一次清洗、长期复用
把完整率、去重率和格式规范视为终点，容易忽略具体任务需要的科学语义、长尾覆盖、证据链、版本和动态反馈。
AI-Ready 是任务条件化的动态准备状态
同一份科学数据对不同研究问题、模型能力和实验阶段可能具有完全不同的价值。判断数据是否 Ready，必须先说明它为谁服务、支持什么任务、受到哪些科学约束。
核心定义：
AI-Ready 不是数据集自身的静态标签，而是数据相对于科学任务、模型阶段、智能体能力和实验环境的动态准备状态。
按任务评价、按反馈演化
把数据需求、准备度、修复过程、使用方式和反馈更新连接起来，使数据资产随科学问题和模型阶段持续适配。
科学数据基础设施是 AI for Science 的公共底座
基础设施不只是存储数据，而是同时管理科学对象、语义、证据、质量、权限、接口和反馈，使数据能够稳定支撑模型训练、科学推理与实验决策。
Scientific Data Assets
统一组织文本、表格、图像、谱图与信号、时间序列、仿真数据、实验记录及其上下文。
Semantics & Governance
维护科学对象、单位、条件、关系、来源、许可、版本、质量标签和处理规则。
Intelligence & Data Services
提供需求理解、准备度评估、数据诊断修复、检索选择、组合配比和可调用的数据服务接口。
Feedback & Continuous Evolution
依据模型误差、智能体轨迹、实验结果和研究者判断更新数据状态、价值与供应策略。
目标：让科学数据从静态文件集合演化为可持续运行的数据供给系统。
贯穿 Scientific AI-Ready Data 的五个问题
五个问题形成闭环：先理解任务，再测量差距、修复数据、提供服务，最后让真实使用反馈持续改变下一轮数据供给。
Task Demand
Ready for What?
任务条件化的数据需求理解
把研究问题、任务目标、模型阶段、数据模态、尺度范围、输出指标和科学约束形成可执行的数据需求契约。
Readiness Assessment
How Ready?
科学数据准备度评价
围绕科学真实性、语义一致性、覆盖度、来源证据、质量不确定性、任务效用、合规性和时效性建立多维评价。
Diagnosis & Repair
How to Make It Ready?
智能体化数据诊断、处理与修复
调用结构解析、语义与单位对齐、异常识别、缺失处理、证据补全、合成增强和任务感知选择工具，缩小准备度差距。
Data Service
How to Use It?
面向模型和科学智能体的数据服务
通过可追踪接口持续支持预训练、微调、推理、评测、检索增强、科学世界模型和实验决策，而不止交付一次性数据包。
Continuous Evolution
How to Stay Ready?
模型与实验反馈驱动的持续演化
把错误模式、能力边界、智能体失败轨迹、实验新证据和研究者反馈写回数据版本、价值标签、配比策略与供应优先级。
准备度不是单一质量分数
高质量不等于任务可用。科学数据准备度必须同时回答数据是否可信、是否覆盖关键空间、是否能被模型正确理解，以及是否真正改善目标任务。
科学真实性
数值、单位、结构、条件和关系符合领域规律，处理过程不会破坏真实科学含义。
语义一致性
跨来源、跨模态和跨尺度对象采用明确、可映射的科学语义、标识和上下文。
任务空间覆盖
数据覆盖关键变量、边界条件、罕见机制、失败案例与任务真正会遇到的分布变化。
来源与证据可追踪
每个数据对象都能回溯到来源、版本、处理步骤、责任主体、许可和证据强度。
模型与任务效用
数据在受控基线、固定切分和明确指标下，对训练、推理、评价或科学决策产生可复核增益。
持续供应与更新
数据能够随任务、模型、实验和政策变化更新，并保留差异、依赖关系与历史状态。
科学数据治理必须守住四条边界
数据诊断与修复的目标是提高可用性和可解释性，而不是为了指标好看而抹平科学世界中的复杂性、异质性与不确定性。
保留真实长尾
不把 AI-Ready 误解为零噪声；对真实罕见现象保留并标注，对明确错误进行纠正、隔离或删除。
显式表达不确定性
区分测量误差、缺失信息、模型推断和来源冲突，避免把估计值伪装成确定事实。
控制泄漏与污染
隔离训练、验证和测试证据，记录合成数据依赖与生成路径，防止结论或标签泄漏。
保留版本与处理证据
保存原始数据、修复建议、执行记录、版本差异与审批状态，使数据变化能够被审计和复现。
Connected Research
从数据基础设施到自主科学发现
AI-Ready Data 提供可信数据底座，科学数据建模连接科学任务，科学推演组织验证路径，AI Scientist 推动知识状态持续变化。