AI三大投入中，普通企业只有一张牌 | AI进化论

▍写在前面

芯片竞赛、模型迭代霸占了两年头条，但AI真正撞上的第一堵墙，可能不是算力，而是数据。

前沿模型的胃口按代际成倍扩大，公开可得的互联网文本却几乎停止增长。更麻烦的是行业深处：医生的鉴别思路、工程师的排障直觉，这些真正值钱的专业判断，从未被记录成数据。

长江商学院刘劲教授在近期发表于第一财经的署名文章中给出了一个直接明了的判断：算力是巨头和国家的游戏，算法是顶尖实验室的领地，普通企业只有一张牌可打——数据。

当竞争从“谁的模型更强”转向 “谁的数据更干净、更稀缺”，企业真正的护城河，也许就藏在那些与业务长在一起的数据里。

作者 | 刘劲 段磊

来源 | 第一财经

原标题 | AI三大投入中，普通企业只有一张牌

刘劲

长江商学院会计与金融学教授
投资研究部主任

AI有三大投入：算力、算法、数据。过去两年，公众的注意力大多给了前两者——芯片竞赛、模型迭代。

但没有数据，再强的模型也无从训练；到了应用环节，模型能力能兑现多少，又直接取决于数据准备到什么程度。

要理解大模型为什么会撞上“数据墙”、AI进入具体行业后为什么常常用不好，都得先回到一个基本问题：数据到底是什么。

01

数据的两个特性

宇宙最基本的组成元素只有三种：物质、能量、信息。

物质和能量是“实体”，信息是对实体的映射，数据则是对信息的记录。

理解数据的经济逻辑，要从它区别于物质和能量的两个特性说起。

第一个特性是非竞争性。

物质和能量都是“竞争性”的：一个馒头只能吃一次，一吨铁矿石只能进一座高炉。

数据没有这种竞争性，同一份病历、同一批驾驶记录、同一组工业参数，可以同时被多家机构、多套模型使用，同时复制成本极低，这意味着，数据被使用得越广，创造的总价值就越大。

第二个特性是排他性。

它来自产权而非物理。

数据可以被无限复制，并不意味着任何人都有权取得和使用它。

数据的稀缺，正是由产权界定出来的。

数据产权的归属多种多样：

病历、基因、支付记录、出行轨迹这类数据的产权属于个人，是个人隐私；

工厂的设备参数、良率数据、故障日志这类数据的产权属于企业，是商业秘密；

能源、交通、金融、地理空间等涉及国家安全的数据，产权可能属于政府，是国家机密。

这两个特性合在一起，构成了数据经济的核心矛盾：非竞争性意味着共享能创造更大的总价值，排他性却让拥有者有充分理由限制共享。

真正能大幅提升智能的高价值数据，恰恰是最拿不到的那部分。

当高价值数据握在企业手里，出于竞争顾虑，理性的选择往往是囤积而非共享，于是数据在系统层面呈现出人为的稀缺。

02

数据墙：免费数据时代正在结束

大模型训练消耗的，某种意义上是人类积累的“库存”。

预训练语料里占大头的互联网文本，是过去数十年人类生产、沉淀下来的信息；其中的图书与经典文献，更代表着几千年的积累。

但互联网文本增长早已从早年的成倍扩张降到个位数，网页平均文本量近十年年增长只有2%～4%，而前沿模型的胃口还在按代际成倍扩大。

供给的细流对上需求的洪峰，这就是“数据墙”。

但要注意一个关键区分：

它是有效供给的墙，不是数据总量的墙。真正收紧的，只是公开可得、可合法使用的那一部分。

越容易得到的数据越不值钱，越值钱的数据越得不到。

数据墙的另一面，是供给方式的根本转换。

过去十年，训练数据基本是免费“捡来的”，现在AI把数据的价值抬了起来。

于是我们看到：

未经授权的图书语料因版权投诉下架，社交平台不再允许免费抓取用户内容，新闻机构从起诉转向收费授权。

Reddit向Google开放社区内容，作价约每年6000万美元；新闻集团与OpenAI的五年协议总额超过2.5亿美元。

从此以后，数据要么花钱买、要么花钱造、要么靠制度去解锁，三条路各有代价。

● 花钱买，意味着数据成为有明确价格的资产，上面两笔交易就是这个新市场最早的报价。

● 花钱造，意味着用机器生产合成数据，把“高质量”和“昂贵的人类标注”解耦；但合成数据不会自动扩展知识的边界，效果高度依赖外部验证——在有验证手段的领域（如数学、代码），它是放大能力的杠杆，在没有验证手段的领域，它放大的往往只是噪声。

