- 院士1
7月4日上午，2025全球數字經濟大會數據要素發展論壇在國家會議中心成功舉辦。中國科學院院士鄂維南出席論壇並圍繞“Data-centric AI 的基礎設施”發表主旨演講。
鄂維南院士指出，AI發展正在經歷核心轉變，從“拼模型”到“拼數據”，從Model-centric AI（MCAI）到Data-centric AI（DCAI）的範式遷移，數據品質與多樣性成為突破AI能力的核心引擎。
一、AI發展的核心轉變
（一）AI發展的趨勢
過去，AI 的成功和進步，依賴模型創新（如ChatGPT基於2017年的Transformer架構）
未來的趨勢是，模型創新空間有限，數據品質與多樣性成為AI能力突破的核心。
當前主流大模型（如GPT、Qwen、DeepSeek）架構高度同質化，性能差異主要源於數據而非模型本身。
（二）數據是AI的新戰場
資源枯竭：高品質公開數據消耗殆盡，私有數據與合成數據成為關鍵資源；
處理低效：數據清洗、標注、評估高度依賴人工（如GPT-4需數百工程師耗時數月）；
企業困境：缺乏專業團隊處理保密性強、結構複雜的私有數據。
（三）數據驅動的AI新範式
用一套標準化的數據工具平臺，低門檻、低成本和高效率為AI準備數據。
數據統一管理：原始數據→數據湖→AI數據庫（結構化+非結構化融合）；
數據智慧處理：自動化數據清洗、合成、評估工具；
數據動態調度：根據模型反饋實時優化數據；
（四）模型訓練的主要工作量在於數據的準備
傳統AI開發中，數據準備佔據90%工作量：多模態數據（文本、圖像、視頻）格式混亂、品質參差、數量不足等問題嚴重制約模型效果。
Data-centric AI的核心目標是通過標準化工具鏈，將數據準備轉化為自動化、可復用的“數據流水線”。
二、人工智慧基礎設施
（一）算力和數據
在模型結構基本不變的情況下，大模型開發主要取決於大數據和大算力。
算力基礎設施的底層是GPU和相應的工具，如CUDA。在此基礎上，TensorFlow等工具建立起了模型和算力之間的橋梁。它們一方面讓我們能夠快速簡便地搭建模型，另一方面也對模型的計算效率作了優化。
在DCAI基礎設施裏，AI數據庫對標GPU作為最底層工具，（拓展了的）SQL+向量生態對標CUDA生態，DataFlow數據準備工具對標TensorFlow等模型搭建工具。在這個思路下，數據湖和數據倉庫就像是算力裏面的CPU。
（二）AI數據庫
代表産品：MyScale數據庫（國際首個AI數據庫）
通過擴展SQL，實現結構化數據、向量、文本、時序、圖數據的異構融合存儲與聯合查詢。
（三）數據準備工具DataFlow
DataFlow的核心理念是像TensorFlow搭積木編程模型一樣編程數據：比如TensorFlow通過組合卷積層和激活層等基礎算子得到殘差塊，再堆疊多個殘差塊得到經典的ResNet模型。
同樣地，DataFlow內置了100+通用處理算子，和20+創新處理算子，結合各個模組的特點以及各種通用和行業算子，針對任務構建算子組合管線。
以強推理數據合成任務為例，該任務需要組合多個模組的算子：數據處理模組算子包括問題預處理、過濾、基於正確性的問題驗證演算法；數據合成模組算子包括問題合成&擴充、長思維鏈合成、偽答案生成器；數據品質評估模組算子包括合成問題正確性驗證調用、問題難度和類型分類。通過以上算子組合形成的配方最終構成強推理數據合成的管線;
（四）基於AI數據庫的下一代LLM訓練新範式
數據湖裏的原始多模態領域數據結構複雜且品質低，通過DataFlow的數據準備得到包含統計資訊的高品質的標準化數據，再通過DataFlex的動態調度來抽取、配比和推薦當前大模型最需要的數據，從而實現大模型的線上訓練。
這種方式優點有三：基於AI數據庫可以支援高頻數據更新和查詢特點，可以做到訓練數據的實時選擇和知識線上更新。其次，整個訓練過程幾乎無需人工干預，訓練門檻低。最後，AI數據庫裏的知識更容易溯源，模型生成效果更準確安全性也更高。
三、DCAI基礎設施賦能
（一）賦能通用大模型預訓練效果
更短時間：4天時間 vs4個月
更少資源：用了1/10不到的算力
更低門檻：自動數據準備 vs. 十幾位演算法工程師手工精心設計取得更好效果
（二）賦能企業私有模型
大模型+自動化微調數據準備
8B RARE 醫療、法律和金融領域模型和 QwQ32B+RAG、GPT-4+RAG 相比，在各項問答指標上均大幅提升。
實現低成本、高性能解決行業任務，深化推動大模型行業落地。
（三）賦能專有知識庫和智慧體
實現低門檻自動知識庫清洗，高效率、大規模知識庫清洗、輔助精確分塊知識檢索效果提升。
