本文来自微信公众号：首义科创母基金苍井空快播，作家：金能，裁剪：Shanyunliu，题图来自：AI生成

假想一下，活着界厨艺锦标赛上，你和一批有空想的年青东谈主在一个破旧的毛坯灶台上，炒出来了惊艳全球的爆款立异菜。而你的敌手，在五星级旅店里携带数十东谈主的豪华团队，用着全球最贵的厨具和最多的食材，却在比赛中惜败于你，激发全球颤动。这不是爽文短剧，这是正在发生的热门。而你，即是低调积贮许久的“一代食神”——DeepSeek。

年头 DeepSeek App 横空出世，其立异性的架构遐想和工程化落地使得模子性能在极低的成本下也能达到全球顶尖水平，加上用户体验邃密的念念维链展示和模子开源的样子，在春节期间用户量马上增长。

在激发全球眷注的同期，全球成本对中国科技财富的再行评估与 AI 投资的底层逻辑也悄然发生转换。尤其是在大模子领域，曩昔多数插足却多次推迟的ChatGPT5和本就步入下半场的国内六小龙，将直面 DeepSeek这匹黑马的强劲冲击。中国AI企业在DeepSeek破损了“算力禁运”之后，正靠近高质料数据稀缺的挑战，尤其是高质料、低成本、多种类、的数据，将成为将来 AI 产业发展的中枢关键。

一、DeepSeek 之前：被算力算法“智子”围困的中国 AI

主流的AI大模子考试样子主淌若基于 Transformer进行下一个 Token 的瞻望。即从互联网为主要渠谈来接管数千亿级的海量数据，并用进行雷同均值的匹配，对匹配斥逐偏差比较大的，也即是浅薄说的“大模子幻觉”（详见上篇《AI 幻觉的一体两面》），进行东谈主工打分/胜利指点打标签，以此来培植模子的准确性。

尽人皆知，AI 大模子中枢三要素即数据、算法和算力。数据对应的是“食材”，算力对应的是“厨具”，算法例是“厨艺”。从全球范围来看，现时算力的硬件性能已接近瓶颈，其迭代速率远不足大模子的日益增长的考试需乞降能耗压力。

而可供预考试的履行数据也平定见顶，2024 年 11 月份 OpenAI 前首席科学家 Ilya 在公开场合默示浅易地增多数据和计较才调来扩大现时模子范围的时间依然收尾。跟着大说话模子平定往多模态模子上发展，算力和数据的挑战则会进一步加重。

现在，算力方面我国靠近好意思国的“芯片禁令”的顽固，使得国内 AI 公司没法使用高端好用的厨具，就像别东谈主用高压锅炖鸡汤一刻钟，咱们只可用柴火灶一直加柴熬两小时。在此布景下，我国发展东谈主工智能只可从算法和数据两个方面作念得更好，才有契机解围。

在算法方面，曩昔普遍不雅点是由于插足方面辨认等，以致我国和OpenAI为代表的好意思国头部AI大模子公司有着至少1～2年的差距。说明CB Insights 发布的数据，2024年中国AI初创企业筹集的资金仅占好意思国AI初创企业的 7%。丰厚的资金储备意味能高薪招“全球卓越灵巧东谈主”造成在研发立异上的碾压，进一步牢固算法上风。在DeepSeekV3之前，我国东谈主工智能领域所靠近的情况不可谓不严峻。

二、高质料的可用数据，是企业应用AI最凸起的挑战

在 DeepSeekV3和R1推出之后，顶尖的模子成果和用户体验，加上其开源的特点，大大缓解了我国在算法和算力上的逆境，但数据方面的挑战依然存在。

数据是食材，食材的品性、丰富度及极新度王人决定了最终菜品的口感和品性上限。关于大模子而言，高质料数据能够保险模子推理回答的准确性。而多模态多种类的数据，能培植模子的泛化性和推理才调，尤其是在机器东谈主的大脑（VLA 等）上。此外，还需要进行联网搜索并按时更新数据集，来确保模子回应斥逐的时效性和准确性。

