强化AI赋能食品安全治理的数据与技术基座建设

当前，人工智能正以前所未有的速度渗透至食品安全风险治理领域。全国各地从实际出发，围绕人工智能赋能食品安全风险治理已开展了积极探索，积累了重要经验，形成了丰富多彩的应用场景。例如，一些省份构建了区域性食品安全风险图谱，将监督抽检、舆情监测、投诉举报、季节特征、经营主体信用等多维数据进行融合建模，动态预测高风险品种与高风险区域，努力实现监管力量的精准投放；多地“明厨亮灶”平台引入AI视觉识别系统，对后厨未戴帽、未戴口罩、鼠患活动、交叉污染等违规行为进行实时抓拍与自动告警，并将识别结果向公众开放查询，探索形成“市场倒逼+社会共治”的约束机制；一些地方推广“一品一码”全程追溯体系，运用区块链技术建立跨域追溯监管数据建模方法，探索实现从农田到餐桌的全程、全链、全要素问题食品溯源与精准召回。这些实践探索，为推动食品安全风险治理实现从“被动响应”向“主动预防”、从“人海战术”向“智慧治理”的深刻转变奠定了重要基础。

然而，调查表明，各地在推进人工智能赋能食品安全风险治理的过程中，仍存在若干值得高度关注的突出问题：

一是高质量数据集供给严重不足，制约模型实际效能。 尽管部分地方已积累一定规模的数据资源，但由于尚未建立系统化、标准化的数据治理流程与标注规范，数据格式不一、字段缺失、口径冲突、标注口径不统一等问题普遍存在，实际可供机器学习训练使用的高质量数据集仍显匮乏。当前，一些软件公司以名目繁多的方式向监管部门或企业兜售各类所谓“AI+食品安全”软件系统，声称采用前沿人工智能技术，但由于应用场景界定不清，更缺乏充分、可靠的高质量数据集作为底层支撑，模型训练样本不足或与实际监管需求错位，导致系统上线后识别准确率低、误报漏报频发，难以发挥预期效能，甚至造成监管资源浪费。

二是食品安全领域专用语料体系缺失，虚假语料风险突出。目前，食品安全领域尚未形成权威、统一的专用语料体系。即使部分机构自建了所谓语料库，也存在来源不明、更新滞后、标注随意等问题，其中夹杂的虚假语料尤为值得警惕。虚假语料往往具有系统性、隐蔽性和危害性——在法规条文层面，可能混入已废止或从未生效的虚假条文；在标准文本层面，可能引用伪造或篡改的技术参数；在案例层面，可能编造不存在的行政处罚或司法裁判。虚假语料的成因是多方面的：既可能源于数据采集环节的爬取偏差与清洗疏漏、标注规则设计缺陷、质量审核机制缺失等系统性短板，也可能源于外部恶意篡改、对抗样本注入等安全攻击行为。一旦虚假语料进入模型训练流程，将导致模型输出错误的合规判断、风险评级或处置建议，直接危及监管决策的科学性与合法性。

三是数据壁垒与共享机制缺位，形成“数据孤岛”效应。 食品安全相关数据分散于市场监管、农业农村、卫生健康、海关、网信等多个部门，以及第三方平台、检验检测机构、生产经营企业等多个主体，由于缺乏跨层级、跨地域、跨系统的数据共享与交换机制，数据难以汇聚融合，AI模型难以获得全景式数据视图。同时，数据权属界定不清、隐私保护与商业秘密顾虑、共享激励不足等深层次制度障碍尚未破解，进一步加剧了数据割裂。此外，现有应用中还存在模型可解释性不足、算法偏见、预警结果缺乏人工复核机制等问题，影响监管部门对AI辅助决策的信任度与采纳意愿。

上述问题的根源，在于缺乏统一、规范、可信的底层数据与技术支撑体系。数据来源缺乏统筹、治理缺乏标准、语料缺乏审核、共享缺乏机制、应用缺乏规范，导致人工智能在食品安全治理领域的赋能效应被严重稀释。因此，建立AI赋能食品安全治理的底层支撑体系，构建“数据—知识—能力”一体化的数据与知识基础设施，形成覆盖数据来源、治理加工、知识提炼、技术使能的完整技术基座，已显得刻不容缓。唯有夯实这一底座，才能从根本上破解数据质量瓶颈、语料可信危机与共享协同困境，推动人工智能真正赋能食品安全风险治理的深层变革。

AI赋能食品安全治理的底层支撑，由食品安全数据来源层、数据治理与高质量数据集层、专用语料体系与可信知识底座层、技术支撑层四层协同构成，形成从原始信息到智能能力的完整基础设施。

一是多源数据资源层（数据来源）。汇聚食品安全治理全链条的数据来源，主要包括：投诉举报数据、监督抽检数据、“明厨亮灶”视频监控流、食品安全舆情数据、市场主体登记与信用信息，以及法规条文、技术标准、行政处罚与司法裁判案例等文本类数据。该层界定底座的数据边界与来源谱系，为后续治理与知识构建提供原始素材，确保数据来源依法依规、权属清晰。

