第055期文化大数据政策及新闻简报
最新政策
（《意见》详见附件）
（摘自：中国政府网）
北京发布《关于加快北京市公共数据资源开发利用的实施意见（征求意见稿）》
（《意见》详见附件）
（摘自：北京市人民政府）
江苏省数据局联合多部门发布《江苏省推进可信数据空间发展工作方案》
省数据局、省委网信办、省发展改革委、省科技厅、省工信厅、省国资委等六部门日前联合印发《江苏省推进可信数据空间发展工作方案》。
江苏是数字经济大省，发展数据产业兼具海量数据、丰富场景和扎实产业基础等多重优势。《方案》明确了江苏推进数据空间发展的工作目标：到2028年，基本建成适应数据要素价值释放需要，全面融入一体化数据市场的国内一流数据空间体系；重点打造10个以上全国标杆、20个以上省内样板、30个以上区域特色数据空间，实现建成高水平数据空间“123+”目标，带动全省数据空间高质量发展。《方案》提出，由省数据局牵头，联合省委网信办、省发展改革委等部门，统筹推进省市数据空间发展；聚焦企业数字化转型、产业链协同优化、打造优质产业集群等10个重点领域发力；构建数据空间发展的市场机制，发挥企业主体作用，实现数据空间可持续发展。
（摘自：江苏省人民政府）
江苏省发布《江苏省数据条例》
（《条例》详见附件）
（摘自：江苏省人民政府）
行业动态（协会/联盟）
江苏数据局发布五大类110个数字社会场景项目
近日，江苏省数据局正式发布了江苏2024年度100个数字社会重大场景项目和10个典型场景项目。
数字社会重大场景培育类别主要分5大类：数字民生保障、数字社会治理、数字生活服务、智慧城市建设、数字生态文明。
数字民生保障类，侧重以信息技术健全基本公共服务体系。
数字社会治理类，侧重运用现代信息技术完善共建共治共享的社会治理体系，提升基于数据的社会治理效能。
数字生活服务类，侧重打造高质量数字生活服务。
智慧城市建设类，因地制宜推进城市全域数字化转型。
数字生态文明类，加快绿色智慧生态文明建设。
其中，入选2024年数字社会10大典型场景项目名单的有：
数字驱动下公共图书馆智慧服务与应用；
智慧医疗场景——基于大数据和人工智能数字化运维管理；
人工智能交通管控应用场景；
危化品车辆装卸AI视觉智慧化监测；
智慧园区绿色运维管理；
国家高分辨率对地观测卫星助力长三角区域一体化发展；
京杭大集元宇宙街区；
构建数字人IP在文旅融合项目上的规模化应用；
南京市北斗高精度位置服务；
通停通付城市智慧停车。
（摘自：“数据资产搜索”公众号）
湖南省数据局关于公开征集可信数据空间项目和行业高质量数据集的通知
为深入落实国家数据局等部门《关于印发〈“数据要素×”三年行动计划（2024—2026年）〉的通知》《可信数据空间发展行动计划（2024—2028年）》等文件要求，我局拟面向社会公开征集可信数据空间项目和行业高质量数据集，现将有关事项通知如下：
一、征集对象
征集单位应为注册登记、税务征管关系均在湖南省范围内的企事业单位，不能为列入严重失信主体名单的信用主体。涉及机关事业单位、科研机构或多家企业的，可结合实际情况联合申报。
二、征集内容与要求
（一）可信数据空间项目
根据《可信数据空间发展行动计划（2024—2028年）》，可信数据空间是基于共识规则，联接多方主体，实现数据资源共享共用的一种数据流通利用基础设施，是数据要素价值共创的应用生态，是支撑构建全国一体化数据市场的重要载体。
本次征集企业、行业、城市、个人、跨境等五类可信数据空间项目，项目总投资额应在2000万元以上，项目性质为在建或拟建，建设周期在两年内，项目建成后具备可信管控、资源交互、价值共创等核心能力，符合国家《可信数据空间发展引导体系（1.0版）》要求。
（二）行业高质量数据集
行业高质量数据集是经过采集、加工等数据处理，可直接用于开发和训练人工智能模型，能有效提升模型性能的行业数据的集合，包含行业通识和行业专识数据集。
本次征集行业高质量数据集建设成果，面向科学研究、工业制造、农业农村、智慧能源、交通运输、金融服务、医疗卫生、教育教学、商务领域、人力资源、文化旅游、应急管理、气象服务、绿色低碳、公共安全、城市治理等重点行业领域，项目性质为已建成或在建，数据集类型包括结构化数据、文本、视频、音频、图形图像等多模态形式。数据集应具有较高应用价值，能够支持业务应用场景落地，支撑人工智能大模型开发和训练，并具备定期更新机制，符合国家数据安全与合规相关要求。
三、征集程序
（一）请各申报单位认真对照本通知要求，按属地原则向市州数据局报送相关资料（含电子版和纸质资料）。其中，报送可信数据空间项目的，填写《可信数据空间项目基本情况》（附件1）；报送行业高质量数据集的，填写《行业高质量数据集基本信息表》（附件3）。各市州数据局要组织好征集工作，对申报单位报送的相关资料进行初审，并填报《可信数据空间项目汇总表》（附件2）、《行业高质量数据集汇总表》（附件4），连同申报单位相关纸质资料报送至我局数字科技和基础设施建设处。省直相关企事业单位可将电子版申报材料（含盖章扫描件和word文档），以“单位名称＋可信数据空间项目征集”或“单位名称＋行业高质量数据集征集”命名，直接报送至我局数字科技和基础设施建设处。
（二）对于征集的优秀项目和数据集，我局将遴选形成湖南省可信数据空间项目和行业高质量数据集名录，进行公开宣传发布，开展相关供需对接活动，并按照“成熟一个、支持一个”的原则，择优推荐至国家层面争资争项，发挥典型示范带动作用。
四、联系方式
（摘自：“湖南省数据局”公众号）
郑州：将重组郑州数据交易中心
2月8日，郑州市十六届人大三次会议开幕。提请审议的政府工作报告提出，重组郑州数据交易中心，数据交易额15亿元以上、产业规模达到100亿元。
河南是全国重要经济大省、农业大省和人口大省，具有海量数据资源、丰富应用场景等多重优势，在全国数字经济发展大局中占据重要地位。郑州数据交易中心由河南省工业和信息化厅推动组建，2022年8月揭牌运营，揭牌运营时，该中心是集省属功能类企业、央企省级分公司、互联网平台企业和地市投资公司为一体的国资控股公司。郑州数据交易中心是目前河南省唯一持有权益类交易牌照的数据交易机构，截至2025年1月底，交出“完成数据交易1004笔，成交金额超20亿元”的成绩单。今年1月21日，省数据局、省战略研究院、郑州数据交易中心签署战略合作协议并成立河南数据要素研究中心。省发展改革委提出，将充分发挥省发展改革委和省数据局顶层设计、政策制定、行业指导等主管部门作用、省战略研究院专业智库优势和郑州数据交易中心场所平台等优势，强化资源整合联动、推动数据要素领域“政产学研用”协同发力，全面激发数据要素价值，培育壮大我省数据要素市场。在2025年河南省政府工作报告中，同样有郑州数据交易中心的身影。报告提出，“开展公共数据授权运营，做强郑州数据交易中心”“深化土地、数据等要素市场化配置改革”。郑州数据交易中心有限公司总经理潘新民在接受记者采访时表示，接下来郑州数据交易中心将尝试行业数据交易所和区域数据交易所的融合发展，做好迭代升级，实现第二阶段的快速发展，为争创国家级数据交易所打下基础。
