将数据确立为新型生产要素，是习近平总书记深刻洞察全球科技变革大势作出的重大战略判断。随着“数据二十条”等国家级政策落地实施，我国数据产业快速发展，数据交易所相继成立，数据资产入表试点稳步推进，数据流通设施加速布局。数据产业发展中也逐渐浮现出一个值得关注的上游命题：数据从哪里来？有价值的数据是如何被“制造”出来的？数据不是自然存在的资源，而是被人类认知活动“制造”出来的产品。决定数据价值深度的核心维度之一，是数据中凝结的人类认知活动密度，即认知附加值。对这一维度的关注，可在数据产业的政策制定与商业发展中形成更均衡的视野。
一、“石油”隐喻之外：数据作为人类认知活动的凝结物
“数据是新时代的石油”这一隐喻在产业政策和商业叙事中被广泛使用，其有助于强调数据在数字与人工智能时代的战略价值，也让社会大众较快理解了数据要素的重要性。任何隐喻都有其适用范围，当借用“石油”来理解数据时，也需要注意到这一类比尚未完全覆盖数据的两个特征。
第一个特征是数据的来源。石油是自然形成的资源，人类的任务是勘探和开采。数据则不同。一条传感器的温度读数、一份实验记录、一篇调研报告，都不是自然界的直接产物，而是人类认知活动的结果：有人设计了传感器应该测量什么参数，有人制定了实验方案，有人走进了田野并写下了观察与感悟。没有这些前置的认知投入，数据不会自动产生。从这个意义上说，数据不是被“采集”的，而是被“制造”的。
第二个特征是数据的异质性。石油在很大程度上是同质的：一桶油的价值主要由其化学成分和市场供需关系决定。数据则存在显著的深度差异。一篇经过长期调研写成的深度访谈记录对比一条机器自动生成的日志，数据量可能相近，但所承载的信息价值可以相差甚远。这种差异不仅是量的差异，更是质的差异，是数据产生过程中所凝结的人类认知活动密度的差异。
基于上述两个特征，本文提出认知附加值的概念，其指的是数据在产生过程中凝结的人类认知活动（如观察、分析、判断、创造）的密度。高认知附加值的数据，意味着在其产生过程中，人投入了更多的思考、选择和洞察。
认知附加值这一概念在实际分析中可以从两个维度加以理解：静态维度，指数据产品本身所承载的知识密度与思想深度，一份调研报告比一条传感器读数蕴含更高的认知附加值，这是产品层面的质量差异；动态维度，指数据制造过程中人类认知活动的参与程度，深度访谈相比自动采集，凝结了更多的人类判断与共情。前者是产品视角，后者是生产过程视角，两者互相关联，但分析时各有侧重。
这一概念有助于理解不同类型数据的价值差异。在科研数据领域，高认知附加值体现为精心设计的实验方案、严格的变量控制和合理的对照设计。在工业数据领域，体现为基于工艺理解的特征工程、故障标注和工况分类。在语义数据领域，体现为深度调研、专业分析和原创性思想。即使在行为数据领域，经过知情同意、结构化处理和语境标注的数据，与未经处理的海量原始日志之间，也存在显著的价值梯度。
从这个视角来看，数据产业的本质更接近于“认知凝结业”。其价值链条的核心逻辑是认知投入、数据制造、价值凝结、流通使用。一个广泛部署传感器的智能工厂，如果没有工程师投入认知活动去理解工艺、设计标注方案、筛选关键特征，传感器产生的数据只是未经提炼的原始信号。同样，一个拥有海量文献数据库的平台，如果没有研究者进行深度阅读和分析，那些文本就只是孤立的字符序列，难以转化为进一步知识发现的坚实基础。
将数据确立为生产要素的深意，或许不仅在于承认数据可以交易和流通，更在于承认凝结在数据中的人类认知活动具有生产力价值。这一理解，为数据产业的价值坐标提供了一个更具纵深感的参照。
二、数据产业链的一个观察：下游扩展与上游关切
认知附加值这一概念，如果停留在理论界定层面，其意义终究有限，真正的分析价值在于帮助重新审视当前数据产业链条中的结构性特征。
近年来数据产业的政策着力点，较多分布于数据的流通和应用环节。数据交易所在探索挂牌、交易与定价机制，数据资产入表在推进中，数据流通基础设施被列为新基建重点方向。这些举措有效推动了产业的规模增长和市场活跃度。
