别的城市先不说，这39个城市的高校还在等什么？

政策方向已经写得很明确

国家数据局今年6月发布的《关于推进行业高质量数据集建设行动的实施方案》（国数科基〔2026〕25号），方向已经写得非常明确。

数据标注是将知识和经验注入到训练数据的过程，是行业高质量数据集建设不可或缺的关键环节。引导数据标注从“以人为主”向“人机协同、专家深度参与”的多层次标注模式转变，推动数据标注向专业化、智能化跃升。

推动数据标注转型升级。 加强数据标注领域科技创新，强化自动化工具和平台的研发与应用，发展“模型预标注+人工校准”“人工标注+模型检验”“模型预标注+模型检验”等智能化标注服务，全面提升数据标注水平。发展专家型数据标注服务，建立行业专家认证机制，推动专家深度参与指令微调、强化学习等阶段所需的专业知识标注，生产领域知识、逻辑推理等高质量数据集，提高数据集的知识密度与专业价值。

持续推动数据标注先行先试。 指导首批七个承担数据标注先行先试任务的城市，持续做强做深数据标注产业。面向创新能力强、发展基础好、产业特色优的地区，梯次布局一批数据标注创新试验区。有序引导具备条件的地区因地制宜开展试验区建设，促进数据标注产业链上下游紧密协同，形成产业集聚效应。培育一批数据标注龙头企业、独角兽企业、瞪羚企业，壮大数据标注产业。

扩大数据标注人才供给。 支持有条件的院校增设数据标注相关课程，依托产教融合、校企协同等方式，培育具备专业知识的数据标注人才。鼓励开展数据标注职业技能等级认定，强化继续教育与在职培训，畅通人才发展通道。完善分层分类人才评价体系，建设专职与兼职相结合的专业标注人才队伍。鼓励高校毕业生等群体参与标注工作，通过灵活就业、项目协作、多元岗位供给等方式，扩展就业渠道。

最后这段话，已经把高校的角色说透了。

国家要扩的不是低成本人工产能

政策指向的核心，不是扩大低成本人工产能，而是扩大AI时代的数据生产能力。这两者完全不是一回事。

今天行业真正的矛盾是：低端数据正在过剩，高价值数据仍然不够。

以前数据标注就是拉框。一张图，圈出物体，打上标签，结束了。这种工作门槛低，培训几天就能上手，谁都能做。但现在不是了。

现在的数据标注，至少分三类。

第一类是通用数据标注。 图像拉框、文本分类、语音转写。这类工作正在被自动化工具替代，模型预标注加上人工校准，效率比纯人工高得多。低端产能过剩，说的就是这一类。

第二类是行业专业数据标注。 医疗影像需要懂临床的人参与，工业数据需要懂生产工艺的人判断，自动驾驶遇到复杂路况需要懂交通规则的人分析。这类数据，不是会操作软件就能做的。

第三类是具身智能和Agent数据。 机器人的动作轨迹、力觉反馈、操作流程，智能体的任务规划、工具调用、多步推理。这类数据采集和标注，需要同时理解技术逻辑和业务场景。

以数据服务商海天瑞声为例，公司在数据标注领域的战略正在经历一场从“劳动密集型”向“技术密集+知识密集型”的系统性转型。

一、标注方式变了：人机协同，但“人”的角色完全不同了

海天瑞声目前的生产模式按场景动态浮动：完全人工标注占10%—30%，人机协同占50%—70%。

但“人机协同”不是简单地把人当机器的辅助。实际作业中，系统会同时调用2—3个不同的预训练模型独立输出标签，然后交叉比对。模型之间有分歧的、置信度低的、识别明显偏差的样本，才交给人工校准；其余没争议的样本直接免检。

这意味着标注员的工作内容发生了根本变化：他不再是“从零开始打标签”，而是审查机器哪里标错了、为什么错了。能不能看出模型的错误，取决于他懂不懂这个行业。

另一个模式是“人工标注+模型检验” ，专门用于医疗影像、金融文本、法律文书这类高知识密度、强合规约束的赛道。流程是先由专业专家完成带判断的基础标注，再由AI模型做后置的一致性核查，自动捕捉错标、漏标、逻辑异常等问题。

