本文仅梳理产业动态，不涉及任何个股推荐，亦不构成买卖依据。

10月20日，国家数据集团有限公司在河北雄安新区成立。

据新华网，这家新央企以数据资源开发利用为主业，定位涉及数据要素服务、数据基础设施互联互通、国家数据科技创新三个方向，其中一个具体任务是：为人工智能产业提供高质量数据集和语料库。

先说数据跟土地、资本有什么不一样。

土地给出去，你就没了。数据不一样，我给你一份，我自己那份还在。它可以无限复制，而且复制成本几乎为零。

这就带来一个麻烦：所谓卖数据，实际上不是转移所有权，是授权使用。授权出去之后，对方拿它复制了几份、转给了谁，很难盯住。

结果是谁都不敢轻易拿出来。手里有数据的，宁可自己存着。数据孤岛就是这么来的。

数据二十条把这件事拆成了三权：数据资源持有权、数据加工使用权、数据产品经营权，分开配置。但权属怎么界定、价值怎么算、收益怎么分，一直是实操里最绕的部分。

据国家数据专家咨询委员会委员张向宏在公开场合的表述，国家级数据资源运营主体的职责涉及开发、整合和运营，推动数据跨行业、跨区域流动与共享，有助于破除数据孤岛。

另一头，AI把这事催得更急。

大模型要训练，得喂语料。中文语料的家底，比很多人想的薄。

据求是网引阿里研究院相关白皮书，全球网站内容里英文占比约59.8%，中文仅约1.3%。大模型训练常用的Common Crawl网页语料库里，中文占比约4.8%。

据求是网，中文百科全书、科技图书、学术期刊、辞典这类高知识密度的语料，在现有中文语料库里几乎难觅踪迹。

而书恰恰是最干净的数据。出版的书经过三审三校，内容准确、行文规范。据公开研讨中的表述，预训练阶段出版物主要被当作高质量文本来源；到了后训练和智能体阶段，出版物则可能成为模型判断、引用、推理和拒答的依据。

听起来，手握内容的出版和媒体机构应该很从容。

但行业内部的说法没这么乐观。

据中国新闻出版广电报的公开研讨记录，有出版社负责人直言：大多数出版社只有出版权，著作权还在作者手里，合同有效期短，这是做数据集的一大困境。另有语言类出版社提到，涉及作者、译者、引进机构多重版权，确权成本极高。

2026年5月，中国大百科全书出版社等22家出版、传媒、版权和科技领域单位联合发布倡议书，倡导先授权、后使用，打造可确权、可商用的权威正版语料库。

国内这几家，公开材料里的落点各不相同。

中国科传做的是图书出版、期刊、出版物进口及知识服务。据2026年半年报，公司营收中出版物进口约占四成九、图书类约占三成八、期刊类约占一成；报告期内新增知识服务业务布局，涉及多个数字化平台。

中文在线做的是数字内容与AI数据服务。据公司2026年半年报，公司坚持先授权、后传播，沉淀了超过600TB的高质量多模态数据资产，具备全场景训练语料采集、多模态及高难定制数据加工与全流程交付能力，已与国内多家头部科技企业、央企及国企建立合作。

人民网做的是新闻媒体与信息服务。据公开披露，业务涉及新闻内容生产与传播、信息服务等方向。

新华网做的是网络新闻与信息服务。据公开披露，业务涉及新闻信息传播、技术服务等方向。

看完这些，我有一个挺深的观察：数据要素这事的难点，不在有没有数据，在敢不敢拿出来、能不能证明是自己的。

可复制这个特性，让数据在法律上和技术上都很难像实物资产一样交割。三权分置是解法的一部分，国家级运营主体是另一部分，但真正卡在最后一公里的，是每一本书、每一篇稿子背后那一串权利人的授权链。这条链理不顺，语料供给就上不去。

风险提示
公司定期报告、公司官网及公开报道。文中公司名称仅为叙述所需，不构成推荐，本文亦不构成证券研究报告或投资咨询意见。市场有风险，投资需谨慎。