2025年7月4日上午，2025全球数字经济大会数据要素发展论坛在国家会议中心成功举办。中国科学院院士鄂维南出席论坛并围绕“Data-centric AI 的基础设施”发表主旨演讲。
鄂维南院士指出，AI发展正在经历核心转变，从“拼模型”到“拼数据”，从Model-centric AI（MCAI）到Data-centric AI（DCAI）的范式迁移，数据质量与多样性成为突破AI能力的核心引擎。
一、AI发展的核心转变
（一）AI发展的趋势
过去，AI 的成功和进步，依赖模型创新（如ChatGPT基于2017年的Transformer架构）
未来的趋势是，模型创新空间有限，数据质量与多样性成为AI能力突破的核心。
当前主流大模型（如GPT、Qwen、DeepSeek）架构高度同质化，性能差异主要源于数据而非模型本身。
（二）数据是AI的新战场
资源枯竭：高质量公开数据消耗殆尽，私有数据与合成数据成为关键资源；
处理低效：数据清洗、标注、评估高度依赖人工（如GPT-4需数百工程师耗时数月）；
企业困境：缺乏专业团队处理保密性强、结构复杂的私有数据。
（三）数据驱动的AI新范式
用一套标准化的数据工具平台，低门槛、低成本和高效率为AI准备数据。
数据统一管理：原始数据→数据湖→AI数据库（结构化+非结构化融合）；
数据智能处理：自动化数据清洗、合成、评估工具；
数据动态调度：根据模型反馈实时优化数据；
（四）模型训练的主要工作量在于数据的准备
传统AI开发中，数据准备占据90%工作量：多模态数据（文本、图像、视频）格式混乱、质量参差、数量不足等问题严重制约模型效果。
Data-centric AI的核心目标是通过标准化工具链，将数据准备转化为自动化、可复用的“数据流水线”。
二、人工智能基础设施
（一）算力和数据
在模型结构基本不变的情况下，大模型开发主要取决于大数据和大算力。
算力基础设施的底层是GPU和相应的工具，如CUDA。在此基础上，TensorFlow等工具建立起了模型和算力之间的桥梁。它们一方面让我们能够快速简便地搭建模型，另一方面也对模型的计算效率作了优化。
在DCAI基础设施里，AI数据库对标GPU作为最底层工具，（拓展了的）SQL+向量生态对标CUDA生态，DataFlow数据准备工具对标TensorFlow等模型搭建工具。在这个思路下，数据湖和数据仓库就像是算力里面的CPU。
（二）AI数据库
代表产品：MyScale数据库（国际首个AI数据库）
通过扩展SQL，实现结构化数据、向量、文本、时序、图数据的异构融合存储与联合查询。
（三）数据准备工具DataFlow
DataFlow的核心理念是像TensorFlow搭积木编程模型一样编程数据：比如TensorFlow通过组合卷积层和激活层等基础算子得到残差块，再堆叠多个残差块得到经典的ResNet模型。
同样地，DataFlow内置了100+通用处理算子，和20+创新处理算子，结合各个模块的特点以及各种通用和行业算子，针对任务构建算子组合管线。
以强推理数据合成任务为例，该任务需要组合多个模块的算子：数据处理模块算子包括问题预处理、过滤、基于正确性的问题验证算法；数据合成模块算子包括问题合成&扩充、长思维链合成、伪答案生成器；数据质量评估模块算子包括合成问题正确性验证调用、问题难度和类型分类。通过以上算子组合形成的配方最终构成强推理数据合成的管线;
（四）基于AI数据库的下一代LLM训练新范式
数据湖里的原始多模态领域数据结构复杂且质量低，通过DataFlow的数据准备得到包含统计信息的高质量的标准化数据，再通过DataFlex的动态调度来抽取、配比和推荐当前大模型最需要的数据，从而实现大模型的在线训练。
这种方式优点有三：基于AI数据库可以支持高频数据更新和查询特点，可以做到训练数据的实时选择和知识在线更新。其次，整个训练过程几乎无需人工干预，训练门槛低。最后，AI数据库里的知识更容易溯源，模型生成效果更准确安全性也更高。
三、DCAI基础设施赋能
（一）赋能通用大模型预训练效果
更短时间：4天时间 vs4个月
更少资源：用了1/10不到的算力
更低门槛：自动数据准备 vs. 十几位算法工程师手工精心设计取得更好效果
（二）赋能企业私有模型
大模型+自动化微调数据准备
8B RARE 医疗、法律和金融领域模型和 QwQ32B+RAG、GPT-4+RAG 相比，在各项问答指标上均大幅提升。
实现低成本、高性能解决行业任务，深化推动大模型行业落地。
（三）赋能专有知识库和智能体
实现低门槛自动知识库清洗，高效率、大规模知识库清洗、辅助精确分块知识检索效果提升。
