数据产业观察日报|切脊扫书
AI公司切脊扫光日本古书,数据资产入表34.65亿被高估,认知压缩层才是真瓶颈,模型吃自己的尾巴最危险。
一、开篇暴击:今日最荒诞的一幕
今天最魔幻的画面,不属于任何一个发布会,而属于图书馆的装订线。
AI公司为了搞训练语料,开始大规模扫购日本古书——买回去干什么?切脊扫描。把书脊切开、逐页扫描、喂进模型,然后这本古书作为一个实体,就从这个世界上消失了。据微博消息,绝版书库存已经异常减少约13万件。
13万件绝版书。不是13万条日志,不是13万行代码,是13万件人类纸质文明里不可再生的孤本。
Anthropic们扫书训练AI,这事儿本身不新鲜——美国那边早就干过一轮,被告上法庭还振振有词。新鲜的是这次连「借阅」「复制」的遮羞布都不要了,直接物理拆书。AI要把人类的知识吃进去,吃相却是先把书的「脊椎」打断。
讽刺到什么程度?人类写书用了几千年,AI消化它只用了几个季度。而等这批书被扫完、书店被清空,未来的人类想再看一眼原书,可能得先问AI要训练数据副本——文明被数字化之后,原件反而成了最稀缺的东西。
这一幕,给今天的整份日报定了调:数据产业的狂飙,正在以实体世界的消失为代价。
二、最被高估的事:数据资产入表的34.65亿
今天数据要素圈最兴奋的数字:2026年前三季度,139家A股公司数据资产入表规模达34.65亿元。
各路解读已经开始奔涌:「数据要素市场化进程加速!」「数据成为第五大生产要素的实证!」慢一点,朋友们。
我们算笔账。139家上市公司,34.65亿,平均每家不到2500万。这是什么概念?很多公司一年的服务器托管费都不止这个数。一个资本市场动辄讲万亿规模的数据要素市场,落到财报上的「实证」,是每家 averaged 两千多万的入表——这更像是财务部门的一次合规演练,而不是一场要素革命。
更值得琢磨的是入表的动机结构。在现行规则下,数据资产入表对不少公司意味着什么?资产负债表变好看一点、无形资产多一栏、融资时多一个故事。至于这些「资产」能不能交易、能不能产生真实现金流,报表不会告诉你。
配套的热闹也来了:可信数据空间试点扩容,各地纷纷探索「数据要素合规流通新模式」;德阳数据交易公司签约阿曼企业,数据要素咨询首次出海中东。试点扩容、咨询出海,说明生态在铺开,这确实是进展。但请注意一个尴尬的事实:试点越铺越多,真金白银的场内交易却始终雷声大雨点小。 合规模式探索了三年,「新模式」三个字几乎成了新闻模板。
数据资产化是方向,我不反对。但把2500万的公司均摊吹成历史性突破,是把会计科目当成了产业成就。真正的考验只有一个:什么时候一家公司的数据资产,能像厂房设备一样被银行踏实抵押、被买家踏实竞价。在那之前,34.65亿的故事,先降降调门。
三、最被忽视的事:瓶颈在认知压缩层,不在上下文长度
今天技术圈有一条几乎没人转的观点,但我认为它是全天信息密度最高的一条:超大代码库的AI演进瓶颈,不在大模型的上下文长度,而在「认知压缩层」。
百万行代码的仓库,工程师和AI面对的是同一个问题:没人能把整个系统装进脑子里(或上下文窗口里)。业界现在的解法竞赛全押在「把窗口做大」上——128K不够上1M,1M不够上无限。但这条博主观点戳破了窗户纸:上下文再长,模型依然要靠「压缩后的理解」来回答「这个函数改了会影响什么」。真正稀缺的不是能塞进窗口的token数,而是对系统结构、隐含约定、历史决策的可计算的压缩表示。
换个更熟悉的词:这不就是数据产业的老命题吗——schema discovery、血缘关系、元数据。同一天DevToData上那篇《From Schema Hunting to Relationship-Aware JOINs: A Better dbt Workflow in VS Code》讲的正是同一件事:从「到处找表结构」进化到「基于关系感知的JOIN」,让工具理解数据之间的关系,而不是让人肉去考古。
AI for Data 和 Data for AI,在今天这两条不相干的资讯里握手了。 AI要理解百万行代码或百万张表,需要的恰恰是数据管理这门老手艺:血缘、目录、关系图谱。做数据治理的朋友们,你们积累了十年的本领,突然成了AI工程的瓶颈层——可惜今天围观「上下文长度之争」的喧嚣者,几乎没人低头看这条暗线。
四、最值得警惕的事:模型开始吃自己的尾巴
如果说切书是「吃人类的粮」,那第四条消息预示着更深层的问题:模型开始吃自己。
DevToData今天的文章《Synthetic Data vs Real Data: Training on a Model's Own Output》直指一个正在主流化的操作——用模型生成的合成数据训练模型。听着很美:数据无限、成本趋零、合规无忧(毕竟不是扫来的书)。
但把今天几条线索连起来看,你会看到一条完整的退化链条:
第一环,真实的、高质量的人类语料(比如那些日本古书)正在被物理性消耗——13万件绝版书不会重生。
第二环,高质量数据的获取成本越来越高,法律风险越来越大(扫书在美国已经吃官司)。
第三环,于是行业加速转向合成数据——用模型自己吐出来的东西喂自己。
这条链的终点是什么?是近亲繁殖。模型输出训练下一代模型,下一代模型再喂下下一代,分布逐渐收窄、长尾逐渐消失、错误逐渐固化。当互联网上的内容越来越多是AI生成的,后来者连「干净的人类数据」都采集不到了—— polluted data pool,一锅互相污染的汤。
今天没人讨论这个,因为合成数据眼下确实好用。但数据产业最古老的定律在此刻格外刺耳:garbage in, garbage out——而「自己 in,自己 out」,是它的升级版。切断书脊是短期损失,切断人类数据源头的再生产,才是长期危机。
五、数据说话
把今天几条线索拼成一条链,问题就一目了然:
解读:这是一个正在闭合的循环——真实语料被一次性消耗(左上角),行业被迫转向合成数据,而合成数据回流训练形成闭环。环上的每一步单独看都「理性」,连起来却是数据供给的单行道。与此同时,今天全场唯一在「创造增量」的数字——139家公司入表的34.65亿——摊到每家不足2500万,与这个循环所需的庞大数据基础设施投入相比,杯水车薪。数据产业的当务之急,不是继续吹大故事,而是回答那个最朴素的问题:下一代模型,吃什么?
(完)
今日其他值得留意的动态:智臾科技 DolphinDB Shark 与海光 DCU-3G 完成兼容性认证——国产数据库+国产算力的组合拳继续落子;全国数标委获批成为 ISO 国际数据标准对口秘书处,中国从标准的跟随者开始坐上规则桌——这两条放在一起看,国产数据技术栈的「软硬双认证+标准输出」路径已现雏形。