大模型时代：从模型中心到数据中心的AI范式转变

1. 从模型中心到数据中心的范式转变

在大模型技术快速发展的当下，我们正见证着人工智能领域一个根本性的范式转变。过去十年间，AI发展主要遵循"以模型为中心"的路径，研究人员将大部分精力投入到模型架构的优化上，从AlexNet到Transformer，每一次模型创新都带来性能的显著提升。然而，随着大模型时代的到来，这种范式正在发生深刻变化。

中国信通院人工智能研究所平台与工程化部副主任李荪在最近的演讲中明确指出："人工智能正在由'模型中心'转向'数据为中心'。"这一判断揭示了当前AI发展的核心趋势。当我们观察顶级AI实验室的研究方向和企业实践时，会发现数据质量、数据治理和数据闭环建设已成为最受关注的课题。

1.1 为什么数据变得如此重要？

模型架构的创新逐渐进入平台期是一个重要原因。Transformer架构自2017年提出以来，虽然出现了各种变体，但核心机制并未发生根本性改变。相比之下，数据质量对模型性能的影响变得更加显著。研究表明，在保持模型架构不变的情况下，仅通过提升数据质量就能获得30%以上的性能提升。

另一个关键因素是模型规模的扩大。当参数规模达到千亿级别时，模型的表现越来越依赖于训练数据的广度和质量。GPT-3的成功很大程度上得益于其多样化的高质量训练数据。这促使行业开始重新思考数据战略。

实践表明，在大模型时代，高质量数据带来的边际效益已经超过模型架构优化的收益。一个典型例子是，某些专业领域模型使用经过精心标注的数据训练后，其性能可以超越参数规模大10倍的通用模型。

1.2 高质量数据的三大新需求

随着AI应用场景的扩展，对数据的需求也在快速演进。李荪主任特别强调了三类新兴数据需求：

1. 行业模型数据：金融、医疗、法律等垂直领域需要专业性强、标注准确的数据集。例如医疗影像标注需要专业医师参与，法律文书理解需要法学家指导标注。

2. 具身智能数据：机器人、自动驾驶等应用需要多模态的时空连续数据。这类数据不仅要包含视觉信息，还需要力觉、触觉等多种传感器数据的精确同步。

3. 世界模型数据：构建对物理世界理解的AI系统需要包含因果关系、物理规律等深层次信息的数据。这类数据的采集和标注面临极大挑战。

2. 数据要素全链路管理的实践框架

构建"数据-模型"闭环不仅是一个技术问题，更是一个系统工程。百度文心数据生态中心提出的"资源供给-生产优化-评估赋能-安全护航-交易增值"五环节框架，为行业提供了可借鉴的实践路径。

2.1 数据资源供给的创新模式

传统的数据采集方式已无法满足大模型训练的需求。文心中心建立的"数据伙伴"体系代表了一种新型数据供给模式。在这种模式下：

• 专业数据公司提供垂直领域的数据资源
• 技术公司贡献数据处理和标注能力
• 行业企业分享脱敏的业务数据
• 学术机构提供数据质量标准和方法论

这种多方协作的模式能够快速汇聚高质量数据资源。以法律领域为例，上海奈尔律师事务所通过参与数据伙伴计划，既贡献了专业的法律文书数据，又能获得定制化的法律智能体解决方案。

2.2 数据生产的关键技术

无锡快数智能科技有限公司的实践展示了数据生产的完整流程优化方案：

1. 智能采集：使用爬虫、物联网设备等多种方式获取原始数据，同时确保数据来源合法合规。

2. 自动化清洗：基于规则引擎和机器学习算法自动识别和处理脏数据，包括去重、纠错、格式标准化等。

3. 智能化标注：结合预训练模型和人工校验，实现标注效率与质量的平衡。例如，先用模型进行初步标注，再由专业人员复核关键样本。

4. 质量评估：建立多维度的评估体系，包括一致性检查、抽样验证、专家评审等环节。

百度千帆·数据智能平台DataBuilder的创新之处在于实现了多模态数据的血缘追踪。通过记录数据从采集到使用的完整历程，确保了数据的可追溯性，这对满足数据合规要求尤为重要。

