数据产业观察日报｜全绿的错误

一、开篇暴击：今日最荒诞的一幕

今天最魔幻的一幕，来自 DevToData 的那篇标题已经替我说完了一切：AI 补数据通过了质检，事后核查，超过三分之一是错的。

注意顺序——先是通过，后是发现。也就是说，那套让所有人在汇报里拍胸脯的“质检全绿”，在 AI 面前形同虚设。

为什么？因为我们过去二十年的数据质检，本质上是给“像样的错误”设计的：空值、越界、主键冲突、格式跑偏。而 AI 生成的错误恰恰相反——格式完美、分布合理、连空值都填得温柔体贴，就是内容是编的。

它通过了所有检查，唯独没通过“真实”这一关。而我们从来就没给“真实”写过一条规则。

以后再看到“质检通过率 100%”，请自动翻译成：没人真的看过这批数据。

二、最被高估的事：“开放”这个词，正在被重新发明

Databricks 发了一篇《What makes a catalog open?》，借 Unity Catalog 高谈“开放湖仓”的先进性。

写得很漂亮。但请注意这个动作本身的吊诡之处：一家公司正在花钱教你“什么才配叫开放”。

开放的定义权，从来是数据产业最值钱的权力。当年 Hadoop 开放，开放的是协议；如今湖仓开放，开放的是接口——而元数据、血缘、权限这些真正的权力中枢，依然牢牢握在平台手里。接口开放让你进得来，元数据锁定让你走不掉，这才是全套。

Snowflake、ClickHouse 们嘴上也全是 open，个个都“开放”，个个都盼你别走。这个行业“开放”一词的通胀率，早就超过了吧。

所以别问“谁的目录更开放”，问一个更锋利的问题：我明天把数据搬走，要付几天的痛？ 答案超过一天，所谓开放就是营销辞令。

三、最被忽视的事：Pinterest 用十年老技术，干成了 PB 级的“定稿”

InfoQ 报道了 Pinterest 用事件时间水印（event time watermarks）来定稿 PB 级数据分区。

没有大模型，没有 Agent，没有融资新闻。水印——这个流式计算领域快十年前的老概念——在 Pinterest 手里解决的是数据工程里最要命的问题：一个分区到底什么时候才算“写完了”？

在 PB 规模下，这个问题答错一次，下游报表、模型训练、对账口径全线崩塌。Pinterest 的答案是：不看墙上时钟，看数据自己说了算——事件时间过线，分区才允许 finalization。

没人转发它，因为它是“无聊的工程”。但各位记住：行业的地基永远由无聊的东西撑着。

顺带一提，同一天有博主实测算力账：100 万文本块向量的存储成本，远不止 API 调用费。大家都在晒 RAG 效果截图，没人晒账单。热闹和成本，永远住在两个世界。

四、最值得警惕的事：挂牌易，账本难

网传国家数据集团近日挂牌，将统筹数据要素市场化配置、“统一供给高质量数据”。

方向没人反对。但同一时间，钢哥说架构 发的那句话才是真正的清醒剂：数据要素的核心，是建可运营的资产账本，而不是卖数据。

这两条新闻放在一起看，就冒冷汗了。如果统筹=挂牌+统一供给，走的是“批发市场”逻辑——把数据当货，堆在摊位上等人来买；而数据要素真正缺的是“资产负债表”逻辑——每一份数据是谁的、质量几何、被谁用过、价值几何，账上清清楚楚，才谈得上运营和定价。

没有账本的统一供给，供给的只是容量，不是资产。挂牌那天锣鼓喧天，三年后账本没建起来，就是一个更大的数据衙门。

别忘了 Microsoft 同日给“越权的 AI 内部人”（agentic insider）上管控——当国家在统筹数据，AI 代理在自动消费数据，账本不是可选项，是唯一的安全带。

五、数据说话

先看今天开篇那件事的残酷切面：

三分之一的错误，藏在 100% 的通过率里。这就是把“格式合规”当“数据真实”的代价——质检报告的绿色，和数据的成色，是两种颜色。

再看数据要素这件事的完整水面：

水面上是新闻，水面下是功课。今天整个行业都盯着水面上的锣鼓，而真正决定数据要素成败的——账本、确权、计价、审计——一条都没浮出水面。

挂牌只是开张，账本才是生意。 别把开张那天，当成盈利那天。

—— 今日份毒舌完毕，明早见。