GB 44721‑2026 针对自动驾驶内置机器学习组件，明确提出数据集来源、数据覆盖度、数据版本管控、数据偏差治理等合规要求。随着大模型、机器学习算法大规模部署在自动驾驶域控制器，传统软件流程已经无法覆盖 AI 模块的合规诉求，ASPICE MLE 机器学习扩展过程域成为企业落地国标的重要抓手。

很多车企与 Tier1 在项目中，机器学习数据管理与传统软件过程相互割裂，数据集版本混乱、场景覆盖不足、缺少追溯链路，即便传统 ASPICE 达到 CL2 等级，AI 模块依然无法满足 GB 44721‑2026 的审查要求。ASPICE MLE‑1 数据集管理过程域，正好补齐 AI 数据全生命周期的流程缺口。

在项目启动阶段，对照 GB 44721‑2026 规定的 ODD 场景、危险边界场景，定义数据集采集需求。依托 ASPICE MLE 的要求，完成数据采集、筛选、标注、增强、版本归档全流程管控。数据集需要覆盖标准提及的恶劣天气、障碍物突变、人机交互异常等高风险场景，避免数据集样本缺失带来的安全隐患。

同时要建立数据集与系统需求、安全目标之间的双向追溯链路，将数据集版本信息纳入 ASPICE 配置管理。每一轮模型训练使用的数据集版本、筛选规则、标注规范全部留存归档，这既是 MLE 评估的检查点，也是 GB 44721‑2026 合规审查的核心证据。

需要规避的常见问题：仅关注模型精度，忽略数据集溯源与场景覆盖度。模型效果好不等于合规，只有完整可追溯的数据管理流程，才能支撑机器学习模块通过国标合规核查。将 GB 44721‑2026 的数据约束嵌入 ASPICE MLE 流程，实现 AI 模块过程能力与产品安全合规同步推进。