（本文作者王鹏，北京市社会科学院研究员）

1. AI时代数据资产化的发展背景

（1）信息化数字化奠定基础

信息化和数字化是数据资产化的坚实基础。互联网的发展带来了云计算、物联网、大数据等技术的广泛应用，为数据的生成、存储、传输和处理提供了支撑。我国数字经济规模和应用处于领先地位。互联网的普及、移动互联网的兴起、云计算、物联网等技术的发展，提升了信息化和数字化的水平。信息化和数字化的发展不仅体现在技术层面，还体现在政策和制度层面。我国政府通过出台政策法规，为数据的生成、存储、传输和处理提供了法律保障，确保了数据生成使用过程中的安全性和合规性。此外，信息化和数字化的发展在制造业、金融、医疗等各行各业得到广泛应用，不仅促进行业数字化转型升级，也为数据资产化提供了丰富的数据资源。

（2）数据要素改革方兴未艾

数据作为新时代的关键生产要素，已经在数字经济和社会发展中发挥着重要作用。随着数字化进程的加快，数据的价值日益凸显，数据要素改革也逐渐成为国家战略的重要组成部分。近年来，我国政府出台了一系列政策，推动数据要素市场化配置，促进数据要素的开发和利用。2019年，党的十九届四中全会首次将数据列为生产要素，标志着数据要素改革的正式启动。2020年4月，中共中央、国务院印发的《关于构建更加完善的要素市场化配置体制机制的意见》明确了要素市场制度建设的方向和重点改革任务，提出要引导培育大数据交易市场，依法合规开展数据交易，推进政府数据开放共享。

数据要素改革的具体措施包括数据产权制度的建立、数据交易市场的培育、数据安全治理的加强等。2022年12月，中共中央、国务院印发的《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，要建立数据产权制度，明确数据的归属和使用权，保障数据交易的合法性和合规性。数据资产化是数据要素改革的重要方向之一。财政部在2023年8月印发了《企业数据资源相关会计处理暂行规定》，规范了企业数据资源相关会计处理，强化了相关会计信息披露，推动和规范数据相关企业执行会计准则，准确反映数据相关业务和经济实质。

（3）人工智能赋能千行百业

近年来，人工智能（AI）技术迅猛发展，成为推动科技进步和经济社会发展的重要力量。人工智能的自主学习和适应能力、强大的数据处理能力，以及在各个领域的广泛应用，使其成为经济社会发展的重要推动力。人工智能对千行百业的赋能作用尤为显著。通过引入AI技术，各行各业能够实现生产过程的自动化和智能化，提升生产效率和服务质量。例如，在制造业，人工智能能够优化生产流程，实现智能制造；在医疗领域，AI技术则通过辅助诊断和个性化医疗，提升了医疗服务的质量和效率。中国在人工智能政策上给予了高度重视，自2017年工信部发布《促进新一代人工智能产业发展三年行动计划（2018-2020年）》以来，中央和地方政府陆续出台了一系列政策文件，推动人工智能的快速发展。

2. AI时代数据资产化的重要意义

在人工智能时代，数据作为新型生产要素，正成为推动社会经济高质量发展的关键资源。数据资产化的核心在于数据资源的确权、流通和交易，以及为人工智能大模型的训练提供数据支持，促进各行业的智能化转型和技术创新。

（1）实现经济社会高质量发展的关键举措

数据资产化通过支撑传统产业智能化、助力数字经济创新和提升社会运行效率，成为了实现经济社会高质量发展的重要引擎。它为人工智能技术提供了坚实的数据基础，使其能够在各行各业中发挥更大的作用，促进了经济结构的优化与效率的提升。第一，数据资产化为传统产业智能化升级提供支撑，使企业能将生产数据转化为高质量数据集，推动生产流程智能化。第二，数据资产化通过为新兴数字经济提供核心数据支持，推动了数字商业模式的创新和新业态的形成。第三，数据资产化通过促进人工智能在各行业的广泛应用，全面提升了社会运行效率。

