以数据消费为目标，重建「数据中台」
数据飞轮，是今年大模型带火的一个典型词汇，通过客户在应用程序中输入的提示词这样的数据反馈，使大模型快速迭代。今年初，数据飞轮也曾一度被视为 OpenAI 最重要的先发优势。
但在 All in 大模型的下半年，数据飞轮成为了大模型厂商最头疼的事情。此前在极客公园举办的一场大模型研讨会中，不少创业者表示，「用户都看重数据资产，不愿意把数据拿出来，模型厂商帮助客户训好模型，做本地部署，做完了『净身出户』，数据飞轮很难建立起来」。
从 A/B 测试里跑出来的今日头条，基于数据分析选品、调度的抖音直播，火山引擎数据平台拥有这两个互联网最艳羡的业务实践，火山引擎如何看待大模型的数据飞轮问题？
带着这样的好奇，极客公园在 9 月 19 日 V-Tech 数据驱动科技峰会上，采访了火山引擎总裁谭待。他表示，大模型的数据飞轮问题首先要合规，其次，很多企业愿意与模型厂商共创，从而可以让大模型厂商的大模型数据飞轮转起来。
火山引擎 V-Tech 数据驱动科技峰会｜来源：火山引擎
另一方面，在数据平台的产品层面，火山有更多的数据飞轮实践。
峰会上，谭待和字节跳动数据平台负责人罗旋，介绍了火山引擎在数据平台层面接入的大模型功能探索。其中，在类 BI（Business Intelligence，商业智能）产品、自动驾驶舱等产品中引入了 AI 助手；在数据管理产品中引入了 AI 自动补全代码和修正代码等功能；目前，相关数据产品已启动邀测。据悉，这几款产品的AIGC功能背后，是基于火山自己的大模型——云雀（目前在内测中）。上个月底，云雀大模型通过了《生成式人工智能服务管理暂行办法》备案。
事实上，大模型在数据类产品的落地，还有一定距离。
6 月以来，不少数据产品都引入了 AI 助手这样的功能，目前产业界普遍仍在打磨落地中，要实现任何自然语言精准「召唤」出想要的数据形式，还需要几年的探索时间。火山引擎总裁谭待也表示，真正有比较好的 AI 原生应用出来，可能要等到底座模型本身至少具备GPT3.5+以上水平，才会清晰一些。
但在理念上，火山引擎提出了不同的数据飞轮理念，数据驱动最终是一定要落在企业不同人员对数据的消费上，以此来建设数据产品，把数据「推」到最广泛的数据消费者面前，最终形成基于数据分析的一致行动。这能解决近年来饱受争议的数据中台难落地的问题。
关于上述问题，谭待和罗旋接受了包括极客公园的采访，以下是对话节选：
数据，必须被「消费」
问：峰会上推出的找数助手、开发助手、分析助手几款工具，用户会以什么样的方式获取这些服务？
罗旋：因为 AI 本身也在快速发展过程中，产品经过一段实践，不能算是成熟的状态，我们希望一点点逐渐打磨产品。前期先邀测，不会大规模放开，希望有一些客户能够深度跟我们共创，更成熟以后，再大规模对外公开。
问：这些AI助手用了什么大模型？
罗旋：我们现在主要依赖于字节本身有一个云雀大模型，以及火山方舟 MaaS 平台上有一些合作伙伴的大模型。
问：怎么理解「以消费为核心」的数据驱动？
谭待：回到最大的根本，做这件事情，还是希望把目标定清楚，最后其实是以数据消费为目标来做这个事情。跟过去五六年业界讲的数据中台的概念相比，这是一个更大的升级，而且是更有效解决企业数据产生价值的问题。
否则，很多企业投入大量的资源，建完之后有数据，但是没有利用起来，本质就是没有想清楚最终应该围绕什么来做这件事情。以前我们做建设的时候，目标是有偏差的，比如我建一个中台其实不是目标，是实现数据驱动的一个手段。
所以我们提出了数据消费、数据飞轮这样的逻辑。企业建设数据时，应该把数据消费作为目标，比如峰会讲的两个 80%：一是 80% 的企业员工能够用到，二是能覆盖到 80% 的分析场景。