3. 行业实践与价值实现

数据价值的最终体现在于业务场景中的应用效果。论坛上分享的四个行业案例生动展示了数据闭环如何驱动业务创新。

3.1 医药行业的数字化转型

九州通数据管理中心主任鲁钢分享了从"经验驱动"到"数据+模型驱动"的转变过程。通过构建医药数据中台，他们实现了：

• 供应链优化：利用历史销售数据和外部环境数据预测药品需求，库存周转率提升20%
• 智能推荐：基于患者画像和药品知识图谱，为药店提供个性化陈列建议
• 风险预警：实时监测药品流通数据，及时发现异常情况

这一转型的关键在于建立了完整的数据治理体系，确保从分散的业务系统中提取的数据具有一致性和可靠性。

3.2 法律服务的智能化升级

上海奈尔律师事务所运营总监马人月介绍了法律智能体的开发经验。他们面临的核心挑战是如何将非结构化的法律文书转化为机器可理解的知识。解决方案包括：

1. 构建法律知识图谱，明确概念间的关联
2. 开发专业的法律文本标注规范
3. 训练领域适应的文本理解模型
4. 设计符合律师工作流程的交互界面

这个案例特别强调了领域专家参与数据标注的重要性。只有法律专业人士深度参与，才能确保AI系统真正理解法律文书的细微差别。

3.3 工业AI的落地路径

一脉云数CDO宋海辉分享了工业场景中的AI应用经验。工业数据的特点是：

• 多源异构：来自设备传感器、MES系统、质检报告等不同来源
• 时序性强：需要分析数据随时间变化的模式
• 标注成本高：缺陷样本稀少，专家标注耗时

他们的解决方案是结合飞桨平台和行业知识，开发了面向特定场景的小样本学习算法。在烟草行业的质量检测中，仅用几百个样本就达到了传统方法上千样本的效果。

3.4 HR领域的AI创新

聘才猫联合创始人兼CTO陈浩展示了生成式AI在人力资源中的应用。基于亿级人才数据训练的模型能够：

• 自动生成符合岗位要求的JD
• 智能匹配候选人与职位
• 提供个性化的职业发展建议
• 预测员工流失风险

这些应用的关键在于构建了全面的人才画像，整合了简历数据、测评结果、工作表现等多维信息。

4. 数据生态建设的挑战与对策

虽然数据要素的价值已得到广泛认可，但在实际构建数据生态时仍面临诸多挑战。论坛上讨论的主要问题包括：

4.1 数据确权与合规使用

随着数据法规的完善，如何在保护隐私和商业秘密的前提下促进数据流通成为关键课题。实践中采用的解决方案有：

• 隐私计算技术：联邦学习、多方安全计算等
• 数据脱敏：去除直接标识符，控制间接标识风险
• 使用权分离：保留数据所有权，授权特定用途的使用权

4.2 数据质量评估标准化

中国信通院推出的"可信AI"人工智能数据集质量评估体系ADAQ 2.0提供了行业参考标准。该体系涵盖：

1. 基础特性：完整性、一致性、准确性
2. 任务适配性：覆盖度、代表性、偏差控制
3. 合规性：隐私保护、版权清晰��伦理审查

实施这一评估体系后，参与企业的数据质量平均提升了35%，模型训练效率提高了20%。

4.3 数据定价与交易机制

数据要素的市场化配置需要合理的定价机制。当前探索的方向包括：

• 成本法：基于数据采集、处理、存储的成本定价
• 收益法：根据数据应用的预期收益分成
• 市场法：参考同类数据的交易价格

文心中心建立的交易平台尝试通过标准化数据产品描述、引入第三方评估、提供灵活的交易模式来促进数据流通。

5. 构建数据飞轮的实践建议

基于论坛讨论和行业实践，对于希望建立数据驱动能力的企业，我总结出以下可操作的建议：

1. 明确数据战略：将数据视为核心资产，制定与业务目标对齐的数据规划。确定哪些数据对竞争优势最关键，优先投入资源。

2. 建立治理体系：

   • 制定数据标准和规范
   • 设立专门的数据治理团队
   • 实施全生命周期的质量管理

3. 选择合适的技术架构：

   • 支持多模态数据的管理平台
   • 可扩展的存储和计算基础设施
   • 灵活的数据处理和分析工具链

4. 培养数据文化：

   • 提升全员数据素养
   • 建立数据共享的激励机制
   • 鼓励数据驱动的决策方式

5. 参与行业生态：

   • 加入数据共享计划
   • 贡献领域专业知识
   • 学习最佳实践

在医药行业的案例中，九州通通过3年时间逐步完善了数据治理体系，最终实现了从传统医药流通企业向科技型企业的转型。这个过程中，高层的持续投入和跨部门的协作至关重要。