AI数据集买家扩容：不止互联网大厂，清华大学108万元拟采购不少于36万条数据

人工智能高质量数据集的买家，正在向互联网大厂以外延伸。

近日，中国政府采购网发布《清华大学跨模态对齐与输出矫正评估数据集采购项目》公开招标公告。清华大学拟采购总量不少于36万条的数据集，项目预算及最高限价均为108万元，数据覆盖文本、图像、音频、视频四种模态。招标文件获取时间至10月20日截止，开标时间为11月3日13时30分。

过去，百度、字节跳动、阿里巴巴等互联网企业，以及自动驾驶公司、大模型厂商，是数据标注行业的重要需求方。随着人工智能落地更多科研与行业场景，高校、科研机构及国央企也在发布相关采购项目。

10月19日，上海财经大学特聘教授胡延平在接受《每日经济新闻》记者（以下简称每经记者）采访时表示，清华本次采购订单体量不大、金额也不算多，交付难度中等，供应商只要具备多模型使用与评测能力，基本可完成任务。但这类需求具备典型性，是科研场景下长尾、专业数据采集与标注需求扩张的信号之一。

图片来源：每经媒资库

平均每条数据对应预算约3元

采购文件显示，这批数据集分为两类，各18万条。以最低采购数量测算，每条数据对应预算约3元。

第一类为跨模态对齐数据所需全模态数据集，要求覆盖文本、图像、音频、视频四种模态，做到高质量、结构标准化且标准统一；支撑文本、图像、音频、视频四种模态的语义对齐和统一表示，用于跨模态理解与表示学习、多模态推理、模态融合及下游任务建模。

第二类为输出矫正机制和矫正效果评估所需数据集，包含同一输入任务下不同模型的推理记录、特征向量、输出结果、资源使用信息、异常标注和人工对齐标签，并需模拟模型异构性、误差累积、故障漂移等场景，支撑输出检测、问题定位和矫正策略评估。

采购方清华大学对数据质量设定明确指标，要求准确率和字段完整率均不低于99%，格式规范率100%，重复率不高于1%，全部强制字段、场景齐备。合同签订后30日内交付，验收合格后提供12个月质保服务；供应商还需授予采购方永久、不可撤销、全球范围、免许可费的数据使用权，覆盖多模态人工智能模型的训练、微调、评估、验证及商业部署，以及对数据进行复制、修改、汇编、衍生使用，甲方向关联公司、下游客户提供模型服务或产品等用途。

10月19日午间，每经记者拨打招标公告公布的联系电话，清华大学采购方电话未获接听。采购代理机构东方国际招标有限责任公司工作人员表示，其不了解项目技术细节，项目进度正按招标公告进行。

清华大学并非个例。

9月30日，中央民族大学发布民语2工具链研发及数据加工审核服务项目招标公告，预算1625万元，要求合同签订且中标人支付履约保证金后，3个月内完成民语2工具链的研发、安装部署和调试。项目需在2026年12月30日前交付75TB的预训练数据和137万条后训练数据，合同签订后6个月内完成150TB预训练数据和272.5万条后训练数据交付并通过项目最终验收，计划于10月27日开标。

8月26日，中国人民大学高质量数据集赋能哲学社会科学自主知识体系传播平台建设项目中标总金额552.58万元。今年4月，中国电子技术标准化研究院编程代码大模型数据集采购项目也已成交，金额58万元。

高校之外，近年来数据集采购方中同样不乏央国企身影。据国家能源集团电子招标平台3月11日公布信息，铁路装备智慧科技公司2026年高质量多模态数据集建设项目由北京百度网讯科技有限公司中标。这也意味着，互联网大厂不仅采购数据，也可成为其他行业数据集项目的供应商。

高校、科研机构、央国企进入数据采购市场

胡延平认为，目前一些AI大模型企业和行业AI平台都在从各个角度收集数据，需求增长有助于改善数据采集与数据标注行业的营收状况。

从需求主体来看，科研机构、高校以及央国企是重要需求主体。具体而言，各行各业都有自己的业务场景和特定需求，尤其AI4S（人工智能驱动的科学研究）领域，模型、数据、部署都不同于企业和个人用户，科研需求较多。

开源模型的广泛应用也是重要驱动力。不过开源模型无法满足新场景下的全部需求，专业领域不仅需要对模型进行微调、特调，还需要大量行业专业知识与专业数据集，并同智能体以及各类软件工具协同。

为什么模型能力持续提升，数据需求仍在增加？

胡延平解释，目前模型的水准提升，已经不取决于能够做好的那七八十分（大部分基准测试的得分区间），而是取决于目前做不好的那二三十分。解决做不好的二三十分，需要输入大量真实场景的高质量数据。而这类需求越来越难以通过互联网获得，也难以通过传统数据语料公司采购，因为很多需求面向新的、此前未曾产生过的数据，是典型的长尾需求，所以也会带动数据产业链、数据交易市场的多样化发展。

数据标注企业海天瑞声在2026年半年报中称，国内互联网科技、政府与国央企、智能驾驶等客户AI需求共同推动境内业务增长，上半年境内营业收入同比增长69.18%。这一数字覆盖多个客户群体，不能直接视为高校或国央企订单的增长率。

政策方面，国家数据局今年6月印发的《关于推进行业高质量数据集建设行动的实施方案》提出，鼓励数据需求方通过购买、合作等形式加大投入，充分发挥政府部门、国有企业、模型企业等单位的示范引领作用，推动数据采买纳入预算编制。

今年8月，国家数据局披露，全国已建成高质量数据集超过12.6万个，总体量超过1815PB。