|
|
本帖最后由 晨枫 于 2025-7-5 13:28 编辑 3 D9 v2 P& Y* X! C
5 @4 O$ U& n7 Y$ x& ]* u7 G7 Z B: d
据说中国东北和贵州在发展数据工业，很有意思。这会成为中国的新兴经济增长点吗？
# Y' e0 e- N/ Y2 H
7 R9 C8 e( Y: n( U" |AI是未来科技增长点之一，发展前景不可限量。但在可预见的将来，AI还是数据驱动型的。也就是说，从人类活动的已有数据训练的“归纳型”AI大模型为主，而不是只基于有限数据、以AI模型自身逻辑推理为主的“推理型”AI大模型为主。理由有两个：
5 [' Q! d# v x4 q1 [' O% D4 ?4 `2 M6 d
1、人类活动积累了海量数据，能做到“模仿人类、有限推理”已经是非常大的突破，就可预见的将来，天花板之高目视不可见，根本不用担心触顶+ | y7 [% u/ b1 ^7 I, v" E
2、人们对人类推理机制并未有足够深刻的理解，模仿深入不下去，让机器推理独立于人类推理独立发展有太大的失控危险，步子不敢迈得太快0 t4 [$ ?* f( _2 [
9 G! G, u0 y4 m: O" t( y" a
ChatGPT、DeepSeek等现在的主要数据来源是书籍、网络等公开来源。书本知识只能是“一般智能”，网络数据鱼龙混杂，还有因果混淆的问题。比如说，到底是观点带动舆论，还是舆论凝聚成观点，这个因果性不搞清楚而不分青红皂白喂进模型训练的话，训练出来的模型就跑偏了。真正形成生产力的AI更是需要依赖大量专业数据。各行各业都有海量数据，他们自己根本没法AI化，但专业公司也有局限。# {- c9 O" K* ^0 Z
% R& E8 \, ~" O2 j' Q专业公司对AI模型的技术细节熟悉，熟谙训练中的各种技巧，但对数据预处理不在行。大数据的前提是“数据中自有颜如玉、黄金屋”。但要是数据中垃圾遍地，甚至邪压过正，那模型训练就是“垃圾进、垃圾出”。弄来一只嘴巧的鹦鹉，但总是教鹦鹉脏话，鹦鹉就肯定脏话连篇，因为鹦鹉是不知道好话、脏话的，学什么就说什么。AI专业公司就是那只鹦鹉。
8 V: d% G4 J: C! B9 r: |3 L
. e+ P! l# O! T: p) h$ F其实没有“好数据”、“坏数据”，关键是什么数据都要标注明白这是在什么情况下得到的，然后训练的时候就可以把情景数据一起放进去。这样的模型比单用“好数据”训练出来的更加有用，因为不仅知道正常时候该是什么行为，在已知的异常时候也知道该是什么行为。异常情况分已知异常和意外情况。在工业上，已知异常包括产品转产、设备开停车、检修（还要分清检修类型）等等，真正需要“抓出来”提出警示的是不属于已知的意外情况，以为正常或者处在已知异常状态，实际上跑偏到不知道什么地方去了，这才是要特别注意的。意外跑偏大多是坏事，但也可能是好事。商务数据分析里，发现意外跑偏就是抓住新苗头的开始。# s% X3 z2 u; H/ z' `4 S7 [' C* ~
/ ~* Z3 k: `' L' q0 g! M% y6 X5 b但专业公司的人对于具体行业数据里正常、已知异常不懂，行业里的人来做数据预处理最好，但实际上他们根本没有这个时间。这又不是他们的主业，人家还要正常生产、科研、该干嘛还干嘛。这就是中国优势可以发挥的时候了。
4 g3 r8 v0 F( z" N7 f' _ |) H+ t3 g3 O/ A) r6 Q X6 Y
中国现在每年毕业约1000万大学生，其中理工科不知道具体比例，假设一半吧，这也是500万。现在找工作不容易，每年这500万中有100万人找不到工作的话，就是很大的社会问题。9 W% D, {8 P5 R
$ }7 G8 t' Q/ L4 {但是换一个角度，他们受过基本的理工科训练，从事数据工业的话，具体项目知识由用户公司集训2-4个星期，在很多情况下就可以胜任基本的数据分类、标注工作，然后就可以放手让他们去干了。可能会时不时需要再咨询用户公司的有关专家，这人家应该乐意配合。这样，大量的行业数据需要大量的理工科人手从事数据预处理，
