数据智能概念、发展历史、价值和意义在哪？

数据和智能是信息技术领域中最受关注的方向，其历史最早可以 追溯到计算机的诞生。

1.数据智能概念探讨

近年来，智能领域突破“量变引发质变”的临界点，相关技术、 产业进入剧烈变革期。自 1956 年人工智能（AI）概念诞生以来，智 能计算领域历经多个阶段的技术方向探索，逐渐收敛在深度学习这一 主线，但仍以“决策式人工智能”为主要发展领域。近两年，在以 Transformer 模型为代表的算法、极致算力支撑下的千亿级模型参数、 大规模高质量的训练数据三者共同的作用下，生成式大语言模型的应 用效果出现跨越式提升。以 GPT-4 为代表的大模型能实时对图像、音 频、视频等多种形式输入进行理解，根据要求完成高效问答、内容生 成等多种任务，甚至以前 10%的成绩通过美国模拟律师考试，由此“生 成式人工智能”的发展成为全球焦点，带动人工智能技术产业进入剧 烈变革期。

伴随智能领域变革，“数据”与“智能”间的发展关系亦呈现两点 重要变化，“数据智能”概念亟需明确。数据和智能间 的关系变化在近期主要体现为两点：

一是“智能”将成为“数据”价值释放的主要路径，“数据”成为 “智能”成效进一步跃迁的胜负手，两者关系由“松耦合”转向“紧 耦合”。长期以来，受制于智能技术的局限性，数据仍以非智能化的 传统应用方式发挥价值，同时，智能应用效果的明显提升主要由算法 驱动，数据仅作为研发过程中的基础一环，两者呈现“松耦合”式发 展关系。然而，随着生成式大语言模型应用效果的飞跃式提升，人工 智能对于生产生活各领域将逐渐不可或缺，进而成为数据价值释放的 主要路径；同时，随着算力、算法的演进模式逐渐收敛，数据对智能 持续发展的价值愈发突出。由此，助力智能发展将成为数据工作的核 心，智能的效果提升也更加依赖数据工程及技术的托底，两者后续将 转向“紧耦合”式发展关系。

二是智能化技术开始反向助力数据技术发展和非结构化数据应 用。一方面，智能化技术开始应用至数据技术领域，在生成式人工智 能的赋能下，数据的汇聚技术、存算技术、管理技术、开发技术、安 全技术等快速向智能化升级，相应环节的生产效率有望得到大幅提升； 另一方面，智能化技术突破传统数据技术面向非结构化数据的能力瓶 颈，占据未来数据总量约 80%的文档、视频、音频等非结构化数据在 生成式人工智能技术的助力下，可被迅速处理和分析，从而实现全形 态数据的价值释放。

通过以上两点变化可见，数据与智能的融合大势所趋，由此“数 据智能”的概念也应运而生。数据智能的概念可以初步概括为，以全 形态数据为关键资源，以大数据和人工智能深度融合后的新技术体系为关键手段，以决策式、生成式人工智能和传统数据应用形式协同应 用于生产生活各领域为最终目标，由此形成的新兴生产生活方式，以 及相应延展出的新技术、新产业、新生态。

2.数据智能的历史发展沿革

数据和智能是信息技术领域中最受关注的方向，其历史最早可以 追溯到计算机的诞生，随后至今的近 80 年大致可分为三个阶段。第一个阶段是技术准备时期（2000 年以前），这一阶段主要是由 技术驱动的发展阶段。在计算机诞生后的 20 年内，通过计算能力形 成人造智能的人工智能（AI）概念，和对数据进行管理和处理的数据 库理论均已提出。随后，人工智能经历了从基于规则的推理方法到基 于统计的机器学习方法的转变，经典机器学习和早期人工智能理论逐 渐形成体系。数据领域则由关系型数据库完成大多数据管理和处理需 求，同时诞生了数据仓库理论，指导企业使用数据库等相关工具实现 基本的经营管理数据分析。这一阶段中，新兴信息技术不断涌现，为 企业、产业、社会带来革新的生产力，信息技术的重要性为人所熟知。

第二个阶段是大数据时期（2000 年~2020 年），这一阶段主要是 由数据驱动的发展阶段。随着互联网时代的全面到来，数据量的爆发 式增长、数据类型的多样复杂化、时效性需求的愈发强烈，为数据的 处理能力、智能算法的计算效率与效果均带来了新的要求，也使传统 机器学习和数据库技术出现瓶颈，催生出以分布式处理为代表的提升 数据处理规模和效率大数据技术，及通过多层神经网络学习加深模型 效果的深度学习技术，数据和智能各自的技术发展进入快速迭代阶段。 这一阶段中，数据量和数据类型的飞速增长进一步引领了技术的被动 式革新，数据开始作为关键角色登场，受到的重视程度也与日俱增。