就可用数据量上，国内和海外有着自然差距。据W3Techs调研前一百万互联网网站使用的说话翰墨百分比，其中英文占比为59.3%，而汉文唯有 1.3%。比拟于好意思国的头部AI公司，国内可供考试的公开汉文数据不够多，尺度化进程也不够高。

从斥逐来看，数据已是现在企业应用 AI 最凸起的挑战。说明IDC和海潮信息发布的接洽显现，现在企业在应用东谈主工智能中所靠近挑战最大的是枯竭高质料可用数据，占比高达66%。在此之后才是成本高、本事熟识度、东谈主才枯竭等新兴领域通用挑战。

另一方面，数据鸠集与处理是现在国内企业在生成式 AI 应用时的主要支拨场所，尤其是关于使命经由繁琐、决策链路较长、业务类型稠密的公司而言，其业务数据需要经过层层筛选、处理和业务默契后，才能成为尺度化的高质料数据，再用于模子的考试和推理。

三、像 DeepSeek 那样考试数据，要怎样作念？

概况你无用像DeepSeek那样去考试数据，但了解他的考试法例依然很有参考价值。

在DeepSeek之前，阿里的通义千问系列是全球主流的开源说话模子。前年圣诞后DeepSeekV3发布今日，咱们对已有的信息作梳理分析：DeepSeek则采用了立异性的架构（MLA+MoE），艳母并惩处了好多狭窄的工程化落地艰苦，使得其在使用极低成本的情况下，成为那时最强的开源基础模子。

关于DeepSeek的关键，百度百科上的斥逐则是更为约略胜利，即使用数据蒸馏本事，得到更为高超、有用的数据。

为了更深远默契具体中枢境制，征引“极客学长”的论断：“回来来说，DeepSeek-R1-Zero 模子（以下简称“R1-ZERO”）的考试样子就像教小孩学步辇儿，不胜利告诉它正确谜底，而是让它我方尝试，说明斥逐的利害（比如谜底是否正确）来更动我方的步履。这种方法不需要事前标注好的数据，富余靠 AI 我方摸索，莫得输入任何带标志的数据，这亦然为什么这个版块的名字带 Zero 的原因，默示零样本输入。”

R1-Zero模子发扬颠倒惊艳，在数学和编程方面的才调依然达到OpenAI-o1-0912的水平。但也存在显明的弱势——生成的谜底可读性差，频频出现中英文混合。针对这个问题，DeepSeek团队选择了一系列的优化次序。

当先，用数千条东谈主工处理的高质料COT数据（比如详备的解题智商），通过监督微调（SFT）的样子让它“冷启动”，再用强化学习进一步考试，使得生成的谜底更泄漏，说话也更结伙。简而言之，即接洽东谈主员给了R1-Zero 模子一些优质例题，教它轨范的解题景象，再用强化学习考试，使其解题又快又准，景象工致。此时得到一个Checkpoint，并将该Checkpoint 称之为DeepSeek-R1-One（以下简称“R1-One”）。

然后，再用考试R1-Zero的样子，用R1-One 生成一批高质料的COT数据（长念念维链数据），同期再联结专科领域数据和东谈主为响应数据等，再以 DeepSeek-V3为基础模子进行强化学习，得到最终的DeepSeek-R1。

不错发现，DeepSeek除了在算法层面进行了一系列的立异和优化，其中枢智商中的数据王人是自行东谈主工处理或撰写的。如同投资东谈主朱啸虎在转换对大模子魄力时所说，DeepSeek此次惟一莫得公开的即是模子预考试数据。

此外值得扎眼的是，在爆火后DeepSeek开启了数据百晓生的实习生招聘，岗亭要求不高但薪资丰厚，依然远超一般的数据外包公司全职东谈主员水平，从侧面体现出其对高质料数据的深爱进程。值得扎眼的是，该岗亭优先磋议小语种专科，这概况是为了更好地进军全球市集面作念的铺垫和准备。

