多模态数据融合通过将多源、多模态的数据互相融合，形成可以被挖掘分析的数据集，使企业数据可以被分析和利用，从而充分释放数据价值——这是数据加工环节的最后一个步骤。但这一过程在实践中存在若干不确定性：数据源质量参差不齐、跨模态融合效果波动、数据安全合规约束，以及平台功能集成与落地进度差异，都会影响数据要素价值兑现的稳定性。同时，数据加工各环节整体较为成熟、技术难度不大，多数数据运营商可以自主完成，不确定性更多集中在融合效果与合规落地层面。

不确定性主要来自哪里

  • 数据质量与加工基础：数据清洗用于校验数据、删除重复信息并纠正错误，以提升数据质量；数据标注以人工方式为图片、语音、文本、视频打上特征标签，提高数据可用性。这些环节的完成度直接决定后续融合的输入质量。
  • 跨模态融合效果波动：数据融合面向多源、多模态数据，融合结果能否稳定形成可被挖掘分析的数据集，受数据来源与模态差异影响。
  • 合规与安全约束：数据审核主要针对非结构化数据中涉及色情、反动、欺诈之类的非法内容，一般采取机器与人工审核的双重过滤。合规口径的变化会直接影响数据可用范围。
  • 平台能力落地进度：目前不同数据管理平台都开始在平台中集成多源异构数据融合和多模态数据挖掘功能，集成深度与落地节奏存在差异。

产业链上的相关参与者

在数据加工与分析环节，第三方服务商构成重要支撑。海天瑞声为AI产业链上的各类机构提供算法模型训练所需的专业数据集，通过设计数据集结构、组织数据采集并加工原料数据，最终以软件形式向客户交付，其训练数据涵盖智能语音、计算机视觉、自然语言等核心领域，服务于人机交互、智能家居、智能驾驶等应用场景。

数据分析环节的代表性公司拓尔思，专注于自然语言处理（NLP），拥有自主研发的大数据基础平台和TRS人工智能平台，具备数据获取、数据检索、数据分析等数据挖掘能力。

常见问题

多模态数据融合的主要风险点是什么？

主要包括数据源质量参差、跨模态融合效果波动、数据安全合规约束，以及平台功能集成的落地进度差异。这些因素共同影响融合后数据集的可挖掘性与可用性。

数据加工环节的技术难度高吗？

数据清洗、标注、审核、融合等环节整体较为成熟，技术难度不大，很多数据运营商可以自主进行。相对而言，为人工智能提供训练数据的标注环节技术门槛更高，部分数据运营商会选择外包。

企业应如何理解数据融合的不确定性？

数据融合是把多源、多模态数据整合为可分析数据集的技术过程，其价值释放依赖前序加工质量与合规边界。企业宜将不确定性视为过程管理问题，在数据清洗、标注、审核各环节保留可追溯的质量与合规记录。