（摘自：“数据要素社”公众号）
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》要求，更好激发公共数据要素潜能，释放市场创新活力，发挥数据要素放大、叠加、倍增效应，服务全市高质量发展“十项行动”和“三新”“三量”等重点工作，在第一批市级公共数据授权运营试点建设的基础上，日前，市公共数据授权运营试点工作专班组织开展了第二批市级公共数据授权运营试点建设单位遴选工作。
第二批市级公共数据授权运营试点遴选重点围绕发挥数据要素的基础资源和创新引擎作用，以数据要素提升其他生产要素组合效率，服务各区因地制宜发展新质生产力。经专家评审、专班会议审议，最终确定西青区（市生态环境局联合申报）、津南区、南开区、河东区、北辰区、红桥区6个区人民政府为本轮市级公共数据授权运营试点建设单位。
下一步，市公共数据授权运营试点工作专班各成员单位将指导试点单位积极利用本区特色数据资源，结合产业优势在生态环境、车联网、金融服务、海洋信息等领域拓宽公共数据应用渠道，加大公共数据政用、商用、民用步伐，激励引导全社会共同挖掘打造一批示范性强、显示度高、带动性广的典型应用场景，有效赋能经济社会高质量发展。
（摘自：“天津市数据局”公众号）
青岛数据集团正式揭牌成立
2月6日，青岛数据集团揭牌仪式在青岛府新大厦隆重举行。青岛市委常委、副市长王波，市国资委党委书记、主任王孝芝，市大数据局党组书记、局长张艳，青岛华通集团、青岛数据集团党委书记、董事长王永亮，市委办局分管领导及各相关企业代表参加揭牌仪式，活动由青岛华通集团副总经理、青岛数据集团总经理孙明铭主持。
王孝芝在致辞中回顾了青岛数据集团的筹备历程，肯定了其在数据资产市场化运营和数据要素市场化改革方向的有益探索和实践，并对未来发展寄予厚望。他表示，青岛数据集团的成立，是青岛市落实数字中国、数字山东战略的关键举措，也是青岛国有企业深化数据要素市场化改革、赋能城市能级跃升的重要抓手。希望青岛数据集团以国家数据战略为导向，聚焦主营板块，加强数字核心技术自主创新，坚定扛起青岛市数据基础设施建设、公共数据授权运营和数据资源整合等重大任务，引领带动全市数据产业蓬勃发展。
随后，王波副市长、王孝芝主任、张艳局长、王永亮董事长共同揭牌，标志着青岛数据集团正式成立！
以青岛华通集团为主体组建青岛数据集团，是市委市政府抢抓数字经济发展机遇、加快建设高水平数字青岛的重要战略举措。作为青岛市公共数据运营试点单位，青岛华通集团通过2年来的不断探索创新，持续深化“以公共数据运营撬动数据要素市场”的发展模式，致力于数据资产市场化运营，不断巩固提升公共数据运营“青岛模式”和数据资产登记评价“青岛样本”在数据要素市场的引领地位。此次青岛数据集团扬帆启航，也意味着着青岛市数字经济发展迈入全新阶段，将以数据要素市场化配置为核心，打造数字经济创新发展的标杆典范。
王永亮表示，“揭牌仪式是里程碑，更是新征程的起点”，公共数据运营将由“点状突破”迈入“点面共振”发展新里程。下一步，青岛数据数据集团将以三个战略支点撬动发展新格局，一是紧紧围绕数据运营、数据交易与数据服务主营业务，做数据价值的“开拓者”；二是围绕数据基础设施建设运营主营业务，做城市升级的“赋能者”；三是围绕数据要素产业生态建设主营业务，做生态共建的“链接者”。
在项目启动环节，青岛数据集团宣布了五项重要合作项目：国际跨境数据要素合作，标志着青岛在全球数据流通领域迈出关键一步；飞机线路损伤评估系统项目合作，彰显数据赋能实体经济的创新实践；数据流通利用基础设施建设，打造可信数据流通"高速公路"；康养可信数据空间启动，促进数据与民生领域深度融合；数据运营赋能鸿蒙生态，推动国产操作系统与公共数据深度耦合。这些项目的启动将进一步拓展青岛数据集团的业务领域，同时为青岛市全域数字化转型注入新的活力。
展望未来，青岛数据集团将立足新起点，开启新征程，以更加饱满的热情、更加坚定的信念、更加务实的作风，推动各项工作不断取得新成绩，积极打造数字经济行业标杆，为青岛经济社会发展作出新的更大贡献！
（摘自：“青岛数据集团”公众号）
四川数据集团有限公司成立，注册资本20亿
近日，据天眼查信息，四川省数字产业有限责任公司发生工商变更，企业名称变更为四川数据集团有限公司，新增成都数据集团股份有限公司为股东，注册资本由10亿人民币增至20亿人民币，同时，部分主要人员也发生变更。
（摘自：“数据要素社”公众号）
全国第三家个人征信机构正式成立，浙旅投第一股东，蚂蚁第二股东
2月5日，钱塘征信有限公司（以下简称“钱塘征信”）成功完成工商登记，正式成为继百行征信和朴道征信之后的第三家持牌个人征信机构。钱塘征信注册地为浙江省杭州市西湖区，注册资本10亿元，由3家国有企业和3家民营企业共同出资发起成立。其中，浙江省旅游投资集团有限公司（下称“浙江旅游投资集团”）持股40.1%，蚂蚁集团全资子公司浙江融信网络技术有限公司（下称“浙江融信”）持股29.9%。
工商登记信息显示，钱塘征信注册地为浙江省杭州市西湖区，注册资本为人民币10亿元，由3家国有企业和3家民营企业共同出资发起成立。
其中，浙江旅游投资集团持股40.1%，为第一大股东；浙江融信29.9%，为第二大股东，该公司是蚂蚁集团全资子公司；杭州溪树企业管理合伙企业（有限合伙）（下称“杭州溪树”）持股10%，为第三大股东；传化集团有限公司持股7%，为第四大股东；浙江电子口岸有限公司和杭州市金融投资集团有限公司分别持股6.5%。
根据央行此前公示的牌照申请信息浙江旅游投资集团和蚂蚁集团拟各自持股35%。正式成立后，浙江旅游投资集团持股比例为40.1%，蚂蚁集团通过浙江融信间接持股29.9%，其余股东持股比例不变。
这一股权结构与其余两家个人征信公司类似，既包括国有资本，也包括民营企业。天眼查显示，百行征信第一大股东为中国互联网金融协会，持股比例36%；芝麻信用、考拉征信、中诚信征信、腾讯征信、深圳前海征信等八家企业分别持股8%。
朴道征信第一大股东为北京金融控股集团有限公司，持股比例35%；京东科技、旷视科技、小米、北京聚信优享企业管理中心（有限合伙）分别持股25%、17.5%、17.5%和5%。