● 靠制度解锁，则是用规则改变激励，让原本锁着的数据愿意流动。

无论走哪条路，采摘“低垂果实”的时代都已结束；接下来的竞争，取决于更深的开采能力：

谁能把散落的数据、隐性的经验、专家思维的轨迹，转化为可学习、可治理、可持续供给的高质量数据，谁就更可能推动AI能力的下一次跃迁。

03

产业卡点同样在数据

数据墙描述的是前沿模型层面的宏观约束。

当AI走向具体行业，数据问题会落成两层更贴近地面的卡点。

第一层卡在训练端：

通用大模型学的是公开文本，而各行业最核心的智能恰恰不在公开文本里——

医生问诊时的鉴别思路、基金经理下单前的权衡、律师面对案卷的推理路径、维修工程师排障时的直觉，这些专业判断的“过程性记录”在互联网上几乎不存在。

第二层卡在应用端：

企业自己的数据没有准备好。

数据公司Precisely与德雷塞尔大学2024年的调查显示，只有约12%的受访组织认为自己的数据质量与可及性足以支撑有效的AI应用；

Informatica 2025年对首席数据官的调查中，约43%把数据质量与就绪度列为AI从试点走向生产的首要障碍。

就具体行业来说，制造业的困难是“有而不可用”：

工厂

工厂不缺数据，难在各套系统出自不同厂商、不同年代、不同协议，口径互不对齐；

更大的缺口还在系统之外——资深工程师的判断、故障时先查什么、参数异常时敢不敢继续生产，这些大多从未落成记录；

就算数据凑齐，还有验证这一关，产线对错误近乎零容忍，AI无法像在聊天框里那样试错学习。

医疗

医疗的困难则是“多而不通”：

隐私与合规把数据锁在医院之内，跨院流动举步维艰；

标注要占用最稀缺的资源——优秀医生的时间；治疗效果的反馈以年计，验证闭环极慢；

而病历里存的是结论不是推理，医生真正的鉴别诊断思路不会写进病历。

编程

也有一个正面样本，就是编程。AI渗透最深、效果最显著的应用领域是编程。

编程几乎满足了“有效数据”的每一个条件。

►可得性上

仅GitHub一家平台就托管了逾5亿个代码仓库、注册开发者超过1.8亿，全球工程师把代码连同修改记录、评审意见、问题讨论一起公开托管，开源许可证又为复用敞开了大门。

