
前阵子参加一场圆桌,主持人抛出的问题很典型:
"大模型能力越来越强,我们还需要那么多数据吗?"
台上很快分成两派。一派说,模型都这么聪明了,少给点数据它自己能推出来,数据治理这活儿可以缓一缓;另一派说,不行,没有数据模型就是空转。争到后半场,双方举的例子已经完全不在一个层面——一个在说预训练语料,一个在说企业报表,谁也说服不了谁。
这个议题的陷阱,从主持人把"大数据"和"模型能力"放进天平两端的那一刻就埋下了。它默认两者是此消彼长的替代关系:模型这边强一分,数据那边就能弱一分。可只要把这个假设摆到台面上,问题立刻露馅——模型能力和数据从来不在同一根轴上。一个解决"怎么想",一个决定"想的是什么"。
我的判断很明确:模型越强,对"好数据"的依赖越深,而不是越浅。
真正变化的,是"大数据"这三个字的内涵。它正从"海量、粗放、先存了再说",转向"高质量、高结构化、高专有性"。旧意义上的大数据(堆量)确实在贬值,新意义上的好数据(提质)却在急速升值。把这两件事混着说,讨论必然变成各说各话。
所以圆桌上最有效的打法,不是急着站队,而是先拆概念,再分层次论证,最后用一个具体到能闻到现场味道的案例收口。下面这套框架,我按这个顺序整理出来。
如果笼统地说"大模型时代不需要大数据了",对方只需两句话就能把你按住:预训练数据快耗尽了,怎么办?企业私域数据模型根本没见过,怎么办?这两句话都对,但它们说的不是同一件事。
开场就把概念切开,后面才不会被牵着走。我建议拆成三层:
第一层,通用预训练语料。 这是"大数据"最原始的含义——把公开互联网能抓的都抓来,清洗去重,喂进去。这部分确实撞上了所谓"数据墙":高质量公开文本的增量在放缓,模型能力提升的主战场正在从堆量转向提质、转向合成数据、转向训练方法与推理时计算。这一层里,"量"的边际收益递减是真实发生的,承认它不会削弱你的立场,反而让你显得诚实。
第二层,企业/行业专有数据。 这是模型无论多强都无法从公开互联网获得的东西:你公司的客户行为序列、供应链异常记录、设备振动频谱、工艺参数调优日志、客服工单里的真实故障描述、合同里的特殊条款。它们不在任何语料库里,也不会因为参数量翻十倍就自动出现。恰恰相反,模型能力越强、落地场景越深,这类数据的稀缺性越是被放大——因为能消化的场景变多了,供给却几乎刚性。
第三层,数据治理与语义层。 这一层最容易被忽略,却最要命。它不是"数据"本身,而是让模型能正确理解业务口径的工程体系:什么叫"活跃用户",什么叫"退货",什么叫"有效订单",同一个指标在 CRM、ERP、财务系统里分别怎么算,谁的定义是权威的。没有这一层,前面两层的数据堆得再高,也只是散落的原油。
拆完之后,核心立场就可以立得很稳:
模型能力解决的是"通用推理"问题,但解决不了"事实源统一"和"专有知识注入"问题。模型越强,后者反而越成为瓶颈。
这句话的好处是它不否认对方。对方说模型变强了,你说对,正因为它变强了,瓶颈才从"会不会推理"转移到了"推理所依据的事实对不对、有没有"。争点被重新定义了,而不是被硬顶回去。

先把大模型的能力边界画清楚。
它擅长的是语言模式和通用推理。这份能力来自对公开文本的统计压缩——本质上,它学到的是"人类在类似语境下通常会怎么表述、怎么推导"。这已经非常了不起,但它有一个绕不开的前提:被推理的对象,必须已经以某种形式存在于它的输入里。
而企业里真正值钱的问题,恰恰都不在公开互联网上。
它不知道你们公司"活跃用户"的准确定义是 30 天内登录过,还是 30 天内产生过付费;不知道昨天产线良率波动 2.3 个点的真实原因,是换了批次的环境温湿度,还是某个班组临时改了参数;不知道某笔交易在你们那套跑了七年的风控体系里算不算异常;不知道华东区那份报表里的"退货"到底包含不包含仅退款;更不知道大客户合同里那条关于验收口径的补充条款。
这些信息只在企业的数据库、日志、工单、会议纪要和文档里。它们不会出现在预训练语料中,也不可能靠模型自己"推"出来——推理可以从已知推未知,但不能从无推有。
而且,真实的私域数据还有一个更麻烦的属性:它往往是脏的,且口径互相打架。
销售系统里"退货"是退款完成即计,客服系统里"退货"是货品签收回仓才计,财务系统里又要等红冲发票。三张报表数字对不上,业务会上吵了三年也没吵出结论。现在把这三张报表一股脑扔给大模型,问它"退货率为什么涨了",会发生什么?
