未来二十年，数字智能经济的创新无疑将助力新型生产力的大幅提升，同时，它也将成为衡量一个国家或地区经济竞争力的关键所在。然而，在这一进程中，我们也需正视所遭遇的种种挑战。

数据价值认识不足

众多企业对数据资产的重要性理解不够透彻，在数据管理技能上存在不足。现阶段，数据清理和登记的基础工作相当薄弱，数据资源市场的发展和价值转化进程较为缓慢。以互联网等行业为例，起步较早，但大多数企业在数据管理方面表现不佳，实现数据价值化的道路充满挑战。

企业对数据价值化的认识不足，参与的热情也不足。数据资产的价值转化途径不明确，而且数据清理和登记等环节的治理成本较高，导致企业缺少推动数据价值化的积极性。众多企业在如何将数据转化为资产并创造效益的问题上，仍处于困惑之中。

评估标准缺乏统一

数据资产评估缺乏统一明确的标准和流程，各地企业在数据资产入账的做法上差异显著。只有那些合法拥有或能够通过商业化途径产生经济效益的数据资源才能被计入，然而在实际操作中，这种界限往往并不明确。许多企业在决定哪些数据应该计入时，往往缺少清晰的判断依据。

理论上讲，进场交易有助于提高对数据价值的评估透明度。然而，在实际操作中，这一问题尚存争议。不少中小企业在数字化转型后，数据量与质量均有所提升，但数据交易市场仍缺乏规范。此外，在实现数据资产上链登记以增强透明度的过程中，仅有少数具备条件的企业和地区能够做到。

中小企业转型困境

中小企业在数字化转型的道路上遇到了不少挑战。众多领域里，既没有现成的经验可供借鉴，又缺少相应的法律法规作为支撑。这样的状况让中小企业在转型过程中显得犹豫不决，不敢轻易尝试。有些企业虽有意向进行数字化改造，却担忧可能违反法规，结果只能保持原状。

“数智金融”技术有助于推动借贷业务和分散融资风险，然而，中小科技企业在发展人工智能技术方面面临诸多挑战。他们缺少规模可观的多样化数据集，且产业基础薄弱、从业者专业能力不足，这些都限制了企业的进步。众多中小科技企业渴望启动人工智能项目，却因缺乏合适的数据资源而感到苦恼。

数据服务供给不足

国内相关产业尚不成熟，从业者人数不多，技能水平较低。尽管数据量庞大，但标识库的质量难以达到模型训练的标准。在人工智能领域的发展中，数据质量问题成为一大难题。例如，在关键领域，缺少高质量的标注数据，这影响了模型训练的效果。

政府数据平台应强化与不同数据源机构的协作，以提供统一且高效的数据服务。当前，众多人工智能企业面临数据获取的难题。若政府数据平台能充分发挥其作用，便能帮助企业解决这一重大问题。然而，在实际操作过程中，政府与机构间的合作仍存在一些挑战。

算力数据成本难题

模型训练耗用巨大算力和数据资源，若按市场零售价支付，中小科技企业实在无力负担。这种状况导致众多有发展潜力的企业难以启动创新项目。就拿一些小型科创企业来说，它们拥有优秀的人工智能构想，却因高昂的算力和数据成本而不得不放弃。

中小企业亟需降低计算能力和数据应用的开支。必须增强金融和财政的扶持，减轻企业负担。然而，目前金融和财政的扶持力度及覆盖面仍然不足，众多企业难以充分享受到这些支持。

数智经济前景展望

尽管遇到不少挑战，数智经济的未来仍充满希望。在接下来的20年里，随着问题一一得到解决，数智经济有望成为推动新生产力成长的强大动力，助力国家与地区经济迅猛增长。届时，它将革新众多行业的发展路径，催生新的经济增长动力。

在数字经济的新时代，企业必须持续增强数据管理的水平，以适应不断变化的市场格局。政府方面，需强化法规制定，健全标准体系，为数字经济的繁荣提供有利环境。唯有企业和政府携手合作，数字经济的核心竞争力才能充分展现。

您觉得中小科技公司在数智化浪潮中遇到的难题，应当首先着手解决什么问题？期待大家点赞并转发此篇文章，让我们共同探讨交流！