在XX科技公司干部大会上的讲话：认清大势、直面变局、主动求变

在XX科技公司干部大会上的讲话：认清大势、直面变局、主动求变

人力资源有限公司总经理

同志们：

今天召开这次干部会议，是个非常重要的会议。重要性体现在两个方面：一是数据标注行业正处在深刻变革的关键节点，XX科技公司要走向新的发展生态、确立新的战略方向，今天的会议就是我们的动员会；二是今天也标志着我们中层管理干部竞聘上岗正式完成，新的中坚力量已经就位，这代表着我们以后的发展有了更朝气的队伍支撑，是公司踏上新征程的转折点。基于这两个背景，结合我近期赴贵阳参加2026中国国际数据产业博览会的所见所思，以及XX刚刚获批国家数据标注能源化工先行先试城市的重大机遇，和大家交流思路、任务和我们的行动方向。

下面，我讲四个方面的内容。

一、认清大势：人工智能发展的历史与演变

当前我们讨论的所有产业变革，都离不开人工智能这一最大变量。要理解我们的数据标注业务，就必须看懂人工智能的整体脉络。

人工智能并不是一个新概念。早在1956年，达特茅斯会议上就正式提出了人工智能这个学科。此后的几十年里，AI的发展经历了三起两落。早期探索主要沿着三个技术流派在推进：符号主义、行为主义和连接主义，各自代表了不同的思路，但始终没有取得实质性突破。瓶颈就在于没有足够的算力支撑大规模“预训练”算法，也缺乏足够的算力去支撑大规模训练。

第一次崛起在六七十年代，后来因为算力和数据跟不上陷入了低谷。第二次崛起在八九十年代，专家系统一度火热，但同样因为无法规模化落地而退潮。直到2012年深度学习的突破，才真正打开了第三次崛起的局面。而这次崛起真正的标志性事件，是ChatGPT的发布，大模型第一次让普通大众直观感受到了人工智能的能力。2024年之后，AI才真正走进了大众视野，成为全社会关注的焦点。在此之前，AI更多是圈内人讨论的事，普通人不关心、也不理解。

这次数博会上有一个清晰的判断：大模型的本质就是人造神经网络，它依靠海量数据进行“词元”化切分和训练，进而实现语言理解和业务自动化。词元是计算机内部最小的编码单元，大模型就是靠海量词元完成训练的。从AlphaGo通过棋谱数据训练实现围棋智能化，到今天的大语言模型能写文章、编代码，底层逻辑完全一致，数据，就是AI时代的石油和电力。

我国早已将数据确立为继土地、劳动力、资本、技术之后的第五大生产要素，2026年更是国家数据局确定的“数据要素价值释放年”。这意味着，数据不再只是信息化的副产品，而是驱动整个数字经济运转的核心引擎。谁掌握了高质量数据，谁就掌握了AI竞争的主动权。我们做数据标注的，正是站在数据从原始资源到生产要素这一转化环节的最前沿。

二、直面变局：数据标注产业的演进历程与现状

数据标注作为AI产业链的底层基石，其自身也在经历剧烈洗牌。很多人对数据标注的印象还停留在“给图片拉框、把录音转成文字”，这种认识已经严重滞后了。

要理解现在的变局，就要搞清楚三个问题：为什么干、干什么、怎么干。

（一）为什么干——数据标注为什么要转型

数据标注产业的转型，来自三个层面的深刻变化。

第一，技术逻辑变了。以前大家做的是预训练，需要海量通用数据“喂”给大模型，让它具备基础认知能力。那时候标注以人工为主，任务量大、门槛低。但现在大模型进入后训练阶段，需要通过强化学习、人类反馈对齐等专业手段对模型输出进行精细化调校。本届数博会上的信息显示，为大模型服务的后训练、预标注后训练的需求增幅非常快，五倍、十倍甚至二十倍的增长。

第二，业务方向变了。数据标注正在从大语言模型向多模态模型转变。以前主要是标文字、标图像，现在要标视频、标3D点云、标传感器融合数据。从行业需求看，原来以通识类标注为主，现在需要更多有专业经验、有技术创新能力的标注。标注方式从众包平台接单，逐步变成需要专家深度参与的人机协同模式。

第三，行业阶段变了。产业经历了三个阶段递进。第一是众包期，以人为主、劳动密集，谁都能干。第二是技术替代期，自动标注和预标注技术成熟，从以人为主转变为人机协同，用工量大幅缩减。第三是专业升级期，也就是现在所处的阶段，专家深度参与成为核心要求。产业正从劳动密集型向知识密集型和技术密集型转变，这是大势所趋，我们必须做好充分的思想准备和战略准备。

（二）干什么——数据标注面临的核心任务，叫“三促三专”

