教育（培训用户正确使用和监督代理）。企业可以重点关注与代理交互的用户（例如客户服务或人力资源代理等外部用户）的透明度，以及将代理集成到工作流程中的用户（例如编码助手等内部用户）的教育。 二 加州大学伯克利分校的智能体人工智能框架 2026年2月，加州大学伯克利分校长期网络安全中心的一组研究人员发布了《智能体人工智能风险管理标准规范》，该风险框架广泛反映了美国国家标准与技术研究院（NIST）的人工智能风险管理框架（AI RMF）。与IMDA类似，该规范也指出了智能体带来的更高风险，包括“非预期目标追求、未经授权的权限提升或资源获取，以及其他行为，例如自我复制或抵抗关闭”。这些独特的挑战“使传统的、以模型为中心的风险管理方法变得复杂，并需要系统级治理”。 加州大学伯克利分校的框架是专门为单智能体或多智能体人工智能系统的开发者和部署者设计的。然而，作者表示，政策制定者和监管机构也可以使用该框架“来评估智能体人工智能系统的设计、评估和部署是否符合领先的风险管理实践”。 1.智能体人工智能风险 与IDMA相比，该报告指出了更广泛的风险： 歧视和毒性，包括反馈回路、毒性物质的传播以及试剂的可用性、质量和能力方面的差异。 隐私和安全，包括个人或敏感数据的意外泄露、数据泄露以及由此导致的不协调结果。 错误信息，尤其是当一个代理产生的幻觉和错误输出被其他代理重复使用时。 恶意行为者和滥用行为，包括更容易执行复杂的攻击、自动化滥用、大规模操纵、欺诈和协调的影响活动。 人机交互，例如减少人为监督、社会说服行为以及用户难以理解或质疑代理行为。 失控，包括监管破坏、快速执行超越监控和响应，以及破坏关闭或遏制机制的行为。 社会经济和环境危害，包括获得自主能力方面的不平等、集体无力感、大规模的经济和环境影响。 人工智能系统的安全性、故障和局限性，包括自主复制、错位、欺骗、串谋、目标驱动规划、现实世界的影响以及人类监督不足。 2.关注人类控制 与新加坡资讯通信媒体发展局（IMDA）类似，加州大学伯克利分校的标准主要旨在加强人工监管，重点关注以下方面： 人为控制和问责（明确的角色和职责，包括明确的角色定义、干预检查点、升级途径和关闭机制） 系统级风险评估（尤其适用于多智能体交互、工具使用和环境访问） 持续监控和部署后监督（代理行为可能随时间和环境而变化） 纵深防御和遏制（由于当前评估技术的局限性，将特工视为不可信实体） 透明度和文档记录（向利益相关者清晰传达系统边界、局限性和风险缓解决策） 作者承认其自身标准的局限性。首先，智能体人工智能的分类体系差异很大，且在全球范围内应用不一致，这限制了“跨组织和司法管辖区协调建议的能力”。其次，复杂的多系统行为和日益增强的自主性使得确保有效的人为控制和正确归责变得困难。最后，许多风险指标仍不完善，尤其是在“涌现行为、欺骗性匹配和长期危害方面”。 因此，作者警告说，本文采取了一种“预防性方法，强调保守的假设、多层保障措施和持续的重新评估”。它不应被视为一份静态的治理清单，而应被视为“一个动态框架，旨在与智能体人工智能的研究、部署实践和治理规范共同发展”。 2，NIST 设计 如上所述，该框架的设计与 NIST AI RMF 的设计有重叠之处，围绕治理、映射、衡量和管理这四个核心功能构建了智能体人工智能的工作框架。这是作者有意为之，旨在帮助企业在其熟悉的架构上应用风险管理程序，并构建一个与现有实践相一致的框架。 三 更多智能体人工智能框架 新加坡资讯通信媒体发展局 (IMDA) 和加州大学伯克利分校的框架近期已发布，但并非仅有的人工智能代理治理方案。还有其他一些模型概述了应对人工智能代理带来的风险的流程和程序。让我们来看看其中的四个。 1.Agentsafe 2025 年 12 月，三位爱尔兰 IBM 专家发表了一篇论文，提出了Agentsafe，这是一个与工具无关的基于 LLM 的代理系统的治理框架。 