四、具身智能、自动驾驶领域，一样靠近数据挑战

在近期的演讲及访谈中，上海交大博导、穹彻智能结伙独创东谈主卢策吾证明指出：当下，具身智能的接洽阶梯正处于瓶颈期，具身智能靠近的两大中枢挑战之一是数据范围存在“太平洋缺口”。工业级应用对具身智能设定了严格的红线尺度，为达到这一尺度，所需的数据量号称海量。然而，数据鸠集步地难以灵验填补这一渊博的数据缺口。

现时数据鸠集靠近着一系列辣手问题：遥控操作需要购置价钱腾贵的机器东谈主征战及联系配套本事，况兼操作主谈主员需要经过专科培训。这些要素导致成本兴隆，从而限制了数据鸠集的范围。

为破损具身智能大模子的 Scaling Law 管制，终了数据鸠集的范围化并裁减数据获取成本，需要找到一种既能保证数据确实性，又不影响东谈主们日常使命的数据鸠集方法。

在自动驾驶领域，跟着 2024 年开动智驾领域走向端到端时间，数据的膺惩性空前培植。

端到端本事的中枢在于通过巨额数据考试模子，使其能够识别和瞻望各种驾驶场景。高质料数据的输入，胜利决定了模子输出的准确性和可靠性。这些数据不仅需要涵盖各种谈路条款、天气变化和交通情况，还要确保其标注的准确性和各种性。

传统模块化算法需要改变端正策略时，不错找到代码中具体的几行参数修改，之后测试 1%的案例即可，而端到端的算法中，小的调动需要再行对自动驾驶算法进行考试，难度不问可知。

因此，海量的、各种化的、优质的数据不可或缺，同期自动化、高水平的数据处理体系亦至关膺惩。说明业内众人意见，华为在智驾方面的一半插足用在了数据鸠集和处理上。绝不夸张地说，端到端时间，数据会占据自动驾驶开发中 80%以上的研发成本。

从数据维度看，海量且优质的数据正成为自动驾驶行业的“稀缺品”。自动驾驶采用的BEV感知有蓄意，需要达到1亿帧以上的考试数据才能清闲车规要求，不然泛化性、准确率和调回率就难以保险。

以特斯拉为例，马斯克曾默示，特斯拉FSD测试里程需要达到60亿英里，才能清闲全球监管机构的要求，这亦然自动驾驶系统终了质变的一个膺惩节点。2024年5月，在惩处了算力瓶颈之后，马斯克默示更大的难点在于对长余数据的网罗，其获取难度和成本对比通用数据则是指数级激增。业内现在普遍不雅点是，长余数据只可通过仿真或数据生成的样子来惩处。

五、获取高质料数据的“三板斧”：标注、鸠集、生成

标注、鸠集和生成，是现在获取高质料数据的三种样子。

数据标注，主要分为东谈主工标注和机器东谈主标注。发展于今，内容应用中以东谈主机协同标注为主，即企业开发的自动化标注平台，先对入库数据进行预标注，省俭东谈主力的同期保证一定的准确度。再由专科或有造就的东谈主员对机器预标注的数据进行进一步的鉴别和处理，进一步培植数据质料和准确度。跟着本事和业务的发展，将来有望出现自动化标注进程和准确性均较高的平台或软件，在大模子产业链中东谈主力参与最膺惩的环节降本增效。

数据鸠集，现在数据鸠集主要通过东谈主工、征战或者爬虫等样子进行鸠集。数据鸠集浅薄面向除语料、图片和视频外更各种的数据，所应用领域也愈加平庸，除了东谈主形机器东谈主领域所平庸应用的动捕鸠集照旧自动驾驶领域平庸应用的实车鸠集，还包括 AI4S 和机器视觉领域主要应用的征战参数鸠集和实景三维鸠集等。