工商登记的营业场所为浙江省杭州市西湖区西溪路543号-569号（单号连续）1幢2号楼5层515室。经营范围包括：企业管理；技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广；软件开发；计算机系统服务；数据处理服务；计算机软硬件及辅助设备批发；计算机软硬件及辅助设备零售；会议及展览服务；企业形象策划(除依法须经批准的项目外，凭营业执照依法自主开展经营活动)。
杭州溪树共有两名合伙人，分别是孔令仁和李臻，目前李臻同时担任钱塘征信董监高成员和法定代表人。
据悉，钱塘征信各股东持股比例由股东按市场化原则平等协商确定。钱塘征信方面表示，将践行征信为民理念，秉持“信用为本、平等普惠”的发展原则，为金融机构提供更加多样、更加丰富的个人征信产品，支持普惠金融发展。钱塘征信后续将按照市场化原则设立股东会、董事会、监事会和高级管理层，聘请具备专业性、良好声誉的独立董事，提升公司治理水平和社会责任担当。
（摘自：“数据资产最前线”公众号）
国家能源集团一体化运营数据资产化及数据要素流通应用重点问题研究课题专家研讨会在北京举办
1月15日，“国家能源集团一体化运营数据资产化及数据要素流通应用重点问题研究课题”专家研讨会在北京成功举办。会议由国家能源集团数据中心主办，数据要素社协办。
研讨会聚焦国家能源集团在一体化运营过程中，数据要素流通及价值释放所面临的关键问题，展开了深度探讨，为国家能源集团数据价值化的进一步提升，积极探寻兼具前瞻性与实操性的思路与方法。
国家能源投资集团有限责任公司（以下简称“国家能源集团”）是2017年由中国国电集团公司和神华集团有限责任公司联合重组成立的中央骨干能源企业，承担“能源供应压舱石、能源革命排头兵”的公司使命。
国家能源集团充分发挥“煤电路港航、煤电油气化、产运销储用”全产业链一体化运营优势，以数字化推动产业链、供应链、价值链良性融通，提高产业链供应链自主可控水平，不断提升能源供应的韧性、可靠性、充裕性和可持续性，是全球规模最大的煤炭、火电、风电、煤制油和煤化工企业。
国家能源集团以“智慧国家能源，连接全球能源智慧”为数字化发展愿景，以“平台化发展、智能化生产、数字化运营、生态化协作、产业链协同”为数字化转型路径，加快建设数字化企业，推动全产业提质增效、全要素效能提升、全链条价值重塑。
为响应国家数据要素相关政策，国家能源集团数据中心体系化开展数据要素相关课题研究，分析能源数据运营链条，识别能源行业数据资产，研制数据价值分析、数据确权、数据交易流通基本理论和方法，逐步明确集团一体化运营数据资产化及数据要素流通战略和实施框架，为进一步促进集团数据价值释放奠定了新的理论基础。
本次研讨会邀请了中央财经大学中国互联网经济研究院副院长欧阳日辉、国家工业信息安全发展研究中心信息政策所副所长殷利梅等外部权威专家，同时国家能源集团数据中心运营管理部副经理杨旭、运营维护中心副总经理张黎明及数据中心多位内部专家参加会议。
会议由国家能源集团数据中心运营管理部副经理杨旭开场致辞，课题组成员熊婷作课题整体介绍，课题组成员王鹏作《集团一体化运营数据要素流通现状分析》报告，课题组成员陈双作《集团一体化运营数据要素流通机制设计和应用场景研究》报告，课题组成员尚斌作《集团一体化运营数据资产化实施策略》报告，课题组组长王宇静进行了总结发言。与会的内外部专家们凭借深厚的专业素养与丰富的实践经验，多维度、深层次对这些重点问题展开系统性研讨与剖析，为国家能源集团数据价值化的进一步提升提供了兼具前瞻性与实操性的思路指引。
本次研讨会的圆满举行，充分彰显了国家能源集团在数字化转型进程中，稳居前沿、谋在前列的卓越风范。国家能源集团数据中心秉持积极进取的态度，精心组织筹划，凝聚各方智慧，为国家能源集团在数据价值挖掘领域奠定了坚实基础，助力集团数字化转型和高质量发展。
（摘自：“数据要素社”公众号）
甘肃物流集团兰港投公司完成首家省属国有企业数据资产入表
近日，甘肃物流集团兰港投公司顺利完成兰州国际陆港多式联运平台的物流数据资产入表项目，该项目是甘肃省省属国有企业首家数据资产入表项目，是兰港投公司探索数据资产化战略部署的试点项目，旨在加速公司数据资源向资产转化，为国有资产保值增值奠定基础。
兰港投公司基于当前的数据管理应用现状，围绕数据资产权属辨析、价值论证、成本归集等数据资产化难点进行攻坚，顺利完成数据入表工作，为公司资产结构的优化和价值提升注入强劲动力。
通过该项目，兰港投公司在数据资产化管理体系建设方面实现了多维度的改进与完善，建立数据资产成本核算及运营管理体系，探索数据资产价值挖掘与流通管理的新模式，为数据资产的长期稳定发展筑牢根基。
未来，兰港投公司将在本次数据资产化项目实践的基础上，进一步探索数据要素授权运营和融通交易。同时，兰港投公司将积极探索数据资产创新融资方式，全力探索数据价值的最大化释放，开启公司数据业务发展的崭新篇章。
（摘自：“甘肃物流集团”公众号）
10
济南野生动物世界实现首笔数据资产入表
近日，山东电视台新闻频道对济南野生动物世界数据资产入表工作进行了报道 济南野生动物世界完成济南市首笔文旅数据资产入表工作。
按照济南文旅集团的统一部署，济南野生动物世界积极实施数字化建设，在经营过程中积累了大量景区运营数据、游客行为数据、旅游产品数据等多种类型的数据信息。2024年9月，济南野生动物世界将客流量、门票销售数量和入园时间分布等各类数据资源资产化，在市大数据局、市国资委的大力支持下，济南野生动物世界的数据资产入表工作取得了阶段性成果，已经完成了数据资产登记确权与首笔入表工作，成为济南首个文旅产业数据资产入表案例。
下一步，济南野生动物世界将持续挖掘其他场景的数据资产，进行深度治理分析，稳步推进数据资产化进程。同时开展数据管理能力成熟度评估，及时弥补短板，完善数据管理工作体系。在应用层面，着力拓展数据应用场景，构建精准的游客画像，为游客提供个性化的服务体验，并借助大数据、人工智能等前沿技术，持续推动智慧景区建设。
（摘自：“济南野生动物世界说”公众号）
11
温州数安港发布基于可信数据空间和DeepSeek双重技术的可控大模型服务
2月4日，温州数安港发布基于可信数据空间和DeepSeek双重技术的可控大模型服务，为国产大模型创新应用和数据企业高质量发展插上腾飞“翅膀”。
春节期间，DeepSeek凭借卓越性能爆火出圈，为各行各业带来无穷活力与无限可能。温州数安港携手DeepSeek的可信合作伙伴——浙江省大数据联合计算中心、每日互动及温州市数据集团，依托数安港可信数据空间，部署DeepSeek R1、v3等一系列模型，为相关产业提供基于可信数据空间的可控大模型租用服务、私有化部署和精调服务，为各行业提供更为安全、高效的大模型应用解决方案。
