AI三大投入中，普通企业只有一张牌

fudashuai

　　AI有三大投入：算力、算法、数据。过去两年，公众的注意力大多给了前两者——芯片竞赛、模型迭代。但没有数据，再强的模型也无从训练；到了应用环节，模型能力能兑现多少，又直接取决于数据准备到什么程度。要理解大模型为什么会撞上“数据墙”、AI进入具体行业后为什么常常用不好，都得先回到一个基本问题：数据到底是什么。

　　数据的两个特性

　　宇宙最基本的组成元素只有三种：物质、能量、信息。物质和能量是“实体”，信息是对实体的映射，数据则是对信息的记录。理解数据的经济逻辑，要从它区别于物质和能量的两个特性说起。

　　第一个特性是非竞争性。物质和能量都是“竞争性”的：一个馒头只能吃一次，一吨铁矿石只能进一座高炉。数据没有这种竞争性，同一份病历、同一批驾驶记录、同一组工业参数，可以同时被多家机构、多套模型使用，同时复制成本极低，这意味着，数据被使用得越广，创造的总价值就越大。

　　第二个特性是排他性，它来自产权而非物理。数据可以被无限复制，并不意味着任何人都有权取得和使用它。数据的稀缺，正是由产权界定出来的。数据产权的归属多种多样：病历、基因、支付记录、出行轨迹这类数据的产权属于个人，是个人隐私；工厂的设备参数、良率数据、故障日志这类数据的产权属于企业，是商业秘密；能源、交通、金融、地理空间等涉及国家安全的数据，产权可能属于政府，是国家机密。

　　这两个特性合在一起，构成了数据经济的核心矛盾：非竞争性意味着共享能创造更大的总价值，排他性却让拥有者有充分理由限制共享。真正能大幅提升智能的高价值数据，恰恰是最拿不到的那部分。当高价值数据握在企业手里，出于竞争顾虑，理性的选择往往是囤积而非共享，于是数据在系统层面呈现出人为的稀缺。

　　数据墙：免费数据时代正在结束

　　大模型训练消耗的，某种意义上是人类积累的“库存”。预训练语料里占大头的互联网文本，是过去数十年人类生产、沉淀下来的信息；其中的图书与经典文献，更代表着几千年的积累。但互联网文本增长早已从早年的成倍扩张降到个位数，网页平均文本量近十年年增长只有2%~4%，而前沿模型的胃口还在按代际成倍扩大。供给的细流对上需求的洪峰，这就是“数据墙”。但要注意一个关键区分：它是有效供给的墙，不是数据总量的墙。真正收紧的，只是公开可得、可合法使用的那一部分。越容易得到的数据越不值钱，越值钱的数据越得不到。

　　数据墙的另一面，是供给方式的根本转换。过去十年，训练数据基本是免费“捡来的”，现在AI把数据的价值抬了起来。于是我们看到：未经授权的图书语料因版权投诉下架，社交平台不再允许免费抓取用户内容，新闻机构从起诉转向收费授权。Reddit向Google开放社区内容，作价约每年6000万美元；新闻集团与OpenAI的五年协议总额超过2.5亿美元。

　　从此以后，数据要么花钱买、要么花钱造、要么靠制度去解锁，三条路各有代价。花钱买，意味着数据成为有明确价格的资产，上面两笔交易就是这个新市场最早的报价。花钱造，意味着用机器生产合成数据，把“高质量”和“昂贵的人类标注”解耦；但合成数据不会自动扩展知识的边界，效果高度依赖外部验证——在有验证手段的领域（如数学、代码），它是放大能力的杠杆，在没有验证手段的领域，它放大的往往只是噪声。靠制度解锁，则是用规则改变激励，让原本锁着的数据愿意流动。无论走哪条路，采摘“低垂果实”的时代都已结束；接下来的竞争，取决于更深的开采能力：谁能把散落的数据、隐性的经验、专家思维的轨迹，转化为可学习、可治理、可持续供给的高质量数据，谁就更可能推动AI能力的下一次跃迁。

　　产业卡点同样在数据

　　数据墙描述的是前沿模型层面的宏观约束。当AI走向具体行业，数据问题会落成两层更贴近地面的卡点。

　　第一层卡在训练端：通用大模型学的是公开文本，而各行业最核心的智能恰恰不在公开文本里——医生问诊时的鉴别思路、基金经理下单前的权衡、律师面对案卷的推理路径、维修工程师排障时的直觉，这些专业判断的“过程性记录”在互联网上几乎不存在。

　　第二层卡在应用端：企业自己的数据没有准备好。数据公司Precisely与德雷塞尔大学2024年的调查显示，只有约12%的受访组织认为自己的数据质量与可及性足以支撑有效的AI应用；Informatica 2025年对首席数据官的调查中，约43%把数据质量与就绪度列为AI从试点走向生产的首要障碍。

　　就具体行业来说，制造业的困难是“有而不可用”：工厂不缺数据，难在各套系统出自不同厂商、不同年代、不同协议，口径互不对齐；更大的缺口还在系统之外——资深工程师的判断、故障时先查什么、参数异常时敢不敢继续生产，这些大多从未落成记录；就算数据凑齐，还有验证这一关，产线对错误近乎零容忍，AI无法像在聊天框里那样试错学习。医疗的困难则是“多而不通”：隐私与合规把数据锁在医院之内，跨院流动举步维艰；标注要占用最稀缺的资源——优秀医生的时间；治疗效果的反馈以年计，验证闭环极慢；而病历里存的是结论不是推理，医生真正的鉴别诊断思路不会写进病历。