二是数据治理与高质量数据集层（数据基座）。以食品安全数据来源层汇聚的多源数据为输入，参照国家数据局等部门印发的《“数据要素×”三年行动计划（2024—2026年）》相关部署，依据适用的数据质量标准，通过采集接入、清洗去重、格式标准化、实体对齐、分类标注、质量评估与合规校验等系统化治理流程，形成规范的数据资源，并按应用任务（场景）构建高质量数据集，兼顾结构化、半结构化与非结构化等组织形态，以及文本、图像、视频等不同模态。该体系按任务需要服务于模型训练、微调、评测与推理应用，是驱动食品安全风险智能感知与预测预警的核心数据基座。其关键特征包括：数据格式标准化、标注体系规范化、样本分布与任务适配、来源可追溯、更新迭代常态化，确保数据加工符合食品安全治理规则与国家数据治理技术规范。。

三是专用语料体系与可信知识底座层（知识基座）。以法律法规规章与规范性文件、食品安全技术标准、行政处罚文书、司法裁判案例等文本为核心对象，建立科学标注规范与领域本体模型，采用大模型辅助、规则校验与专家审核相结合的人机协同方式，通过文本切片、标签标注、结构化抽取、问答生成、实体关系及事件抽取等方法，构建食品安全专用语料体系、可信知识底座（含知识库与领域知识图谱），并保留原文证据、版本信息和审核记录。该体系将分散于文本中的领域知识组织为可检索、可关联、可验证的知识资源，为知识检索、关联分析和辅助合规审查等任务提供可信知识支撑。与高质量数据集层相互衔接：数据集层侧重按任务组织数据，知识基座层侧重知识组织与应用；经审核验证的知识资源也可按需形成训练或评测数据集，确保语料标注的科学性、规范性与领域适配性，强化知识标注、审核与来源追溯。

四是共性技术支撑层。整合多模态数据治理工具链、专用语料标注平台与知识图谱构建引擎、检索增强生成（RAG）、规则引擎、提示工程与智能体工具调用，以及按需配置的模型训练、微调、评测与推理部署等技术能力，形成连接数据基座与上层治理应用的技术使能层，保障数据到知识、知识到能力的人机协同转化效率，并为风险智能感知、预警预测、精准监管等应用场景提供稳定的模型服务与API支撑，确保模型应用的可信性、可控性与可追溯性。

上述四层具有内在的协同逻辑关系：食品安全数据来源层界定“从哪来”（确保数据来源依法依规、权属清晰），数据治理与高质量数据集层完成“怎么规整”（确保符合食品安全治理规则与国家数据治理技术规范），专用语料体系与可信知识底座层实现“怎么提炼”（确保语料标注的科学性、规范性与领域适配性，强化知识标注、审核与来源追溯），技术支撑层解决“怎么用”（确保模型应用的可信性、可控性与可追溯性）。

数据基座与知识基座在统一治理要求下相互衔接，共同构成AI赋能食品安全治理的“双基座驱动”数据与知识基础设施。技术支撑层通过模型版本管理、调用与输出日志、证据溯源、权限控制及人工复核等机制，并结合持续评测与监测，支撑AI能力在风险感知、预警预测、精准监管等场景中的可信部署与全程留痕，为食品安全风险的早期识别、动态预警与精准处置提供底层驱动，并由此构建食品安全数据流转机制：食品安全数据来源层汇聚的原始数据进入数据治理与高质量数据集层后，经采集接入、清洗去重、格式标准化、实体对齐、质量评估与合规校验等流程，形成两条并行的输出通路——一条面向具体任务，按需输出经标注与质量验证的高质量数据集，服务于统计分析、机器学习模型训练、微调及评测等应用；另一条面向知识深度加工，将治理后的文本数据（法律法规规章与规范性文件、技术标准、执法文书、司法案例等）输送至专用语料体系与可信知识底座层，通过人机协同标注、知识抽取、专家审核与质量验证，构建可追溯的食品安全专用语料体系与可信知识底座（含领域知识图谱）。两条通路共享同一套治理底座，前者侧重任务所需的数据与样本供给，后者侧重知识检索、关联分析与规则推理支撑；知识资源经审核验证后也可按需形成数据集，形成数据与知识协同的基座架构。技术支撑层贯通全程：在前端提供数据治理工具链与专用语料标注平台，在中端提供知识库与知识图谱构建、审核及更新能力，在后端提供模型训练与评测、检索增强生成、推理部署、版本管理、审计日志与输出复核等全栈技术能力，形成从原始数据到辅助治理决策、再到应用反馈与质量改进的闭环。（作者系江南大学食品安全与国家战略治理实验室首席专家吴林海）