) M! o$ r* n) M8 o7 ~0 Z# i! C8 A
这些理工科人手不需要太专深的专业知识，只需要对相关工业有足够的一般了解，并得到具体问题的集训提高。还要坐得住，耐得住寂寞，因为他们的工作结果是别人的开始，他们自己是看不到结果的。但这是“劳动力密集”产业，需要的初级理工科人手不是三五百、三五千、三五万，随着AI工业的发展，这可能是几十万、几百万人的大规模，而且需要处理的数据在可预见的将来根本看不到头。中国和外国的公域数据已经海量，中国还有海量的私域数据。由于数据安全和不得出境，这活还只有中国人干得了。当然，同样的理由，外国的私域数据中国人也接触不到。5 {1 r, K" `7 v
9 C; D9 V- H& C1 L/ e3 C& d3 ?- i
几乎所有公司在这几十年和更长时间里轻易积累了多少TB甚至PB的数据，还有海量的非数值数据。现在有一些以统计甚至AI为基础的辅助工具，还有自然语言输入工具，但驾驭这些工具依然需要理工科人手。同样，不需要太专深的理论基础和经验，但不能是“理工盲”。
0 C0 h; D8 c- z3 V# n2 f4 ]8 @! g5 W4 G
数据工业的数据集可以来自具体项目和具体公司，也可以是广泛收集的行业共享数据。有的时候，行业成员有动力共享技术和商业数据，供跨越具体业界公司的行业测评（benchmarking）公司使用。一种做法是只公布最后统计分析的结果，这样谁都可以自己和行业标杆相比较，比如能耗、劳动生产率、单位排放、资金周转速度等等。只要数据里不包含具体公司，就没有泄漏商业机密的危险。另一种做法是连部分原始数据都提供给参加测评的成员公司，同样抹去具体公司信息，供成员公司进行自己的分析。
# ?# Y9 j) K) l5 p' U7 l
# _3 R4 w- ]# n- K; F4 t0 [类似的做法可供AI-数据工业借鉴。
. w0 o1 C" V5 x! s, ^. E# T; l3 f- c7 m" R' }3 h
这只是在“进”的一头。AI模型训练完毕，还需要模型测评，确保如何实际。这里，再次需要大量初级理工科人手，他们甚至可以来自数据预处理的同一批人。* @3 J" _3 I ]5 o, b- }
. N; C+ S6 S& a2 _4 z对于中国来说，发展AI-数据工业还有一个好处：无所谓地理条件和自然资源，不需要多少基础设施，有电，有网，有吃，有住，就够了。传统工业陷入瓶颈的老工业城市，水电交通发展起来但还是缺乏增长点的三四线小城镇，都是适合数据工业发展的好地方。老少边穷没问题，东北老工业区、黄土高原上、吐鲁番果园里、沿海发展中心之间“被遗忘的角落”都行。贵州等地已经在大力发展数据中心，但这只是数据仓库，存储大量“数据矿石”。数据工业好比冶炼厂、化工厂，把矿产和资源转化为中间体，供最终制成品工厂使用。
. S3 \# E. `" w+ }8 u( C$ n
5 Z8 z0 R4 j% v" `9 H/ b0 N; [数据工厂那里能吸引足够的年轻人吗？哪里都有足够的年轻人，愁的是没有足够的高质量就业机会。数据工业未必是发大财的行业，但比排队考公不会差。6 o' _3 N6 E4 L# N- f- B
. t v/ ^" G4 b# H4 F. h1 k入门门槛不太高，不是非985、211不可，入门后还适合自己拉出来单干，客户大小公司咸宜，适合远程和网络化办公，发展天花板很高，发展潜力和速度很大，还等什么？
; P/ p* U! V. q w4 x- J5 I
; I$ Z: e. j7 d当然，滥竽充数是不行的，糊弄事害人害己，但认真做，这是值得重视的新赛道。 |
评分
-
查看全部评分
|
雷达卡
楼主
收藏
分享
淘帖
支持
反对
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
抢沙发
千斤顶
显身卡
发表于 2025-7-5 15:01:04
发表于 2025-7-5 17:19:45
