人工智能时代的数据资产

 

        当你看到上图AI回答“贾宝玉的最佳伴侣是贾母”时，有没有感觉它像是人工智障？当然，现在主流的Chat-BOT我都试过，再也不会有初代ChatGPT那样离谱的回答。

        但不可否认的是：对于一个大语言模型（LLM）来说，如果你给它喂的数据没有营养，那它表现出来的智能程度也不会高到哪里去，输出的结果大概率也就不靠谱。

        训练数据对于人工智能来说就是精神粮食的存在，只有食物（数据）提供的到位，做出来的菜才会香。如果训练数据不到位，可能就会真的把人工智能模型训练成人工智障。

        2025年在AI迅速席卷商企政各界、跨层渗透生活圈的同时，我们来摆一摆这个话题——人工智能时代的数据资产。

        一、【数海溯真】数据资产何为

        我们都知道，人工智能的三大要素分别是算法、算力、数据。

        算法——好大脑，它好比生产工具，算法创新代表着技术方法的突破与技术效能的提升；

        算力——好身体，它好比生产力，算力聚集代表着强劲的计算性能和硬实力的革命本钱；

        数据——好食物，它好比生产资料。数据丰富代表着强大的底层支撑和算法算力的转化动力。

        数据（DATA）并不是人工智能时代才诞生的产物。广义上通过符号被描述并记录的内容，都可以称为数据。

        数据与信息经常被混为一谈。事实上，数据是信息的载体，信息是消除不确定性之后提炼出的数据。数据带有客观性和随机性，信息包含主观意识和分析痕迹。这就好比，成都今天温度7-12摄氏度、湿度90%，昨天10-25摄氏度、湿度60%，以上称为数据；而天气预报表示今天成都大幅降温，这个就是信息。

        因此不难理解，我们所称的信息社会、信息化建设，其核心都建立在由数据提取的、与人直接交互的信息之上。而科学领域的研究者需要暂时抛开信息，直接与承载信息的数据做交流，更客观的从数据中研究产生多种信息的可能性。

        十多年前，大多数互联网和科技公司动辄要给自己标榜“大数据技术”，而今天，你基本上听不到“大数据”这个词，仿佛它已被时代浪潮所抛弃。

        然而真实情况是，大数据技术本身是数据科学的一部分。在特定的时代背景下，它与云计算技术融合，建立了对多元数据的处理规范（如MapReduce、HDFS、Hadoop、Spark），孕育了从数据体系架构形成到数据处理与挖掘，进而正在被机器学习、深度学习等人工智能技术进一步赋能。

        各领风骚数十年，这里不变的，是数据做为研究本体的基础要素价值。

        人工智能技术从机器学习发展到语言大模型（LLM）与多模态模型构建，数据，成为了构成人工智能系统学习、决策和优化的基础。它不仅包括了用于训练、测试和优化人工智能模型的结构化、半结构化、非结构化数据，还涵盖了人工智能外部加工再生成的合成数据和标注数据，以及场景交互、人机交互、系统运行、模型衍生的应用数据。

        0与1的数字与代码堆彻而成的，只能看作原始数据。由原始数据经过有序整理，就可以形成数据资源。而再将数据资源深加工，在相应领域产生经济价值，那就是数据资产。

        举例来说，去年我给孩子买AI学习机，最后聚焦于科大讯飞和学而思两款产品。抛开硬件参数以及运用的星火与九章模型，两者之间最大的差别在于，学而思产品背后有教培市场20年教研沉淀，3000+人教研团队更新迭代的1400万+分钟内容资源同步更新，20000+本教学精辅精讲。假设学而思不做产品，这些数据资源也完全能提供给其他学习机硬件企业，这就是学而思的数据资产。

        同理还有新能源汽车行业的比亚迪、吉利和蔚小理米，车辆行驶的各类参数不断反馈厂商用于研发迭代。3-5年后行业兼并重组时，车辆行驶和研发数据一定会作为数据资产成为谈判资本。

        二、【万象织源】数据资产何来

        人工智能大模型的数据资产，通常以数据集的形式体现。

        数据集是什么呢？它好比一袋袋整齐归类过的各种类型的粮食。

        一个代表性的例子是2009年发布的ImageNet数据集。

        ImageNet是一个计算机视觉系统识别项目，2007年起，斯坦福大学的计算机科学团队通过组织人工标注方式，将超过1400万的图像进行分类和手动注释，比如每一个“皮球”或“汽车”的分类下，都包含有数百张图像。这相当于为视觉识别算法做了一个巨大的通用题库。

