WAIC现场｜参数竞赛退潮，高质量语料成AI下半场主战场 | 前沿在线

今年WAIC逛下来，最大的感受是：AI圈终于不卷参数了。

7月19号那场「全球专家极致语料」人工智能高质量语料生态论坛，坐了一屋子平时很难凑齐的人：各领域的领军科学家、国家信息中心的研究者、头部大模型厂的技术负责人、专门投硬科技的投资人。这么多背景完全不同的人，坐了四个小时，没聊新模型，没聊大算力，就聊一件事：数据。

这不是这一场论坛的个例。从今年WAIC整体的风向，到全球AI巨头的动作，再到行业研究者的公开判断，所有人都在往同一个方向看。

这场论坛是GOMAX LAB骨码智元实验室主办的，全程没什么花活，没有炫酷的发布，没有夸张的口号，所有人坐下来聊真问题。

散场的时候不少人说，这可能是今年WAIC最实在的一场会——吵了三年，大家终于聊到AI的根上了。

为什么突然所有人都在聊数据？

说穿了，是卷参数卷不动了。

过去三年整个行业像打了鸡血一样比参数：你出70亿，我出1万亿；你买1万张卡，我买10万张，好像谁卡多谁就能先摸到AGI。

结果呢？参数堆到天上去，模型该幻觉还是幻觉，该算错还是算错，专业领域一问三不知。

这就像你给一辆三轮车加再多油，它也跑不过跑车——发动机不行，光加油没用。

大模型的发动机是什么？不是参数，是数据。

学界早有预警：按照现在大模型消耗数据的速度，公开互联网的高质量语言数据将在2026年耗尽。

现在所有大模型用的通用数据，基本都是从互联网上爬来的：网页、论坛、新闻、公众号……这些数据现在不仅爬完了，质量还烂得离谱：重复、错误、编故事、前后矛盾，什么垃圾都有。

模型越大，吃的垃圾越多，毛病就越明显：看起来什么都能聊，真让它算个翼型、配个化学方程式，立刻露馅。

Gartner的调研也印证了这一点：超过70%的企业AI项目最终卡在了数据环节，80%的AI项目失败，根源不是模型不行，是数据质量不过关。

更关键的是，AI不能永远当聊天玩具。接下来它要进实验室帮科学家做研究，要进工厂帮工人做制造，要进医院帮医生看片子——这些场景，靠互联网上的段子、八卦、百科，根本训不出能用的模型。

未来AI的革命关键在科学数据：超过70%的地学关键信息来自光谱、地震波等原始物理数据，不是论文里的文字，这些高价值的专业数据，才是AI做科学研究的核心。

这里有个90%的人都搞错的常识：高质量语料不是"洗干净的互联网文本"。

之前大家买数据跟买白菜似的，按TB称，觉得量越大越好。

现在才明白：一吨烂白菜，也不如一克黄金有用。

普通数据和高质量数据的区别，根本不是干不干净，是有没有"灵魂"——普通数据只是人类说话的记录，只能让模型学会怎么接话；高质量语料是带着专家完整推理逻辑的知识，能让模型学会怎么思考、怎么解决问题。

洗得再干净的聊天记录，也训不出能设计飞机的模型。

我跟几个头部大模型厂的技术负责人聊，现在他们的训练数据里，真正符合要求的高质量语料占比还不到5%，但就是这5%的数据，决定了模型在专业场景下能不能用，剩下95%的通用数据，只能让模型学会聊天。这就是为什么这么多顶尖的人凑到一起开这个会：大家都看明白了，接下来AI拼的根本不是谁参数大，是谁的数据底座硬。

高质量语料不是锦上添花，是AI能不能从玩具变成生产力的命门。

既然这么重要，为什么之前没人做？

道理谁都懂，但为什么直到今天大家才开始聊？

因为做高质量数据真的太难了，四个门槛直接把99%的公司挡在了门外。

第一个坎：你根本拿不到真东西。

真正有价值的专业数据，根本不在网上。空气动力学的设计逻辑在专家几十年的研究积累里，化工的反应规律在实验室的记录里，制造的工况数据在工厂的生产线上，医疗的诊断经验在医生的临床里。

这些东西爬虫爬不到，花钱也买不到——总不能把专家一辈子的研究买过来吧？之前很多公司喊着做专业数据，最后发现连专家的门都敲不开。

第二个坎：这根本不是堆人就能干的活。

很多人觉得做数据就是找一堆大学生标图片、打标签，人多就行。大错特错。李振华也提到，高质量标注数据已经成为模型智能上限的核心瓶颈，尤其在专业领域，不是随便找个人就能标。

真正的高质量数据标注，比写代码还难：你得先懂这个专业，才能标对数据。怎么把专家脑子里的经验变成机器能懂的规则？怎么保证每一条数据的推理逻辑都对？怎么搭一个客观的测试集？每一步都是硬技术，得专家、算法、工程师拧成一股绳才能做，找一堆兼职根本玩不转。