第三个阶段是融合应用时期（2020 年至今），这一阶段是由应用 驱动的发展阶段，也是当前所处的发展阶段。近年来，移动互联网的 普及和应用推动数据和智能技术的发展更加极致，更多样化和复杂的 需求催使技术的发展和应用趋向融合，流批一体、湖仓一体、多模化处理、多模态深度学习等已成为前沿发展方向，数据与智能技术进入 相互融合深度应用以促进共同发展的道路。这一阶段中，单一技术的 发展速度逐渐放缓，如何深化对已有技术的应用，充分发挥数据的内 蕴价值，将数据和智能更为有机的结合成为更受关注的问题。当下， 以大语言模型为代表的生成式人工智能技术实践效果突出，其结合大 量场景的应用正在加速落地，围绕其应用落地相关的数据供给、模型 优化、场景发掘、伦理安全等一系列问题成为时下热点。

3.数据智能的价值和意义

价值产生的本质，是能量、物质、信息三者内部或之间转换效率 的增加。因此价值的具象化，也往往以效率提升的形式体现。数据智 能借由传统数据技术加速了信息的收集和处理加工，借由智能化技术 提升了信息精炼过程和人机信息传递交互的效率，从结果上实现了信 息流动过程中更多环节由人工处理向智能化自动处理的靠拢和转变。 人力由于自身生理条件制约效率有限，相较由庞大能量支撑、运 转速率高且信息传递顺畅的信息系统，更多的成为人机混合流程中的 瓶颈环节，阻碍着串行流程运行的总体效率。随着智能化技术的持续 进步，智能化自动处理模块相较人工处理造成的有效信息损失被压缩 至相对可控和可接受的范围，使得智能化自动处理替代人工带来的整 体效率提升更为可观，为更多人工环节的替换提供了现实基础。

在数据智能的实践下，以人为核心的生产环节，或被替代，或受 益于技术赋能带来的生产效率提升，或受益于技术效果突破可用性临 界点带来的新型生产方式及由此诞生的新生产环节。其中，被替代的是具体环节而非人员本身，相反每个个人作为独立的信息生产处理系 统在综合作用下将得到最大程度的效率提升，进一步的，随着规模效 应的放大，将逐渐为企业、产业、社会等各层面带来新的价值和意义。 在企业层面，数据智能的实践能提升企业从数据中提取有效信息、 精炼转化为知识、最终指导决策这一过程的总体效率，半自动化、自 动化决策方式逐步落地。决策效率的提升和决策方式的转变，能够显 著提高企业经营的响应速度和市场适应能力，促进业务流程优化和创 新。例如，在金融业，帮助企业实现精准营销、风险控制和欺诈检测； 在制造业，优化生产流程、预测设备故障、降低运营成本；在外卖、 出行等行业，系统自动形成最佳调度方式并直接完成决策，显著提高 效率和响应速度。

在产业层面，数据智能的实践在直接带动相关技术服务产业发展 的同时，还将带来模式创新和对生产关系的重塑，以改善产业链总体 产出效率。一方面，对于更高效专业化技术服务的持续性需求，将催 熟联合运营等新兴产业合作模式。另一方面，生产端个人生产能力的 水位上升将带动部分行业领域离散型个体供给模式的进一步兴起。例 如，在内容生产行业，大模型的应用使个人生产效率全方位提升，专 业分工进一步细化和整合，专业岗位进一步向外包、众包、共创等模 式转变，最终提升综合生产效率。在更多行业中类似实践还将孕育着 更多旧赛道的革新和新赛道的催生。

在社会层面，数据智能的实践能直接提升信息、知识在全社会范 围内的流动效率，同时借由对信息的互通和技术的应用强化总体协同性，优化社会资源的配置效率。世界历史上的重要发明如文字、纸张、 印刷术、通信、互联网等都分别在各自的历史时期通过对知识传播效 率的提升推动了生产力的发展和时代的进步。数据智能当下同样能够 提高知识的易获取性以加速其在全社会范围内的流动和配置，并且在 此基础上，能够进一步实现物理空间与数字空间的映射，实现社会运 行各方面的高效协同，加速社会资源的合理配置，提升总体运行效率， 为全社会带来更多福祉。