        以此为基础，2010年至2017年举办的ImageNet挑战赛，检验全球各研究团队在视觉识别领域的算法能力。诞生了AlexNet（2012）、VGG（2014）、GoogLeNet（2014）、ResNet（2015）等耳熟能详的深度学习网络模型。

        2012年杰弗里·辛顿（Geoffrey E. Hinton）和弟子伊利亚·苏茨克沃（Ilya Sutskever）和亚历克斯·克里切夫斯基（Alex Krizhevsky）提交的卷积神经网络AlexNet模型，直接将错误率降低了前所未有的近 10 个百分点，被视为这一轮人工智能技术热潮的启幕之战。（历史沿革参见之前写的《一文看懂DeepSeek的中国式创新》）

        到2015年，卷积神经网络对ImageNet测试的识别错误率已经低至3.57%。换句话说，机器算法已经能够正确识别近97%的图像，而人类的测试识别正确率约为94.9%。

        ImageNet贡献的是一个面向算法的开源数据集，其作用主要在于推动科研评测，本身不包含直接经济效益，所以我们不能把它简单归于数据资产。

        但是，在大语言模型（LLM）的生成过程中，从设计、训练、评测、仿真到算法更新迭代的全生命周期，都有大量数据集的输入和产生，这些数据集是有特定价值的，所以一般不会公开。

        当人工智能模型在具体场景适配应用时，例如之前提到的新能源汽车智能驾驶，又或是具身智能模拟仿真，无论是最初的场景环境数据，还是二次生成数据，这些私有数据集会被视为具有商业属性价值的数据资产。

        你问OpenAI和DeepSeek最有价值的资产是什么？其中之一就是经过严格筛选和优化的海量训练数据。

        总结一下，要将数据转化为数据资产，需要经过以下步骤：

        第一，数据资源化。将原始数据进行原料初加工，经过收集、整理和清洗，转化为可利用的数据资源。

        第二，资源产品化。将数据资源转化为具有特定功能和价值的产品或服务。

        第三、产品价值化。通过数据产品的交易、流通等方式，实现数据的价值转化和增值。

        三、【百川赋值】数据资产何用

        “高筑墙，广积粮，缓称王。”600多年前，初创企业“大明”CEO朱重八欣然接受了这项战略提议，在元末群雄并起时局中稳扎稳打地构筑了自己的“护城河”。

        随着数字经济的蓬勃发展，数据已成为企业最宝贵的资产之一。据国际数据公司(IDC)预测，到2025年，全球数据总量将达到175ZB。数据资产的积累和运用，不仅能够提升企业的决策效率，还能够推动产品和服务的创新，为企业带来直接的经济效益。

        筑基护城。构成企业“护城河”的要素可以有很多种，比如信息差——赚你认识以外的钱，硬实力——专利或独有技术，先发优势——领先一步占领市场，生态体系——多元渗透形成相互关联支撑的产品生态，规模效应——大体量高质量形成品牌。而数据资源，也成为构成“护城河”的要素之一。电商、外读平台的护城河不止是推荐算法，还有基于数量庞大的采集数据生成的精准“用户画像”。生物制药、基因工程行业龙头企业的护城河，也一定是背后的专业数据。更不用说所谓的互联网“内容五巨头”：腾讯音乐、B站、爱奇艺、阅文集团、知乎。在线音乐、视频、网文、社区等不同赛道，以内容数据为资产的付费享受即为其核心商业模式。越是独角兽或单项冠军企业，越会像朱重八那样构筑坚实牢固的数据护城河。

        驱动决策。运行数据是企业的体征指标，用户数据体现市场风向，数据资产成为企业决策的重要依据。企业通过分析数据资产，能够更准确地预测市场趋势，优化产品设计，提升客户服务体验，从而在激烈的市场竞争中占据优势。政府则可以依据数据分析结果，调整政策制定原则，更加有效实现对市场调控引导。直播平台的头部主播崛起，固然有其个人因素与市场需求，也离不开背后的MCN机构提供的流量分析、资源引导和赛道孵化。卖什么产品，用什么话术，甚至穿什么衣服、如何妆扮，主播与MCN决策都来源于数据。