实际上，Agentsafe“通过将抽象的风险类别映射到一套结构化的技术和组织机制，将麻省理工学院人工智能风险库付诸实践”，并针对特定代理的风险进行定制。它还对风险行为施加约束，将高影响行为升级至人工监督，并基于部署前的事件场景（包括安全性、隐私性、公平性和系统安全性）评估系统。据作者称，该框架通过证据和可审计性提供保障，提供了一种将风险与测试、指标和来源联系起来的方法。 Agentsafe 似乎是一个非常有前景的框架，是传统人工智能技术治理向智能体人工智能领域的自然延伸。它建立在伦理原则（问责制、透明度和安全性）之上，以符合国际标准的结构化风险管理流程为基础，并且似乎有潜力解决智能体人工智能的两大关键挑战：及时遏制和有效的人工监督。 2.AAGATE 2025年11月，在技术层面，11位企业家、研究人员和行业专家发表了一篇论文，提出了“智能体人工智能治理保障与信任引擎”（AAGATE），将其定义为“符合NIST人工智能风险管理框架（NIST AI RMF）的智能体人工智能治理平台”。该论文基于这样的假设：“传统的应用安全和合规工具是为确定性软件设计的，而不是为能够进行即兴推理的自主推理系统设计的”。 为了弥合这一差距，AAGATE将上述 NIST AI RMF 原则（治理、映射、衡量、管理）付诸实践，并针对每个 RMF 功能集成了“专门的安全框架：映射采用 Agentic AI Threat Modeling MAESTRO 框架，衡量采用 OWASP 的 AIVSS 和 SEI 的 SSVC 混合框架，管理采用云安全联盟的 Agentic AI Red Teaming Guide”。作者解释说，这种分层架构将实现“安全、负责且可扩展的部署”。 3.NVIDIA 的 Agentic AI 风险框架 2025年11月，NVIDIA和苏黎世人工智能公司Lakera的一组专家发布了一个基于智能体的AI安全框架。该框架引入了一个新颖的理念，即使用由人类监督的辅助AI模型和智能体来“协助发现、评估和缓解情境化风险”。简而言之，该风险框架涉及四类参与者： 全球情境化安全代理，可设置和执行系统范围内的策略、风险阈值和升级规则，并具有完全的可见性和可审计性。 本地上下文攻击代理，充当嵌入式红队，通过逼真的上下文感知攻击探测系统，以发现新出现的风险。 本地上下文防御代理，可在运行时应用带内保护，强制执行最小权限原则，验证工具使用情况，并遏制不安全行为。 本地评估代理，用于监控代理行为以衡量安全性、可靠性和偏差，并触发警报和治理措施。 该框架分两个阶段运行： 第一阶段：风险发现与评估。此阶段在沙盒环境中进行，旨在发现静态测试中未出现的突发风险。嵌入式攻击者可以模拟对抗性攻击（例如提示注入、恶意数据检索或不安全工具链），而评估人员则会监控完整的执行轨迹，以衡量安全性、可靠性和策略合规性。目标是识别漏洞、评估风险阈值并设计部署前防御控制措施。 第二阶段：嵌入式缓解和持续监控。此阶段将这些控制措施应用于生产环境。系统运行内置防御机制，强制执行最小权限访问、验证工具调用、应用安全防护措施，并实时遏制不安全行为。监控组件持续评估系统行为是否符合预期轨迹和预定义的风险阈值，并在必要时触发警报或启动人工干预。该系统确保安全是一个适应性强、持续进行的治理过程，能够应对行为偏差、不断变化的环境以及新出现的威胁。 4.代理风险与能力（ARC）框架 新加坡政府科技局人工智能实践部门的负责任人工智能团队在Github上发布了Agentic Risk & Capability (ARC)框架，这是一个技术治理方案，“用于识别、评估和减轻智能人工智能系统中的安全风险”。 