据了解，温州数安港开创性打造“1112x” 数据安全合规体系，通过场景评审制度，从源头上把控数据应用的合规性。同时，成立数据资源法庭、数据资源检察室、数据资源仲裁院、数据资源公证服务中心和数据安全保卫支队，形成 “五位一体”司法保障体系，让数据应用全流程都有法可依、有章可循。此外，通过可信数据空间融合隐私计算、区块链等技术，构建跨主体、多形态综合性数据流通基础设施平台，实现“数据可用不可拥”，在实现数据要素高效开发利用的同时，确保"数安、企安、人安”。得益于良好的合规生态和优质的服务保障，温州数安港集聚数源、数基、数创、数服、数商等企业500多家，数据交易额超50亿元。
“数安港版DeepSeek可控大模型是完善的合规机制、可信的数据空间技术和高性能的数据大模型之间的完美融合，一方面，企业能够高效开发诸如智能客服、办公自动化、市场决策、产品研发、金融风险防控等垂直领域应用场景；另一方面，通过可信数据空间的数据访问控制、隐私计算等技术，可以有效保证企业和个人的数据安全。”瓯海区数安港管理服务中心党组书记戴笑飞告诉记者。
未来，温州数安港将聚焦数据安全与人工智能技术的深度融合，继续打造更加丰富的数据蜂巢、更加完善的司法保障体系，力争年内集聚企业超800家、实现数据交易额超100亿元，加快打造中国一流数据强港、一流数据交易中心、数字经济新高地。
（摘自：“国家数据局”公众号）
12
福建省首单数据资产交易收入缴入国库
10日，我省开出首张数据资产非税收入财政电子票据，名称为“事业单位数据资产使用形成的收入”，总额100723.2元。数据资产使用费缴入国库，标志着我省行政事业单位数据资产管理开启崭新篇章。
本次交易的数据产品为“福州市轨道交通4号、5号线和滨海快线工程规划竣工测量控制点数据解算服务应用场景”，该场景运营主体为福州市勘测院有限公司，使用福州市大数据服务中心的福州市基准站控制点数据资产，通过福州市基准站控制点数据应用“解算”获得相关控制点坐标成果。“随着工程的竣工，需重新测量更新地图，为城市的规划和建设提供科学依据。”公司董事长吴建说。
此次共需要516个站·时的数据服务，根据福州市联合福建理工大学开展的行政事业单位数据资产定价机制探索，计算出每站·时的服务费用为195.2元。
2019年，党的十九届四中全会提出“健全劳动、资本、土地、知识、技术、管理、数据等生产要素由市场评价贡献、按贡献决定报酬的机制”，将数据作为生产要素正式提出。财政部去年印发了《数据资产全过程管理试点方案》，福建省成为首批试点地区之一。
“围绕数据资产台账编制、登记、授权运营、收益分配、交易流通等重点环节，开展数据资产全过程管理试点，规范数据资产管理流程，为后续完善数据资产管理制度、加强数据资产管理积累经验。”省财政厅资产处有关负责人表示。
去年8月，省财政厅印发了《关于加强和规范行政事业单位数据资产管理的通知》，提出加强数据资产管理制度机制探索和创新。去年9月，福州市在省内率先开展数据资产全过程管理试点工作，探索“数据变资产，资产变资金”的具体实施路径，逐步形成清晰、有效、完整的数据资产管理和经营模式。
“试点工作最大的难题在盘点数据资产以及如何定价。”福州市数据管理局总工程师施文建告诉记者，福州根据市场需求反向提炼治理数据资产，组织8家试点行政事业单位对所拥有的数据资产进行全面梳理、分类，盘点并建立起数据资产卡片，从而建立起数据资产电子台账。由此明确各试点单位数据资产的权利归属，为数据资产的合法使用和交易打好基础。在定价方面，完成数据资产字段定价模型的开发，为行政事业单位数据资产有偿使用定价方案提供智能化执行工具。
下一步，福州将通过运营主体，开展数据资产产品设计，深入挖掘数据价值，打造数据产品，促进数据、技术、场景深度融合，引导市场力量挖掘数据的商业价值。
（摘自：“福建财政”公众号）
13
全国数标委发布2025年首批数据领域国家标准需求清单
2月10日，全国数据标准化技术委员会（以下简称“全国数标委”）制定并发布了2025年第一批数据领域国家标准需求清单。
申报要求
一、申报材料要求
（一）申报单位应提交：1.标准草案；2.《数据领域国家标准项目申请书》；3.《数据领域国家标准项目建议书》；
（二）《数据领域国家标准项目申请书》应明确标准拟解决的主要问题，提出科学合理、切实可行的解决方案和标准实施应用方案，给出清晰准确的标准范围及适用对象；
（三）标准草案应规范完整，具有较高成熟度，符合 GB/T1.1-2020《标准化工作导则 第 1 部分：标准化文件的结构和起草规则》；
（四）如涉及专利，还需提交专利信息披露表和相关证明材料（专利证书复印件/扉页或专利公开通知书复印件/扉页或专利申请号和申请日期）。国家标准中涉及的专利应当是必要专利，其管理按照 GB/T 20003.1-2014《标准制定的特殊程序 第 1 部分：涉及专利的标准》规定执行。
二、申报资格
（一）标准项目应由 3 家以上（含）成员单位联合申报，并明确标准项目牵头单位和标准项目负责人；标准项目牵头单位和参与单位应是标准项目所属工作组成员单位。
（二）申报单位资格要求：1.在中华人民共和国境内注册的法人单位；2.牵头承担的数据领域国家标准项目未按时完成的，不得申报新的国家标准项目；3.同一单位牵头申报的标准项目不得超过 2 项（修订、采标标准除外）；4.申报单位因自身原因导致承担的标准项目撤销或终止的，2 年内不得申报新的数据领域国家标准项目。
（三）项目负责人资格要求：1.不得同时承担 2 项以上在研的数据领域国家标准项目；2.应具有高级专业技术职称（或相当于高级技术专业职称）；3.应是项目牵头单位的在职人员。
申报指南
一、准备申报材料
根据《全国数据标准化技术委员会标准制修订工作程序》的要求，按照《2025 年第一批拟研制国家标准需求清单》（附件 1）进行申报，准备标准草案、《数据领域国家标准项目申请书》《数据领域国家标准项目建议书》。
二、在线填报申报材料
三、报送纸质申报材料
标准项目申报单位将在线上传的标准草案、《数据领域国家标准项目申请书》《数据领域国家标准项目建议书》等纸质文件各一份，封面及规定处加盖牵头单位公章，其中，《数据领域国家标准项目申请书》中的《数据领域国家标准项目联合申请协议》需加盖牵头单位和联合申请单位公章，寄送至全国数据标准化技术委员会秘书处。
需求清单
（摘自：“数据要素社”公众号）
各类活动动态
“公共数据开发利用模式与发展趋势”研讨会在北京成功召开
