⁣
📰 全国首个地方数据集建设方案落地，武汉打造“模数共振”新飞轮 - 21世纪经济报道

武汉将以数据要素价值释放为核心，推动数智经济与实体经济深度融合。依据《行动方案》，未来三年将建设200个以上行业高质量数据集（公共数据集不少于80个），支撑200个以上垂类大模型训练与智能体开发，打造100个行业标杆应用，力争使武汉AI产业规模从858亿元增长至2000亿元以上，年均增速超30%。作为核心驱动，数据被视为新的生产要素，AI为新生产工具，形成“模数共振”发展模式。为落实目标，武汉将加快公共数据开放与行业数据集建设，推动数据供得出、流得动、用得好，并率先在光芯屏端网、汽车、医疗等优势产业及城市治理领域推进试点，形成政府引导、企业协作的数智生态。通过对地址找人等数据治理与自主AI模型的落地应用，提升数据质量与可用性，支撑大模型的生成、推演和泛化能力，促成以数训模、以模生数的正向循环。

总之，武汉以高质量数据集与模数共振为核心，持续推进“AI+Data”生态建设，提升数据治理水平与产业智能化水平，推动城市公共服务能力与数字经济协同发展。/

🏷️ #数据要素 #高质量数据集 #模数共振 #数智经济 #AI产业

🔗 原文链接

⁣
📰 [东吴证券]：汽车行业深度报告：AI系列深度12期：从模块化到端到端 - 发现报告

本文聚焦端到端在智能驾驶与机器人领域的发展脉络，解析其核心内涵、与模块化流水线的差异，以及在产业中的演进路径。端到端的要义在于以可整体训练的神经网络，将原始传感器输入直接映射为规划或控制输出，并通过全局优化提升系统性能。与模块化相比，端到端信息传递更完整、可提升任务导向的协同效果，但在可解释性、可控性与安全性方面面临挑战。历史上从网络工程的端到端概念演进到机器学习范式，经历了ALVINN、DAVE等代表性项目、以及LeCun等学者对整体可微与全局优化的确立。产业端，特斯拉FSD v12等示例标志着端到端在主决策中的主导地位逐步增强，但规则体系并未完全消失，而是作为安全兜底和合规约束依然存在。文章进一步指出，端到端、VLA与世界模型并非替代关系，而是处于不同能力层级的组合方案，数字AI在很多场景已将端到端设为默认范式。未来智能驾驶与机器人应用将围绕端到端的整体训练、与VLA、世界模型等协同，构建更稳健的闭环系统。

🏷️ #端到端 #自动驾驶 #模块化 #VLA #世界模型

🔗 原文链接

⁣
📰 人工智能模型训练类专利的创造性判断

本案围绕对“基于音频生成动态图像的方法、装置、设备及存储介质”专利的创造性判断展开。涉案数字人技术跨越计算机图形学、计算机视觉与AIGC等领域，通过单张参考图像与音频实现个性化的数字人生成，以降低训练成本、缩短训练周期为目标，形成“训练后的生成网络模型”与“目标生成网络模型”的分阶段处理框架。创造性判断基于对三阶段模型（设计、训练、应用）的理解，若训练方法的改进能在特定场景下带来更高输出精度或更低成本且非简单拼接，则具备创造性。本案中，涉案专利通过对目标人物参考图像进行微调，使生成网络模型对目标对象更贴合并降低成本，属于训练阶段的改进，最终产出定制化的目标生成网络模型，属于应用阶段的特定输出。证据1的SadTalker虽可生成同类动态视频，但其各子模型不可分割地共同作用，未揭示对训练过程的个性化微调；证据2所述的R-Net模型训练为一次性完成，未涉及对特定对象的微调。基于以上分析，涉案专利在技术方案及实现路径上具备创造性，提供了对AI模型训练方法在特定应用场景中的有效技术贡献。该案亦对2026年新版专利审查指南关于AI专利创造性的判断提供了实务参考。

🏷️ #数字人 #模型训练 #创造性 #AI专利 #定制化

🔗 原文链接

⁣
📰 为AI发展提供充足“燃料” 行业高质量数据集建设方案落地_数字快讯_数字中国建设峰会

国家数据局印发实施方案，提出到2028年底建立覆盖重点领域、经过应用验证的行业高质量数据集，并打造数据驱动AI创新的典型场景、培育创新型数据企业和专业人才，形成数据集建设工具与标准。专家指出，高质量数据集是大模型训练与应用的基石，规模与质量直接决定AI创新高度与产业落地深度，数据标注、数据服务、模型应用等环节将因建设推进而受惠。当前全国已建成超11.6万个高质量数据集，总体量超960PB，Token日均调用量突破140万亿，但行业数据仍存在分散、质量参差、缺乏统一标准等问题，制约重点行业和复杂场景应用。实施方案聚焦强基扩容、标注攻坚、提质增效、应用赋能、管理服务、价值释放六大行动，构建“场景牵引数据、数据驱动模型、模型赋能应用、应用创造价值”的数据飞轮，推动数据要素与AI协同演进的共生生态。具体包括拓宽供给渠道、丰富数据类型、重点领域及创新领域建设高质量数据集；推动数据标注先行先试，培育龙头企业与独角兽；在价值释放方面创新商业模式，探索词元交易等可量化定价的数据价值体系。分析人士认为系列举措将促使数据标注、数据服务、模型应用等产业环节受益，推动数据清洗、增强、质检等关键技术攻关，鼓励仿真合成等解决稀缺场景数据难题，促进数据流通与商业化。最终目标是建立数据底数、提升产品化与服务化能力，构建需求-数据-模型闭环，形成可复用标杆案例，促进重点行业和新兴领域的数据采集、仿真建模、场景测试与模型训练的发展。

