发展历程：站在人工标注市场出清与机器标注迭代的十字路口 

理论层面：数据工程系 AI 工程基础环节，核心在于高效的数据标注。

• AI 工程=数据工程+ 模型工程。其中，数据工程主要包括数据采集与数据标注，约占 AI 工程时长的 80%；模型工程主要包括模型训练与模型部署，约占 AI 工程时长的 20%。数据工程是 AI 工程的 前置且基础环节，直接影响到模型的质量与精度。数据工程的核心在于高效的数据标注， Garbage in garbage out 效应显著。

   数据工程约占 AI 工程 80%时长，Garbage in garbage out 效应显著

实践层面：AI 模型训练数据需求规模大，训练数据质量不佳、效率低下情况普遍。

• 据Dimensional Research 全球调研报告，72%的受访者认为至少使用超过 10 万条训练数据 进行模型训练，才能保证模型有效性和可靠性，96%的受访者在训练模型的过程中遇到训 练数据质量不佳、数量不足、数据标注人员不足等难题。为应对训练数据所带来的多方面 挑战，AI 企业开始从第三方购买原料数据收集、训练数据生产和数据专家咨询等服务。

图表1：72%的全球受访者认为至少需要超过 10 万条训 练数据进行模型训练 

图表2：96%的全球受访者在训练模型的过程中遇到训练 数据质量不佳、效率不足的问题

AI 数据工程发轫于 AI 产业落地元年，系 AI 下游应用的基础且必备环节。目前行业处于市场格局渐趋清晰，新老技术面临迭代，下游需求加速释放的关键节点。

• 产业初生期（2010~2016）：2010 年语音识别和计算机视觉领域产生重大突破，国 内开始萌生 AI 概念。后续数年，早期的 AI 基础数据服务门槛较低，质量参差不齐。

• 产生成长期（2016~2022）：近五年来，供给侧高烈度的业内竞争加速市场出清，需 求侧对产业落地以及垂直场景的定制化数据采标需求逐渐凸显。最终引致行业头部企 业浮出水面，行业格局逐渐清晰。 

• 产业成熟期（2022~至今）：2022 年以来，AIGC 产品集中爆发，高 level 自动驾驶 需求加速释放。传统人工标注的效率已不能完全满足算法需求，行业护城河转向自动 化机器标注技术，预计产业将进入向技术要市场的新阶段。

                                         AI 数据工程发展历程及展望

市场规模：AI 快速落地叠加数据量指数级跃升，2025 年国内百亿规模可期 

• 国内 AI 市场规模超百亿美金，约占全球市场 10%份额。目前，AI 已在金融、医疗、交通、 安防等多个垂直场景深度落地，且应用场景拓展势能强劲，商业化进程加速。从全球市场看，据 IDC，2021 年全球 AI 产业规模达 885.7 亿美元，预计 2025 年将达到 2,218.7 亿 美元，CAGR 高达 25.8%。从国内市场看，据 IDC，2022 年我国 AI 产业规模或达 116 亿美元，预计未来数年仍保持两位数增长。以 2021 年计，国内 AI市场规模约占全球 10%， 国内市场成长潜力巨大，国内企业出海空间广阔。

数据标注·AI背后的百亿美元市场【未来投资报告】