2026全球数据管理峰会·政务和大型国企数据实践分论坛｜检验检测数智化转型:唤醒沉睡的检测数据价值

深圳市征数智能有限公司联合创始人袁红华参与了 2026 全球数据管理峰会中由龙石数据和DAMA联合承办的政务和大型国企分论坛，分享了检验检测行业的数智化转型实践经验，以下是分享内容。

前面几场分享，更多是围绕数据治理和AI技术展开。但技术归根结底是为业务服务的，所以这里把重点放回业务本身，以检验检测行业为例，聊一聊数据该怎么用、价值该怎么落地。

先看一组公开数据。截至2025年，市场监管部门发布的数据显示，检验检测行业一年出具报告5.71亿份，平均每天有150万份报告在这个行业里产生。然而在这样一个体量的行业里，数据治理和AI应用却很少被提及。

原因并不复杂：它的数据价值还处在沉睡状态。

围绕这个判断，分享三件事：这个行业的数据为什么值得被唤醒；怎么一步一步把它唤醒；唤醒之后，AI能带来什么。

检验检测是市场监管部门监管的行业。它的核心是根据标准、方法和技术规范，通过仪器设备进行测定，最终出具有证明作用的数据和报告。简单说，它回答三件事：合不合格、达不达标、安不安全。

每个人喝的每一杯水、吃的每一份食品、开的每一辆车、住的每一栋楼，背后都有它的影子。检验检测与认证认可、计量、标准一起，共同构成国家质量基础设施。

所以要先建立一个共同印象：检验检测行业的数据不是普通数据，它是质量的证书，也是信任的背书。这是理解这个行业的第一把钥匙。

还有一个变化值得关注：行业的营业收入增速，是机构数量增速的3.62倍。这意味着检验检测已经告别了靠“拼数量”的阶段，进入质量效益增长期。上海、广东、苏州等地相继成立检验检测认证集团，集中优势资源做大做强。机构要提质增效、要企业化运营，靠的正是数字化转型。

行业数据的价值，可以总结为“三高”：

· 高标准化。所有数据来源都依据标准，目前标准目录库有5.61万余条，每个标准下面又对应不同的检测项目。尤其是今年6月实现“一单一库”标准统一之后，每个检测项目都有明确的“标准答案”，也就是标准方法和判定限值。

· 高可信度。有CMA和CNAS的信用背书，所有报告支持可追溯。

· 高覆盖度。基本覆盖衣食住行全行业。

自带标准答案、有公信力背书、又是全链条覆盖——对做AI应用的人来说，这样高质量的数据是非常好的基础。所以这个行业的数据值得被唤醒。

理想很丰满，现实是两极分化比较严重。头部机构已经启动了数字化平台建设，但大量中小机构还停留在手工阶段，手工记录、手工出报告。这个行业有五万多家机构，体量不小，要完成从手工到线上的转换，需要一个过程。

痛点集中在四个方面：

1. 数据分散。报告、记录、编制等环节分散在不同的系统里。

2. 报告靠手工。效率低，也容易出错。

3. 数据“一出一死”。5.7亿份报告出具以后就被锁进档案，再也没有被打开，价值没有被挖掘。

4. 合规压力大。行业有明确的监管红线，10月1日起又有新的监管要求——原始记录必须支持可追溯，数据必须支持防篡改。

为什么转型这么难？一方面，这个行业相对传统，信息化水平相比金融等领域有一定滞后性。但更根本的事实是：这个行业不缺数据。每天有1,130万台设备在产生数据，有150多万人在记录数据，有5.7亿份报告在承载数据。

缺的是唤醒它的能力，具体是“四个缺”：缺规划、缺路径、缺标准、缺人才。

所以，检验检测的数字化转型不是一场缺数据的仗，而是一场唤醒数据的仗。

落地思路可以概括为一句话：1+3+N。这是为某省级检验检测机构规划的数字化蓝图，也是整套方案的核心。

· “1”是一个数字底座。实现上借鉴了龙石数据“理、采、存、管、用”的方法论——五个字容易记，也容易落地。

· “3”是三个自动化抓手：原始记录线上化、设备取数自动化、报告生成自动化。

· “N”是N个智能运营场景，也就是AI应用。

需要强调的是，这个顺序不能颠倒：只有先把数据管理起来、治理好，后面的AI应用才落得下去。

推进过程中还有一个现实矛盾要解决。省级院往往配套大量地市分支机构，层级不同、诉求也不同：省级关注的是对业务的监督监管，地市关注的是把业务做好、把数据报给省级。推进时必须区分这两个层级的分工。