作为一种产业发展的自然节奏，当下游的流通和应用快速扩展时，上游的供给端，即数据的制造和价值源头，可能会相对滞后地被关注到。这并非产业政策的疏失，而是任何新兴产业在快速成长期都可能出现的阶段性特征：当市场刚刚打开，首先需要解决“有没有”的问题；随着市场逐步成熟，才会逐步进入“好不好”的阶段。
如果站在当下时点向前看，一个值得关注的议题是：如何让高认知附加值的数据更多地进入流通体系。当前数据市场的价格信号，在一定程度上尚未充分反映数据的认知附加值差异。一篇凝结了深度调研与分析的报告，和一份机器批量生成的内容，在“数据量”的计量框架下可能被同等对待。这就可能导致一种现象：易于采集、易于复制但认知附加值较低的数据较容易进入流通，而真正凝结深厚认知投入的数据，反而因为缺乏即时的结构化表征和商业变现路径，未能充分参与市场循环。
可以借用一个概念来描述这种状态，即“数据半透膜”。回顾一下中学知识：半透膜是一种允许小分子自由通过、却将大分子截留在另一侧的选择性屏障。当前数据产业的流通机制中，似乎也存在类似的筛选效应：易于量化、格式规整、可被标准化定价的低认知附加值数据，如同小分子，较易穿过市场筛选机制进入流通和人工智能训练管道；而那些凝结了深度认知投入的数据，如实验设计的精巧逻辑、工艺优化的隐性经验、一线调研的鲜活洞察，则因其天然的“非结构化”属性，如同大分子，需要更精细的提炼和转化机制才能穿过同一层屏障。这种筛选并不反映数据的真实价值，恰恰相反，被截留的往往更具价值深度。
这好比一个庞大的食品加工产业体系：标准化原料可以大批量进入流水线，而需要精细采摘的优质食材则依赖更专门的供应链。问题不在标准化原料本身，而在于优质食材需要与之匹配的流通机制。
与此相关联的另一个值得留意的趋势是，人工智能技术的大规模应用正在改变数据制造过程中人的参与方式。当企业越来越多地用人工智能辅助生成分析报告，分析师投入深度调研的时间分配可能会发生变化。当研究者习惯用人工智能完成文献梳理，亲自深入材料、发现反常问题的训练机会可能相应减少。这并非一种需要“对抗”的趋势，而是一种需要“适应和调适”的新常态。关键在于找到人机协作的合适边界，人工智能可以承担大量重复性、模式化的工作，但那些需要深度认知投入的环节，如提出新假设、设计新方案、做出价值判断，仍然高度依赖于人的主动思考和经验积累。
如果用一个比较温和的表达来描述这种关注：当认知工作的“初稿”越来越多地由人工智能生成，人类角色从“创造者”部分转向“审校者”时，整个数据生态中认知附加值的平均密度可能会出现某种程度的下降。这不是一种必然，而是一种需要被关注的信号，需要在产业发展中注入相应的机制，以保持和激励人类的深度认知投入。
三、构建对“认知投入”更加友好的数据产业环境
基于上述观察，可以进一步思考：如何在数据产业制度设计中，更加自觉地关注数据制造的认知投入环节，使高认知附加值数据的生产和流通获得更充分的激励。
首先，可以考虑将“认知投入”视野纳入数据基础设施的概念框架。当前关于数据基础设施的讨论较多聚焦于硬件层面：数据中心、算力集群、传输网络、存储设备。这些物理基础的重要性不言而喻。与此同时，数据产业还有另一层值得重视的“软性基础设施”，即能够持续产生高认知附加值数据的人类认知能力。这层软性基础设施难以通过采购直接获得，需要长期的培育和制度性保障。一个可供参考的类比是：可以建设一流的印刷厂和图书物流网络，但如果没有人从事深度写作，整个出版产业也会面临内容供给的约束。在政策层面，这意味着数据基础设施建设的内涵或许可以从“硬基建”逐步拓展到“软基建”，将人才培养、知识生产激励、深度研究资助更有机地纳入数据产业的战略视野。
在操作层面，一个具体抓手是探索建立反映“认知附加值”的产业评估维度。现有的数据质量评价标准，如完整性、准确性、一致性、时效性等，解决的是数据“是否健康可用”的问题，而较少涉及数据“价值有多深”的维度。一个可供探索的方向是：在数据交易所的现行挂牌机制中，增设“认知投入指数”作为参考标签，由数据提供方自主申报并附佐证材料（如调研周期、样本设计说明、专家参与程度、领域覆盖广度等），为市场参与者提供额外的价值参考维度。初期可设为非强制性的补充信息，重在引导市场形成对高认知附加值数据产品的识别能力，待条件成熟后再探索与定价机制的柔性衔接。这一建议的技术细节当然需要进一步研究，但其所指向的方向是明确的：从主要关注“数据产量”转向同时关注“认知投入”，鼓励和支持高认知附加值数据产品的开发和流通。