之前有个公司想做航空领域的数据集，找了几百个大学生标了三个月，最后拿给专家一看，80%都是错的——连基本的专业概念都搞混了，标出来的数据根本没法用，几百万直接打了水漂。

第三个坎：太慢了，资本等不起。

做高质量语料是个慢活：搭团队、找专家、磨流程、建体系，可能一两年都看不到回头钱。

之前三年资本都疯抢大模型项目，几个月就能出模型开发布会，谁愿意投这种慢活、笨活？没有钱，光靠情怀根本撑不到商业化。

第四个坎：连个标准都没有。

直到今天，什么叫"高质量语料"都没个准数。

每家公司都说自己的数据是高质量的，到底高在哪？准确率多少？有没有专家背书？能不能真的提升模型效果？大家各说各的，客户也不知道信谁。没有标准，这个行业就永远是小打小闹。

就是这四座大山，把绝大多数人挡在了外面。

之前大家都在赚快钱，没人愿意啃硬骨头，直到现在参数卷不动了，才回头发现：原来最笨的活，才是最核心的活。

做好高质量数据，要迈过这五道关

这次论坛最有价值的地方，就是把专家凑到一起，终于把怎么做好高质量语料这件事聊透了。

这五个方向不是哪家公司的口号，是全行业踩了三年坑踩出来的共识，也是今年WAIC整个数据板块的核心方向：

第一，领域要越做越宽，敢啃硬骨头

别再在通用文本里卷了，要往高壁垒的垂直领域走。

航空航天、先进制造、生物医疗、网络安全这些硬领域，才是AI真正要落地的地方，也是通用数据最缺的地方。这次论坛公布的九个联合研究方向，全是这些硬骨头，也给行业指了路：接下来做数据，不能再做低水平重复，要一个硬骨头一个硬骨头地啃。

第二，合作要越做越深，别拿专家当站台的

别再搞"专家挂名"那套了。

专家不是来开个会、拍个照就走的，要从最开始定标准、设计标注规则，到中间攻技术难点，再到最后审数据，全程扎进来。

普通标注员标出来的数据准确率不到60%；专家带着团队一起定规则、逐一审定，准确率能到99%以上——不是慢，是要对结果负责。

只有把专家的经验真正变成数据里的推理逻辑，做出来的东西才有用，不然就是打着专家旗号卖垃圾。

第三，技术要越来越硬，别靠堆人做小作坊

做数据不能再靠人海战术了，要走工业化的路。

全链路的质量控制、多模态数据处理、科学的测试集搭建，这些都得靠技术。复旦大学肖仰华教授也提到，现在很多千亿大模型有"水分"，大多数参数只是在编码零散的事实，和模型的真正智能关系不大——只有靠技术把数据质量提上去，模型才能真的变聪明。

只有把技术体系建起来，才能批量、稳定地生产高质量语料，不然永远是小作坊，做不大，也做不稳。

第四，生态要越来越全，不能靠情怀发电

做数据不能靠情怀，产业资本投长期基础设施，财务资本投技术团队，CVC带场景带落地，再把数据安全、合规的体系建起来，让做数据的公司能赚到钱，能持续投入，这个行业才能转起来，不然永远是一阵风。

第五，定位要越来越高，这是全行业的底座

高质量语料不是哪几家公司的生意，是整个AI行业的基础设施，就像互联网时代的电和网。

这个底座不能靠一家公司建，得科研机构、企业、资本一起搭，底座搭实了，上面的应用才能跑起来。

今年WAIC专门设了"基石筑底"数据与语料板块，国家级科技语料库也同步落地，就是这个原因——大家都明白，这是全行业共同的事。

说穿了：这五件事就是高质量语料的五根柱子，少一根都建不起这个生态。

最后说句实在的：AI终于开始干正事了

前三年的百模大战，本质是圈地运动，大家先抢位置、比声音大；现在开始做数据，才是真正打地基——地基打多深，楼才能盖多高。我跟很多投资人聊，之前看AI项目先问你有多少卡，现在先问你有什么独家数据。

之前大家都觉得AI公司的壁垒是模型、是算力，现在慢慢都看明白了，最终的壁垒是数据——模型可以开源，算力可以买，但是你花几年攒出来的高质量语料集，别人拿不走。

接下来一两年，这个趋势会越来越明显：靠堆参数、刷榜单的公司会越来越难混，真正沉下心做数据、做底座的玩家会慢慢走到台前。

作为本次论坛的主办方，GOMAX LAB给全行业搭了个聊真问题的台子，也让大家看到了这个方向的清晰路径。

这条路不好走，要啃很多硬骨头，要花很多笨功夫，但至少现在方向对了，共识有了，有人开始往前走了。

吵了三年，AI终于开始干真正影响长远的正事了。