人工智能的目標是讓機器像人類一樣學會學習。算法訓練、深度學習等都需要大量數據支持，數據挖掘是人工智能做訓練樣本的前提條件。如無人車需要大量的試車數據不斷地測試算法，并在業務場景上形成自我改進的反饋系統。可見如果沒有數據的場景不可能實現人工智能，數據就是人工智能的引爆點。

基于深度學習的人工智能技術，核心在于通過計算找尋數據中的規律，運用該規律對具體任務進行預測和決斷。源數據需要進行采集、標注等處理后才能夠使用，標注的數據形成相應數據集。業務類型主要包括數據采集、數據處理、數據存儲以及數據交易等環節。 當前，人工智能數據集的參與主體主要有以下幾類：

一是學術機構，為開展相關研究工作，自行采集、標注，并建設學術數據集。這類數據集以 ImageNet 為代表，主要用于算法的創新性驗證、學術競賽等，但其迭代速度較慢，難用于實際應用場景。

二是政府，等中立機構，他們以公益形式開放的公共數據，主要包括政府、銀行機構等行業數據及經濟運行數據等，數據標注一般由使用數據的機構完成。

三是人工智能企業，他們為開展業務而自行建設數據集，企業一般自行采集，標注形成自用數據集，或采購專業數據公司提供的數據外包服務。四是數據處理外包服務公司，這類公司業務包括出售現成數據訓練集的使用授權，或根據用戶的具體需求提供數據處理服務（用戶提供原始數據、企業對數據進行轉寫、標注），具體業務服務形式包括且不限于提供數據庫資源、提供數據采集服務，提供數據轉寫標注服務等。

當前，人工智能基礎數據類型主要包括語音語言類（包括聲音、文字、語言學規則）、圖像識別類（包括自然物體、自然環境、人造物體、生物特征等）以及視頻識別類三個大類，從世界范圍來看，數據服務商總部主要分布在美國、歐洲等發達國家。但其數據處理人員則大多數分布在第三世界國家；我國語音、圖像類資源企業機構正處于快速發展階段，為產業發展增添了動力。