它不会说"我不知道"。它会生成一份结构完整、语气笃定、图表引用齐全的分析,把口径差异当作业务波动来解释,把促销期的异常值读成趋势拐点,最后给出一个听起来极其合理的结论。
这不是模型笨,是事实源没有统一。
这里我特别喜欢一个比喻,圆桌上可以直接甩出去:
模型是发动机,数据治理是炼油厂。灌原油进去,只会拉缸报废。
这个比喻的锋利之处在于,它把"数据越多越好"的直觉彻底翻了过来。发动机越精密、压缩比越高、转速越快,对燃油标号的要求就越苛刻。你不会给一台 F1 发动机加未经处理的原油,却理直气壮地把三套口径打架的报表塞进最强模型,还指望它输出金子。
顺着这个比喻再往前推一步,会得到一个反直觉但很重要的结论:模型越强,坏数据的破坏力越大。
弱模型犯错,往往错得笨拙——逻辑断裂、语句生硬、前后矛盾,人一眼就能看出不对。强模型犯错,错得流畅、得体、有引证、有分寸,甚至会主动补上"需要进一步验证"这类免责话术,反而更容易通过评审。生成能力的提升,同时放大了正确结论的产量和错误结论的伪装度。 前者是收益,后者是风险,而决定天平倒向哪边的,不是参数量,是底座数据干不干净。
所以第一层的落点不是"我们还需要数据",而是"我们需要的是可被信任的事实源"。从"有没有数据"到"数据对不对、口径一不一致",问题换了一层,数据的工作量不是变少了,是变难了。

第二层要处理一个更微妙的说法:既然数据这么重要,那是不是模型就没那么重要了?
也不是。这里有个反直觉但被反复验证的事实:小模型配上高质量数据,可以打赢大模型。
微软的 Phi-2 是个常被拿来举例的案例。它只有 27 亿参数,训练数据不是靠规模取胜,而是经过精心筛选的"教科书级"语料——高质量、高密度、有教学结构。在若干推理与常识基准上,它的表现超过了一些参数量大得多的模型。这个结果当年让不少人重新审视 Scaling Law 的边界。
(补一句口径说明:这类结论通常是"在部分基准上优于部分更大模型",不是全面碾压,不同评测集差异不小,圆桌上引述时留半分余地更稳。)
这个案例到底说明了什么?很多人读成"数据比模型重要",我觉得更准确的读法有两层:
第一层读法:质可以部分替代量,但替代不了"有"。 没有那批精选数据,Phi-2 什么都不是。数据效率提升意味着用更少的数据达到同样效果,它改变的是"需要多少",不是"需不需要"。把 100 吨原油精简成 1 吨航空煤油,不等于发动机可以不烧油。
第二层读法,也是更关键的一层:好数据是模型能力的放大器,不是替代品。
放大器的意思是,它的输出等于输入信号乘以增益。信号干净、增益高,得到的是清晰有力的结果;信号本身是噪声、增益还高,得到的是被放大的噪声。所以"数据质量 × 模型能力"不是加法,是乘法关系:
放到企业场景里,这个乘法关系的含义非常实际:一家把私域数据治理好、标注好、结构化好的公司,用中等规模模型做微调,业务表现可以远超一个未经数据对齐的顶级通用模型。 不是因为它的模型更聪明,而是因为它的模型知道自己在说什么、说的是这家公司的事。
模型能力越强,这个乘数越大,好数据的杠杆效应也就越大——而不是越小。

如果圆桌上有偏技术的研究者,十有八九会提到合成数据和数据效率。这两点值得认真接,不建议硬顶。
"合成数据正在缓解数据稀缺。" 承认为真,但要补两句。其一,合成数据的根基仍然是高质量人类数据——种子语料、评判标准、偏好标注、教科书式的结构,都得由真实世界提供;它扩的是量,不是凭空造出专有事实,模型没法合成出你家产线昨天下午三点的良率。其二,纯粹用模型生成数据反复回灌训练,存在模型坍缩(model collapse)风险:分布尾部被逐步抹平,多样性衰减,长尾错误被固化。所以合成数据更像精炼工艺,不是无中生有的矿脉。
"数据效率提升说明数据在变不重要。" 这句话的逻辑是反的。用更少数据达到同样效果,恰恰说明每一份精选数据的单位价值在上升。当 1TB 随便抓的网页和 10GB 精挑细选的教科书语料能换来同样的能力,稀缺的不是存储空间,而是"知道该挑哪些"的判断力和工程能力。数据从大宗商品变成了精加工件,价值密度上升,重要性不降反升。
接这类反驳有个通用话术:先承认对方的事实,再改写对方推出的命题。 "你说的效率提升确实在发生,但它证明的是粗数据的边际价值下降、精选数据的边际价值上升,而不是数据本身变得可有可无。"
前两层讲能不能用,第三层讲凭什么是你。
一个基本判断:模型正在变成基础设施。 它会越来越便宜、越来越同质化、越来越可替换。今天用 A 家,明天换 B 家,接口改一改、评测跑一轮,业务上未必有感知。开源与闭源的差距在收窄,能力普惠是正在进行时。基础设施当然重要,但基础设施从来不构成某一家公司的护城河——电力不构成,带宽不构成,算力也不构成。
什么东西不会贬值?