12月20日，“公共数据开发利用模式与发展趋势”研讨会在北京成功举办。本次会议是在中国市场学会的指导下，由数据要素社、中国电子云主办，华南师范大学法学院数字政府与数字经济法治研究中心协办。
中国市场学会夏杰长会长、中央财经大学欧阳日辉教授、华东政法大学高富平教授、北京理工大学洪延清教授出席了会议。
（摘自：“中国服务贸易协会商业大数据分会”公众号）
DeepSeek数智引擎论坛圆满落幕：AI与数据资产融合开启智能新纪元
论坛背景
在数字化转型浪潮下，"DeepSeek数智引擎论坛"于厦门成功举办。本次论坛汇聚DAC全球数据资产理事会、高颂数科、云大物智数据研究院等权威机构，吸引行业精英共探AI与数据资产深度融合之道。本次论坛，不仅揭开了认知智能时代的商业密码，更展示了中国企业驾驭数据要素的突破性实践。
论坛主要内容
一、技术筑基：从部署到应用的全链路指南
高颂数科高级工程师张晓钦先生带来了一场"手把手"的技术实操课。他通过现场演示揭开了DeepSeek的神秘面纱：这款性能比肩ChatGPT的开源模型，在本地化部署中展现出惊人效率。从Ollama平台下载到模型验证，完整流程仅需半小时即可完成。
"关键要选对模型版本。"张晓钦先生特别提醒开发者，"7B参数模型在RTX3080上即可流畅运行，而更复杂的130B版本需要专业级算力支持。"在应用层面，工程师通过对比案例展示了提示词设计的艺术"要像与专业顾问对话般明确需求，避免开放式提问"。
二、产品革新：智能一体机重塑数据管理
高颂数科副总经理邱国良先生向业界展示了DeepSeek-V3的进化密码。在技术架构层面，这款基于Transformer的模型创新性地构建了"认知双引擎"——MoE，MLA。MLA（多头潜在注意力机制）如同给AI装上了广角镜头，让模型像拥有多维度认知能力的智者，能精准捕捉文本中的长距离依赖关系；而DeepSeekMoE混合专家模式则像一支由多位领域专家组成的智囊团，通过动态路由机制实现计算资源的智能调度，在同等算力下性能获得巨大提升。在实际应用场景的擂台测试中，DeepSeek-V3展现出令人惊艳的多面能力。面对文学创作命题时，它不仅能生成结构严谨的议论文，更能迸发出诗意化的表达。此外，在真假话推断、数学计算和数列推理等题目上均给出了正确答案。不过在与ChatGPT的代码对决中，虽算法逻辑清晰，却因未采用动态规划优化导致时间复杂度偏高，这恰揭示了通用大模型在专业领域的优化空间。为让从业人士更好的使用DeepSeek，邱国良在论坛上发布了《Deepseek使用教程蓝皮书》，旨在为大家提供从入门到进阶的完整指南。
（摘自：“全球数据资产大会”公众号）
跨境动态
欧盟发布关于人工智能系统定义的法律调整范围指南
欧洲人工智能法案下人工智能系统定义的指南翻译
一、指南的目的
（2）《欧洲人工智能法》并不适用于所有系统，而仅适用于符合该法案第3(1)条中“AI系统”定义的系统。因此，AI系统的定义是理解《欧洲人工智能法》适用范围的关键。
（3）根据《欧洲人工智能法》第96(1)(f)条，委员会需制定关于该法案第3(1)条中AI系统定义应用的指南。通过发布这些指南，委员会旨在帮助提供者及其他相关人员（包括市场和机构利益相关者）确定一个系统是否构成《欧洲人工智能法》意义上的AI系统，从而促进该法案的有效应用和执行。
（6）考虑到AI系统的多样性，本指南不可能提供所有潜在AI系统的详尽列表。这与《欧洲人工智能法》第12条相一致，该条明确“AI系统”的概念应明确界定，同时“提供灵活性以适应该领域快速的技术发展”。AI系统的定义不应机械地应用；每个系统都必须根据其具体特点进行评估。
（7）本指南不具有约束力。对《欧洲人工智能法》的任何权威解释最终只能由欧洲联盟法院（CJEU）作出。
二、AI系统定义的目标和主要要素
（8）《欧洲人工智能法》第3(1)条将AI系统定义为：“指一种基于机器的系统，旨在以不同程度的自主性运行，并在部署后可能表现出适应性，且为明确或隐含的目标，从其所接收的输入中推断出如何生成如预测、内容、建议或决策等输出，这些输出能够影响物理或虚拟环境。”
（9）该定义包含七个主要要素：（1）基于机器的系统；（2）旨在以不同程度的自主性运行；（3）在部署后可能表现出适应性；（4）为明确或隐含的目标；（5）从其所接收的输入中推断出如何生成输出；（6）如预测、内容、建议或决策等输出；（7）这些输出能够影响物理或虚拟环境。
（10）AI系统的定义采用了一种基于生命周期的视角，涵盖了两个主要阶段：系统的预部署或“构建”阶段和系统的后部署或“使用”阶段。该定义中列出的七个要素并不要求在这两个生命周期阶段中持续存在。
相反，该定义承认某些要素可能出现在一个阶段，但可能不会贯穿两个阶段。这种定义AI系统的方法反映了AI系统的复杂性和多样性，确保该定义与《欧洲人工智能法》的目标相一致，即容纳各种AI系统。
基于机器的系统
（11）“基于机器”一词指的是AI系统是在机器上开发和运行的。“机器”一词可以理解为包括使AI系统能够运行的硬件和软件组件。硬件组件指机器的物理元素，如处理单元、内存、存储设备、网络单元和输入/输出接口，它们为计算提供基础设施。软件组件包括计算机代码、指令、程序、操作系统和应用程序，它们处理硬件如何处理数据和执行任务。
（12）所有AI系统都是基于机器的，因为它们需要机器来使其功能得以实现，如模型训练、数据处理、预测建模和大规模自动化决策。先进AI系统的整个生命周期都依赖于可能包含许多硬件或软件组件的机器。AI系统定义中“基于机器”这一要素强调了AI系统必须是计算驱动的，并基于机器操作。
（13）“基于机器”一词涵盖了各种计算系统。例如，目前最先进的量子计算系统，尽管其独特的操作原理和量子力学现象的使用与传统计算系统存在显著差异，但只要它们提供计算能力，就构成基于机器的系统。同样，生物或有机系统也属于基于机器的系统，只要它们提供计算能力。
自主性
（14）定义的第二个要素是指系统“旨在以不同程度的自主性运行”。《欧洲人工智能法》第12条澄清，“不同程度的自主性”意味着AI系统被设计为以“一定程度的独立于人类参与和无需人类干预的能力”运行。
（16）自主性的核心在于“人类参与”和“人类干预”，因此也在于人机交互。人机交互的一个极端是系统被设计为通过手动操作功能执行所有任务。另一个极端是能够在没有任何人类参与或干预的情况下运行的系统，即完全自主的系统。
（17）《欧洲人工智能法》第12条中关于“一定程度的独立行动能力”的表述排除了那些被设计为仅通过完全手动人类参与和干预运行的系统。人类参与和人类干预可以是直接的，例如通过手动控制，也可以是间接的，例如通过允许人类委托或监督系统操作的自动化系统控制。