围绕数据消费，我们的体系叫数据飞轮，数据飞轮上层是跟应用相关，这些产品里面大部分确实是 SaaS 的形态，也有一些会是 PaaS 的形态。下一层是数据资产的建设，这些主要是 PaaS 为主，通过数据消费这个事情端到端应用起来，就能解决过去企业数据建设过程中，数据团队和业务团队互相不理解导致最后效果不好的问题。
火山引擎全套数据平台产品｜拍摄：极客公园
问：火山引擎一整套数据飞轮的产品，如果跟 SnowFlake 相比的话，有哪些相同的地方，有哪些不同的地方？
罗旋：SnowFlake 本质上更多是数仓的引擎，公司做大以后也尝试着往更多数据分析这边去走，但是更多是从基础层的引擎往上做。
我们切入的角度不一样，我们更强调业务，比如 AB 测试，SnowFlake 没有，我们偏数据飞轮下面的轮子，偏数据资产和数据建设底层的部分，更强调两个轮子兼备。
从业务需求来说先做应用，发现下一层可能有数据质量包括治理、资产的问题，再建下一个轮子，可以更灵活，更有选择性一些，这是一个比较大的区别。
谭待：可以类比一个概念，叫 DevOps，以前 Dev 和 Ops 完全分开的，所以很割裂。其实数据里面也有这个问题，你的应用和建设也是完全分开的，我们讲数据飞轮有点像 DevOps，我要把数据应用和数据资产合在一起。
问：传统企业想做数字化，或者一开始企业也注重数据，但是建设的不是特别好。如果这种情况下，希望能借助数据飞轮这个工具，会不会有一些摩擦力？
谭待：我们这些年也服务了很多所谓的传统行业，像制造业、金融、零售等等都有。这几年大家已经很重视数据建设，不是五年前或者七八年前大家觉得这事不是特别重要。
现在最大的挑战是，建设完发现数据用不起来，因为建设过程中跟他的业务目标是脱离的，是有很多报表、很多系统，但是都用不起来。这也是我们为什么提数据飞轮、数据消费的原因，得重新审视怎么建这个事情，不然建再多的中台也没用，这是这个阶段我们需要改变的事情。
问：数据飞轮相比传统企业数字化工具和数据中台的升级点到底在哪？
罗旋：最大的一点是看业务的痛点，第一步到底做什么？传统数据中台第一步是把数据建设好，数据资产弄好，到底有多少数据是一个相对整齐、统一、高质量地呈现出来。
数据飞轮，很大程度上先聊业务，业务上有什么诉求，看数据可以在里面起到多大作用，再看具体应该用什么样的解决方案，什么样的产品。
比如有客户说我们做了小程序的页面优化或者文案优化，他的业务痛点非常明确——通过文案的优化提高营销的转化率。相应地，我们提供的方案就是做 AB 测试。如果是另一种问题，比如说数据清洗、数据质量，我们可能需要提供数据资产管理、数据治理的工具，这是非常不一样的。
传统数据中台上来先不聊这些，先给你一个全家桶，先把这些做完。做完之后有什么用？这些事当时没有考虑，所以会遗留大量的工程后面推进不下去了，这是本质区别。
谭待：比如他已经投入了数据中台建设，他再用数据飞轮也是一个继承关系，不需要全部推倒重来，这对于企业来说也是一个很好的方式，已有的投入也可以得到延续。
大模型的数据飞轮，有解吗？
问：大模型时代，数据平台在火山的战略定位有没有发生变化？
谭待：我觉得数据平台更重要了，因为模型能够降低使用门槛，更多人可以更容易地消费数据，生产和理解数据也更容易，对于数据平台来说重要性不言而喻。就像改良式的蒸汽机，对于下游的原材料价值更高。
问：相比数据分析的数据飞轮，大模型厂商的数据飞轮很难建立。客户都很看重数据资产，但是不愿意把数据拿出来给模型厂商，怎么看大模型公司自己的数据飞轮难以建立的问题？
谭待：比如说 A 公司用了大模型，但是全部都封闭在自己的体系，A 公司自己的数据飞轮是建起来了，对他是一个好事，但是大模型公司怎么搞？最近 OpenAI 的 CEO 也有一个澄清，GPT 有没有用用户的数据。本身新的技术安全合规，信任是很重要的，肯定要在这个规范下做事情。