        创新拓源。商场如战场，灵敏的商业嗅觉会助力占据市场主动。数据资产既是决策的依据，也是创新的源泉。数据资产的深度挖掘和应用，为企业提供新的业务模式。年初DeepSeek横扫国内大模型市场，之前活跃在圈内的“AI六小虎”初创AI公司，浮在岸上的基座大模型公司仅剩若干家。但与此同时，垂类大模型应用正迎来井喷期，成为推动产业升级和商业创新的核心驱动力。

        提升估值。数据资产信息发布有利于提升企业形象声誉，向市场传递企业具有竞争力的积极信号，扩大品牌影响力。同时，为投资者精准掌握企业经营发展实力，提高投资者信心，从而提升企业保值。双11购物狂欢节，自2009年开启，2012年开始使用实时大屏显示成交金额以及其他数据信息，在直播带货尚未兴起的电商时代，大屏展示的交易数据，既是电商成交数额的真实感观体验，也是一种内部激励和技术炫耀，更是平台综合实力体现。曾经有人说，因为这个实时大屏，他一整晚都没睡，边盯着屏幕边剁手，大屏上的数据刺激着他持续想消费。

        四、【潜礁暗涌】数据资产何患

        若干年之前，我们经常会看到一车小汽车顶架着摄像头，缓慢穿行于大街小巷，摄像头旋转着摄像街景，再后来，手机地图APP上就有了全景地图选项，点击可以看到某个街角的实景图。

        APP地图里的全景数据采集合规吗？采集全景数据是无偿免费的吗？数据资产形成的背后，还有哪些潜在的风险隐患呢？

        数据质量：数据的准确性、完整性和一致性是数据资产价值的基础，但数据质量问题普遍存在。大模型公司通过语料数据训练基础模型，垂直分类领域利用标注数据做监督微调，这是目前主流AI玩家的基本操作。诚然，GPT-4几乎把整个互联网的语料库精华一网打尽，监督微调也养活了一群数据标注公司，由此产生数据对齐的概念。然而，语料库精华仅仅是世界万物已经呈现或是前人总结的一部分，还存在巨量的多模态数据，以及今后可能出现的未知数据，所以靠已有数据和人类标注监督是不可能完全覆盖的。数据质量不高，模型会产生“幻觉”，数据质量如果被人为错误标注，则会出现“数据污染”，进而影响模型输入。那如果让AI自己对筛选、清洗、原始数据，自己去标注和合成数据，自己去反馈评估并且改进呢？这就是杨立昆的“世界模型”和LLYA的“超级对齐”概念了。

        数据安全：数据泄露、数据滥用等安全问题可能导致重大损失。这是一个老生长谈的问题，具体案例和警示就不太多说了。值得注意的是，AI数据安全与网络防护密切相关，实际上是网络安全在AI领域的延伸，数据加密和网络防御等技术同样适用于保护AI数据资产。

        数据隐私：数据隐私保护是数据资产管理的重要方面，尤其是在涉及个人数据时，必须严格遵守相关法律法规。2018年5月25日，欧盟出台了《通用数据保护条例》（General Data Protection Regulation，简称GDPR），是全球数据隐私保护的一个里程碑事件。继该条例之后，世界上许多国家都颁布了自己的数据保护立法。拿用户佩戴智能手环为例，用户在使用手环前，下载APP时会收到点击同意确认授权的提示，确认之后才可以使用。在我看来，这里的逻辑还是有问题的。企业向用户提供服务的同时，也是在收集用户的数据，难道不应该是企业向用户承诺，而不是带有半强迫式性质的逼用户授权。

        数据孤岛：企业与企业、行业与行业之间，通常有着很强的壁垒。数据分散存储，模型、应用与外部之间缺少有效链接协议，专业数据拥有者的私有化心理，都容易形成数据孤岛，影响数据资产的整合和共享。拿近期比较火的MCP（Model Context Protocol，模型上下文协议）来说，这款由AI公司Anthropic于2024年11月发布的一种开放协议，核心作用是解决AI模型与外部数据的高效调用。AI模型的生成是靠已有数据训练而成，而模型问答都一个“联网搜索”的角标，目的是模型实时与互联网开源数据做调用。对于专业化数据，AI模型如果不做接口，回答的结果肯定是不准确的，而面对众多应用，一一对接开发的效率实在低下，于是这款“万能接头”的MCP协议迅速被各AI模型公司接受，被业内认为是破冰“数据孤岛”、构建链接模型与外部生态的重要工具。

