数据标准深度解码：标准的价值在“解耦”，不在“统一”——它把 N² 次适配压成 N 次；而具身智能缺的是“可交换的格式”，并非数据
量子道
量子道 · 扫码阅读
微信 · 浏览器扫码
在手机上获得更好的阅读体验
核心结论：据央视新闻 11 月 10 日报道，全国数据标准化技术委员会 2026 年第二次“标准周”在福建厦门举行，正式成立具身智能数据标准起草工作组，以及气象、卫生健康、电力、商务等 4 个行业应用标准起草工作组，以加快推进“十五五”期间数据领域标准制定。同期披露的最新数据是：我国算力总规模已达 310 万 PFLOPS，位居世界第二。市场的主流解读是“算力新高 + 人形机器人迎来政策风口”。但本文认为这些解读都没说到根子上。核心判断是：标准真正的价值在于“解耦”，而非“统一”。 因为在没有标准的时候，每家企业必须与所有其他企业“两两适配”；而有了标准之后，所有企业只需要对齐“标准”这一个东西。 这是一道很简单的数学题：100 家企业两两对接是 4950 对，统一标准只需 100 次——相差 49.5 倍。 所以标准的经济学含义是：它让“适配成本”从“平方级”降到“线性级”。它让大家不必互相认识，就能互相使用。 由此展开三条判断。第一，具身智能的数据困境，本质是“数据长在别人的地盘上”，并非“数据太少”。 大模型的数据是公共的（互联网文本本来就公开），所以可以“抓”；而具身智能的数据是私有的（工厂工艺参数、车间动作轨迹、医院诊疗流程），只能“换”——而“换”的前提，是存在“可交换的格式与权属规则”。 第二，标准之所以能打破行业僵局，是因为它把“数据飞轮”从“企业级”升级为“行业级”。 因为一个飞轮越大，启动它所需的初始投入就越容易被摊薄。 第三，标准博弈的真实问题不是“哪个技术最优”，而是“谁愿意放弃自己的格式”。 而这件事，恰恰决定了标准发布之后，谁的既得利益被保护。
一、先把“标准”的数学说清楚：N² 与 N 的差别
讨论标准，最容易停在“统一规范、提升效率”这类正确的空话上。但它其实是一道可以算的题。
设想有 N 家企业，每家都有自己的数据格式，彼此之间要交换数据：
| 场景 | 需要建立的适配关系 | 数量 |
|---|---|---|
| 没有标准（两两适配） | 每两家之间都要写一个转换器 | N×(N−1)÷2 |
| 有标准（对齐全标准） | 每家企业只需对接标准一次 | N |
把它代入具体数字：
| 企业数 | 无标准（两两适配） | 有标准 | 倍数 |
|---|---|---|---|
| 10 家 | 45 对 | 10 次 | 4.5 倍 |
| 50 家 | 1225 对 | 50 次 | 24.5 倍 |
| 100 家 | 4950 对 | 100 次 | 49.5 倍 |
| 500 家 | 124750 对 | 500 次 | 249.5 倍 |
所以标准的经济学含义，是把“适配成本”从“平方级”压到“线性级”。
而这带来一个反直觉的结论：
标准的价值，在“企业数量多”的时候才显现；在“只有两三家”的时候，几乎为零。
这就解释了为什么具身智能现在才需要标准：
因为行业刚刚从“几家做样机”，变成“几十上百家在做”。 一旦参与者在 10 家以内，两两适配还做得起；一旦超过 50 家，“没有标准”本身就成了最大的成本。
而这也给了一句更准确的定义：
标准不是“管住大家”，是“让大家不必互相认识”。
因为“互相认识”的成本，是平方级的；而“认识标准”的成本，是线性的。
二、核心判断：具身智能缺的是“可交换的格式”，并非数据
这一节是本文的分析支点。
先说一个常被混淆的前提：大模型的数据，和具身智能的数据，性质完全不同。
| 大语言模型 | 具身智能 | |
|---|---|---|
| 数据来源 | 互联网文本、图像 | 物理世界交互 |
| 数据性质 | 公共的（本来公开） | 私有的（工厂、医院、车间） |
| 获取方式 | 可以“抓” | 只能“换” |
| 数据类型 | 文本、图片 | 力觉、触觉、动作轨迹、工位工艺 |
所以大模型的数据问题是“怎么处理海量”，而具身智能的数据问题是“怎么拿到第一份”。
而“拿不到”的原因，不是“数据不存在”，是“数据长在别人的地盘上”：
| 数据在哪 | 谁在用 | 为什么拿不到 |
|---|---|---|
| 工厂的工艺参数 | 制造企业 | 涉及商业秘密 |
| 车间的动作轨迹 | 产线集成商 | 属于客户资产 |
