和地勘单位交流时，最常被问到的一个问题是：直接采购一个大模型，能不能马上用起来？这个问题背后有个普遍的预期：模型是主角，买来就能干活。但观察行业里真正跑通的项目，结论恰恰相反——模型能力正在快速同质化，拉开差距的是数据和知识。这一篇讲清楚，为什么数据是AI应用的地基。

三代数据集，决定AI能干什么

AI对数据的要求，经历了三个阶段。基础大模型时代，数据解决"知道什么"，通用知识为主；行业模型时代，解决"懂什么"，靠领域知识喂出专业能力；而今天智能体时代，解决的是"会做什么"——数据重心从知识本身，转向了任务目标、决策路径、工具调用和执行反馈的完整记录。2026年信通院的行业指南对此有个精准的判断：数据集的评价标准，正在从"知识供给量"转向"任务闭环还原度"。翻译成地质语言：光有规范和报告喂不出会干活的AI，得让它见过"专家是怎么干活的"——怎么判层、怎么连层、怎么处理相邻孔对不上的情况。这些过程性数据，正是绝大多数单位库里没有的。

行业证据：跑通的项目都赢在数据上

回头看行业里跑通的应用，无一例外赢在数据底座。中国地质调查局的智能找矿系统，核心是多源地学数据与专业知识的融合；四川省地质调查研究院能初步划分161个成矿远景区、圈定36处找矿预测区，靠的也是"多源数据+专业知识+算法模型"这条链路。反过来，也有一些看上去很智能的系统，因为缺了数据底座，只能停留在知识问答的演示层面——问什么都答，但答完给不出依据，更参与不了实际业务。同样的模型，喂不同的数据，出来的就是不同的东西。这不是模型好坏的问题，是地基深浅的问题。

数据集在AI应用里扮演什么角色

落到具体应用，数据集的价值体现在三个层面。知识问答：基于高质量行业数据集构建知识库，模型回答专业问题时的每一条结论都能回溯到标准、论文或报告原文，而不是泛泛而谈——这对地质这种"差之毫厘、谬以千里"的行业尤其重要。专业分析：找矿预测、地热评价这类任务，吃的是多源数据的融合质量——钻孔、物探、化探、遥感的数据口径统一、关联清晰，算法才可能得出可靠结论。成果生产：报告辅助编制、图表处理、质量检查，样样都以结构化、可追溯的数据为前提，没有干净的数据底座，生成出来的是"看起来像报告的文字"，而不是能交付的成果。可以说，AI在地质行业能走多远，取决于数据集建到什么程度。

地基讲清楚了，具体怎么打？下一篇拆解高质量数据集的生产流水线。