3月1日，为深入贯彻党中央、国务院决策部署，加快落实《深入实施“东数西算”工程加快构建全国一体化算力网的实施意见》，国家数据局会同国家发展改革委、工业和信息化部围绕充分发挥“东数西算”网络传输效能，进一步提高企业网络传输性价比，听取国家枢纽节点企业、数据传输需求企业，以及电信运营商等方面的意见建议，研究建立专用于国家枢纽节点间的公共传输通道，有效提升“东数西算”网络传输效能。国家数据局将把握数字化、网络化智能发展的趋势，大力推进数据资源的整合共享和开发利用，让数据赋能人工智能的发展，让数据真正实现“供得出、流得动，用得好”，同时打造全国一体化的算力调度体系，加速算力的高质量发展。

从系统治理论的角度，可以认为生成式人工智能的三大核心要素包括数据、算力和算法：海量数据被认为是生成式人工智能的基石，充沛算力是生成式人工智能的基础能力支撑，先进算法是生成式人工智能的基本实现途径。伴随着数字中国建设的推进，我国数字经济迈向了全面扩展期，数据成为了新的生产要素，AGI(ArtificialGeneralIntelligence，通用人工智能)的发展也进一步催生海量数据。

《数字中国发展报告(2022年)》显示，2022年我国数据产量达8.1ZB，同比增长22.7%，全球占比达10.5%。另据国家发改委价格监测中心初步测算，全国企业数据要素支出规模约3.3万亿元。随着数据要素规模不断扩大，以人工智能为代表的数字技术将实现知识与数据双轮驱动，数据价值得到进一步释放，生产资源配置、生产运营逻辑以及生产、分配、流通和消费关系等得以重塑，生产方式和生产关系发生变革，赋能传统产业转型升级，助力数字经济快速发展。

2022年底，ChatGPT的问世标志着人工智能从判别式发展到生成式的跨越，生成式大模型赋予数据以新的生命力，AI时代大数据蕴含的价值将进一步涌现。数据因AI而变得越来越重要，数据要素是新型生产力的代表，数据挖掘能力成为新时代的国家重要竞争力。大模型驱动的人工智能发展对于高质量数据供给提出了更高要求，数据要素的市场化配置和开发利用显得尤为重要。我们要充分发挥数据的基础资源作用和创新引擎作用，构建满足人工智能发展需要的数据开放、共享、流通、交易的模式，全面提高数据资源开发利用水平，让数据“供得出、流得动、用得好”，真正成为人工智能发展的催化剂，推动做强做优做大数字经济。

第一，提升数据的质和量，推动大模型不断进步

数据质量对于生成式人工智能的性能和效果至关重要，人工智能技术的历次突破，都离不开高质量数据的支撑。由自然语言、编程语言、网络数据等组成的万亿级多模态高质量数据集开启了大模型时代，人工智能开始具备一定的认知交付的能力，使机器认知甚至通用智能成为可能。生成式人工智能模型通常需要大量高质量的数据来进行训练，以产生准确、流畅的输出。如果数据质量不佳，可能会导致模型训练不稳定、输出不准确或存在偏差。例如，在前提条件不变的前提下，使用高质量的数据集来做训练，能使20亿参数量级的模型超过100亿参数量级的模型。以制造业为例，通过收集和分析生产线上的各类数据，如设备运行状态、产品质量信息等，人工智能可以帮助企业实现精准的设备维护预测，减少故障停机时间，提高生产效率。此外，在供应链管理领域，人工智能可以通过分析历史销售数据、库存数据等，优化库存水平和物流路径，降低库存成本，提升供应链的响应速度。

第二，统筹协调高性能算力，促进AI业务发展创新

算力是承载人工智能应用发展的基础，也是推动人工智能走向实际应用的决定性力量，是人工智能最核心的要素。目前，算力出现云、边、端三级算力结构的趋势，算力的分布将不再集中在数据中心，而是广泛地分布在边缘或者端侧的任何位置。如果这些算力节点之间没有通过网络互连，这些算力资源难以实现共享、调度、使用与协同。面对深层次人工智能服务和大模型的迅速兴起带来的旺盛算力的需求，需要从算力供给和算力网络调度等方面做好统筹协调。从算力供给来看，需要加大低成本、高质量、易使用的算力供给。从算力网络的调度来看，需要做好人工智能模型训练、推理、离线分析等高时延业务的资源匹配，切实提升计算资源的整体使用率。2023年12月，国家数据局会同有关部门联合印发了《深入实施“东数西算”工程加快构建全国一体化算力网的实施意见》，从通用算力、智能算力、超级算力一体化布局，东中西部算力一体化协同，算力与数据、算法一体化应用，算力与绿色电力一体化融合，算力发展与安全保障一体化推进等五个统筹出发，推动建设联网调度、普惠易用、绿色安全的全国一体化算力网。高性能算力在人工智能时代具有极高的价值和意义，有利于更好地构建和推动人工智能业务的发展和创新。

第三，加速AI价值落地，拓展多元应用场景

在以AI为核心技术赋能行业转型升级从数字化向智能化迈进的过程中，需求与应用将成为驱动人工智能发展与进化的关键因素。一方面，尽管大模型具有广泛的应用场景，但在实际落地过程中尚未跨越鸿沟，仍然面临技术局限、