| 医院的诊疗流程 | 医疗机构 | 涉及患者隐私 |
| 机器人的失败案例 | 各家整机厂 | 涉及产品声誉 |
而更深一层的原因是：这些数据“带着场景的私有性”——它们不是“信息”，是“资产”。
所以具身智能的数据困境，可以精确地表述为：
它不是“数据太少”，是“数据的产权太分散”。而分散的产权，只能用“交易”来聚合，不能用“采集”来聚合。
而“交易”的前提，是两件事：
| 前提 | 对应什么 |
|---|---|
| 可交换的格式 | 技术标准（数据集格式、标注规范） |
| 可执行的权属 | 规则标准（授权、脱敏、分成） |
而这次成立的工作组，要制定的正是这两件事。
三、为什么标准能打破“负向循环”：把飞轮从企业级升级到行业级
这一节讲清楚机制。
机器人行业当前卡在一个经典的“冷启动”里：
用得少 → 数据少 → 模型差 → 更不好用 → 用得更少。
而“数据飞轮”的正循环本应是：
用得多 → 数据多 → 模型好 → 更好用 → 用得多。
问题在于：这个飞轮在“企业级”是转不起来的。
因为单家企业的用量，撑不起飞轮所需的初始数据量：
| 层级 | 飞轮规模 | 启动难度 |
|---|---|---|
| 企业级 | 一家企业的场景 | 极高（数据量不足） |
| 行业级 | 全行业场景 | 低得多（数据可聚合） |
所以标准做的事，是把飞轮从“企业级”升级为“行业级”。
而一个飞轮越大，启动它所需的初始投入就越容易被摊薄。
这里有一个很关键的类比：
这就像“充电接口标准”——它不是“造充电桩”，也不是“造电动车”，它做的是“让任何一辆车都能插进任何一个桩”。
而一旦“插得进”，电动车和充电桩就各自可以独立扩张，不必互相等待。
而具身智能现在正是“车和桩互相等待”的状态：
| 一方 | 在等什么 |
|---|---|
| 整机厂 | 等“有足够多场景数据”，才敢量产 |
| 场景方（工厂/医院） | 等“有足够好用的机器人”，才愿意开放数据 |
这是一个死锁。而打开死锁的，从来不是“某一方先让步”，是“降低双方对接的成本”。
而“降低对接成本”这件事，恰好就是标准的功能。
四、最锋利的一层：标准博弈的真实问题是“谁放弃自己的格式”
这一节是本文最想说的，因为它决定了“标准发布之后，谁受益”。
标准化的表面是“技术选择”，实质是“利益再分配”。因为：
谁的标准被采纳，谁就获得了“不用改”的优势；而其他人，都要“改”。
而“改”是有成本的：
| 成本类型 | 内容 |
|---|---|
| 改造投入 | 数据格式迁移、接口重写 |
| 历史资产 | 已积累的数据集需要重新标注 |
| 竞争位置 | 自己的格式优势被抹平 |
所以不同位置的参与者，立场完全不同：
| 参与者 | 立场 | 为什么 |
|---|---|---|
| 头部企业 | 希望“我的格式”成为标准 | 省改造 + 卡住对手 |
| 中小企业 | 希望标准“越通用越好” | 省成本 |
| 新进入者 | 希望“标准存在” | 否则被既有格式锁定 |
| 场景方（工厂/医院） | 希望标准“少改我的系统” | 改造即停产 |
而博弈的结果，往往不是“技术最优”胜出，是“谈判能力最强”胜出。
由此得到一条很实用的判研方法：
读标准文件，不能只看“技术指标”，要看“谁起草的”。
因为“谁起草”决定了三件事：
| 看什么 | 说明什么 |
|---|---|
| 起草单位里头部占比 | 标准是否偏向既得利益 |
| 是否有场景方参与 | 标准是否会被“落地成本”卡住 |
| 是否留了“扩展字段” | 标准是否给后来者留了空间 |
而第三条尤其重要：一个好的标准，一定留了“扩展位”——因为技术会变，而“能扩展的标准”才不会被三年后的新技术淘汰。
而这也解释了为什么“具身智能标准”现在特别关键：
因为现在正是“格式还没定型”的窗口期。
一旦某个格式成为事实标准，后来者就只能适配；而“适配者”永远拿不到“定义者”的溢价。
这也与历史上的每一次标准之争一致——胜负手从不在技术参数，而在“谁能让别人用我的”。
五、310 万 PFLOPS 这个数字，要“换算”才有意义
这一节讲算力数字该怎么读。
310 万 PFLOPS、世界第二——这是一个很硬的成就，但它是一个“装机指标”。
| 指标 | 衡量什么 | 不等于 |
|---|---|---|
| 总算力规模（PFLOPS） | 硬件峰值 | 实际可用产出 |
| 智能算力占比 | 其中多少能跑 AI | 峰值总量 |