►质量上

代码是形式语言，语法约束明确，远比自然语言更容易被机器解析。

►验证上

代码自带“判卷”机制，能不能编译、测试过不过，机器自己就能判定，训练信号天然可验证。

►过程上

版本历史大量保留了“这道题是怎么一步步解出来的”。

► 更新上

全球开发者每天的新提交源源不断。

可得、优质、可验证、有过程、能持续，五个条件，编程一个不落。

开源运动是一场提前几十年完成的制度实验，它用声誉、协作与许可协议这套激励设计，替AI预先备好了一座可验证、持续更新的数据富矿。

换句话说，编程是先解决了数据的经济问题——确权与激励——才迎来了AI的繁荣。

对很多行业而言，解锁数据的钥匙不在算法里，而在制度里。

04

数据是普通企业唯一能发力的主场

对企业来说，AI要落地，数据的准备不是可选项，而是入场券：归集、清洗、对齐、标注、治理、确权，每一项都是真金白银的投入。

其中治理大致有三级：

● 底层是常规的清洗、去重与噪声过滤；

● 往上一级，是为重要知识建立溯源与版本控制；

● 在高价值的专业领域，则需要精细的标注工程和领域专家的深度参与，构建“少而精”的高置信度数据集。

同时，需要一条把业务中的行动、结果与失败不断回流的管道，才满足“持续更新”这个条件。

在AI的三大投入里，普通企业只有一张牌可打。

● 算力指向芯片和数据中心，是巨头与国家的游戏；

● 算法指向前沿模型研发，是顶尖实验室的领地；

● 唯有数据，高度分散在各个垂直行业和场景之中。

当公开数据的红利见底，模型的边际改进就越来越依赖高质量数据。

而在模型方法论日趋同质的背景下，竞争焦点也正从“谁的模型更强”转向“谁的数据更干净、更稀缺、更难复制”。

Meta在2025年6月以143亿美元投资数据服务商Scale AI、取得约49%的股权——巨头愿意为数据能力支付这样的对价，本身就是数据价值崛起的旁证。

企业拥有的数据里，有一部分是与自身业务长在一起的：客户偏好、工艺参数、失败经历、专家判断。

这类数据能构成真正的竞争壁垒，因为它具备三个特点：它随使用而增值、迁移成本高，且难以绕开。

但有独特数据不等于有利润，医疗就是反例，AI医疗影像行业普遍不赚钱。

从数据积累到利润，中间还要通过一轮检验：有没有替代数据？模型通用化会不会稀释独特性？价值捕获的环节是否掌握在自己手里？

更根本的边界，在于反馈闭环的性质。

► 在反馈难以低成本建立的领域，如医疗、工业、信贷，专有数据的壁垒是结构性的；

► 而在反馈可以自动验证的领域，如数学、编程，模型能靠自我生成、自我筛选的数据持续进化，专有数据的优势就更可能只是阶段性的。

所以，评估一项数据资产的前景，第一步是先判断它所在的领域属于哪一类。

05

企业边界之外：技术、市场与制度

当数据的社会价值明显大于私人收益，或风险超出单个主体的承受范围，问题就必须到企业边界之外去解决。

这里起作用的，主要是一种技术力量和两条制度路径。

技术回答的是“如何在降低泄露风险的前提下参与训练”，却回答不了“谁有动力参与、收益怎么分”。流动性和可持续的激励，仍要靠机制设计来解决。

第一条制度路径是市场化机制

让数据拥有者在合规前提下有动力开放数据、分享增值收益，具体形态包括数据交易市场、数据信托、数据资产入表等。

但这条路天然受制于数据的两个特性：

排他性决定了可供交易的存量有限，场景依赖则决定了定价困难——同一份数据的价值因任务而异，很难形成统一的市场价格，因此市场化仍处在早期摸索阶段。

第二条制度路径是自上而下的公共安排

适合用于市场失灵的领域，并可按外部性的强弱分层处理。

● 涉及国家安全与公共利益的数据，如气象、地理、人口基础信息，由政府或行业组织主导，建设公共数据平台与高质量公共数据集，把碎片资源变成基础设施；

● 医疗健康、交通这类外部性强的民生数据，需要在统一标准与严格隐私边界下作较强的公共安排；

● 而偏向商业竞争的数据，则应以市场化方式发现价值，政府监管而不替代市场。

更长远的制度想象，可以回到本文反复出现的那个矛盾：是给拥有者激励，还是让全社会受益？

专利制度其实早就给出过一种折中——用一段有限的保护期，在两者之间取得了几百年来大体有效的平衡。

数据或许也需要类似的安排：作为一项公共政策，让某些类别的数据在一定年限之后必须开放。

保护期内，拥有者的投入得到回报；保护期满，被封存的智能回到公共领域。

总而言之，数据不只是技术问题，也是管理问题和经济问题。

对企业家而言，数据的准备是用好AI的入场券，数据质量将成为AI时代竞争力分化的重要来源，值得战略级的重视。

而因为数据的外部性，我们还须跳出企业、从国家的视角再看一层。

中国有人口规模、市场纵深和完整的工业体系，积累了极其丰富的消费数据、工业数据和城市运行数据。

墙内的一半靠企业治理，墙外的一半靠制度创新；让数据的拥有者得到回报，让数据的价值归于社会——AI时代的数据经济，最终要在这两端之间找到平衡。

文中图片来自图虫创意，转载需获授权

点击下方卡片，关注长江商学院