國內各行業(yè)數據資源豐富，2021-2026 年數據量規(guī)模 CAGR G于，數據主要來源于政 府/傳媒/服務/零售等行業(yè)。據 IDC，2021-2026 年數據量規(guī)模將由 18.51ZB 增長至 56.16ZB，CAGR 達到 24.9%，G于平均 CAGR。從數據來源看，國內各行業(yè)數據差 異化發(fā)展，2021 年政府、傳媒、專業(yè)服務、零售等行業(yè)數據量占比較G，分別為 30.4%、 13.4%、13.0%、9.6%，其中接近 90%的數據為非結構化數據，這也要求了海量數據采集 設備和軟件的互聯互通以及互動互控。另外隨著智能化轉型的深入，制造、交通運輸、批 發(fā)、教育等行業(yè)數據規(guī)模在未來也擁有較大的增長潛力，2021-2026 年數據量增長 CAGR 將分別達到 37.6%、36.1%、37.1%、34.0%。

盡管國內數據資源豐富，但由于數據挖掘不足，數據無法自由在市場上流通等現狀，出色 中文出色數據集仍然稀缺。目前中文出色數據仍然稀缺，如 ChatGPT 訓練數據中中文資料 比重不足千分之一，為 0.0991%，而英文資料占比超過 92.6%。據加利福尼亞大學和 Google 研究機構發(fā)現，機器學習和自然語言處理模型使用的數據集 50%由 12 家 Top 機構提供， 其中 10 家為美國機構，1 家為德國機構，僅 1 家機構來自，為香港中文大學。值得一 提的是，數據集與數據機構的基尼系數有升G的趨勢，即數據集被少數 Top 機構或特定數 據庫掌控的集中有所增加。