2.2 作为燃料的数据

为什么代码开源，数据却保密？

垃圾进去，垃圾出来（Garbage In, Garbage Out）。在这个时代，谁拥有高质量数据，谁就拥有了“石油”。

2.2.1 免费的菜谱，昂贵的食材

大家有没有发现一个奇怪的现象？ Google、Facebook 这样的巨头，经常把他们最先进的 AI 框架（TensorFlow, PyTorch）或者模型架构（Transformer）免费开源出来，恨不得不仅送你代码，还手把手教你用。

但他们从来不公开 “训练数据”。

为什么？

因为 算法是菜谱，数据是食材。

满汉全席的菜谱（算法）全世界都知道，但这不重要。重要的是你有没有那么顶级的熊掌、燕窝（数据）。

如果只有烂白菜（劣质数据），再好的厨子（算法）也做不出好菜。

这就是 AI 时代常见的一条经验法则：高质量数据和算法同等关键，但数据质量往往决定上限。

2.2.2 数据就是石油

以前，我们认为软件公司的核心资产是 可口可乐配方（源代码）。 现在，AI 公司的核心资产是 地下的油田（用户数据）。

一旦你理解了这一点，就能看懂很多商业竞争：

• 为什么微信不让淘宝爬它的数据？

• 为什么马斯克要把 Twitter (X) 的 API 收费？

• 为什么 Reddit 在 2024 年开始要向谷歌收取数据使用费？

因为他们突然意识到：哪怕是网友们灌水的评论（语料），现在也是炼制“大模型”的珍贵原油。

没有这些原油，那个被称为“智能”的引擎根本转不动。

2.2.3 数据的诅咒：垃圾进，垃圾出

在数据这个领域，有一个著名的诅咒叫 GIGO (Garbage In, Garbage Out)。

如果你用网上带有偏见的帖子去训练 AI，AI 很可能会学到并放大这些偏见。

如果你用错误的医疗记录去训练 AI，AI 的医疗建议就会显著增大出错风险。

所以，AI 工程师 80% 的时间，其实不是在高大上的写代码，而是在当 “数据清洁工”。 清洗、去重、标注、对齐……这像极了在炼油厂里过滤杂质。只要杂质没去干净，炼出来的油（模型）就会损坏发动机。

2.2.4 比黄金还贵的“标注”与合成数据

现在最缺的不是原始数据（网上到处都是），而是 “高质量数据”。 近年来，公开可用的高质量语料增速放缓，AI 开始更多依赖自己生产训练样本，这就是 合成数据（Synthetic Data）。

• 一张 X 光片不值钱。

• 一张 “被顶尖 AI 详细圈出肿瘤位置并由人类专家复核” 的 X 光片，千金难求。

这就是为什么现在有一个庞大的“数据标注产业”。 人工智能，也就是 “有多少人工，就有多少智能”。

2.2.5 思考题

既然数据是石油。 请评估一下你自己或者你的公司：你们有没有囤积某种 “只有你们有，别人拿不到，且质量极高” 的数据？ 这可能是你们在 AI 时代最重要的护城河之一。