（18）例如，一个需要手动提供输入以自行生成输出的系统是一个具有一定程度独立行动能力的系统，因为该系统被设计为具有生成输出而无需该输出被手动控制或由人类明确和精确指定的能力。同样，一个基于人类委托的过程自动化专家系统，能够根据人类提供的输入自行产生输出（如建议）也是一个具有一定程度独立行动能力的系统。
（19）《欧洲人工智能法》第3(1)条中关于“旨在以不同程度的自主性运行的基于机器的系统”的表述强调了系统与外部环境交互的能力，而不是开发系统所选择的特定技术（如机器学习）或模型架构。
（20）因此，自主性水平是确定一个系统是否符合AI系统定义的一个必要条件。所有被设计为以一定程度的独立行动能力运行的系统都满足AI系统定义中的自主性条件。
（21）在《欧洲人工智能法》附件I和附件III中确定的高风险领域等特定使用场景中，具有在有限或无人类干预下运行能力的系统，在某些条件下可能引发额外的潜在风险和人类监督考虑。自主性水平是提供者在设计系统（例如，系统的人类监督或风险缓解措施）时需要考虑的一个重要因素，需结合系统的预期用途进行考虑。
适应性
（22）第3(1)条定义的第三个要素是系统“在部署后可能表现出适应性”。《欧洲人工智能法》第12条澄清，“适应性”指的是自我学习能力，允许系统在使用过程中的行为发生变化。适应后的系统的新行为可能对于相同的输入产生与以前系统不同的结果。
（23）定义中关于这一要素的“可能”一词表明，一个系统可能但不一定在部署后具有适应性或自我学习能力以构成AI系统。因此，系统自动学习、发现新模式或在数据中发现超出其最初训练范围的关系的能力是一个选择性的，因此不是决定性的条件，用于确定系统是否构成AI系统。
AI系统目标
（24）定义的第四个要素是AI系统的目标。AI系统被设计为根据一个或多个目标运行。系统的目标可能是明确的或隐含的。明确的目标是指开发者直接编码到系统中的明确陈述的目标。例如，它们可能被指定为优化某个成本函数、概率或累积奖励。隐含的目标是指没有明确陈述但可以从系统行为或基本假设中推断出的目标。这些目标可能源于训练数据或AI系统与其环境的交互。
（25）《欧洲人工智能法》第12条澄清，“AI系统的目标可能与特定上下文中AI系统的预期用途不同”。AI系统的目标是系统内部的，指的是要执行的任务及其结果的目标。例如，一个企业虚拟AI助理系统可能有以高精度和低失败率回答用户关于一组文档的问题的目标。相比之下，预期用途是面向外部的，包括系统设计要部署的上下文以及必须如何操作。根据《欧洲人工智能法》第3(12)条，AI系统的预期用途是指“提供者打算使用AI系统的用途”。例如，在企业虚拟AI助理系统的情况下，预期用途可能是协助公司的某个部门执行某些任务。这可能要求虚拟助理使用的文档符合某些要求（例如，长度、格式），并且用户问题仅限于系统打算运行的领域。这一预期用途不仅通过系统的内部运行以实现其目标来实现，还通过其他因素来实现，如将系统整合到更广泛的客户服务工作流程中、系统使用的数据或使用说明。
使用AI技术推断如何生成输出
（26）AI系统的第五个要素是它必须能够从其接收的输入中推断出如何生成输出。《欧洲人工智能法》第12条澄清，“AI系统的关键特征是它们的推断能力。”该条进一步解释，AI系统应与“更简单的传统软件系统或编程方法相区别，并且不应涵盖仅由自然人定义的规则来自动执行操作的系统。”因此，推断能力是区分AI系统与其他类型系统的关键且必不可少的条件。
（27）第12条还解释说，“推断能力是指获得输出（如预测、内容、建议或决策）的过程，这些输出能够影响物理和虚拟环境，以及AI系统从输入或数据中推导模型或算法，或两者的能力。”对“推断”概念的这种理解并不与ISO/IEC 22989标准相矛盾，该标准将推断定义为“通过已知前提推导出结论的推理”，并且该标准包含了一个AI特定说明：“在AI中，前提要么是事实、规则、模型、特征或原始数据。”
（28）“获得输出（如预测、内容、建议或决策）的过程，这些输出能够影响物理和虚拟环境”是指AI系统（主要在“使用阶段”）基于输入生成输出的能力。“AI系统从输入或数据中推导模型或算法，或两者的能力”主要（但不限于）“构建阶段”的系统，并强调了用于构建系统的技术的重要性。
（29）《欧洲人工智能法》第3(1)条中使用的“推断如何生成输出”的表述比“从给定输入中推导出输出”的狭义理解更广泛，因此推断结果。因此，第3(1)条中使用的表述“推断如何生成输出”应理解为指“构建阶段”，在此期间，系统通过AI技术实现推断来推导输出。
5.1. 使推断成为可能的AI技术
（30）具体关注AI系统的构建阶段，《欧洲人工智能法》第12条进一步澄清，“在构建AI系统时，使推断成为可能的技术包括从数据中学习如何实现某些目标的机器学习方法和基于逻辑和知识的、从编码知识或要解决问题的符号表示中推断的方法。”这些技术应理解为“AI技术”。
（31）这一澄清明确指出，“推断”的概念应从更广泛的意义上理解，涵盖AI系统的“构建阶段”。第12条然后进一步指导了使AI系统能够推断如何生成输出的技术。因此，可能用于使推断成为可能的技术包括“从数据中学习如何实现某些目标的机器学习方法和基于逻辑和知识的、从编码知识或要解决问题的符号表示中推断的方法”。
（32）第12条中提到的第一类AI技术是“从数据中学习如何实现某些目标的机器学习方法”。这一类包括使系统能够“学习”的多种方法，如有监督学习、无监督学习、自监督学习和强化学习。
（33）在有监督学习中，AI系统从注释（标记数据）中学习，其中输入数据与正确的输出配对。系统使用这些注释来学习从输入到输出的映射，然后将其推广到新的、未见过的数据。一个基于AI的电子邮件垃圾邮件检测系统是一个有监督学习系统的例子。在其构建阶段，该系统在包含由人类标记为“垃圾邮件”或“非垃圾邮件”的电子邮件的数据集上进行训练，以从标记电子邮件的特征中学习模式。一旦训练完成并投入使用，该系统就可以分析新电子邮件，并根据其从标记数据中学习的模式将它们分类为垃圾邮件或非垃圾邮件。
（34）基于有监督学习的其他AI系统示例包括在图像数据集上训练的图像分类系统（其中每张图像都带有一组标签，如汽车等物体）、由医学专家标记的医学影像训练的医疗设备诊断系统，以及基于标记交易数据训练的欺诈检测系统。
（35）在无监督学习中，AI系统从未标记的数据中学习。模型在未定义任何预定义标签或输出的数据上进行训练。使用不同的技术（如聚类、降维、关联规则学习、异常检测或生成模型），系统被训练以在数据中发现模式、结构或关系，而没有关于结果应该是什么的明确指导。制药公司用于药物发现的AI系统是无监督学习的一个例子。AI系统使用无监督学习（如聚类或异常检测）对化学化合物进行分组，并根据它们与现有药物的相似性预测潜在的新治疗方法。