“三促”，指的是：促科技创新、促要素供给、促产业发展。这是国家对先行先试城市提出的总体要求。

“三专”，指的是三个具体抓手。

第一是专项工程。XXX被国家定位为能源化工领域唯一的先行先试点，那我们就要围绕煤炭、化工这个垂直领域，建设专项的数据标注平台，开发通用的高质量数据集，提供真实的场景数据支撑。这不是建几个园区、引几家企业、投多少钱就能交差的，要拿出实实在在的专项成果。

第二是专家网络。以后的标注工作，不是只有我们自己的专家在做。要形成跨区域的专家协同网络，可以有XX集团的专家，也可以有XX能源的专家，不同领域、不同方向的专家协同作战，形成合力。

第三个是专项机制。要用专门的政策、专门的资金、专门的考核机制来保障数据标注先行先试工作落地。

（三）怎么干——数据标注如何实现转型

具体路径，要从两个维度推进。

一是打造自动化标注共性平台。要构建科学规范的标注评测体系，推动行业标注技术在真实场景中发挥作用。平台要具备预标注、自动质检、数据安全管控等功能，形成“模型预标注+专家精准校准”的人机协同作业模式。

二是解决数据集供给问题。按照国家标准推进高质量数据集建设，聚焦行业痛点，开展精准供给，提升规范化供给水平。不是说有多少人做了多少数据集就行，关键是你做的东西能给大模型补上什么能力。

这就对数据标注企业提出了全新要求。普通的“标图像、标文本”已经行不通了，未来要转向“标管理、标思维、标程序”。通俗讲，以前我们AI“这是什么”，现在要教AI“该怎么思考、怎么决策”。企业必须具备真实场景的数据积累、行业专家的参与标注和质检、以及具备实际平台的技术支撑，这三个门槛，把绝大多数传统标注公司挡在了门外。

三、把握机遇：贵阳数博会XXX的荣誉成绩与XX科技的战略定位

这次参加贵阳数博会，我最大的收获，是亲身见证了XXX数据标注产业获得国家层面战略性认可的时刻。全国新增32个数据标注先行先试城市，基本都是省会城市或区域中心城市，XXX作为XX省唯一入选城市位列其中。更关键的是，全国九大领域布局中，XXX被确定为能源化工领域唯一的先行先试点。其他八个领域基本覆盖了制造、医疗、交通、航空航天等方向，而能源化工这个重资产、高价值、场景复杂的赛道，国家把这个试点给了XXX。

获批这个试点城市，对我们意味着什么？我讲两个直接影响。

一是试点任务机遇难得。试点城市不是挂个名就完了，国家布局先行先试，就是要推动重点领域取得实质性突破。从第一批试点情况看，各城市拿到任务书后都要围绕自身定位，在建基地、育企业、定目标等方面拿出具体动作。XXX作为能源化工领域唯一的试点，市里前期已经做了大量争取工作，市委书记带队拜访国家数据局时，专门汇报了建设全国能源化工领域数据标注中心、创建数据标注产业创新试验区的总体思路，国家部委也明确表态要“紧扣XXX发展所需，加强工作衔接、加大支持力度”。市领导也到集团专题调研，明确以集团为龙头牵引，把产业优势转化为垂类发展优势，全力打造标杆示范。这意味着，能源化工领域高质量数据集建设、行业大模型训练等任务，XXX去争取承接是有先发优势的。这个窗口期，我们不去接，别人就会抢。承接还是我们有没有能力接得住，我们得去拼。

二是政策补贴力度空前。国家新出台的关于高质量数据集建设的补贴政策，力度远超以往。常规财政补贴一般在10%到20%之间，这次直接翻倍。这个政策可能很快就要开始施行了。窗口期就在眼前，错过了便不再有。

对XX科技而言，这是战略性的窗口期。但我们也要认识到，机遇不是坐等分果，而是要凭真本事去承接。国家选的是XXX这个城市，看重的就是我们XX和高质量数据集这个先行试点，把这个责任扛起来。

四、主动求变：XX科技的战略调整与行动要求

当下，要对XX科技进行系统性调整，从业务布局到人才梯队，进行系统性调整。

（一）发展方向要明确

我们的核心战略方向要更加清晰——立足能源化工垂直领域，打造“行业数据+专家知识+智能平台”三位一体的数据服务能力。不跟风做通用标注的红海竞争，而是深耕我们的主场，服务好集团内部的能源化工海量资料，满足数字化转型需求，把内部场景吃透，把标杆项目做亮，形成可复制的行业标准和解决方案，再向外输出能力。

