数据角色变了 · 从燃料到智商

如果只能从这套课程里带走一句话，请带走这一章的金句：

22 年的数据是燃料，26 年的数据是肌肉记忆、知识资产和决策依据。

这一章把第一章埋下的种子展开讲透。

第一代：数据 = 训练燃料

时代特征：监督学习 要的是：大量标注样本 价值衡量：标注准、样本多、覆盖广 典型例子：ImageNet、肺结节标注库、合同条款分类标注库

这个时代的数据观特别朴素——多就是好，多就是赢。

第二代：数据 = 涌现的规模红利

时代特征：“大力出奇迹” 要的是：海量未标注语料 价值衡量：规模、多样性、清洗质量 典型例子：Common Crawl、维基百科、万亿 token 语料

GPT 时刻的本质是：当数据量大到某个阈值，能力会涌现。所以这个时代很多公司在比”我有多少 token、多少图像、多少病例”。

但到了 2026，这一套不灵了。

第三代：数据角色五重化（2026 当下）

2026 年的数据，不再是单一角色，而是五重叠加：

1. 预训练燃料（边际递减） 基模仍需，但单纯堆量收益递减。这一块对单家医院/律所来说几乎没机会——做不起。

2. 后训练对齐数据（RLHF/DPO/Constitutional AI） 让模型符合人类偏好。这是垂直领域可以做的事。

3. 推理轨迹数据（o1/Mythos 训练核心） “专家想的过程”。这是医疗和法律 2026 年最值钱的数据。

4. 智能体交互数据 Agent 怎么用工具、怎么调 API、怎么纠错。这是飞轮转动的核心。

5. 决策时数据（RAG/上下文/个性化） 推理时检索的知识，不是训练时的语料。

加上一个隐藏的第六重：

6. 评测数据 医疗里这一条最关键——对错有命，评测集决定 AI 上不上得了临床。

一句话总结这个变迁

前者比拼规模，后者比拼质量、专业度和闭环。

22 年的玩法是”我有多少数据”，26 年的玩法是”我数据里专家智慧密度多高、回流闭环转得多快、评测集守得多严”。

这个变迁对医疗和法律意味着什么

单家医院做不了基模。这一点先认清楚。

但单家医院能做：

• 领域评测集 — 专科金标准题库
• 专科推理链 — MDT 数据生产线
• 专家偏好对齐数据 — RLHF 偏好对

这就是医疗机构在 AI 时代的独特价值——基模可以买，评测集和推理链买不到。

法律行业完全平行：

• 律所做不了基模
• 但能做判决书裁判理由结构化数据、合同条款风险评测集、法律论证推理链
• 这些是法律行业 AI 时代的独特资产

这一章的关键认知

不再是”采集越多越好”。是”专业深度 + 治理质量 + 闭环回流”。

下一章会回答：“那么什么才叫高质量？“——这是整套课程的”专业肌肉”章节，9 个维度逐条讲清。