我们和OpenAI之间，还差一个“黄金数据集”
随着百模大战愈演愈烈，在算法性能之外，越来越多的人意识到了数据的重要性。
2021年，全球知名的AI学者、曾执掌谷歌&百度等大厂AI研发工作的吴恩达，提出了Data-centric AI（以数据为中心的AI）的主张。
在近日一篇刷屏全网的访谈文章中，著名投资人、金沙江创投主管合伙人朱啸虎多番强调了“数据”在大模型市场的重要性。举例而言，他讲道“应用公司构建的壁垒是什么？是数据啊”“很多垂直领域，都要积累数据、积累优化”“有闭环数据反馈，后面追不容易”。
但在理论之外，如何将私域数据引入AI研发流程之中、实现效果最大化，仍存许多难题。
为此，我们与2017年成立、专注AI数据科技的企业“星尘数据”进行对谈，星尘数据创始人、CEO章磊分享了他对AI大模型市场混战，以及AI数据处理的种种思考。
3月11日，星尘数据还在国内首发了面向AI的数据闭环产品“MorningStar”，该平台全面覆盖AI算法从训练到生产全链路中的数据管理、迭代、优化、挖掘等闭环链路，是国内首个专注数据价值发现的AI数据平台。
（星尘数据创始人章磊于MorningStar发布会，图源/星尘数据）
01、“黄金数据集”是企业的核心竞争力
数据的重要性，在AI领域早已不是秘密。
从2022年底，ChatGPT横空出世至今，其研发团队OpenAI始终未曾公布ChatGPT的训练数据集来源和具体细节。而这也被外界视为OpenAI最为核心的商业机密之一。
就像国内AI创企OneFlow曾作出的评论：“算力（芯片）是自由流通的商品，花钱可以买到，工程（算法）上有开源项目和团队，因此，对互联网大厂之外的团队来说，剩下最大的挑战在于高质量训练数据集。”
但在2022年之后，全球掀起的“用AI重塑千行百业”的浪潮中，不仅是AI企业、科技大厂，更多传统企业、AIGC创业企业都在试图完成智能化的飞跃。对这部分玩家而言，对数据的收集和高效利用成为了核心难题。
章磊将这种情况总结为：“就像你可以请最优秀的厨师来做菜，但原材料必须是企业自己的，这样才能确保菜品的独特性。随着大模型的发展，员工数量可能会减少，但只要企业沉淀了私域数据，这些数据将成为企业的核心竞争力。”
但与此同时，想要真正“盘活”、高效利用企业的私域数据并不容易。
章磊讲道：“这不仅仅是数据量的问题。‘（AI）超级员工’可以帮助企业完成研发、代理、销售产品、财务等任务。关键在于什么样的数据能够打造这样的超级员工。并非所有数据都同等重要，只有那些“黄金数据集”才能有效帮助模型迭代。”
对此，星尘数据的投资人、华映资本管理合伙人章高男也分享道，据相关调研：“过去，我们并没有一个系统化的方法来管理训练数据。即便是在像OpenAI这样的顶尖AI公司，他们也许在内部有一套高效的数据管理流程，但这并不意味着这些流程可以轻易地复制到其他组织或个人。”
02、打造黄金数据集难在哪？
MorningStar包含三种服务形式，分别是私有化部署、SaaS化在线服务和开源版本。
该平台可以满足用户的四大需求：首要要求是可管理性；其次是可挖掘性，即在数据中挖掘出对模型有价值的信息；第三是可迭代性，数据需要根据模型和用户反馈不断变化；最后是可优化性，数据应不断优化并协同工作，以打造真正属于企业的数据资产。
根据官方信息，MorningStar是国内首个专注数据价值发现的AI数据平台。而在此前，国内在AI数据价值发现领域的市场空白，与国内AI市场的参与者结构不无关系。
（图源/星尘数据）
在章磊看来，按照金字塔结构，可以将AI市场的参与者分类为三层：“顶层是知名研究院、头部AI创业公司，拥有领先的技术突破能力；中层、腰部的是有 AI 研发能力的二线 AI 公司和大型企业研究院；尾部的则是没有AI研发部门的传统企业。”
这三类公司各自有主攻的方向，难以专注对AI数据的挖掘、管理、高效利用等工作，更难以搭建AI 全生命周期的数据闭环。
他讲道：“顶层的公司往往是创业公司，要拿资金、要去证明市场价值，开拓新客户，因此没有时间来做基础设施；腰部的公司直到近两年ChatGPT的出现，才意识到数据的重要性和难点，之前只有自动驾驶公司才有相关需求，而传统企业往往关注于应用，而忽略了私域数据的价值。
凡此种种，让大模型时代中，对专业AI全生命周期数据服务的需求应运而生。
章磊透露，除了星尘，如今市场中亦有其他数据服务商提出了AI数据整体解决方案，但尚未看到清晰的技术规划及落地产品。
（作者｜董温淑，编辑｜董雨晴）
参考文献：
《朱啸虎讲了一个中国现实主义AIGC故事》，腾讯科技 张小珺