
大数据产业顶层规划出炉 如何实现
数据产业发展顶层规划也给出了明确的“创新导向”:计划在未来5至10年打造精准治理、多方协作的社会治理新模式,建立运行平稳、安全高效的经济运行新机制,构建以人为本、惠及全民的民生服务新体系,开启大众创业、万众创新的创新驱动新格局,培育高端智能、新兴繁荣的产业发展新生态。
纲要的出炉也被认为是我国继“互联网+”行动后,进一步从顶层规划上明晰大数据、云计算、移动互联、人工智能等前沿技术发展规划。
用友网络董事长王文京认为,移动互联网、云计算、大数据等正成为社会发展、经济增长的重要驱动,数据资产也成为人类社会继财富资产、人力资产等之后的“第四种资产”,其重要性不言而喻。
中国科学院院士、北京大学教授鄂维南认为,大数据正改变着实体经济与产业格局。例如,基于大数据的计算广告学改变了传统广告行业;一些企业正深入研究非结构化数据处理,以改变传统产业。
聚焦人才培养
各界人士认为,大数据作为新的计算方式,其对产业、实体经济的影响将极其深远。然而,以产业需求为导向的创新研发亟待提升,国内“数据人才”培养也需要进一步优化,以适应市场需求。
首先,以产业需求为导向,成果及时落地转化,企业主体创新力量须得到调动。
“在中国,数据科学发展的很多研究源于市场需求。比如,监控视频处理就是很重要的应用场景。如何让电脑对图像数据进行突破,可以智能判断,这就是很好的大数据科研突破口。”鄂维南说,尽管目前国内大数据产业发展很快,但也存在着缺乏以市场需求为导向的创新突破等问题。
各方认为,唯有释放企业的创新活力,才能推动大数据关键领域取得突破,促进大数据科研成果转化为实际成果。
其次,符合市场需求的人才培养应得到重视。
北京大学校长林建华认为,进入数据时代,人们对获取、存储、分析、处理数据的能力亟待提升。因此,数据科学人才培养成为急需加强的方面。“可以看到产业内很多大企业用非常大的资源,争取学术界数据人才,各方面拉人才。可以说,大数据能否做成,关键在能不能聚焦人才培养。”
而高校和产业界普遍认为,当前对大数据人才的培养仍相对滞后。北京航空航天大学软件学院院长孙伟认为,传统IT教育很难将前沿技术和课堂传授知识结合起来,培养人才很难及时与产业接轨。高校创新人才培养应更加面向市场需求、技术前沿。
以新模式助大数据产业突破
分析认为,国内产业界对数据科学的前沿探索已经加速推进,部分高校也开始了“数据科学家”的培养。在此背景下,我国应进一步打通壁垒,以新模式探索产学研用结合,培育数据人才、助推以市场为导向的数据科学研究突破,促进产业加速发展。
调查发现,以北京中关村为例,大数据已经在商业、金融、交通、医疗、教育等行业示范应用,100多家大数据创新企业从不同领域深植数据资源。
同时,北京航空航天大学、浙江大学等高校与阿里云、慧科教育达成合作,计划3年内培养和认证5万名云计算和数据科学工作者。这些为数据人才培养提供产业与教育基础。
模式的探索已现雏形。北京中关村管委会、海淀区政府、北京大学和北京工业大学等四方启动“北京大数据研究院”,启动建立大数据高精尖创新中心,推动人才培养和科研突破;并成立股份制技术成果转化中心,围绕热点领域产业需求,推动关键共性技术研发、行业大数据分析、成果转化等。
鄂维南透露,研究院将主要聚焦包括交通大数据、金融大数据、移动互联网大数据、医疗大数据等方面,整合分析资源,支撑决策与产业发展。计划一到两年内,研究院将建立数据金融、医疗健康、交通数据、智慧城市、能源环境和气象等分中心,涉及数据与生物、化学、天体、神经科学等学科的交叉研究。
各界认为,这种灵活的产学研结合机制将成为推动大数据快速发展的有效手段。
王文京说,创新机制将有助于创新人才及时对接市场需求,让大数据切实影响改变产业现状
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09