        数据权属：数据与其它商品要素一样，存在权属确认问题。参照土地权属，那数据资产也可以分为所有权、使用权和经营权，目前数据权属制度仍在探索建立当中。因此，在我们无法明确数据资产权属可能带来的纠纷时，通常用“知识”来替代“数据”的表述。拿AI+医疗产业来说，可以称得上是场景丰富、技术可行、前景广阔，众多门类的医产数据为AI基座模型寻找切入口提供了契机。与此同时，医疗行业内部掣肘、技术端对数据不具有属权，限制了数据向资产形成后的利益风险。当百川智能决定在医疗领域深耕时，很多人并不看好的原因之一是百川并不拥有医产数据，无法建立属于自己的医疗模型护城河。

        数据价值评估：数据资产的价值评估是一项新兴产物，数据不以实体存在，流通性和易变性强，评估尚无权威机构，资产价值受场景、市场、成本、质量等多种因素影响，评估缺乏统一的标准和方法。在数据资产的价值体现还不够充分，数据立法仍在建立完善的阶段，未来关于数据资产价值的潜在商业纠纷也现实存在。

        五、【云途共赴】数据资产何去

        我们先从2020年新一轮AI浪潮涌起时，梳理国家在数据建设关键节点上的谋篇布局。

       2020年4月，中共中央、国务院出台《关于构建更加完善的要素市场化配置体制机制的意见》，首次将数据与土地、劳动力、资本、技术并列，明确列为第五大生产要素，并提出加快培育数据要素市场的方向性要求。

        2021年9月1日颁布《数据安全法》，确立数据分类分级、跨境传输安全管理等制度，首次将数据安全纳入法律体系。

        2022年12月，国务院出台《关于构建数据基础制度更好发挥数据要素作用的意见》（“数据二十条”），提出数据产权、流通交易、收益分配等基础制度框架。

        2023年成立国家数据局，负责协调推进数据基础制度建设、数字中国建设等，标志中央层面对数据要素治理的强化。

        2023年2月出台《数字中国建设整体布局规划》，将数据资源体系列为数字中国建设的核心内容。

        2024年9月下发《关于加快公共数据资源开发利用的意见》，加快公共数据资源的开发利用，提升资源供给规模和质量，培育数据要素型企业。

        2024年12月31日下发《国家数据基础设施建设指引》，明确建设和运营国家数据基础设施，促进数据共享，推动数据要素的高效流通和利用。

        2025年1月下发《公共数据资源授权运营实施规范（试行）》《公共数据资源登记管理暂行办法》《关于完善数据流通安全治理 更好促进数据要素市场化价值化的实施方案》，规范公共数据资源授权运营，完善数据流通安全治理，促进数据要素的市场化价值化。

        包含但不仅于以上政策措施可以看出，国家在数据管理和开发利用领域，早已起步规划政策框架，逐步建立数据要素市场，为推数据要素形成数据资产创造了有利条件。

        数据资产的概念，改变了科技投资深层次逻辑。过去信息化建设投资只是支出，是成本项；数据资产的概念出来之后，企业和各地政府逐渐认识到数据资产是一个“富矿”，能够成为资本项，甚至能够创造收益。有的省份成立了大数据集团，集中收集、管理省级数据；有的地方甚至要把数据资产打包售卖。

        数据要素市场建立和数据资产形成是一个长期过程。宏观层面，随着数据资产观念普及，数据要素流通通道会更加通畅，将驱动人工智能相关产业发展，为生成式AI的国产化、自主化创造条件和土壤。而数据要素市场的打通和开放，同时配备相应的数据治理体系，数据产权体系会逐步确立。

        微观层面，数据资产的发展形成，将促进AI技术面向垂直领域更多具象化应用，垂直大模型类型的丰富，又会催生AI智能体的一体化模型（类似初创公司Monica开发的Manus）。大众能够感知的场景，如特定应用的AI客服、进厂打螺丝的AI牛马、个性化服务的医疗助手，数据资产既存在于开发厂商和应用企业，也关联着每一个端侧用户个人。

        1980年，美国科技记者阿尔文·托夫勒（Alvin Toffler）在所著的《第三次浪潮》（The third wave）中，非常肯定地指出“数据就是财富”。

        当你清晨开启电动牙刷，手带智能手表，操控智驾汽车时，你不仅是智能时代AI工具的享受者，也是人工智能技术发展的贡献者。

（完）

https://www.zhihu.com/question/41253829/answer/2314090371（亿信华辰，知乎）