36氪团队已超千人那个。文|张卓倩编辑|袁斯来来源|硬氪封面来源|AI生成在大模型军备竞...

当前全球市场通用数据泛...

一、 前言：大模型来了但是好可怕

说实话，现在的大模型真的挺吓人的。就像你随便在街上走，突然冒出个AI问你“今天吃啥”，这种感觉挺怪的。大家都在搞大模型，你不搞你就好像被淘汰了。但是搞大模型有个大问题，就是数据。数据从哪来？怎么用？怎么让ToB的产业用得爽？这就是我今天要聊的，事实上...。

现在的环境，数据多如牛毛。但是真的有用的吗？我觉得不多。大部分数据都在垃圾堆里。这就好比你有很多油，但是油里有沙子，你没法直接烧，得先过滤。这过滤的过程，就是我们要说的数据底座。

1. 数据孤岛是个大麻烦

但现实中,大多数企业的数据依然处于 孤岛化 状态。这话说得一点都没错。结构化数据 文档数据、日志数据多媒体数据全都分散在不同系统中。 我当场石化。 有的在旧电脑里有的在云上，有的还在那个快倒闭的硬盘里。

这些数据，就像你家里的杂物。你找不到剪刀，主要原因是剪刀可能在客厅，也可能在卧室。企业也一样，想查个去年的销售记录，得翻三个系统。更难支撑大模型了。大模型是个大胃王，它需要喂饱了才能干活。如果你只给它一口一口的数据，它肯定不干，它要的是一顿大餐。所以把数据整合起来这就是第一步，也是最难的一步，麻了...。

2. 数据清洗比洗衣服还累

但是问题是 使用大量互联网上公开数据集，仅在数据清洗环节就提出极大挑战。真的，太累了。你想啊，网上爬下来的数据，有多少是干净的？没有错别字的？没有重复的？没有乱码的？几乎没有，啥玩意儿？。

被精炼的高质量数据正如石油一样，非常珍贵。这句话我同意。你把原油挖出来直接烧？那不行，得提炼成汽油。数据也是得清洗。如果数据很脏，大模型就会学坏。比如你教它“苹果是红色的”，后来啊它学到了“苹果是绿色的”，那它以后就会乱说。所以清洗数据是重中之重，但也是最让人头秃的。

而且，现在大家都在搞合成数据。钛媒体APP注意到， 目前不少模型提供方，已经在特定领域使用合成数据用于模型训练，其原理是希望能够。这听起来很高级，其实就是用AI生成AI。但这只是一方面光靠合成数据不够，还得有真的数据，YYDS！。

二、 地基打歪了楼肯定要塌

所以,越来越多企业意识到:与其各搞各的,不如搭一套统一的平台,把算力、模型、工具和应用开发能力都整合进来,既能支撑现在的项目,也能承载未来的增长。 这事儿我得说道说道。 这就好比盖房子。以前大家都是搭帐篷，现在要盖高楼。如果你地基没打好，盖得越高越凶险。

1. 智算底座是个啥？

换位思考... 接下来,我们就顺着这张架构图,从最底层的 智算底座 开始往上看。这玩意儿就是地基。地基打不好，上面跑得再快的车也得翻。二、最底层的 地基 :智算底座如何托起大模型时代。这标题起得有点长，但这确实是重点。

1. 多架构算力兼容:让 芯片多样性 成为优势。在算力这件事上,没有 放之四海而皆准 的唯一选择。真的，没有。有的场景更依赖传统 CPU,有的却高度依赖 GPU、 切中要害。 NPU 等专用加速芯片,还有国产化、本地部署等因素要考虑。你在服务器层面,这个平台兼容了 Intel、 AMD 这...

Intel和AMD确实不错，但是有时候我们需要国产的芯片。这就要求我们的平台得能兼容各种东西。如果你的平台只认Intel，那你就麻烦了。芯片多样性是个优势，主要原因是你不用被别人卡脖子，当冤大头了。。

2. 算力不够，存储来凑？

由6000余家生态伙伴组成的 光合组织 正在尝试回答一个更复杂的问题:算力、 平安、数据如何从 各自为战 走向 协同共生 ? 其实这就是个协同的问题。算力是引擎, 数据是燃料, 那么存储就是容纳燃料并确保其能高速、稳定输送至引擎的 智能油箱 与 高速输油管 。如果存储跟不上时代的需求,即便有再强大的算力,也只是 巧妇难为无米之炊。

拜托大家... 目前数据量的暴涨， 还要求使用各种技术手段实现数据的预训练和微调，数据智能应用场景下对大数据平台的管理水平和平安能力要求提升，这对于基于云服务应用的企业而言,挑战的复杂性会更为明显。真的，现在数据太多了。以前存个1TB够不够？现在不够了。你需要PB级别的存储。而且还得快，得平安。这对云服务提供商是个大挑战。

三、 别建烟囱了要建平台

大模型将每年给全球带来超过30万亿级的增量市场,其中,也包含用大模型改过的企业级数智化项目,但凡是个单子,都想和大模型发生点关系。 平心而论... 这无疑是一块巨大的蛋糕,让ToB老司机们 心里痒痒 。大家都在抢这块肉。