（2）培育和发展新质生产力的支撑

数据资产化提升科技创新能力、优化生产要素配置、助力高技术产业的形成和创新生态系统的构建，成为培育新质生产力的重要支撑力量。第一，数据资产化在科技创新中发挥了至关重要的作用。数据资产化通过数据的合规流通，使科研机构和企业能够获取所需的关键数据，推动人工智能在量子计算、生命科学等前沿领域实现快速突破。第二，数据资产化通过促进生产要素的创新配置，有效提升了生产力水平。第三，数据资产化还通过推动高技术和新兴产业的形成，进一步促进了新质生产力的培育。第四，数据资产化还推动了创新发展生态系统的构建。通过数据的资本化和市场化，吸引了大量风险资本和政策支持，进一步推动了创新链条的深度融合。

（3）构建全国统一数据和技术市场的融合枢纽

数据资产化通过促进数据流通、标准化管理和市场化交易，构建了全国统一的数据和技术市场的融合枢纽。第一，数据资产化通过促进数据要素的市场化流通，加速了全国统一数据市场的构建。数据资产化通过数据确权、评估、标准化处理和合规流通，打破行业和区域壁垒，实现数据资源的高效配置和价值最大化。第二，数据资产化推动了技术市场与数据市场的深度融合，形成数据与技术相互支撑的创新生态。人工智能技术的发展高度依赖于高质量的数据集，而数据资产化则确保了高质量数据的获取、流通和合法使用。第三，数据资产化为统一市场标准和规范体系提供支撑，保障数据和技术市场健康运行，如2022年工信部国家出台的《数据安全管理办法》明确了数据在流通过程中的合规性和安全性要求。第四，数据资产化在构建全国统一市场的过程中，也发挥了促进产业升级和融合创新的重要作用。数据资产化连接了数据要素市场和技术市场，形成了一个横跨多个产业、地域和技术领域的融合枢纽。

3、AI时代数据资产化的核心路径征

在人工智能时代，数据不仅是信息的集合，更是推动经济发展的重要资源、是培育新质生产力的重要支撑。数据资产化是指将数据从原始状态逐步转化为具有经济价值、可交易、可管理的资产的过程，是以训练模型为目标、以合规流通为核心、以标准规范为关键步骤的过程。

（1）训练模型是目标

训练人工智能大模型是数据资产化的最终目标。数据资产化是将数据资源转化为具有明确经济价值的资产的过程,经过数据汇聚流通和系统化、标准化的处理，形成了高质量数据集。高质量数据集是应用于训练生成式人工智能大模型、指导生产经营活动并发挥重要价值的一组相互关联的数据集合。依托政府、区域、行业的高质量数据集资源，训练国家性、区域性、行业性的人工智能大模型，赋能行业数字化转型、数智化发展。

（2）合规流通是核心

数据流通利用成为数据资产化价值实现的核心途径。数据要素化背景下，数据流通利用是高质量数据集形成的必由之路，是推动数据市场化利用与释放数据要素红利的必然路径。但数据流通面临一系列安全合规的问题，如数据权属边界模糊，多主体参与数据生产、加工、应用，所有权归属涉及数据采集者、数据处理者、个人用户等多边界模糊；数据跨境流动合规对企业全球化提出更高要求。只有数据能够在法律和准则的框架下安全合规地流通、交易、汇聚、共享，才能形成行业、区域、产业地高质量数据集，使数据充分释放价值，促进行业企业数字化转型。

（3）标准规范是关键

标准规范是实现数据资产化的关键和保障。第一，在数据质量方面，数据标准通过统一数据格式、数据结构、数据类型、数据命名、数据清洗标注等方式，确保数据的一致性和准确性，保障数据生产、加工和应用过程中的规范化，减少数据错误和冗余，提高数据质量，增加数据可信度。第二，在数据流通方面，统一的数据标准和接口定义可有效促进不同应用之间的数据共享和集成，消除数据孤岛，加速数据高效流通交易，降低数据管理成本，提高数据维护性和扩展性发挥数据价值。第三，在数据共享方面，统一的术语、基础数据标准可以保障组织各部门和团队在数据全生命周期管理过程中保持一致理解和处理，避免各自为政导致问题。第四，在数据设施方面，数据资产化的标准规范为数据基础设施规划和建设提供方针，确保数据存储、处理和传输的架构符合业务需求和行业标准，为金融资本市场参与数据资产化提供制度性的安排。第五，在数据隐私保护方面，数据安全治理标准制度是保障数据安全和个人隐私的重要措施，通过制定数据安全防护标准和风险管理机制，加强数据在采集、存储、传输、使用等各环节的安全防护能力，强化对个人隐私的保护，防止数据泄露和滥用事件的发生。

本文仅代表作者观点。