一家公司积累了十年的客户行为数据;记录了每一次供应链异常及其处置结果的工单;几万次工艺参数调优的日志和对应的良率结果;设备全生命周期的振动频谱与故障标签;医疗机构里经过合规脱敏的病历与随访;金融机构里带标注的交易序列与欺诈确认结果。
这些资产有一个共同特征:它们不因为 GPT-5、GPT-6 或者任何下一代模型的出现而贬值。 恰恰相反,模型越强,越容易把它们从"存着没人看的归档数据"激活成"能直接驱动决策的生产资料"。模型在这里扮演的角色更像激活酶——底物一直都在,只是过去缺少足够便宜、足够通用的催化条件。
于是差异化的来源发生了迁移。当模型能力人人可得,比的就不再是"谁接了更强的模型",而是:
谁拥有别人拿不到、且能合法使用的数据;谁能确保喂进去的是干净的、口径一致的;谁能把业务定义固化成机器可理解的语义层。
这三条,没有一条能靠采购解决。
蚂蚁和高德在公开分享里反复提到过一件事:在把大模型接进指标问答、经营分析这类场景时,语义建模(把业务口径统一、把指标定义和维度关系显式化)比模型大小更决定最终效果。这个经验很有代表性——它说明在真实业务里,失败的归因常常被错记在"模型不够强"头上,实际死因是"同一个指标有三种算法"。
补一个不能省略的前提:"能合法使用"是数据资产价值的一部分,不是附加条款。 授权范围、脱敏合规、个人信息安全、跨境流向、供应链上下游的数据权属,任何一处含糊,资产就可能在落地那一刻归零。谈判桌上,一份权属清晰的 10 万条标注数据,价值高于一批来源说不清的千万条。

抽象论证说完,圆桌上真正能定音的往往是一个具体案例。按场合选一个用。
假设一家零售企业把三年的销售报表、库存日志、客服记录一股脑接进一个大模型,然后问:"为什么华东区上个月退货率涨了?"
模型会给出一份听起来相当合理的分析:促销力度加大导致冲动消费、物流时效波动影响体验、竞品价格调整,甚至季节性因素,分条列点,层次分明。
但只要往下追一层,至少有三处会塌:
第一处,口径没锁死。 "退货"到底是仅退款、退货退款,还是换货?三个渠道三套记法。销售系统退款完成即计,客服系统签收回仓才计,财务系统等红冲。模型拿到的是三列同名不同义的数字,它不会追问,它会默认它们可比,然后在这堆不可比的数字上做归因。
第二处,异常值被当成趋势。 大促期间的退货率天然偏高,且存在跨月结算的滞后。没有业务日历和口径标注,模型极易把一次促销造成的结构性尖峰读成趋势拐点,进而推演出一整套并不存在的"体验恶化"叙事。
第三处,相关被读成因果。 物流时效和退货率同期上行,可能是同一个大促订单量激增的共同结果,而非前者导致后者。这类"共同原因"造成的伪相关,语言模型在没有业务约束时尤其容易顺手写成一个顺滑的因果句。
请注意归因:这不是模型笨,是事实源没有统一。 换一个更强的模型,大概率不会解决问题,只会把这三处错误包装得更完整、引用得更像样、更难过审。
正确的顺序是反过来的:
一句话:先把事实定死,再让模型说话。 模型越强,这一步的收益越大;反过来,跳过这一步的代价也越大。

Epoch AI 等机构的研究估计,高质量公开文本数据可能在 2026—2028 年间被大模型训练消耗到临界点。这个时间点在不同报告里口径并不一致(对"高质量""可用"的定义、去重标准、多模态与合成数据是否计入,都会显著改变结论),把它当作趋势判断而非精确倒计时来用,更稳妥。
但方向性含义是清楚的:如果大家的上游语料高度重合,那么所有靠公开数据训练出来的模型,能力会逐渐趋同。未来的差异化不在"谁读了更多互联网",而在"谁拥有别人拿不到、且能合法使用的数据"。
医疗机构的脱敏病历与随访、金融机构的交易序列与欺诈确认、制造企业的设备振动频谱与故障标签——这些数据的价值不会因为模型变强而消失,只会因为模型变强而更容易被激活。
如果对方坚持"模型足够强就不需要大数据了",有一个反问很好用:
那为什么 OpenAI 要花钱和新闻集团签内容授权?为什么不等着模型自己变强?