具体来说，要瞄准两个方向。

一是从预训练向训练后转变。以前预训练阶段，市面上公开的语言类数据集基本拆完了，能力形式的预训练已经饱和。现在标注的思维要变——这个模型到这儿了，它为什么这样干？为什么采取这个措施？从问答式大模型变成一种操作和思维能力，标的是决策逻辑。第二个方向是标编程、标程序怎么编写，标的是地方为什么这么编这个逻辑。要思维链数据和专家行为数据，是大模型企业最缺的。预训练是培养“通才”，后训练是培养“专家”。未来的方向是从类数据转向实训服务，从预训练转向训练与评测环节的数据服务生态。

二是具身智能的数据标注要提前布局。具身智能已经写入了政府工作报告。以前是示范展示为主，以后要往实景实训、产教融合转变，能不能解决煤矿的问题、医院的问题、进家庭、政务的发展方向，不是合成数据的问题，煤矿、化工、医院、家庭的真实场景数据，是合成数据的，这些最稀缺。

这里给大家讲一下数据的通用金字塔，第一层是人类行为数据，比如消费习惯、行为偏好；第二层仿真合成数据；第三层为模拟采集数据；第五层真机采集数据，即我们目前采集设备在真实环境里采集的数据，第三层往上基本涉及不到，仿真合成、数据蒸馏等技术我们压根不会，这就是差距。下一步，数据公司的价值就两个：真实数据和行业专家。往哪个方向走，心中要有路线图。

（二）人才能力要重构

对管理人员及骨干人员的培养要抓紧，要常态化。大家要有危机感，更要有责任意识。

这里要和大家讲清楚一个现实问题：在座的各位对人工智能的基本概念，数据平台分别是什么，大模型层面机器学习的基本原理是什么，监督学习、无监督学习、强化学习三者的区别和应用场景；再往深一步，决策树、神经网络、卷积神经网络、循环神经网络这些技术方法的基本逻辑，如果以上都不清楚，基础概念不清楚，研发也不清楚，工作就没有办法推进。对这些基础概念缺乏认知，还从事数据标注业务，是不现实的。

当前的业务需求，已经从“会拉框”转向“懂行业、懂模型、懂质量管控”。如果技能还停留在画框、标点、做3D点云分割这个层面，正在被淘汰。现在还勉强能挣一份辛苦钱，再过一两年连这份辛苦钱可能都挣不到了。学AI基础理论，理解大模型训练逻辑，学垂类行业知识，深入能源化工场景，学智能化标注平台操作和流程管理。同时要加快建设高质量、标准化人才队伍培养体系，实践结合和考核机制，明确每个层级的角色定位，培养不同阶段的培养要求、实践周期和考核机制，明确三年的目标，细化各阶段的培养要求。

人力资源部要拿出系统培训方案，要有月度常态化学习机制。人力资源部不能等靠要，每个人都要有本领恐慌的紧迫感。

（三）业务技术要升级

与垂类大模型企业深度绑定，不能像以前一样做一锤子买卖，要针对性地与垂类大模型企业深度绑定，不能出现“做一锤子、做一次模型”的标注任务，数据集做数据的“三张皮现象”。必须一体化推进，用真实的场景数据、专业的专家团队、智能化的标注平台，和头部大模型企业形成长期合作关系，做中长期的、稳定的、可迭代的业务，才能形成真正的竞争力。

技术平台上，要尽快搭建或引进适配垂类标注的智能化平台，具备预标注、自动质检、数据安全管控等功能。技术部门要对“模型预标注+专家精准校准”的人机协同作业模式开发，从根本上摆脱低效纯人工模式。

（四）资源优势要到位

我们的资源优势是背后有集团，集团拥有真实的、海量的工业生产数据，有深耕行业数十年的技术专家队伍，还有丰富的应用场景，这是任何外部技术公司花再多钱也买不来的核心资产。内部要建立常态化技术协同机制，主动深入各生产单位挖掘数据需求，把沉睡的数据资源激活、转化为高质量数据集。

（五）内部管理要从严

我们当前内部管理中还存在一些突出问题。一是执行力不强，不能严格按制度、根据指令落实。二是人员底数不清，程序、人员、资质、培训、能力素质、工作进度、人力资源管理不清楚，考核结果不清晰。这些问题严重损害了人力资源管理的严肃性，也影响了公司的形象和战斗力。各部门要对照这些问题立即整改，严格规范招聘流程，摸清人员底数，明确培训标准和考核办法，把基础管理工作做扎实做细。

同志们，行业变革的浪潮不会等任何人。普通标注的红利已经结束，但垂类专业标注的赛道才刚刚开启。我们XX科技公司背靠集团，扎根XXX，手握国家试点牌照，面向能源化工这万亿产业市场，天时、地利、人和，该有的都有了。剩下的，就只能靠我们自己去干、去拼、去改变。希望大家把认识统一到今天的会议精神上来，把行动落实到具体工作中去，不等不靠，主动作为，在行业重构的关键节点上，蹚出属于XX科技的一条路来。