| 利用率 | 实际跑了多少 | 装了多少 |
所以“世界第二”这个排位，衡量的是“装机能力”，不是“产出能力”。
而这正是这次政策转向的原因：
| 阶段 | 政策重心 |
|---|---|
| 过去（缺硬件） | 建算力、扩规模 |
| 现在（硬件够用） | 调度、数据标准、数据集质量 |
而这两者的区别，可以用一句话概括：过去要解决“有没有”，现在要解决“好不好用”。
而“好不好用”的瓶颈，恰恰不在硬件，在三件事：
| 瓶颈 | 表现 |
|---|---|
| 算力分布不均 | 有的地方算力闲置，有的地方排队 |
| PUE 分化 | 高效与低效设施并存 |
| 数据不通 | 数据集格式不一，接口不统一 |
而第三项，正是“标准”能直接作用的。
这里可以用一个很形象的比喻：
算力是“发动机”，数据标准是“油路”。
发动机再强，如果油路是各家自制的、接不上的，那这台发动机就只能空转。
而“空转”这个词，恰好描述了当前部分智算中心的真实状态： 硬件在那里，但喂不进去数据。
六、四大行业工作组：把“顶层文件”翻译成“行业细则”
这一节讲“标准为什么要分行业”。
很多人会问：为什么不做一个“通用数据标准”，而要分气象、卫健、电力、商务？
答案很简单：
因为不同行业的“数据语义”完全不同——同一个词，在电力里是“负荷”，在卫健里是“病种”，在商务里是“订单”。
而通用标准无法处理这种差异：
| 维度 | 电力 | 卫健 | 气象 | 商务 |
|---|---|---|---|---|
| 数据敏感度 | 中（涉电网安全） | 高（涉患者隐私） | 低（多为公开） | 中（涉商业机密） |
| 实时性要求 | 极高 | 中 | 高 | 低 |
| 合规边界 | 关键信息基础设施 | 个人隐私、医疗伦理 | 国家安全（气象数据） | 消费者保护 |
所以“通用标准”只能定“骨架”，而“行业标准”才能定“血肉”。
而这件事的真实意义，比“统一格式”大得多：
它把“数据要素”这个顶层概念，翻译成了每个行业“能执行的动作”。
因为“数据要素市场化”这句话，对一个电厂厂长来说是抽象的；而“你的负荷数据要按这个格式、这个脱敏规则、这个授权流程交出去”，才是可执行的。
而一项改革，只有当它变成“可执行的动作”，才算真正开始。
而其中一个细节值得注意：
卫健组的难度最高——因为它要同时满足“隐私保护”与“AI 训练”两个互相冲突的要求。
而它给出的解法必然是“可用不可见、可控可计量”——即数据不离开本地，只交换“计算结果”。
而这就是“可信数据空间”要解决的事：
| 传统共享 | 可信数据空间 |
|---|---|
| 交出原始数据 | 交出计算结果 |
| 一次性 | 持续授权、可计量 |
| 难以撤回 | 可控 |
而这个技术路线的意义在于：它把“隐私”与“利用”从“二选一”，变成了“两者都要”。
七、正能量落点：从“建东西”到“定规矩”，是产业成熟的标志
这一节讲这轮政策转向的深层意义。
一个产业在不同阶段，政策的形态完全不同：
| 阶段 | 主要矛盾 | 政策形态 |
|---|---|---|
| 追赶期 | 缺硬件 | “建”（补贴、投资、上产能） |
| 成熟期 | 硬件够用 | “定规矩”（标准、规则、治理） |
所以“从建到定规矩”这个转向，本身就是“产业成熟”的证据。
而“定规矩”这件事，比“建东西”难得多，也重要得多。因为：
“建”是“我有”；而“定规矩”是“大家按我的方式来”。
前者是工程能力，后者是生态能力。
而“生态能力”的核心，不是“技术最强”，是“愿意让别人用自己的”。
因为标准本质上是这个交换：
你把自己的东西交出去，换取别人也用。
这是一种“克制”的能力。而它比“强大”更难——因为强大只需要赢过别人，克制需要愿意被超越。
所以对这次成立的工作组，最公允的评价是：
它做的不是“给行业加了一道门槛”，而是“给行业修了一条路”。
而修路这件事的特点，是修的时候看不到收益，修好之后所有人都受益——包括那些没有参与修路的人。
而这个“包括没参与的人”的特性，恰恰是“公共品”的定义：
公共品的特点是：很难向使用者收费，但所有人都会受益。
而标准，正是数据时代最重要的公共品之一。
八、四个需要校正的认知
一、“310 万 PFLOPS = 硬件无短板”是误读。 它是硬件峰值（装机）口径，不等于实际产出。芯片供给、调度能力、数据集质量、标准统一度，依旧是明显短板。