这个问题不靠诡辩取胜,它指向一个朴素的商业事实:如果能力增长真的能替代数据供给,最不该为数据付费的,恰恰是最有能力让模型变强的那家公司。
如果对方说"模型可以记住一切""长上下文把知识库塞进去就行了",提一下 RAG。
企业部署大模型最主流的落地方式,是检索增强生成:模型权重是冻结的,实时业务数据通过向量库(或混合检索)取回后拼进上下文。这套架构本身就已经承认了一个事实——模型再强,也需要外挂一个持续更新的数据系统。 原因不只有容量:时效性(昨天的库存今天不能靠权重)、权限隔离(不同角色能检索的范围不同)、成本(把全量知识塞进每次请求不经济)、可追溯性(结论要能指回具体那条记录),每一条都指向外部数据系统。
而 RAG 的效果上限,很大程度上取决于检索到的数据质量——分块是否合理、口径是否统一、元数据是否齐全、过期版本是否清理——而不是模型参数量。 这几乎就是全文论点在一个具体架构里的缩影。
论证讲完,圆桌上常被追问一句:"那到底该干什么?"这里给一份可以照着排期的顺序,也顺带提供一个自查标准。
第一步,选口径,不要选平台。 找出业务里最常被问、也最容易吵起来的三个指标(通常是活跃、转化、退货/故障率这类),把定义写死到字段级:分子、分母、时间基准、剔除规则、权威来源。这一步不碰模型,收益却最大。
第二步,建语义层。 把定义、维度、指标间关系显式化,让"华东区上个月退货率"能被翻译成机器可执行的取数逻辑,而不是让模型去猜自然语言。
第三步,打通事实源并对齐。 明确哪套系统是权威源,其余系统如何映射,冲突以谁为准,变更如何留痕。对不上的数字宁可显式标"不可用",也别让模型自行弥合。
第四步,做分级标注与质检。 不是所有数据都值得精加工。按被检索频次、对决策的影响、合规敏感度分级,把预算压在高价值子集上,配抽检与版本管理。
第五步,最后才谈模型选型与微调。 有了前四步,中等模型的业务表现通常就够看;没有前四步,换再强的模型也只是在更高转速上烧原油。

再给一个特别好用的自查问题,适合当场抛给对方:
换一个更强的模型,你现在这个应用的效果能提升多少?
如果答案是"得先把数据理干净才知道",那瓶颈就已经自证在数据侧了。如果答案是"数据本来就是干净的,主要卡在推理链条和多步规划",那这次确实该投模型。能把这两种情况分开讨论,比在圆桌上争一个笼统的"要不要大数据"有价值得多。
回到最初那道二选一的问题。它之所以难答,是因为它逼你在两个都不该放弃的东西里挑一个。而只要把"大数据"拆开,答案就变得很平实:
大模型淘汰的是"不治理数据也能靠人海战术做分析"的旧模式,不是淘汰数据本身。 恰恰相反,它把数据的门槛从"有没有",拉高到了"好不好、准不准、是不是只有你有"。
过去,口径乱一点没关系,反正报表是人做的,老员工心里有本账,会上吵一吵还能补回来。现在,模型会把每一个含糊的定义、每一处没对齐的口径,都放大成一段言之凿凿的结论,并且以远高于人工作弊的速度扩散出去。容错空间变小了,不是变大了。
所以我的观点一句话:
模型是通用智力,数据是专有知识。没有通用智力,专有知识用不起来;没有专有知识,通用智力只是一个聪明的外人。
一个聪明的外人,可以帮你把话说得漂亮、把逻辑理得清楚,但他不知道你们公司"退货"到底怎么算,也不会为那个算错的结论负责。
下次圆桌上再被问"模型这么强了,还需不需要大数据",不妨先别急着回答,反问一句:
"你说的是哪一种数据?"
问题一被拆开,答案往往就已经在桌上了。
口径与参考说明:文中 Phi-2 相关结论指"在部分推理/常识基准上优于部分更大参数模型",不同评测集结果存在差异;公开高质量文本耗尽的时点引自 Epoch AI 等机构的公开研究,各家对"高质量""可用"的定义与是否计入合成/多模态数据口径不一,文中仅作趋势参考;蚂蚁、高德关于语义建模的实践引自其公开技术分享。案例一为便于讨论构造的复合场景,不指向特定企业。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。