二、人才结构变了：不是招标注员，是招“懂行的人”

海天瑞声的专家团队覆盖代码、STEM、金融、医疗、法律等领域，汇聚了超过50,000名各领域专家，覆盖30多个专业领域、200多种语言。

这些人不是坐在流水线上的标注工人。他们的价值在于能做出机器做不了的判断。比如在法律场景下，模型给出两个回答：A引用了真实法条但语言生硬，B引用了根本不存在的法条但说得流畅、逻辑看似严密。不懂法律的人很可能被B的“流畅感”骗过去，但懂法律的人一眼就能识别出B引用的法条是幻觉，这是严重错误。再比如医疗影像，标注员要判断肿瘤的生长点在哪里、边界怎么画，这需要的放射科医生的专业能力，不是“会点鼠标”就能干的。

海天瑞声对此的定位很清楚：这不是廉价劳动，而是技术性极强的知识岗位。

三、数据对象拓展了：从语音图像到具身智能

具身智能数据是海天瑞声当前最具差异化的布局。公司已在北京运营首个具身智能数据训练场，依托100多台机器人实现数据产出，定位为“具身智能行业的数据富士康”，机器人公司聚焦算法和本体研发，数据采集和标注交给海天瑞声。

在数据分类上，他们把具身数据分为三类：真机数据、UMI数据、第一人称视角数据。真机数据因硬件本体不统一，很难直接跨机器人共用；而UMI和第一人称视角数据不绑定具体机器人的关节参数和运动学模型，采集的是“操作过程”本身，理论上可以被不同机器人学习和泛化。公司的策略是用第一人称视角和UMI数据做预训练，用真机数据做精调。

海天瑞声在数据标注领域的战略，本质上是在回答一个问题：当模型越来越聪明、简单标注越来越不值钱的时候，数据标注公司靠什么活？他们的答案是：不再靠“人多手快”拼规模，而是靠“懂行的专家+会干活的AI”拼质量。

39个城市清单

首批7个数据标注基地建设试点城市（2024年5月公布） ：四川成都、辽宁沈阳、安徽合肥、湖南长沙、海南海口、河北保定、山西大同。

第二批32个数据标注先行先试城市（2026年8月公布） ，聚焦医疗健康、具身智能、智慧交通、工业制造、智慧农业、智慧能源、航空航天、生物医药、先进材料、科学研究等10个重点行业领域。目前可确认入选的城市（地区）包括：

医疗健康方向：辽宁大连、上海徐汇区、浙江温州（临床诊治方向唯一试点）、山东济南、广东广州。

智慧农业方向：青海西宁（高原农牧业）。

智慧能源方向：黑龙江大庆（油气特色赛道）。

这39个城市的分布，不是撒胡椒面。每一个城市都对应着一个明确的垂直领域，每一个垂直领域都对应着一批需要专业背景的标注岗位。

看到这份名单，可能有人会问：我们学校不在39个城市里，这件事跟我们有什么关系？

关系依然很大。

第一，39个城市是“先行先试”，不是“只做这39个”。政策文件的原话是“梯次布局一批数据标注创新试验区”，这意味着先行先试之后，会有更多城市跟进。今天不在名单里，不代表明天不在。

第二，数据标注产业是跨区域协作的。一个高校即使不在先行城市，也可以和先行城市的数据标注企业建立合作关系，承接远程的数据标注项目。地理位置不是限制，关键是学校有没有专业能力和对接意愿。

第三，全国所有高校都面临同一个问题：AI数据人才的培养。39个城市只是政策先行的锚点，但人才需求是全国性的。哪怕学校不在名单里，如果学校有医疗、工业、交通等学科背景，同样可以培养数据标注方向的人才。海天瑞声这些企业的业务覆盖全国，它们需要的是有专业背景的学生，不是只在特定城市的学生。