在产业链层面，可以进一步重视上游“数据制造”环节，将科研人员、工程师、专业分析师更明确地纳入数据产业的“生产者”范畴。目前认知工作者在数据产业中的身份还相对模糊。他们生产了数据，却较少被视为数据产业的主体参与者；他们的认知劳动创造了数据的核心价值，却尚未从数据的后续流通和应用中获得清晰对应的回报。为此，可以在科研资助体系中探索要求项目结项时产出可机读的研究过程数据，而不仅仅以论文为唯一成果形式，凝结在科研过程中的认知活动得以更完整地保留，成为可流通、可复用的知识资产。在企业数字化转型中，可以关注内部知识的结构化沉淀，鼓励工程师和技术人员将工艺经验、故障案例、优化方案从个人经验转化为可共享的机构知识。从长远看，培育兼具行业知识和数据工程能力的复合型人才，将成为一个有意义的发展方向，他们不只是数据的“搬运者”，而是能够在数据制造过程中注入认知价值的“认知工程师”。
与此同时，合理界定人机分工的边界也是一个值得探讨的命题。人工智能在辅助数据处理方面有显著优势，可以帮助清洗、分类、检索和初步分析。但在数据中“凝结认知”的核心环节——实验设计、工艺优化、深度调研、价值判断——仍然高度依赖于人的主动思考和判断。应避免形成一种下意识的倾向：将研究设计和深度分析等核心认知环节逐步移交给人工智能，而人类角色日益收缩为最终审校。如果这一链条过度自动化，产生的数据将越来越接近于机器流程的副产品，而非人类认知活动的凝结物。保障人类在数据制造链条中的主体参与，不是对人工智能辅助的排斥，而是对“认知投入”这一数据核心价值来源的自觉维护。
四、合理定位数据产业中人的位置
上述讨论最终指向一个值得长期思考的命题：在人工智能技术深度嵌入各行各业的时代，数据产业中人的角色应当如何合理定位？
数据产业发展的一个核心前提，是持续有高认知附加值的数据被制造出来。这些数据不是自动生成的，而是来自于人，来自于科学家设计的实验、工程师优化的工艺、研究者完成的调研、创作者产出的内容。人工智能可以高效处理已经凝结了认知价值的数据，但目前还难以替代人类在真实实践中产生新洞察的过程：人工智能的学习本质上是对既有认知成果的高效重组，而人类的认知投入是在与真实世界的互动中持续产生新的洞察。数据产业的可持续发展，同时需要这两种能力，而后者的涵养需要更加自觉的制度关怀。
循此追问，数据产业中的人究竟居于何种位置？从前文的分析来看，人的角色至少体现为三个层次。第一层是数据制造者：科学家、工程师、调研者通过有意识的认知投入，将观察和判断凝结为有价值的数据。第二层是价值定义者：哪些参数值得测量、哪些特征值得标注、哪些问题值得追问，这些选择本身定义了数据的价值方向，而做出这些选择的只能是人。第三层是边界守护者：在人工智能日益深入数据处理链条的趋势下，人需要自觉判断哪些认知环节可以交由机器完成、哪些必须保持人类的主动参与。这三个层次共同构成了人在数据产业中不可替代的位置：不是数据的被动提供者，也不是被人工智能逐步替代的过渡角色，而是数据价值链条中的认知核心。
从“认知附加值”这一视角审视数据产业链，一条主线逐渐浮现：数据产业能否持续健康发展，最终取决于它能否在流通效率和认知深度之间维持一种动态平衡。流通效率决定了数据能够在多大范围内被使用，认知深度则决定了数据在多大程度上值得被流通。如果将前者视为产业的循环系统，后者便是产业的造血机制。当前及今后一段时期，政策设计可同时关注这两条线索：一方面继续完善流通基础设施和市场机制，另一方面将制度关怀更多投向那些凝结深度认知投入的数据制造活动，即科研中的实验设计、工艺中的隐性经验、调研中的鲜活洞察。数据产业发展的长期愿景，或许正在于使数据真正成为人类智慧的延伸和凝结，而非仅仅是机器流程的副产品。
数据产业的价值之源，最终归于人，归于人类永不枯竭的认知投入与创造。在算力、算法和数据量之外，关注人的思考、判断和洞察在数据价值链条中的核心位置，可以为产业的长期健康发展提供一个有益的视角。
（王世强，中国社会科学院经济研究所副研究员）
（编辑：熊晨玮、刘益建；审校：张佶烨）