國(guó)內(nèi)各行業(yè)數(shù)據(jù)資源豐富，2021-2026 年數(shù)據(jù)量規(guī)模 CAGR G于，數(shù)據(jù)主要來(lái)源于政 府/傳媒/服務(wù)/零售等行業(yè)。據(jù) IDC，2021-2026 年數(shù)據(jù)量規(guī)模將由 18.51ZB 增長(zhǎng)至 56.16ZB，CAGR 達(dá)到 24.9%，G于平均 CAGR。從數(shù)據(jù)來(lái)源看，國(guó)內(nèi)各行業(yè)數(shù)據(jù)差 異化發(fā)展，2021 年政府、傳媒、專業(yè)服務(wù)、零售等行業(yè)數(shù)據(jù)量占比較G，分別為 30.4%、 13.4%、13.0%、9.6%，其中接近 90%的數(shù)據(jù)為非結(jié)構(gòu)化數(shù)據(jù)，這也要求了海量數(shù)據(jù)采集 設(shè)備和軟件的互聯(lián)互通以及互動(dòng)互控。另外隨著智能化轉(zhuǎn)型的深入，制造、交通運(yùn)輸、批 發(fā)、教育等行業(yè)數(shù)據(jù)規(guī)模在未來(lái)也擁有較大的增長(zhǎng)潛力，2021-2026 年數(shù)據(jù)量增長(zhǎng) CAGR 將分別達(dá)到 37.6%、36.1%、37.1%、34.0%。

盡管?chē)?guó)內(nèi)數(shù)據(jù)資源豐富，但由于數(shù)據(jù)挖掘不足，數(shù)據(jù)無(wú)法自由在市場(chǎng)上流通等現(xiàn)狀，出色 中文出色數(shù)據(jù)集仍然稀缺。目前中文出色數(shù)據(jù)仍然稀缺，如 ChatGPT 訓(xùn)練數(shù)據(jù)中中文資料 比重不足千分之一，為 0.0991%，而英文資料占比超過(guò) 92.6%。據(jù)加利福尼亞大學(xué)和 Google 研究機(jī)構(gòu)發(fā)現(xiàn)，機(jī)器學(xué)習(xí)和自然語(yǔ)言處理模型使用的數(shù)據(jù)集 50%由 12 家 Top 機(jī)構(gòu)提供， 其中 10 家為美國(guó)機(jī)構(gòu)，1 家為德國(guó)機(jī)構(gòu)，僅 1 家機(jī)構(gòu)來(lái)自，為香港中文大學(xué)。值得一 提的是，數(shù)據(jù)集與數(shù)據(jù)機(jī)構(gòu)的基尼系數(shù)有升G的趨勢(shì)，即數(shù)據(jù)集被少數(shù) Top 機(jī)構(gòu)或特定數(shù) 據(jù)庫(kù)掌控的集中有所增加。