所以，不管学校在不在39个城市里，要回答的问题是一样的：高校的产教融合，该怎么接住数据标注产业升级的机会？

一些高校已经在行动了

今元集团与西南财经大学天府学院的高端数据标注产学研基地。 2026年6月18日，今元集团与西南财经大学天府学院高端数据标注产学研合作基地正式揭牌。今元集团是“人力+数据”双驱动一体化行业服务平台，在全国布局近200家分子公司、400余个服务网点，深度布局AI BPO赛道，打造覆盖数据采集、多模态标注、数据治理、标准化数据集构建全链条服务体系。基地以产学研为载体，探索区域数据标注专业化、智能化、体系化发展新路径，推动数据标注由传统劳动密集模式向人机协同、行业专家深度参与的知识密集型、技术密集型体系升级。

西宁城市职业技术学院的青海AI数据产业学院。 2026年7月15日，西宁市数据标注产业生态共建战略合作签约仪式暨青海AI数据产业学院揭牌活动在西宁城市职业技术学院举行。西宁城市职业技术学院与长沙谱蓝网络科技有限公司、西宁国勘数据科技有限公司、青海藏软信息技术有限公司四方签订战略合作框架协议，这是青海省首家专注数据标注赛道的产教融合载体。平台整合多方资源优势，构建起“联合培养、服务输出、就业创业”人才培育路径，同步搭建“企业接单、学校分包、统一质检、成果交付”市场化运营体系，帮助在校学生夯实专业功底、提升AI实操水平。

大庆的“市油共建”模式。 大庆入选第二批数据标注先行先试城市之后，联动东北石油大学开设数据标注、油气人工智能特色微专业，依托省级以上重点实验室，打造低成本算力底座，为数据标注和模型训练提供有力支撑。大庆的做法是破除行业、部门、校际壁垒，建立“市油共建”协同机制，整合油田企业、科研院所、高校、科技企业多方资源，聚焦智慧能源油气特色赛道发展，避开通用数据标注领域同质化竞争。

这些案例说明一件事：产教融合的质量可以很高。学生参与的是真实的数据集建设项目，使用的是企业级的标注平台和工具，交付的是经过行业标准验收的数据产品。

当然，我也听到一些学校的领导反馈说，学生参加过一些数据标注的实习实训后，退出的不少，觉得“low”。

问题不在学生，在实训本身。如果实训就是让学生坐在机房里拉框，确实“low”。但如果实训是让学生参与真实数据集建设、使用企业级平台、交付经过行业验收的数据产品，学生还会觉得“low”吗？关键在于学校和企业把什么样的任务交给学生。

高校的机会在哪里

政策文件里有一句话，值得高校反复读：“支持有条件的院校增设数据标注相关课程，依托产教融合、校企协同等方式，培育具备专业知识的数据标注人才。”

高校要做的不是培养“标注员”，是培养“AI数据专家”。标注员是把普通人培训几天就能上岗的岗位。AI数据专家需要同时具备三种能力：懂行业，懂数据，懂AI需要什么样的数据。

医疗影像标注，最好有懂临床的人参与。工业数据标注，需要懂生产工艺的人判断。自动驾驶遇到复杂路况，需要懂交通规则的人分析。具身智能数据采集，需要懂机器人操作和场景逻辑的人设计。

高校有学科，有专业，有行业背景的教师，有正在学习行业知识的学生。这些东西，恰恰是数据标注产业升级最需要的。

全国高校，尤其是39个城市的高校，应该主动对接数据标注企业，把学科优势转化为数据标注的人才优势。

第一，把数据标注嵌入专业课程。 不是单独开一门“数据标注课”，而是在医学影像、工业检测、交通工程等课程中，加入数据标注的实践环节。学生在学专业知识的同时，就在做真实的数据标注任务。
第二，和数据标注企业建立产教融合合作。 企业提供真实的数据标注项目，高校提供有专业背景的学生。学生在真实任务中理解“什么样的数据是好数据”，企业获得专业化的标注产能。

第三，探索职业技能等级认定。 政策明确鼓励开展数据标注职业技能等级认定。高校可以联合企业，开发针对不同行业的数据标注技能标准和认证体系。

这件事不能再等了

国家数据标注布局已经形成。政策方向明确，行业需求迫切，人才缺口巨大。

高校如果还在等，等来的不会是更好的时机，只会是更激烈的竞争。

数据标注不是低端劳动，它正在变成AI时代的数据生产基础设施。谁能培养出既懂行业又懂数据的AI数据专家，谁就能在这个新赛道上占住位置。

文章来源：国家数据局