---
title: "真实训练数据不够用了，中国在建“数据工厂”"
date: 2026-11-09
category: AIGC内容
site: 脑机网
canonical: https://www.logic.wang/a/njw-5f5a8c
language: zh-CN
---

# 真实训练数据不够用了，中国在建“数据工厂”

> ## 关键要点

## 关键要点
一家机器人创业公司需要上百万个“扳手从斜坡滑落”的样本，一家银行需要它从未真正见过的欺诈模式，一家医院却无法共享病人的影像。它们都无法用常规方式拿到所需数据，于是开始自己“造”数据。

合成数据（用AI或仿真生成、而非从现实采集的数据）正在从中国的一项研究课题，变成工业规划里的一行预算。背后的逻辑很简单：2026年许多AI系统的瓶颈不再是模型结构，而是底层训练数据。

最明确的信号出现在2026年3月。总部位于北京海淀、成立于2023年的物理AI仿真基础设施公司光轮智能宣布完成10亿元（约1.39亿美元 / 10.9亿港元）A++及A+++轮融资，北京市科委确认其成为全球首个“具身数据”独角兽——它的产品不是机器人，而是训练机器人所需的仿真数据与评测。

光轮智能的做法是建一座“数据工厂”：在虚拟平行工厂里，机器人可以并行训练上千次，覆盖从零下40度到上千度高温、从玻璃面到碎石路等极端工况。据公司与北京方面的说明，这能把机器人开发周期从通常的三到六个月压缩到两到三周，综合训练成本降低十倍以上。

政策层面，2026年4月28日，工业和信息化部与国家数据局联合发文启动2026年“模数共振”行动，把“模型”与“数据”配对，目标是在20个重点制造行业形成“数据—模型—场景”的飞轮，并明确提出建设高质量行业数据集、培育“智能体工厂”。对合成数据而言，这几乎是最接近国家背书的支持。

自动驾驶是先行场景：北京企业51Sim等用仿真平台生成合成驾驶场景，让车辆练习“儿童冲入道路”这类难以真实大规模摆拍的极端案例。具身智能是下一站，这也是光轮智能融资受关注的原因。另一家北京公司数创弧光（IDEA研究院背景、获华为哈勃投资）采取“知识驱动”路线，先建行业语境图谱再生成数据，并用模型互评筛掉低质样本。

这套思路背后是一个朴素判断：把真实数据简单改写、数值替换，数据一上量就会出现重复冗余与幻觉，反而拉低模型效果；而结构化、有知识脉络的生成，才可能产出“值得训练”的数据。数创弧光因此把“高考真题与模拟题”作比——真实数据像有限的历年真题，合成数据像按需出的模拟题，但模拟题质量参差不齐，差的会把模型“学傻”。

对中小企业而言，国家数据局推动的高质量数据集与“模数共振”行动，正在变成可共享的公共底座。过去只有巨头才养得起的数据团队，如今可以站在行业数据集与智能体工厂之上做应用，而不必从零采数据。这也可能缓和“数据向大厂集中”的格局。

换句话说，2026年许多AI系统的真正瓶颈是数据，而“造数据”正从研究课题变成产业链上的一环。谁掌握了高质量、可溯源的合成数据供给，谁就握住了下一阶段模型竞争的隐形入口。

## 诚实的局限
本文聚焦中国与企业侧合成数据，未覆盖消费级图像视频生成中的合成数据争议，也未深入讨论“模型坍塌”风险——即合成数据过度使用、挤占真实数据后可能让模型退化。市场规模数字来自行业与分析机构估算，并非官方统计，应视为方向性参考。企业公布的周期与降本数据来自公司与政府通稿，本文未独立做基准测试。

## 普通人现在能做什么

- 如果你训练或微调模型，把合成数据当作常规采购项，并重点审计供给方的多样性与偏差，而非只看数量——重复的合数据会悄悄拖垮模型。
- 如果你在金融、医疗、电信等强监管行业，可在隐私规则禁止共享真实记录的环节，试点用合成数据做测试与训练，既解锁开发又不搬运敏感文件。
- 如果你关注中国AI产业，留意“模数共振”数据集与国家数据局的高质量数据举措，它们正成为中小企业可依托的公共基础设施。

---

来源：脑机网（https://www.logic.wang/）｜原文：https://www.logic.wang/a/njw-5f5a8c
本内容仅供参考，不构成投资建议。