大模型这两年给人的感觉很奇怪。
钱越烧越多，GPU越堆越高，发布会一个比一个热闹，但普通人的直观感受却是：新模型好像没有当年ChatGPT横空出世那么吓人了。
很多人第一反应是：是不是算力不够？
我的判断是：算力当然还重要，但最短的那块板，正在从算力变成数据。更准确地说，是高质量、真实、可用的数据。
一棵庄稼能长多高，不看最多的养分
这里要请出一个农业里的老概念：李比希最小因子定律。
这个规律常被归到德国化学家李比希名下。它讲的不是玄学，而是种地。
一棵庄稼能长多高，不取决于哪种养分最多，而取决于哪种养分最缺。
后来大家用一个木桶来解释：一个桶能装多少水，不看最长的木板，只看最短的木板。水会从最短的地方漏出去。
这就是我们常说的木桶短板。
把这个木桶套到AI上，就很清楚了。
大模型这只桶，主要有三块板：算法、算力、数据。
前几年算法是短板，Transformer把这块板拔高了。后来算力是短板，全世界开始抢GPU、建数据中心。现在算力还贵，但继续只加算力，边际收益已经没那么猛了。
为什么？
因为数据这块板开始漏水了。
互联网不是没内容了，是“好内容”不够了
很多人会问：互联网这么大，怎么会没数据？
注意，不是没内容，是没足够多的好内容。
大模型要的不是随便一堆文字。它要的是干净的、去重的、知识密度高的、结构清楚的、最好还是真人生产的数据。
垃圾内容当然很多。营销号、搬运稿、重复网页、低质问答、机器改写文，堆得像山一样。但这些东西喂多了，模型不但不会变聪明，反而会越来越油、越来越空、越来越像套话机。
Epoch AI曾经估算，经过质量和重复因素调整后，可用于训练的公开人类文本库存大约是300万亿token。token可以理解成模型吃进去的“小字块”。按照趋势，语言模型可能在2026到2032年之间充分用掉这批公共文本库存。
这不是说2032年以后AI就完了，而是说靠“继续爬公开互联网”这条老路，越来越难了。
三条破墙路，没有一条轻松
数据墙不是不能破，但每条路都有代价。
第一条路，是去找私域数据。
比如医院病历、工业设备日志、企业客服记录、机器人真实操作数据。这些数据以前没有充分进入训练流程。谁能合法、安全、低成本地组织这些数据，谁就有新的护城河。
但问题也很现实：私域数据涉及隐私、合规、商业机密。不是你想拿就能拿。
第二条路，是用合成数据。
也就是让AI自己生成训练材料。听起来很美：缺数据，那就自己造。
但这里有个坑，叫模型崩溃。
简单说，如果AI一代一代吃自己吐出来的东西，罕见信息会先消失，长尾知识会被磨平，最后模型会越来越像“平均答案机器”。就像一个村子里的人只互相抄作业，抄到最后，错的地方会越来越像真理。
所以合成数据不是不能用，而是必须有筛选、有验证、有真实数据压舱。
第三条路，是数据工程。
这条最朴素，也最重要：把已有数据清洗干净，去重、标注、结构化、分层，用更少的数据榨出更多价值。
未来AI公司的差距，不只是谁买了多少GPU，还会是谁的数据管道更干净，谁能把一吨原矿炼出一克金子。
机器人更能说明：数据才是真贵
这件事在机器人上更明显。
聊天机器人缺的是高质量文本，具身智能缺的是高质量物理数据。
让机器人学会拿杯子、叠衣服、进电梯、避开小孩和宠物，不是看几篇网页就会的。它需要真实世界里的动作、碰撞、失败、反馈。
问题是，真机采集太贵了。
一个机器人摔一次，可能就是几万块维修费。一个动作采集一万次，背后是场地、设备、工程师、时间成本。用仿真数据可以降低成本，但仿真世界和真实世界之间又有差距。
所以你会看到，NVIDIA、Figure、宇树、特斯拉这些玩家，都绕不开同一个问题：怎么获得更多、更好、更接近真实世界的训练数据。
从语言模型到机器人，行业换了，短板没换。
还是数据。
真正的变化：数据正在变成新的护城河
过去两年，AI竞争看起来像算力军备赛。
谁买得起H100，谁能建万卡集群，谁就更强。
但下一阶段，比赛会变得更复杂。算力还是门票，但数据决定上限。
这也是为什么做数据标注、数据管理、模型评测的公司突然值钱。比如Scale AI，过去看起来只是“给AI打标签”的外包公司，但在大模型时代，它变成了数据基础设施公司。因为模型越强，越需要高质量反馈、高质量标注、高质量评测。
这也给内容创作者一个很现实的提醒。
当互联网上充满AI改写、AI搬运、AI洗稿的时候，真正稀缺的东西反而变了：真人经验、现场观察、专业判断、原创表达。
机器可以批量生产“像内容的内容”，但它很难凭空生产新的真实经验。
所以，大模型卡住这件事，表面看是科技公司的问题，背后其实是整个互联网的问题。
过去，平台奖励流量，于是大家生产套路内容。现在，AI吃完了这些套路内容，发现自己也被套路困住了。
我的判断是：未来几年，最值钱的不是“会用AI写得更快的人”，而是“能给AI和人类都提供新信息的人”。
AI缺的不是更多废话。
AI缺的，是世界里真正发生过、真正被理解过、真正有人负责的东西。
这就是数据墙背后的真问题。
热门跟贴