原始记录是实验人员最核心的记录。目前很多中小机构仍然停留在手工阶段——用Word版模板打印出来，手工填写。

原始记录线上化后，行业内统称ELN，即电子实验记录本。它的目标是让实验人员更方便、更快速地记录和获取数据：支持可视化模板，采用拖拉拽方式快速配置；也支持手机端填写。

这里有一个与行业常见做法不同的地方。大多数厂商是把已有的纸质版本原封不动搬到线上，看起来简单，但不符合实际使用场景：一个项目做下来可能有10个检测项，而某一位实验人员可能只做其中2项，把整份报告呈现给他，并不利于他记录数据。

所以手机版按项目进行了拆分：把这位实验人员要做的检测项数据单独拆出来，在手机上直观填写，填完即回到项目本身，不需要关注后续进展；其他几项做完之后，系统自动流转。

在规则层面，系统内置了自动修约等功能，比如行业常用的“四舍六入五成双”。同时，原始记录必须与任务单、样品绑定，可以通过扫码完成绑定。这样做有三个结果：满足源头可追溯的合规要求；数据从一开始就以结构化方式保存；为后面的设备取数、报告生成打下基础。

设备取数自动化的核心，是把设备数据自动采集进系统，替代人工抄录。

这个行业的现实是：约80%的设备没有接口，设备相对陈旧，如果按物联网的思路去取数，非常困难。因此必须从多个维度入手：支持串口、支持协议的，通过协议取数；没有接口的也不是不能取——在AI加持下，很多设备会产生文件或图片，通过OCR扫描、设定好关键词，同样可以取到业务系统里。这类图像识别、OCR模型需要不断训练。

取数链路是通的：支持串口取数、协议取数、AI取数；RS232、RS485通过串口服务器对接，再与LIMS系统直接打通。设备一检测，数据出来就自动进入LIMS系统。目前已经可以对接市面上主流的设备，设备调通率基本可以达到99%。

这么做的核心目的，是把大量检测人员从重复劳动中解放出来，把精力放到更高价值的事情上。

现在很多检测机构的报告生成仍停留在手工阶段：在本机编好，或者拿旧模板改个客户名称直接上传，只为走流程、满足评审要求。效率很低。

有了报告引擎的自动生成链路之后，这个压力可以极大减轻。其中有一个细节值得展开——电子报告合成。

检验检测报告分为四部分：封面、封底、附件、内容。一般编出来的报告只是一个完整的内容体，但正式出具时要把这四部分合成一份。原因是封面是预先做好的：出具CMA报告要有章，出具CNAS报告要有相应资质，下单时选择不同的标准，就对应不同的封面。之所以要在盖章前先合成，是因为盖骑缝章时必须确保是一个完整文件，只有内容页是不行的。系统把电子报告合成后还可以批量处理，效率提升明显，也降低了人工出错的概率。

在数据来源上，报告引擎与LIMS系统对应：原始记录和设备取数的数据取过来，进入报告。这里还有一个细节：一个检测项按标准可能要做十次实验，报告里呈现的是中间结果；系统判断该检测项符合或不符合，报告里只体现“符合”两个字，但通过中间结果可以溯源到原始记录——这就满足了监管要求。

一步步做下来，实施过程中也踩过不少坑，有5点经验值得分享。

第一，标准要先定，不能先做系统后定标准。以一上来先把系统做好、标准留到后面再定为例，问题会很快暴露。原始记录手机版要按项目拆分，而一个标准对应不同的检测项，检测项之上是标准，标准之下是检测性质，检测性质又要与检测报告匹配，同时还要与设备匹配——究竟以哪个为核心做关联，必须在建设初期就想清楚，后面推进才能更快更顺。

第二，不能一上来就一刀切。省级机构和地市机构的接受程度、业务复杂度都不一样。通常先选标准相对固定、报告也比较简单的领域，比如食品、珠宝，这些领域标准就那么几项，先做成熟，再逐步推广到其他机构或实验室，项目更容易推进。

