📰 概要

2026年4月发布的数据显示，2025年我国用于人工智能训练和推理的数据总量达到199.48EB，同比增长42.86%。

作为参考，1EB等于10亿GB。199.48EB的数据量相当于约2亿部4K电影的存储需求。数据量快增长的速度比算力还快——高质数据的稀缺正成为行业瓶颈。

---

🔍 解读

42.86%的同比增长率背后是AI行业对数据的无限渴求。模型参数从百亿到万亿，每代新模型需要的数据量都在翻倍增长。

但问题在于：高质数据的增速跟不上模型扩张的速度。互联网上的文本数据几乎被"挖完"了。合成数据、私域数据、多模态数据成为新的增长点。

同时，2025年全年词元调用量约21100万亿。训练端和推理端都在狂飙，数据供应链正从IT问题变成战略问题。

---

💎 深挖

数据的结构性变化比总量增长更值得关注。199.48EB中，文本数据占比在下降，图像和视频数据占比在快速上升。多模态模型的普及是核心驱动力。

什么情况不建议用大规模数据堆砌模型？如果你的场景是小模型垂直应用，高质量的小数据集比大而全的通用数据更有效。数据质量永远比数据量更重要。

另一个趋势是数据合成。大模型自生成数据训练小模型，正在成为标准做法。2025年合成数据在所有训练数据中的占比已经超过30%。

数据治理的挑战也在加大。海量数据意味着更高的存储成本、清洗成本、合规成本。AI数据的"大而不精"问题正在从技术问题变成管理问题。

2026年4月发布的数据为行业提供了一个参照基准：199.48EB不是终点，而是新起点。