现在数据鸠集是上述前沿科技领域的必备关键环节，其成本亦然高居不下。因此，上述行业内也催生出高质料高效劳进行数据鸠集、加工处理和挖掘分析的痛点诉求。随之助长而生的即是数据生成。

数据生成主淌若通过数据推广、瞻望或端正条款下的速即生成等样子进行，现在处于发展早期，其中取得平庸眷注的是寰球模子。寰球模子的方针是生成可裁剪、有物理特点的高质料虚构场景，完成对履行寰球的复刻或虚构寰球的构建，从而在内部进行数据的处理和模子的考试，在数据获取成本和各种性上具有发展远景。

但值得扎眼的是，寰球模子是通过算法来终了的，在数据精度上难以匹敌的高精密仪器征战的实景或什物鸠集，并弗成富余替代数据鸠集，但不错终了颠倒灵验的互补。

六、筑牢“高质料数据地基”，政府正加速算作

本年以来，为惩处东谈主工智能产业中的数据痛点，多地政府加速推动高质料数据诞生。

2月19日，国度数据局在北京召开高质料数据集诞生使命启动会。这不仅彰显了国度对数据要素的高度深爱，也预示着我国数据产业发展将迈入新阶段。

2月18日，《武汉市促进东谈主工智能产业发展几许计策次序》的发布会上明确将聚焦工业制造、医疗健康、科研立异等12个行业领域，推动环球数据、企业数据与个东谈主数据分类分级开发哄骗，诞生不少于20个高质料数据集。

3月18日，武汉市数据局发布补助高质料数据集诞生和数据居品哄骗的公开征求意见稿，春联系单个标的赐与最高 200 万元的补助。

3月3日，深圳市工信局于发布《深圳市加速打造东谈主工智能前锋城市算作霸术（2025—2026年）》，明确加速构建高价值垂类数据集和具身智能数据集。其中明确指出，将造成3PB汉文语料数据，并在宝安、龙华两个区诞生具身智能数据鸠集基地，造成多模态考试的开源数据集。

咱们能看到，频年来由大疆、DeepSeek、“六小龙”所展现的中国科技立异变革并非局部的突发事件，而是举国推动科创时间下，东谈主才红利换取完备产业链造成坚实基础，并由科研型企业家终了范式立异，完成从量变到质变的斥逐呈现。

还有好多尚在量变积贮的优秀创业者和研发团队在昼夜兼程，政府也在积极推动基础设施诞生给立异提供泥土，历史反复应验，曾种过的种子王人会着花斥逐，仅仅需要时期和机缘完了。

参考贵寓：

1、新浪财经，《外媒：DeepSeek受眷注 登顶140国应用商店榜首》

2、上不雅新闻，《立异记录!DeepSeek成史上最快破损3000万日活APP》

3、IDC、海潮信息，《2025年中国东谈主工智能计较力发展评估敷陈》

4、极客学长，《DeepSeek R1 破圈的中枢本事解读，你弗成不知谈的 AI 干货！》

5、无相君，《中好意思大模子的差距，究竟在哪儿？》

6、张小珺，《朱啸虎履行认识故事1周年连载：“DeepSeek快让我肯定AGI了”》

7、穹彻智能，《2025 全球开发者前锋大会：具身智能语料工程启动，“坐褥陪伴” 引颈将来》

8、极智GeeTech，《无数据不智能，数据闭环重塑高阶智驾将来》

9、复旦大学 张奇证明，《生成式AI大会（上海站）2024》公开演讲

10. 国金证券，《AI行业关键时刻：瓶颈与机遇并存》

本文来自微信公众号：首义科创母基金，作家：金能

本内容为作家沉寂不雅点，不代表虎嗅态度。未经允许不得转载，授权事宜请联系 hezuo@huxiu.com

本文来自虎嗅，原文筹商：https://www.huxiu.com/article/4159694.html?f=wyxwapp