文｜數據猿

"當模型軍備競賽陷入瓶頸，數據成為巨頭爭奪的下一個高地。

近日，Meta以148億美元收購AI初創公司Scale AI的49%股份，這一交易將創下私營公司融資交易的歷史新紀錄。Scale AI是一家快速崛起的數據標注公司，擁有50多萬遍布世界各地的員工，從事數據標注工作。這一重磅新聞釋放了一個信號：數據在AI競賽中的戰略地位越發凸顯——當模型軍備競賽陷入瓶頸，數據成為巨頭爭奪的下一個高地。

在這場由數據驅動、大模型實現、算力支撐的智能革命里，市場上幾乎所有人都在攢模型、買算力，數據逐漸成為了這個"大三角"最薄弱的一環。

AI時代，一道悄然樹立的"硅幕"

作家尤瓦爾·赫拉利指出，隨著人工智能的快速發展，一道"硅幕"正在落下。這道"硅幕"不僅是企業之間，在企業內部同樣顯著。

☆數據割裂與治理缺位：惡性循環的根源

過去十年數字化系統的膨脹埋下隱患：業務、系統、部門間形成數據孤島。其根源在于支撐工具鏈的深度割裂——數據采集、存儲、處理、分析、建模、應用等環節采用互不聯通的不同工具。這種割裂制造了人為"斷點"，導致數據流動受阻、價值難以整合：看似各環節工具"完整"，卻因無法協同而失效。

工具鏈的斷裂必然引發數據治理缺位。一方面源于戰略輕視（在很多企業數據治理被視為"成本部門"的臟活累活）；另一方面受制于能力不足——將散碎數據轉化為標準化的"數據資產"面臨取數、治數、用數三重挑戰。治理"失能"不僅使數據無法支撐動態業務，更會導致治理結果與業務脫節。

企業由此陷入 "高投入、低產出" 困局，加深決策層疑慮，最終形成惡性循環：數據鏈路斷裂->價值損耗->AI決策失效->治理投入削減。打破循環不能僅靠意識覺醒，需要找到病根對癥下藥。

☆千頭萬緒一根針：數用一體是破局關鍵

數據治理問題根源在于傳統的 "建用分離" 模式，致業務與數據系統 "兩張皮"，如果不從底層顛覆這個運行模式，數據治理工作將是緣木求魚。

產業界急需一場深層變革。數睿數據提出的"數用一體化" 方法論，提供了一條嶄新路徑。其核心理念是打破工具壁壘，將數據采集等全流程置于統一連貫平臺，并實現深度工具融合，使得數據從源頭可治理、復用，從而支撐高效自動化建模。這一全新模式從根源上突破了業務與數據"兩張皮"的困境，將數據價值直接嵌入到業務流程中，穿越"硅幕"，實現從數據支撐應用，應用支撐業務創新的跨越。

"數用一體化"的理念引人注目，但關鍵在于能否落地。數睿數據近期發布了smardaten2.0平臺，致力于將軟件工程、數據工程與AI工程化融為一體。smardaten2.0平臺的問世，也將"數用一體化"推向了新的高度。我們就以此為出發點，探察"數用一體化"與產業會產生怎樣的化學反應。

AI解鎖醫療數據的深層價值

自從OpenAI推出GPT-4，整個世界就進入到大模型時刻。大模型的到來深刻改變了數據生態，同時也深度塑造了AI的產業化進程。

在此背景下，數睿數據率先踏入無代碼領域的大模型時代。其標志性成果是融入生成式AI能力的smardaten 2.0平臺。該平臺基于全域實時數據，通過"低代碼+AI"驅動技術民主化，實現業務敏捷響應，并在應用生成、意圖識別與命令執行、深度知識檢索等方面實現能力躍升。

1.數據治理智能化：從"人工追數"到"AI主動管數"

smardaten 2.0依托 "專家知識庫+AI雙引擎"，推動數據治理從低效人工模式轉向智能化，加速數據資產標準化：

·AI語義映射替代人工比對：某市衛健委想通過全民健康信息平臺，為市民提供更加完善的公共服務。但平臺涉及幾十家醫院，存在數據標準不一、數據集成統一復雜等挑戰。數睿數據借助60+醫療數據模型知識庫，自動識別同義表述并映射標準字段。如市衛健委45家醫院 "血糖指標" 的11種說法，AI將單家醫院標準化時間從3個月縮至8小時，技術門檻降70%；

·主動規則引擎適配標準迭代：將治理規則與業務場景綁定，醫療ICD編碼更新時，AI自動掃描并批量更新，某三甲醫院應對 "長新冠" 編碼更新，時間從14天縮至40分鐘，無需人工操作；

·NLP解析釋放非結構化數據價值：通過自然語言處理將病歷文本轉為結構化數據，某區域醫療數據利用率從30%提至85%，為AI輔助診斷提供支持。

可以看到，數據治理智能化帶來了效率的極大提升，并大幅降低了人工操作的環節。但必須說明的是，數據治理智能化的價值并非是為了替代人，而是讓治理轉為業務支撐，實現 "治理-分析-決策" 一步到位。

2.主動治理：從"消防員"到"領航員"

"數用一體化"的另一重要優勢是實現了數據的主動治理。很多企業數字治理采用的是事后補救，被動治理為主的模式。在瞬息萬變的數字時代，這樣的模式很顯然是存在巨大隱患的。

繼續以衛健委為例，面對醫療數據的高敏感性和頻繁更新的規范（如ICD-11編碼），smardaten 2.0將治理規則直接嵌入業務場景（如門急診、住院），利用語義引擎自動化執行轉換規則。當標準更新時，系統能自動同步，確保歷史數據無需繁瑣重映射。實現數據的主動治理標志著從"消防員"到"領航員"的治理范式轉變，實現了源頭管控和全生命周期的自動化合規。