（36）自监督学习是无监督学习的一个子类，其中AI系统以监督的方式从未标记数据中学习，使用数据本身创建自己的标签或目标。基于自监督学习的AI系统使用各种技术，如自动编码器、生成对抗网络或对比学习。一个通过预测图像中缺失的像素来学习识别对象的图像识别系统是基于自监督学习的AI系统的一个例子。其他示例包括学习预测句子中下一个标记的语言模型或通过学习预测音频信号中下一个声学特征来识别口语单词的语音识别系统。
（37）基于强化学习的AI系统从它们自己的经验收集的数据中学习，通过“奖励”函数。与从标记数据（有监督学习）或模式（无监督学习）中学习的AI系统不同，基于强化学习的AI系统从经验中学习。系统没有明确的标签，而是通过试错学习，根据从环境中获得的反馈改进其策略。一个能够执行抓取物体等任务的基于AI的机器人手臂是基于强化学习的AI系统的一个例子。强化学习还可以用于优化搜索引擎中的个性化内容推荐和自动驾驶汽车的性能。
（38）深度学习是机器学习的一个子集，它利用分层架构（神经网络）进行表示学习。基于深度学习的AI系统可以自动从原始数据中学习特征，消除了手动特征工程的需要。由于层数和参数的数量，基于深度学习的AI系统通常需要大量数据进行训练，但在给定足够数据时，可以学习识别模式和做出高精度预测。基于深度学习的AI系统被广泛使用，并且是近期许多AI突破背后的技术。
（39）除了上述各种机器学习方法外，第12条中提到的第二类技术是“基于逻辑和知识的、从编码知识或要解决问题的符号表示中推断的方法”。这些AI系统不是从数据中学习，而是从人类专家编码的知识（包括规则、事实和关系）中学习。基于人类专家编码的知识，这些系统可以通过演绎或归纳引擎或通过排序、搜索、匹配、链接等操作进行“推理”。通过使用逻辑推断得出结论，这些系统将形式逻辑、预定义规则或本体论应用于新情况。基于逻辑和知识的方法包括知识表示、归纳（逻辑）编程、知识库、推断和演绎引擎、（符号）推理、专家系统和搜索优化方法。例如，基于语法知识和逻辑语义的经典语言处理模型依赖于语言的结构，识别句子的句法和语法成分以提取给定文本的含义。另一个基于逻辑和知识方法的AI系统的突出例子是用于医学诊断的早期专家系统，这些系统通过编码一系列医学专家的知识来开发，旨在根据患者的症状集得出结论。
5.2. 不属于AI系统定义范围的系统
（40）第12条还解释说，AI系统的定义应将AI系统与“更简单的传统软件系统或编程方法相区别，并且不应涵盖仅由自然人定义的规则来自动执行操作的系统。”
（41）一些系统虽然可能以狭义的方式具有推断能力，但由于其分析模式和自主调整输出的能力有限，因此可能不属于AI系统定义的范围。此类系统可能包括：用于改进数学优化的系统。
（42）用于改进数学优化或加速和近似传统、成熟的优化方法（如线性或逻辑回归方法）的系统不属于AI系统定义的范围。这是因为，尽管这些模型具有推断能力，但它们并未超越“基本数据处理”。表明一个系统未超越基本数据处理的一个迹象是，它已以巩固的方式使用了多年。这包括例如，在优化问题中近似函数或参数的基于机器学习的模型，同时保持性能。这些系统的目的是提高用于计算问题的优化算法的效率。例如，它们通过提供学习近似值、启发式方法或搜索策略来帮助加快优化任务的速度。
（43）例如，基于物理的系统可能使用机器学习技术来提高计算性能，加速传统的基于物理的模拟或估计参数，然后将这些参数输入到既定的物理模型中。这些系统将不属于AI系统定义的范围。在这个例子中，机器学习模型近似复杂的大气过程（如云微物理或湍流），从而实现更快且计算效率更高的预测。
（44）另一个不属于定义范围的系统示例是用于优化带宽分配和资源管理的卫星电信系统。在卫星通信中，传统优化方法可能难以应对网络流量的实时需求，尤其是在调整不同地区用户需求的不同水平时。机器学习模型（例如）可用于预测网络流量并优化卫星转发器的资源和功率分配，其性能与该领域的既定方法相似。
（45）虽然这些系统可能包含自动自我调整，但这些调整旨在通过提高计算性能来优化系统的运行，而不是例如以智能方式调整其决策模型。在这些条件下，它们可能被排除在AI系统定义之外。
基本数据处理
（46）基本数据处理系统是指遵循预定义的明确指令或操作的系统。这些系统被开发和部署以基于手动输入或规则执行任务，在系统生命周期的任何阶段都不进行“学习、推理或建模”。它们基于固定的人类编程规则运行，不使用AI技术（如机器学习或基于逻辑的推断）来生成输出。这些基本数据处理系统包括例如，用于根据特定标准（如“查找过去一个月内购买特定产品的所有客户”）对数据进行排序或过滤的数据库管理系统、不包含AI启用功能的标准电子表格软件应用程序，以及用于从调查中计算人口平均值并在一般环境中使用的软件。
（47）此外，仅用于描述性分析、假设检验和可视化的系统也不属于AI系统的定义范围。例如，在销售报告可视化软件中，可以使用统计方法来创建销售仪表板，显示总销售额、各区域平均销售额和销售趋势随时间的变化。借助统计方法，这些数据可以被汇总并以图表和图形形式可视化。然而，该系统不会建议如何改进销售或推广哪些产品。另一个例子是应用于民意调查或调查数据以确定其有效性、可靠性、相关性和统计显著性的软件系统。这些系统不“学习、推理或建模”，它们只是以信息丰富的方式呈现数据。
基于经典启发式的系统
（48）经典启发式是问题解决技术，依赖于基于经验的方法来有效地找到近似解。启发式技术在编程情况下很常见，其中找到精确解由于时间或资源限制而不切实际。经典启发式通常涉及基于规则的方法、模式识别或试错策略，而不是数据驱动的学习。与现代机器学习系统不同，后者根据输入输出关系调整其模型，经典启发式系统应用预定义规则或算法来推导解决方案。例如，使用带有启发式评估函数的最小化最大算法的国际象棋程序可以评估棋盘位置，而无需从数据中预先学习。尽管在许多应用中有效，但与从经验中学习的AI系统相比，启发式方法可能缺乏适应性和泛化能力。
简单预测系统
（49）所有能够通过基本统计学习规则实现其性能的机器系统，虽然在技术上可能被归类为依赖机器学习方法，但由于其性能表现，并不属于人工智能系统定义的范畴。
（50）例如，在金融预测（基本基准测试）中，此类机器系统可能会使用“均值”策略的估计器来建立基线预测（例如，始终预测历史平均价格），以预测未来股票价格。这种基本基准测试方法有助于评估更先进的机器学习模型是否能够增值。另一个例子是使用上周的平均温度来预测明天的温度。这个基线系统仅估计平均值，但并未达到需要更复杂模型的时间序列预测系统所能实现的性能水平。