🏷️ #数据高质量 #数据飞轮 #行业应用 #数据标注 #模型应用

🔗 原文链接

⁣
📰 胜在场景：重庆智造催生“模力高地”

重庆以“模力高地”为核心，推动人工智能与制造业深度融合，构建33618现代制造业集群体系，依托海量产业数据、丰富生产场景和强大工艺能力，持续提升AI在工业领域的落地与迭代。通过“智改数转”“产业大脑+未来工厂”等举措，重庆已实现智能工厂与数字车间大规模布局，数据资源成为训练工业垂直大模型的关键原料，行业专家与技能人才成为核心算法驱动的支撑力量。随着需求端不断释放，企业在研发设计、生产、供应链等环节提出102项真实场景需求，政府以现金奖励等政策助推应用升级，推动AI快速融入制造全过程。区域层面，重庆汽车、笔记本、集成电路等传统优势产业与AI新质生产力协同并进，工业增加值与制造业增加值显著提升，产业创新动能迅速积聚，西部领先地位进一步巩固。未来在“模力高地”与制造业双向奔赴中，重庆将继续以硬核产业条件和海量数据资源，推动AI赋能制造、实现高质量发展与产业升级的良性循环。

🏷️ #模力高地 #AI制造 #产业大脑 #数据资源 #制造业升级

🔗 原文链接

⁣
📰 从政策引领到价值落地：“模数共振”的实践与思考 – 智慧城市行业分析

2026年工信部等八部门发布的《“人工智能+制造”专项行动实施意见》提出到2027年推动3-5个通用大模型在制造业深度应用，打造100个高质量数据集，推广500个典型应用场景。核心在于“模数共振”的顶层设计与落地路径，即通过建立企业首席数据官、清晰的数据资源清单、以及数据治理与模型训练的闭环机制，实现“以模引数、用数赋模”的双向互动；数据治理是首要基石，数据标准化与多模态数据整合是关键。海天瑞声等企业以自主标注管理平台支撑全生命周期的数据治理和高质量数据集建设，形成数据协同、模型训练、应用开发、安全保障的一体化机制，推动模型主动生成、数据驱动优化的循环。实践中还包括具身智能数据训练场等前沿布局，以及行业协同共建、资金与标准保障等政策支撑，以促进数据要素在制造业中的高效流转与落地应用。

🏷️ #模数共振 #数据治理 #模型训练 #数据要素 #工业AI

🔗 原文链接

⁣
📰 软件行业迎来剧烈重构：从SaaS到GaaS，AI智能体开启服务新纪元 - 21经济网

2026年初，全球软件行业迎来以GaaS为核心的新业态变革，人工智能的爆发式突破使SaaS模式从“卖工具”向“卖结果、卖数字专家团队”跃迁，重塑盈利逻辑并引发资本市场估值重置。要实现规模化商用，需具备三大条件：Token成本显著下降、端侧算力与AI成熟以及模型上下文协议（MCP）成为行业标准，三者共同消除了高成本与集成壁垒，使AI智能体能够高效、低成本地执行复杂任务并生成可交付成果。传统SaaS的席位收费模式面临崩塌，客服、开发等岗位可被智能体替代，行业洗牌加速。未来的软件企业将转型为AI服务商，核心竞争力来自数据壁垒、准入壁垒与流程知识壁垒，并以按处理量、效果付费等新模式实现稳定盈利。投资逻辑也随之转变，应聚焦数据资产、AI训练资源、底层基础设施以及深度融合的核心业务软件，抓住GaaS时代的价值创造机遇。总体而言，SaaS时代正在落幕，GaaS引领的智能服务新纪元已全面开启。

🏷️ #GaaS #AI服务 #Token成本 #端侧算力 #模型上下文协议

🔗 原文链接

⁣
📰 西安一市民遭AI“数字冒犯”

除夕夜本是阖家团圆的温馨时刻，但西安市民向先生在使用AI生成拜年图片时遭遇“数字冒犯”——最终生成的图片在底部出现了侮辱性文字“你妈个X”，让他又气又笑。向先生是一名律师，原本希望AI结合法律行业特性设计一张合适的拜年图片，经过多次指令与调整，AI逐步理解并生成包含祥云、天秤、金光等元素的图片，然而最后一次生成却再次出现辱骂性文字，且与他的人像相结合构成对人格权的侵害。向先生事后在APP内提交反馈，但截至发稿未获得回应。专家普遍认为这是AI生成服务中的缺陷输出，应被视为对用户人格尊严的直接侵害，平台应承担停止侵害、道歉和消除影响等责任。业内也指出这是“模型异常输出”的小概率事件，但不能以此推卸平台的应尽义务，需加强前置过滤、对抗训练及快速响应机制，避免类似侵权再次发生。此次事件与此前其他平台类似问题相呼应，凸显出在AI快速发展背景下，保护用户人格权、完善法律与监管框架的重要性。

🏷️ #AI人格权 #模型异常 #平台责任 #网络安全 #法律思考

🔗 原文链接