第三，运营这一块容易被忽视。技术思维往往是系统上线之后就丢在那里。在与龙石数据合作的项目中也验证了这一点：系统建好了，后面业务怎么导入，还有大量持续性的工作要做。

第四，人和组织的能力常常被忽视。这类数据治理项目多是“自上而下”，必须有一把手负责。

第五，老旧设备与异构系统集成难。设备取数的前提条件往往不满足，但也不能因此要求机构把设备全部换新——成本太高，每个机构每年的预算都有限，必须用新的方法做兜底。

这样一步步做下来，效果是看得见的：从原始记录、设备取数、报告生成，到整体效率提升。但更看重的是数据资产——它为后续的AI应用奠定了真实的基础。

实践中筛选出四个业务场景，刚好覆盖检验检测的全流程：AI智能录单、AI图谱识别、AI报告审核、AI质量知识库。

AI智能录单。录单是检验检测行业比较特殊的一个环节，以抽样为例，分为国抽、省抽、地市抽。项目下达后，抽样人员到现场购买商品，去超市、去菜市场，现场要在国抽系统里录入基本信息和样品信息；回到单位，还要在自己的系统里再录一遍。减轻这部分工作量的方式有两种：一是抽样单录好之后拍照，通过OCR自动识别，并与业务系统打通；二是基于提示词的语音录入，自动填写表单。这样接单环节就从人工逐项填写变成“拍照即生成”，效率提升明显。

AI图谱识别。国内很多图谱类检测仪器，比如色谱、光谱设备，大部分是进口设备，生态相对封闭，购买时不会提供协议和接口。但这类设备会配一个工作站，检测记录以文件形式存在里面。做法是在工作站里安装客户端，自动抓取图谱文件，再用训练好的模型识别，最终把识别数据以结构化方式写入系统。这类场景已经在省级检测机构落地。图谱判读原本依赖有经验的专家，做完之后这部分精力可以释放出来，去做更有价值的事情。

AI报告审核。报告生成之后需要审核，过去主要靠人力。现在采用规则引擎加大模型，双管齐下：报告基于标准生成，每个标准都有具体要求，比如报告格式规范、限值比对、阈值等，由规则引擎把关；大模型通过训练，重点审核报告的逻辑性、完整性和一致性。两者结合，确保每份报告合规、逻辑更完整。

AI质量知识库。知识库往往是AI落地的第一个场景，而落地效果最关键的，是初始化数据从哪里来、质量够不够高。这个行业在这方面有天然优势：所有标准和机构设立，都基于17025、17020、17043等一系列标准构建；每个机构在此基础上还会制定自己的质量文件，包括程序文件、标准文件和受控文件，这些内容都是固化的。以往新人要上手这些规范，需要花很多精力去查询、查找、记忆。现在以这些高质量数据为基础，结合知识库技术，用自然语言问答的方式把内容提炼出来，可以用于新员工培训，也可以用于标准查询。说到底，就是把知识经验从人的脑中变成系统可查。

四个场景落地之后，能给客户带来明显的提质提效和成本下降。但这还只是浅水区，未来希望有更多合作伙伴一起把这块做得更深。

更大的想象空间在数据资产和数据要素的挖掘上。目前检验检测机构基本都是一次性付费模式：某省级院的存量客户有30多万，但每年真正有交易的只有1万多。金融行业讲的拉新促活，在这个行业的基础是已经有过交易的客户——只是很多客户做了一次交易之后，就放在那里不动了。

未来可以跟客户一起探讨：在一个批次的检测里，哪些环节、哪些项目不合格比较多；出现不合格，检测机构知道原因，也知道该怎么改进生产线和生产流程，可以反过来影响企业，相当于在检测之外增加了一个咨询环节。这一块做好，完全可以把一次性付费变成循环、可复用的订阅模式。

一句话总结：报告是交付的终点，同时也是数据资产生命的起点。这也正是峰会主题“Data for AI，AI for Data”在检验检测行业的注脚——高质量的数据成就AI，AI反过来又能让数据价值进一步提高。

最后用一句话共勉：让数据活起来，让价值长出来。

数据背后不是冷冰冰的数字，它的背后是安全、是信任，是千家万户的安心。所做的一切，都是为了把数据唤醒、让价值落地。