在实际中，有些用户不愿意那么用，那就肯定不能用。但还有很多企业发现，用标准的东西不能完全解决我的问题，需要和底层的合作方（模型厂商）一起做优化，一起做优化的过程中自然而然就可以提升，数据飞轮就可以转起来。
所以第一要合规，第二，在实际生活中有些人因为需求驱动导致很多企业愿意和模型方共建，这种共建可以帮助双方的数据飞轮都建立起来。
问：如何把用户反馈的数据返回基础模型，有什么方法论吗？
谭待：这个难点就是企业和用户愿不愿意给第三方。（尽管）技术上也有一些难点，但是最大的难点是在意愿上。
问：MaaS 平台推出几个月了，也有自己的大模型，现在客户选择上选择最多的是哪一款？
谭待：我觉得比较分散，不同的场景同时考虑效果、性价比，有的还有私有化部署的需求，不同模型在这方面的表现不一样。
第二，相比全球最高水平，中国几个基础模型都有一定距离，现在大家更多还是在 POC（Proof of Concept，概念验证，被视为发布功能性产品的第一步）、在做测试。真正有比较好的 AI 原生的应用出来的话，可能还是要等到底座模型本身至少具备 GPT3.5+以上水平，我觉得到年底这个事情才会更加清晰一些。
谭待介绍大模型时代数据飞轮的新趋势｜拍摄：极客公园
问：火山提到要全链路拥抱AI，具体如何系统布局，重点是什么？
谭待：确实大模型本身能应用的范式比较广泛，比如创作、内容、开发都有。其中数据分析是里面非常重要的一个环节，所以我们今天主要是讲我们数据分析产品上大概通过 AI 提供了哪些新的能力。其他的产品，我们在未来其他火山会议上也会逐步对外披露。
问：目前像字节内部对于大模型和AI业务资源倾斜的程度怎么样？在内部的权重如何？如何跟核心产品——抖音深度融合？
谭待：这次主要介绍的是数据产品的变化，大模型可以在 toB、toC 都有很大变化，你怎么找到这个方向，哪些优化是有价值的，还是要回到数据驱动上。这也是我们在这个阶段包括未来，数据产品很重要的原因，但是会通过模型本身让数据产品使用门槛更低，能创造更多价值。
C 端的产品陆续可以看到一些变化，但是跟火山关系不会特别大。
问：现在大模型普遍有一个问题是对齐不太好，经常会有幻觉，给人误导。火山有什么比较独到的经验和方案？比如，AB 测试和数据方面，你们有没有用这些方法来校准AI大模型？
罗旋：这确实是今天模型应用上一个非常大的阻塞点，在数据领域这个点尤其突出，因为数据本身是要求精确的东西，不是一个主观化的文本描述，不能是一个不精确或者错误的。
今天这个问题，整个行业都没有彻底解决，但有一些方法能够帮助我们一定程度上解决或者缓解这个问题。比如我们可以尝试让 AI 把它的思维过程、分析过程展示出来，一步步到底怎么推理、怎么想的。这个展示过程，人是可以看到的，当它出现错误时，我们是有可能发现这个错误的。
如果我们通过一些产品化的方式，能够让可能出现的错误比较显性地呈现在用户面前，让他轻易改动之后就能拿到正确结果的话，这很大程度上还是可用的，这是我目前觉得最重要的思路。
另一方面模型能力本身的提升也会很大程度上缓解这个问题，以 OpenAI 为例，GPT-4 比 GPT-3.5 有巨大提升，所以我们期待随着模型能力的进一步提升也可以变好。
还有一个思路，可以在模型上做一些领域的精调，在通用能力基础上加一些领域的知识，这也有利于帮助我们在具体的领域里面，让这个幻觉变得更小，准确率更高。这些方法结合起来，很大程度上这个产品能力跃过一个门槛是真的可用的。
谭待：AB 测试确实很重要，AIGC 的东西也不是唯一的答案，你怎么看（不同答案的）好坏，就像推荐一样，AB 测试是非常重要的。我们现在看模型，你去评估各种榜单，可能意义不是那么大，因为模型太大了，它可以把很多题目记下来，最终比较有用的还是通过 AB 测试来看，效果可能会比较好。