（51）静态估计系统，如基于静态估计来预测过去数据的平均解决时间的客户支持响应时间系统，以及诸如预测商店每天将销售多少件产品的需求预测等简单预测器，都是其他示例，它们有助于建立基线或基准，例如通过预测平均值或均值。
6.能够影响物理或虚拟环境的输出
（52）《欧洲人工智能法》第3(1)条中人工智能系统定义的第六个要素是，该系统能够“推断如何生成预测、内容、推荐或决策等能够影响物理或虚拟环境的输出”。一个系统基于其接收到的输入，并使用机器学习和逻辑及知识驱动的方法生成预测、内容、推荐等输出的能力，是人工智能系统所做的事情的核心，也是这些系统与其他形式的软件的区别所在。系统生成输出的能力以及系统能够生成的输出类型，是理解人工智能系统功能和影响的关键。
（53）根据《欧洲人工智能法》第3(1)条，人工智能系统的输出属于四大类：预测、内容、推荐和决策。每个类别在人类参与度方面有所不同。
（54）预测是人工智能系统产生的最常见输出之一，也是人类参与度最低的输出。预测是根据系统接收到的已知值（输入）对未知值（输出）进行的估计。几十年来，软件系统一直被用于生成预测。使用机器学习的人工智能系统能够发现数据中的复杂模式，并在高度动态和复杂的环境中做出准确预测。
（55）例如，部署在自动驾驶汽车中的人工智能系统被设计为在极其复杂和动态的环境中做出实时预测，其中涉及多种类型的主体和交互，以及几乎无限多的可能情况，并据此做出决策以调整其行为。非人工智能系统，通常基于历史数据、科学数据或预定义规则，如某些非人工智能医疗设备专家系统，无法处理如此复杂的程度。同样，用于能源消耗的人工智能系统通过分析智能电表数据、天气预报和消费者行为模式来估计能源消耗。依靠机器学习方法，人工智能系统旨在发现这些变量之间的复杂相关性，以做出更准确的能源消耗预测。
（56）内容是指人工智能系统生成的新材料，这可能包括文本、图像、视频、音乐和其他形式的输出。越来越多的人工智能系统使用机器学习模型（例如，基于生成式预训练转换器（Generative Pre-trained Transformer, GPT）技术）来生成内容。尽管从技术的角度来看，作为输出类别的内容可以理解为一系列“预测”或“决策”，但由于这种输出在生成式人工智能系统中非常普遍，因此在《欧洲人工智能法》第12条中被列为单独的输出类别。
（57）推荐是指基于用户的偏好、行为或其他数据输入向用户提出的针对特定行动、产品或服务的建议。与预测类似，基于人工智能和非人工智能的系统都可以被设计为生成推荐。基于人工智能的推荐系统，例如，能够利用大规模数据、实时适应用户行为、提供高度个性化的推荐，并随着数据集的增长而高效扩展，而这些功能是依赖静态、基于规则的机制和有限数据的非人工智能系统所不具备的。在其他情况下，推荐指的是潜在决策，如在招聘系统中推荐的候选人，这些推荐将由人类评估。如果这些推荐被自动应用，它们就变成了决策。
（58）决策是指系统做出的结论或选择。输出决策的人工智能系统自动化了传统上由人类判断处理的流程。这样的系统意味着一个完全自动化的过程，其中系统在没有人类干预的情况下在周围环境中产生某个结果。
（59）综上所述，包括基于机器学习方法以及逻辑或知识驱动的系统在内的人工智能系统，与非人工智能系统在生成预测、内容、推荐和决策等输出方面的能力不同，因为它们能够处理数据中的复杂关系和模式。人工智能系统通常能够比其他系统生成更细致的输出，例如，通过利用训练期间学习到的模式或使用专家定义的规则来做出决策，在结构化环境中提供更复杂的推理。
7.与环境交互
（60）人工智能系统定义的第七个要素是该系统的输出“能够影响物理或虚拟环境”。这一要素应被理解为强调这样一个事实，即人工智能系统不是被动的，而是对其部署的环境产生积极影响。对“物理或虚拟环境”的引用表明，人工智能系统的影响既可能是对有形的物理对象（例如机械臂），也可能是对虚拟环境，包括数字空间、数据流和软件生态系统。
三、结语
（61）人工智能系统的定义涵盖了广泛的系统。判断一个软件系统是否属于人工智能系统，应基于给定系统的具体架构和功能，并应考虑《欧洲人工智能法》第3(1)条中规定的定义的七个要素。
（62）不可能自动确定或列出完全属于或不属于人工智能系统定义的系统的详尽清单。
（63）只有某些人工智能系统才受《欧洲人工智能法》的监管义务和监督。《欧洲人工智能法》的风险管理方法意味着，只有那些对基本权利和自由构成最大风险的系统才受该法案第5条规定的禁令、第6条规定的针对高风险人工智能系统的监管制度以及第50条规定的对有限数量预定义人工智能系统的透明度要求的约束。即使大多数系统符合《人工智能法案》第3(1)条中人工智能系统的定义，它们也不会受该法案的任何监管要求约束。
（64）《欧洲人工智能法》也适用于通用人工智能模型，该法案第五章对此进行了规定。关于人工智能系统与通用人工智能模型之间差异的分析不在本指南的范围之内。
（摘自：“清华大学智能法治研究院”公众号）
行业技术发展
2025年各省在人工智能领域有什么工作安排？
近期，AI工具DeepSeek在全球迅速爆红，人工智能再次成为大众关注的焦点。数据要素社重新梳理了各地2025年工作报告中人工智能相关的工作内容，供大家参考！
2025年各省份对人工智能的布局集中在“人工智能+”行动、基础设施建设（如智算中心）、应用场景拓展（如制造、医疗、教育）及产业集群培育等方面。上海、广东、北京、浙江等地在政策细化与目标设定上较为突出，河南、广西等省份则侧重于结合本地产业特色推动应用落地。辽宁、山西将人工智能与数字经济、战略性新兴产业捆绑发展，各地区分别进行了差异化的布局。北京市发布推动“人工智能+”行动计划，提出以应用反哺大模型技术迭代，并设立5大标杆应用工程和10大示范性应用场景。在政府工作报告中明确提升人工智能底层技术自主可控能力，并在政务、医疗等领域推动应用。上海市提出开展“人工智能+”行动，实施“模塑申城”工程，推进一批标志性的人工智能应用场景建设。优化集成电路产业布局的同时，明确要建设人工智能产业创新高地，培育战略性新兴产业与未来产业。计划在2025年6月前实现人工智能创新合作平台与金砖国家的项目对接，推动AI产业出海。广东省将人工智能列为重点发展领域，实施“人工智能+”行动，加快智算中心和数据基础设施建设。目标到2027年聚焦制造、教育、养老等领域，打造500个以上人工智能应用场景。强调发展集成电路、人工...
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.