　　也有一个正面样本，就是编程。AI渗透最深、效果最显著的应用领域是编程。编程几乎满足了“有效数据”的每一个条件。可得性上，仅GitHub一家平台就托管了逾5亿个代码仓库、注册开发者超过1.8亿，全球工程师把代码连同修改记录、评审意见、问题讨论一起公开托管，开源许可证又为复用敞开了大门。质量上，代码是形式语言，语法约束明确，远比自然语言更容易被机器解析。验证上，代码自带“判卷”机制，能不能编译、测试过不过，机器自己就能判定，训练信号天然可验证。过程上，版本历史大量保留了“这道题是怎么一步步解出来的”。更新上，全球开发者每天的新提交源源不断。可得、优质、可验证、有过程、能持续，五个条件，编程一个不落。

　　开源运动是一场提前几十年完成的制度实验，它用声誉、协作与许可协议这套激励设计，替AI预先备好了一座可验证、持续更新的数据富矿。换句话说，编程是先解决了数据的经济问题——确权与激励——才迎来了AI的繁荣。对很多行业而言，解锁数据的钥匙不在算法里，而在制度里。

　　数据是普通企业唯一能发力的主场

　　对企业来说，AI要落地，数据的准备不是可选项，而是入场券：归集、清洗、对齐、标注、治理、确权，每一项都是真金白银的投入。其中治理大致有三级：底层是常规的清洗、去重与噪声过滤；往上一级，是为重要知识建立溯源与版本控制；在高价值的专业领域，则需要精细的标注工程和领域专家的深度参与，构建“少而精”的高置信度数据集。同时，需要一条把业务中的行动、结果与失败不断回流的管道，才满足“持续更新”这个条件。

　　在AI的三大投入里，普通企业只有一张牌可打。算力指向芯片和数据中心，是巨头与国家的游戏；算法指向前沿模型研发，是顶尖实验室的领地；唯有数据，高度分散在各个垂直行业和场景之中。当公开数据的红利见底，模型的边际改进就越来越依赖高质量数据。而在模型方法论日趋同质的背景下，竞争焦点也正从“谁的模型更强”转向“谁的数据更干净、更稀缺、更难复制”。Meta在2025年6月以143亿美元投资数据服务商Scale AI、取得约49%的股权——巨头愿意为数据能力支付这样的对价，本身就是数据价值崛起的旁证。

　　企业拥有的数据里，有一部分是与自身业务长在一起的：客户偏好、工艺参数、失败经历、专家判断。这类数据能构成真正的竞争壁垒，因为它具备三个特点：它随使用而增值、迁移成本高，且难以绕开。但有独特数据不等于有利润，医疗就是反例，AI医疗影像行业普遍不赚钱。从数据积累到利润，中间还要通过一轮检验：有没有替代数据？模型通用化会不会稀释独特性？价值捕获的环节是否掌握在自己手里？更根本的边界，在于反馈闭环的性质。在反馈难以低成本建立的领域，如医疗、工业、信贷，专有数据的壁垒是结构性的；而在反馈可以自动验证的领域，如数学、编程，模型能靠自我生成、自我筛选的数据持续进化，专有数据的优势就更可能只是阶段性的。所以，评估一项数据资产的前景，第一步是先判断它所在的领域属于哪一类。

　　企业边界之外：技术、市场与制度

　　当数据的社会价值明显大于私人收益，或风险超出单个主体的承受范围，问题就必须到企业边界之外去解决。这里起作用的，主要是一种技术力量和两条制度路径。技术回答的是“如何在降低泄露风险的前提下参与训练”，却回答不了“谁有动力参与、收益怎么分”。流动性和可持续的激励，仍要靠机制设计来解决。

　　第一条制度路径是市场化机制，让数据拥有者在合规前提下有动力开放数据、分享增值收益，具体形态包括数据交易市场、数据信托、数据资产入表等。但这条路天然受制于数据的两个特性：排他性决定了可供交易的存量有限，场景依赖则决定了定价困难——同一份数据的价值因任务而异，很难形成统一的市场价格，因此市场化仍处在早期摸索阶段。

　　第二条制度路径是自上而下的公共安排，适合用于市场失灵的领域，并可按外部性的强弱分层处理。涉及国家安全与公共利益的数据，如气象、地理、人口基础信息，由政府或行业组织主导，建设公共数据平台与高质量公共数据集，把碎片资源变成基础设施；医疗健康、交通这类外部性强的民生数据，需要在统一标准与严格隐私边界下作较强的公共安排；而偏向商业竞争的数据，则应以市场化方式发现价值，政府监管而不替代市场。

　　更长远的制度想象，可以回到本文反复出现的那个矛盾：是给拥有者激励，还是让全社会受益？专利制度其实早就给出过一种折中——用一段有限的保护期，在两者之间取得了几百年来大体有效的平衡。数据或许也需要类似的安排：作为一项公共政策，让某些类别的数据在一定年限之后必须开放。保护期内，拥有者的投入得到回报；保护期满，被封存的智能回到公共领域。

　　总而言之，数据不只是技术问题，也是管理问题和经济问题。对企业家而言，数据的准备是用好AI的入场券，数据质量将成为AI时代竞争力分化的重要来源，值得战略级的重视。而因为数据的外部性，我们还须跳出企业、从国家的视角再看一层。中国有人口规模、市场纵深和完整的工业体系，积累了极其丰富的消费数据、工业数据和城市运行数据。墙内的一半靠企业治理，墙外的一半靠制度创新；让数据的拥有者得到回报，让数据的价值归于社会——AI时代的数据经济，最终要在这两端之间找到平衡。　　（刘劲系长江商学院会计与金融学教授、投资研究部主任，段磊系深之度咨询合伙人）