数据对AI的重要性正在发生变化。除了文本数据，随着多模态大模型的兴起，所需的数据种类变得更加多样化。现在不仅包括网页和APP数据，还有来自麦克风、扬声器、屏幕、手写笔、摄像头和传感器等的数据——这些多模态数据的处理难度加大，需要将它们转换成统一对齐的格式以供训练使用，同时还要跨越不同的时域，统一不同时间的数据，要求越来越严格。所以，这个行业实际上才刚刚开始。

在数据方面，除了定义和多模态处理，大模型的标注工作也非常重要。这包括大模型的指令标注和泛化，需要有人去重新表述问题，进行标注。这就是所谓的“有多少人工，就有多少智能”，涉及多语言文本标注和图像视频标注。

随着大模型的发展，标注的难度大幅提升，图像和语音识别都集中在大模型中，不再像以前那么容易。因此，高质量的数据变得尤为重要，大公司也开始减少外包，转而自己进行数据标注。

数据标注的方法也在不断创新，特别是在智能汽车行业，现在更多的是处理三维激光雷达扫描来的数据，然后进行标注。有些情况下，还会自动生成这些三维数据，因为不可能有那么多车辆去实际跑路。在某些专业领域，标注工作需要专业知识，比如医疗影像数据的标注，不是随便一个人就能做到的，而是需要三甲医院10年以上经验的医生来进行。

以科大讯飞的讯飞医疗为例，它很早与协和医院等顶级医疗机构合作，共同进行数据标注工作。别的公司再牛，OpenAI再厉害，算法模型再厉害，也弄不到这些数据。等到训练好了后，它就相当于一个十年以上的医生做医疗诊断。

因此，专业领域的数据标注成为了垂直大模型的门槛，因为这些数据往往只有特定机构能够获取，从而形成了行业的绝对垄断，成为真正的护城河。

以上内容为「寻找下一个“英伟达”」课程第3章第2节的部分内容，吕伟老师将在本节课程的后续内容中，结合更多公司实例讲解AI数据市场的布局与发展前景。对本专辑感兴趣的朋友，欢迎点击此处加入，学习本课程的完整内容。