该团队开发了一种以能力为中心的分类法，将人工智能代理分为三个主要领域： 认知能力（推理、计划、学习和决策） 交互能力（智能体如何感知、交流和影响环境或人类） 操作能力（代理人是否安全高效地执行行动） 他们还编制了一份风险登记册，将各项能力与特定风险联系起来： 组件风险（系统模块中的故障或漏洞） 设计风险（架构、逻辑或决策回路问题） 能力特定风险（由代理人的能力引起的威胁、奖励黑客攻击） 每项风险都会被映射到特定的技术控制措施（防护措施、策略、监控）以减轻其影响，从而实现风险控制的直接可追溯性。这有助于管理团队了解针对每项能力和风险应用了哪些控制措施。 四 抢占奇点先机 我们距离人工智能奇点带来的恐怖还很远，这一点我们都清楚。然而，我们对人工智能体的认知发生了改变——不再是随时准备在我们睡梦中消灭我们的人形机器人，而是复杂的软件系统——这让我们更担心后者而非前者，这并不令人意外。 目前，这些担忧是非理性的，必须放在正确的背景下看待。而正确的背景是，人工智能代理给企业或个人带来的益处与潜在风险并存。全球范围内正在涌现的治理框架表明，智能体人工智能已成为我们生活的一部分，潜在风险也确实存在，一些机构正在积极主动地应对这些风险。 来源（公众号）：数据驱动智能
2026年全国两会期间，数据领域相关话题成为众多全国人大代表和全国政协委员关注的焦点。我们综合各类媒体和平台的公开报道，对2026年两会中有关数据工作的建议提案进行了梳理，倾听代表委员声音，不断提升数据工作质效。 01 张帆 全国人大代表、中国电气装备集团副总经理 构建工业数据集协同机制 以可信数据共享赋能“AI+制造” 全国人大代表、中国电气装备集团副总经理张帆建议研究出台加强工业数据集建设的财税支持政策，引导企业加大资源投入，切实提高企业对工业数据集建设的重视度和主动性，并支持行业龙头企业牵头组建行业数据共享联盟，带动产业链上下游中小企业协同参与，以此形成政府引导、市场主导、多方协同的格局。 数据交易与激发企业共享数据之间存在双向促进关系。张帆建议，大力培育数据服务商、数据标注机构等数商生态，有效提升专业化服务能力。推动数据交易模式创新，探索长期稳定、可预期、可持续的数据价值回报机制，从传统一次性买断，逐步向订阅制、版本服务费、按调用计费等多元化模式转型，充分调动企业参与数据共享的积极性、主动性。 数据安全可信流通才能实现数据高效利用。张帆建议，大力推广“数据可用不可见、用途可控可计量、全程可追溯可审计”的数据共享模式，从技术和机制上消除企业商业泄密、权属纠纷顾虑。加大对隐私计算、区块链、可信数据空间等数据安全流通关键核心技术攻关，集中力量突破性能、成本、互联互通等瓶颈制约。加快制定统一的技术标准、接口规范、互认协议，打通跨企业、跨行业数据共享通道，实现规模化、普惠化应用，支撑人工智能与制造业深度融合。 来源：证券时报网 02 周鸿祎 全国政协委员、360集团创始人 完善数据流通安全合规体系建设 为数据要素市场筑牢安全底座 周鸿祎建议，需要从规则制度、合规指引和技术能力三个层面，构建数据流通安全的闭环体系。应进一步细化数据流通安全实施细则，统一数据分类分级与安全防护的核心标准，并针对数据开放共享、数据交易、数据跨境流动等典型场景，明确实操要求。同时，可由主管部门牵头组织安全企业、第三方服务机构等共同编制数据流通安全合规指引，通过“手册+工具包”的方式，为企业特别是中小企业提供清晰、可落地的合规路径。 此外，应推动数据安全技术应用与关键技术攻关，在数据流通基础设施中同步嵌入网络安全技术和AI安全技术，通过攻关AI辅助的数据溯源、防篡改、权限审计等技术手段，提升数据流通基础设施的内生安全能力。 来源：环球网 03 黄艳 全国人大代表、三峡大学校长 完善算电协同体系 破解“算力焦虑” 全国人大代表、三峡大学校长黄艳建议，构建以三峡水电能源为特色的“绿色算力走廊”，推进以“湖北宜昌、成渝、长三角”等主节点融会贯通的低时延、高带宽算力网络建设。