今日技术观察 点击查看原文> 01 背景速览 近期，人工智能领域关于“数据比模型重要”的讨论受到关注。随着模型能力逐步成为企业可以获取和调用的通用资源，数据质量、数据适配程度以及数据能否支持具体业务目标，成为值得进一步研究的问题。这里的“重要”并不意味着模型能力可以被忽略，而是提示企业重新审视人工智能应用的基础条件。 02 趋势影响 这一趋势可能影响企业建设人工智能系统的方式。企业竞争的重点，或许会从单纯关注模型参数、榜单表现，逐步扩展到数据采集、清洗、标注、更新、检索和反馈机制等环节。同时，软件开发团队需要关注数据与业务流程的衔接，网络安全团队也需要参与数据访问控制、泄露防护和异常使用监测，人工智能项目因此更依赖跨部门协作。 03 企业应用启发 对企业而言，落地人工智能可以从具体业务场景出发，先明确要解决的问题、可使用的数据范围和衡量效果的指标，再选择合适的模型与系统架构。企业还可以通过统一的数据标准、完善数据质量检查、保留人工复核环节以及持续收集应用反馈，提升系统的可维护性。对于涉及内部知识、客户信息或业务决策的应用，数据治理应与软件开发和产品运营同步推进。 04 合规观察 需要注意的是，数据并非越多越好，也不能因为数据来自企业内部就默认可以自由使用。数据来源、授权范围、个人信息保护、商业秘密、跨系统访问权限以及模型输出的可追溯性，都需要在项目设计阶段进行评估。对于训练、检索或分析使用的数据，企业应明确责任边界和操作记录，避免因数据处理不当带来安全、合规或知识产权风险。 05 开放讨论 当模型能力、数据基础和工程治理需要共同发挥作用时，企业应该如何分配人工智能项目的投入？高质量数据的判断标准应由技术团队、业务部门还是数据治理团队共同制定？在数据有限、敏感性较高的行业中，企业又该如何在数据利用效率与安全合规之间取得平衡？ 公开来源参考 “数据比模型重要”成了共识，接下来拼什么？