二、“工作组成立 = 人形机器人业绩爆发”是误读。 工作组负责标准起草，从立项、征求意见、发布到产业落地周期很长。它是制度基础建设，不是短期订单催化。
三、“工作组会直接生产数据集”是误读。 它的定位是制定规则、统一“度量衡”（格式、评测、合规）。数据集建设与产品研发由企业和科研机构完成。 ——就像制定充电接口标准，不等于直接造充电桩和电动车。
四、“四大行业组 = 数据大规模公开”是误读。 标准重点是格式、质量、脱敏、授权流程；医疗、电力数据大量涉及隐私与安全，方向是“可用不可见、可控可计量”，不是无条件公开原始数据。
九、六个可以跟踪的观察指标
- 第一批征求意见稿里“扩展字段”的设计，而不是标准条目数量。 这是本文最看重的指标——因为留了扩展位，说明标准是为“未来”写的；没留，说明它是为“当下几家企业”写的。 而前者能被用十年，后者三年就要改。
- 起草单位中“场景方”（工厂、医院、电网）的占比。 因为如果只有技术公司和整机厂起草，标准大概率会在“落地成本”上卡住——而场景方参与，说明标准是“为用而写”，不是“为管而写”。
- 是否有“跨企业数据集互通复用”的真实案例。 这是检验标准是否真的降低成本的唯一硬证据——因为“能互通一次”，就说明格式真的对齐了；如果始终停留在“标准发布”，说明它还没落地。
- 算力实际利用率的变化，而不是总算力规模。 因为**“世界第二”的装机量、配上低利用率，等于“有发动机没油路”**。利用率是“标准是否生效”的间接读数。
- 可信数据空间的试点数量与“可用不可见”的实际调用量。 因为这是“隐私与利用并存”这条技术路线的可行性验证——如果调用量上不去，说明这条路走不通。
- 一个反直觉但最本质的指标：看中小企业采用标准的“改造成本”是否被公开讨论。 因为一项标准如果让中小企业“改不起”，它就会变成“大企业免责、小企业出局”的工具。 而一个健康的标准，必须回答“改造成本由谁承担”这个问题。
十、结论：从“有没有”到“通不通”
回到这场标准周。
它表面上是一次标准的集中立项，实质上有三层含义：数学上，标准把适配成本从 N² 压到 N，它带来的是“解耦”，而非“统一”；结构上，具身智能的困境是“产权分散”，而非“数据不足”，只能用“可交换的格式 + 可执行的权属”来聚合；政策上，310 万 PFLOPS 标志着“硬件够了”，于是重心从“建”转向“定规矩”。
而把这三层合起来，会得到一个更本质的判断：
这一轮政策真正在解决的，不是“有没有”，而是“通不通”。
| 过去问的问题 | 现在问的问题 | |
|---|---|---|
| 算力 | 建了多少 | 用了多少 |
| 数据 | 有没有 | 能不能换 |
| 机器人 | 能不能做出来 | 能不能大规模用起来 |
| 标准 | 有没有规范 | 降了多少对接成本 |
而“通不通”这个问题，比“有没有”难得多——因为“有没有”是一个企业自己能解决的，“通不通”必须整个行业一起解决。
最后，回到一个更朴素的层面。 在讨论标准时，最容易产生的疑虑是“会不会管得太死”。但更值得看清的是另一面：
一个没有标准的行业，最终会被“既有的私有格式”管得更死——因为那时的话语权，不在规则里，而在“谁先占了位置”里。
而标准的意义，恰恰是把“谁先占位”变成“谁写得好”：
它让后来者不必重复造轮子，让新进入者不必先投降，让小企业不必为“接不进去”付出全部利润。
而这，才是标准最不该被忽略的价值——它是一项“让竞争回到产品本身”的基础设施。
本文基于 2026 年 11 月 10 日央视新闻（总台央视记者吴昊、刘柏煊）报道及国家数据局公开信息整理。文中事实均来自公开报道：全国数据标准化技术委员会 2026 年第二次“标准周”活动在福建厦门举行，正式成立具身智能数据标准起草工作组及气象、卫生健康、电力、商务等 4 个行业应用标准起草工作组，以加快推进“十五五”期间数据领域相关标准制定、赋能行业产业数字化发展；我国算力总规模已达 310 万 PFLOPS、位居世界第二。文中“N×(N−1)÷2 与 N”的适配关系测算（10 家 45 对、50 家 1225 对、100 家 4950 对、500 家 124750 对，对应倍数为 4.5、24.5、49.5、249.5 倍）为作者依组合数学所作示意计算；关于“标准的价值在解耦而非统一”、“具身智能缺的是可交换格式而非数据”、“数据飞轮需从企业级升级为行业级”、“标准博弈的真实问题是谁放弃自己的格式”、“可信数据空间即可用不可见”等分析判断为作者观点。本文不构成任何投资建议。