同时，探索“国家重大水电网络与国家重大算力枢纽”算电协同智能调度机制，实现“绿电保障算力、算力支撑产业”的良性循环。 来源：中国新闻网 04 田俊霞 全国人大代表、中国航空工业集团特级卓越工程师、中国航空工业集团公司济南特种结构研究所研究员 “制度+技术+生态”，保障数据安全、释放数据价值全国人大代表、中国航空工业集团特级卓越工程师、中国航空工业集团公司济南特种结构研究所研究员田俊霞认为，在保障安全的前提下释放数据价值，关键在于“制度护航、技术赋能和场景驱动”。田俊霞建议，一是制度上要清晰可行。各个行业的数据敏感度一般都比较高，建议进一步细化数据分级分类规则，明确各环节的数据使用边界与主体责任，建立“谁提供、谁负责，谁使用、谁守规”的可信共享机制。二是技术上要安全可控。推广隐私计算、区块链等“数据可用不可见”的技术。三是推进上要生态协同。支持行业龙头牵头搭建数据底座，打通设计、制造、维修、服务等全链条，推动数据在行业产业链中有序流动和应用。 来源：光明网 05 楼向平 全国人大代表，中国移动通信集团上海有限公司党委书记、董事长、总经理 加快释放数据要素在AI时代的创新价值 全国人大代表，中国移动上海公司党委书记、董事长、总经理楼向平认为，要加快释放数据要素在AI时代的创新价值，需要数据要素的高效率配置，建议选择部分地区开展“加强数据要素与人工智能一体化发展”创新试点，在数据跨行业、跨产业、跨城市、跨区域乃至跨境流通方面开展全链条、系统性、集成式试点，通过区域协同，为构建全国一体化数据市场发挥创新策源功能，为数据市场治理体系建设发挥先行先试作用。在创新机制方面，可以采取升级数据要素试验区，加快人工智能发展所需的数据要素机制探索，着重建设与完善面向AI产业的数据要素新型试验区；探索数据要素目录化管理及使用权开放、跨区域跨行业数据互信流通、跨境数据流通监管等机制，可以选择有条件的企业开展数据要素目录开放试点，推动区域城市间目录互通，为全国一体化数据要素市场建设提供样板。楼向平表示，聚焦技术创新，可以大模型训练所需语料和高质量数据集为突破口，探索面向语料数据的安全流通，提供脱敏、去标识化、差分隐私等技术支撑，搭建AI时代“智能数联网”，推动公共数据、科研数据、企业生产数据的合规融合、区域共享。同时，面向AI的数据要素储备，打造国家级高质量数据供给高地也很重要。楼向平建议选择部分区域，设立核心高质量数据集创新基地，融通产业、科研、公共数据，优先开展行业数据供给，鼓励有条件的单位主动将自有数据提炼为面向AI的高质量数据集，形成相应评测标准，直接服务于AI模型效能快速提升。 楼向平还建议，做好平台统筹准备，推动打造数据要素与产业融合的一体化综合枢纽，开展“数据要素×”与“AI+”融通的高价值场景创新。比如，打通行业数据沉淀、提炼、流通、融合链路，构建服务区域、辐射全国的数据要素综合融通枢纽，提供高质量数据集确权、融合的资源配置能力，以及模型和智能体服务订阅、共享的流通能力；进一步提供场景化“数据要素+AI”一体化解决方案展示、共享、复制能力，推动数据要素场景化融入AI的供给能力；构建“数据—模型—场景—产业”一体化供给模式及可复制的数据要素配置和AI模型、智能体共享流通机制，推动数据与AI形成技术协同、场景共建、生态闭环的良好格局。 来源：澎湃新闻 06 吴丰礼 全国人大代表、拓斯达董事长 加强面向具身智能的工业数据基础设施建设 全国人大代表、拓斯达董事长吴丰礼建议发挥新型举国体制优势，由具备国家级资质的科研机构或大型国有企业牵头，建设面向具身智能的工业数据公共服务平台。同时建议国家相关部门牵头，联合龙头企业、科研院所和行业组织，加快制定工业数据格式、接口协议、元数据、质量评估等国家基础标准，重点解决多源异构数据的标准化难题。 来源：证券时报