3.自然語言構建：公民開發的現實圖景

2.0時代，數睿數據打造了深度思考引擎的"4+3"應用構建框架、Build Copilot以及Copilot Studio三大核心功能。"4+3"框架基于應用、頁面、卡片、組件的軟件4層顆粒度，以及數據、樣式、邏輯的功能性3元素，對軟件進行系統性解構，使AI能快速構建。Copilot智能體則提供智能搭建支持，涵蓋需求分析、上下文理解、文檔處理、知識庫檢索、對話流建設等能力，并支持組裝式開發與擴展。

例如"智能問數"，用戶僅需輸入自然語言問題，系統即可自動識別意圖，精準定位相關數據資產，并實時生成分析結果（圖表/報表）。用戶可在對話框中對結果進行交互式調整與優化。所有分析成果均支持一鍵插入大屏、文檔或應用頁面，實現高效復用。

"我需要一套MES生產管理系統，包含銷售管理、工種管理、計劃管理和分析大屏。" 10分鐘后，系統自動生成了包含表單、數據分析模型的原型方案和可視化大屏。整個流程中只需要自然語言即可實現。

smardaten2.0展示了驚人的效率提升，在某些場景下，數據驅動AI的應用構建效率最高可提升10倍。更加重要的是，邁入2.0時代，數睿數據那個公民開發應用的夢想，開始照進了現實。

讓"沉睡"的金融數據流動，化"數據孤島"為"數據賦能"

我們再以一個銀行的合作案例作為切口，窺探"數用一體化"在金融行業的實戰情況。

該行曾深陷 "建用分離" 困境：12套異構系統形成數據孤島，"企業客戶" 在不同系統中被稱為 "對公賬戶主體""合作單位""授信對象" 等，字段歧義導致數據無法互通；同時，原有CRM功能簡陋，廠商響應業務需求需2個月，遠跟不上大宗商品業務的迭代速度。

在smardaten2.0上，破局路徑徹底顛覆了傳統"先集中再治理"的模式：

☆AI驅動的"邊治理邊聯通"

smardaten2.0依托金融知識庫與AI語義引擎，對分散數據實施 "動態標準化"。AI能快速識別12套系統的異構字段關聯，48小時就完成了傳統3周才能搞定的跨系統數據映射，自動生成統一的 "企業客戶" 數據資產目錄。

更重要的是，治理規則和業務場景深度綁定：比如在 "跨境貸款審批" 時，平臺預設了征信、納稅證明等校驗規則，AI實時掃描數據，若發現貸款申請缺 "海關進出口數據"，會自動補全并標準化，讓數據在流動中完成80%的標準化，打破了治理和應用脫節的問題。

☆數據直接"生長"出應用

治理后的標準化數據并非靜態存于倉庫，而是應用構建的 "活素材"。當業務人員提出 "對公客戶分層管理模塊（含資質評分、業務往來分析、風險預警大屏）" 需求時，平臺基于治理后的客戶數據，自動調用相關模型和算法，1小時內就能生成應用原型，全程無需技術人員，業務人員用自然語言指令即可完成。

更關鍵的是 "應用反哺治理" 閉環，當業務新增 "綠色信貸客戶" 標簽，平臺自動識別補充 "企業環保認證""碳排放數據" 等字段，AI實時從環保局、碳交易所抓取并標準化數據，同步更新到客戶分層模型。"治理支撐應用迭代、應用驅動治理深化" 的循環，讓該行CRM響應周期從2個月縮至72小時，客戶數據調用效率提升90%，充分體現了 "數用一體" 核心價值 —— 數據是應用中持續進化的 "活性要素"，非 "治理完再搬運" 的靜態資產 。

基于一體化平臺，該行此前"沉睡"的數據，經匯總統一治理后，開始在系統與應用間高效"流動"，驅動數據分析與新業務構建，成為其從"數據孤島"向"數據賦能"躍遷的戰略支點。

數據護城河決定AI時代勝負

數睿數據是國內最早一批將AI技術與數據分析、軟件開發結合的科技公司之一，它的發展歷程是兩次AI浪潮疊加向前的一個縮影。從smardaten2.0上，除了技術的升級之外，我們還看到了一個"以數據為中心的人工智能"模式，正在成型。可以看到，當前很多大模型公司最大的發展問題不在模型身上，而是來自數據生態的結構性塌陷。

如果把視角放置在數據與AI的整個產業中，數睿數據帶來了三個重要變化。

1、從"單點優化"到"全鏈條協同"，加速了數據決策的效率。由于數據被動態激活，以數據為核心的決策成為現實，企業得以從"事后報表"升級為"實時決策"，從"人工分析"進化為"AI協同"，最終實現數據價值指數級釋放;

2、重構了數據治理的內生驅動力，使數據治理從 "成本中心" 轉向 "價值中心";

3、形成三位一體的數智體系，確立"數據即資產、應用即組裝、AI即業務搭檔"的融合生態。

隨著大模型技術的快速、持續發展，賽道將會變得越來越擁擠，市場正在迎來重新洗牌的局面。正如我們開頭所講的Scale AI，其創始人說："大型語言模型（LLM）競爭中的護城河在哪里，我認為數據是少數幾個可以產生可持續壁壘的領域之一。"

Meta的天價收購并非孤例，它昭示著一個新時代的開啟：在模型軍備競賽之外，一場圍繞高質量數據獲取與高效治理 的"暗戰"已然打響。能否穿透"硅幕"，構建強大的數據護城河，將直接決定企業乃至國家在AI時代的競爭力。處理好數據與大模型的關系，不僅是贏得競賽的秘鑰，更是擁抱智能未來的基石。