算法、算力和數據共同構成了AI產業鏈技術發展的三大核心要素。在人工智能行業發展進程中，有監督的深度學習算法是推動人工智能技術取得突破性發展的關鍵技術理論，而大量訓練數據的支撐則是有監督的深度學習算法實現的基礎，高質量、大規模、多樣性的AI訓練數據集已成為算法模型發展和演進的“燃料”。

算法模型從技術理論到應用實踐的落地過程皆依賴于大量的訓練數據，2012-2016年期間，人工智能行業不斷優化算法增加深度神經網絡層級，利用大量的AI訓練數據集提高算法精準性，ImageNet數據集的超過1,400萬張訓練圖片和1,000余種分類便在其中起到重要作用。

然而，從自然數據源簡單收集取得的原料數據并不能直接用于有監督的深度學習算法訓練，必須經過專業化的采集、加工，形成相應的工程化AI訓練數據集后才能供深度學習算法等訓練使用。目前，應用有監督學習的算法對于AI訓練數據集的需求遠大于現有的標注效率和投入預算，基礎數據服務將持續釋放其對于算法模型的基礎支撐價值。

AI產業對AI訓練數據集的持續性需求一直存在

AI產業對訓練數據的需求主要來源于成熟算法模型的拓展性需求和新生算法模型的前瞻性需求。在成熟的拓展性需求方面，MckinseyGlobalInstitute的研究報告表明：

深度學習模型對訓練數據的數據量、多樣性和更新速度方面提出較高要求。為充分發揮技術潛能，深度學習模型需要海量且涵蓋圖像、視頻及語音在內等多種類型的訓練數據進行模型訓練。此外，人工智能技術要求算法模型根據潛在的應用場景變化而持續更新，因此，算法模型所使用的訓練數據亦需要定期更新。具體而言，約1/3的算法模型每月至少更新一次，約1/4的算法模型每日至少更新一次，算法模型持續更新的特點將進一步拓展各領域AI訓練數據集的需求空間。

而在新生的前瞻性需求方面，隨著人工智能商業化進程的演進，新興應用場景如智聯網AIoT、AIPaaS、產業互聯網等將展現出巨大的發展潛力，并逐步促進AI技術和算法模型的優化和創新。因此，在創新應用場景和新型算法的帶動下，具有前瞻性的訓練數據產品和高定制化的AI訓練數據集服務需求將逐步成為主流。

標貝科技基礎數據服務行業深耕多年，始終秉承基礎研究與實際應用緊密結合的原則，持續開展基礎研發等研究創新工作。https://www.data-baker.com