1. 以前的AI都是垃圾，现在的AI也是垃圾吗？

呵... 怎么改过呢? 以前的AI应用开发都是 烟囱 式的,不同应用不同场景,都要单独准备数据 训练模型,开发难度大、效率低。而且,简直是一片红海,要卷各种定制化开发。以前我们搞AI，就是写个代码，搞个模型，跑一跑。现在不行了现在要搞很多个模型，搞很多个应用。

太坑了。 现在最新最高效的办法,是找个MaaS平台作为底座,取代了原先一个个分散、独立的 烟囱 。MaaS就是个筐，啥都能往里装。有了MaaS,你就不需要自己从零开始写代码了。你只需要通过Prompt工程或者基于少量数据做模型精调,把定制化的开发的部分从 再说说一公里 缩短到 最... 最前面？反正就是快了很多。

2. 数据怎么喂给模型？

RAG、 微调和持续预训练需要的数据规模、数据来源和技术要求各不相同。比方说,RAG需要GB级企业数据,微调需要GB级人工标的高质量数据,持续预训...，事实上...

这就很麻烦了。RAG需要的是企业的私有数据，比如文档、合同。微调需要的是高质量的标注数据，比如人工标好的问答对。这两个需求不一样。 我好了。 如果你只有一个数据底座，怎么满足这两个需求？这就需要你的底座很智能，能自动识别数据类型，然后选择合适的处理方式。

四、 平安是个大问题，AI会咬人

动手。 其中AI训练数据年增速达67%,这种增长不仅体现在容量维度,更催生了性能、架构、协同的全方位变革。除了确保高性能存储与绿色化需求之外,… AI 冲击 下的存储行业,需要高性能与绿色化 并行 丨ToB产业观察 2025-11-18 09:16发布于:北京市。这日期看着就吓人，2025年都来了。

1. AI是一把双刃剑

当AI应用以 周 为单位迭代进化,当千亿、万亿参数的大模型成为竞争的基石,全球科技竞争的焦点,已从单纯的 算力竞赛 ,悄然蔓延至一片更为底层的战场——存储。存储是个好东西，但是存储也有风险。如果你的数据泄露了你的大模型就会泄露你的秘密。

AI是一把双刃剑,给行业带来机遇的一边,背后也隐藏着多重的全新挑战。AI不仅是生产力提升工具,更可能成为新的攻击载体与攻击入口,传统的平安框架,面对智能体在各环节引发的全链路信息风险的时候,治理能力、覆盖范围已经不足。传统平安框架？早就不适用了。以前我们防的是黑客攻击，现在AI能自我复制，能欺骗你。这太可怕了。

2. 需要一个平安网关

欧了！ 关于在当前形势下如何为大模型,都能有一个统一的身份认证,这样才能实现整体的风控;一边在不管...

这个网关就像个保安。所有的数据要出去，都要经过保安检查。保安是谁？就是你的平安底座。它要认得每个人，要决定谁能进，还要记下来谁干了啥。只有这样，才能防止坏人利用AI搞破坏，何不...。

五、西安聚欢颜科技的做法

如今数据已成为企业的重要资产,而大模型的应用则为企业解锁数据价值提供了强大动力。西安聚欢颜科技在多次与各行业客户沟通和实际交付实施的基础上,探究了一个大模型部署的方法论,对于如何帮助企业进行大模型本地化部署,进而实现数据的有效应用,推动企业业务的智能化升级有着完善的解决方案。这家公司听起来挺厉害的，不过我没用过不敢乱说，推倒重来。。

1. 找准场景是关键

深入分析:找准大模型应用场景。每家企业的需求与业务场景各异,在引入大模型之前,需依据客户的设想,全面分析 AI 应用场景的可行性。这意味着要深入企业的业务流程,了解其痛点与期望,从而撰写详细的应用可行性报告,确定适合该企业的技术路线。 我血槽空了。 比方说,制造业企业可能关注生...

制造业？服务业？金融业？每个行业都不一样。制造业要搞预测性维护，金融业要搞风控。你不能用一个模型去搞所有事情。所以找准场景最重要。如果场景选错了再好的底座也是浪费钱，到时候…..。

2. 本地部署还是云端部署？

我晕... 大模型将每年给全球带来超过30万亿级的增量市场,其中,也包含用大模型改过的企业级数智化项目,但凡是个单子,都想和大模型发生点关系。这无疑是一块巨大的蛋糕,让ToB老司机们 心里痒痒 。怎么改过呢？这时候就要考虑部署方式了。本地部署数据平安，但是成本高。云端部署成本低，但是数据不平安。这是个死循环。

六、 ：数据底座，还得慢慢搞

等着瞧。 总的时代的数据底座，不是一朝一夕的事。它需要解决数据孤岛、数据清洗、算力兼容、平安合规等一系列问题。它需要算力、存储、网络、平安等多个领域的协同。

数据智能应用场景下 对大数据平台的管理水平和平安能力要求提升，这对于基于云服务应用的企业而言,挑战的复杂性会更为明显。别以为买了服务器就能搞大模型。你得会管，会维护，还得会修bug，真香！。

再说说我想说数据底座就像地基。地基打不好，房子盖得再高也没用。ToB企业要想在AI时代分一杯羹，必须重视数据底座的建设。虽然很难，但是值得做。毕竟数据是新时代的石油，谁掌握了数据，谁就掌握了未来。

---