AI 原生大模型数据团队：趋势、定义与关键路径
外部已有明确信号，内部已有散点探索，现在需要做的是从组织和系统层面把这件事设计清楚。这篇报告说三件事：方向判断、什么是真正的 AI 原生、以及可操作的推进路径。
一、背景：趋势已经清晰，窗口正在打开
1.1 外部信号
OpenAI 的内部 Data Agent（2026 年 1 月公开） 是目前最具参考价值的实践案例。他们的数据平台服务 3,500+ 内部员工，管理超过 600 PB、70,000 个数据集。在这个规模下，「找到正确的表」本身就是分析工作中最耗时的环节——相似的表太多，细微差异只有写过它的人知道。
他们构建的 Data Agent 解决方案有几个关键设计值得关注：
- 代码级理解：Agent 不只读 schema，还读生产这张表的代码——表的真正含义藏在产生它的逻辑里，而不是列名和注释里
- 机构知识接入：Agent 可以访问 Slack、Google Docs、Notion，把散落在对话和文档里的业务背景、指标定义、历史决策纳入上下文
- 持续学习记忆：Agent 在与用户交互中积累纠正和细微差别，下次遇到同类问题时直接复用，不再重复犯同样的错误
- 闭环自修正：中间结果异常时，Agent 自主调查、调整、重试，把迭代任务从用户身上转移到 Agent 自身
结果：原本需要「几天」的问题，变成了「几分钟」。（原文链接）
NVIDIA Data Flywheel Blueprint（2025 年 6 月） 走了另一条路：直接利用生产环境的 LLM 交互日志作为训练数据，全自动完成「生产流量 → 数据集 → 蒸馏微调 → 模型更新」的闭环，零人工标注。实测：1B 小模型通过飞轮蒸馏，达到 70B 模型 98% 的工具调用准确率。
更大的背景：自主科研开始出现 。2026 年 3 月，Nature 发表论文展示 AI 系统能以最少人工参与产出通过同行评审的研究论文（Nature, 2026）。多智能体协作数据选择已有论文验证对预训练效率有显著提升（arXiv:2410.08102）。方向已经在走，不是假设。
1.2 内部已有散点探索
回顾当前内部各方向的探索：
- 数据质检：大模型已经在实际使用中，而且在复杂语义判断任务上，模型的表现已经超过了人工规则
- 数据合成：TerminalBench 等方向的合成已经在借助模型，形成了半自主的进化流程
- 数据诊断：尝试了模型出题、测试来发现预训练数据的盲区——这是一种自我审视能力的雏形
这些探索是对的，值得鼓励。但现在的状态是散点而非体系——每个方向在自己的边界内做，缺少一个统一的信息层和工具层支撑，每个 Agent 都是孤岛。
从组织和系统层面做一次设计，有机会激发远超现有工作的想象力。
二、什么是 AI 原生的数据团队
核心定义一句话：
AI 与人平权——信息、工具、系统，应该像对待员工一样对待 AI。
这句话听起来简单，但背后是一套完整的系统设计思想。
现在的状态是：AI 是「被调用的工具」——人有访问权、有上下文、有判断依据，AI 只在被显式调用时执行一个局部任务。任务完成后，上下文消失。
AI 原生的状态是：AI 是「持续在场的参与者」——像一个真正在团队里工作的成员，有访问权限、有持续积累的上下文、有主动发现问题和提出想法的能力。
具体来说，这意味着：
信息对等：AI 可以访问数据团队所有的信息资产
- 数据仓库的 schema、血缘关系、生产代码
- 实验平台的历史结果、配比记录、ablation 数据
- 日常工作中的决策记录、讨论背景（不只是最终结论，还有「为什么这么决定」）
- 模型评测结果、能力曲线、退化信号
工具对等：AI 可以使用数据团队所有的核心系统
- 数据访问权限（读取，按需写入）
- 实验系统（提交任务、查看结果）
- 蒸馏平台、模型 API
- 合成和质检的执行环境
目标驱动而非步骤驱动：人设置目标和规范，AI 自主决定怎么做
- 人说「这批数据的质检目标是：毒性 < 0.1%，事实一致性 > 95%」
- AI 决定用什么方法、调什么模型、处理什么边界情况
- 人审核结果和异常，不关心执行路径
三、关键路径：两步走
第一步：打通数据质检
为什么从质检开始？
质检是当前探索最深、模型能力最被验证的方向。更重要的是，质检是数据流的关键节点——打通了质检，就打通了数据层的核心访问路径，后续扩展的基础就建好了。
这一步要做的核心事情：打通数据访问权限 + 建立信息理解层
数据访问是基础，但不够——模型能访问数据，不代表模型能理解数据。这里有一个设计难题需要认真对待：
如何让模型理解「这批数据是什么」，而不只是「这批数据长什么样」？
OpenAI 的答案是「代码级理解」——表的真实含义在产生它的代码里，而不是列名和 schema 里。对预训练数据团队来说，这个问题更复杂：一批数据不只有 schema，还有：
- 它从哪里采集的，原始来源的质量基线是什么
- 它经过了哪些清洗步骤，每个步骤的逻辑是什么
- 它在历史上出现过哪些问题，怎么处理的
- 它在模型训练里的历史表现，哪个配比下效果好
这些「数据的故事」，是让模型真正理解数据的关键。把这些信息结构化地喂给模型，才能让模型做出有判断力的质检决策，而不只是执行规则。
信息理解层的设计要点：
- 每个数据集维护一份「数据履历」：来源、清洗逻辑（附代码链接）、历史质检记录、训练表现
- 把散落在 wiki、聊天、实验记录里的决策背景整理成可检索的结构
- 质检 Agent 的上下文 = schema + 履历 + 历史决策 + 当前目标，而不只是「一批文本」
人的角色：
- 设置质检目标（指标 + 阈值）和预算（API 调用量、时间、数据权限范围）
- 审核异常和边界情况，不参与执行路径
- 定期校准：对比 Agent 判断和人工抽检，形成持续的信任积累
第二步：构建自主演化能力
第一步解决了「让 AI 替人执行已知任务」。第二步更有想象力：让 AI 主动发现问题、生成想法、推动数据方案的演化。
具体是：AI 有了完整的信息访问权和工具权之后，可以做人很难做到的事情：
跨源信息的自动关联
- 发现「最近训练的数学能力退化」和「上个月一批数学数据的质检标准调整」之间的关联
- 这类关联人是能发现的，但需要两个人碰到一起、记起来、有时间推理——大量的关联被淹没在日常噪音里
- AI 持续在场，不会遗忘，可以系统性地做这件事
主动的数据实验
- 在沙箱环境里自主尝试不同的数据配比方案，观察下游指标变化
- 发现某类数据在特定配比下有显著正向效果，整理成可执行的建议，提交给研究员决策
- 不需要人分配任务，AI 自主选择「当前最值得探索的方向」
数据方案的自主生成
- 基于当前模型的能力缺口，反推需要什么样的数据来填补
- 生成合成方案，自动评估方案的覆盖度和多样性，再扩大生产
- 这是现在 TerminalBench 方向在做的半自主流程，未来可以更系统化
研究员的角色转变
在第二步里，研究员的角色不再是「分配任务」，而是柏拉图式的追问者：
AI 提出一个发现或想法，研究员不是评判「对不对」，而是追问「为什么」「这意味着什么」「有没有反例」「如果这个假设成立，那下一步应该验证什么」——通过追问，把 AI 的初步想法打磨成可执行的方案。
这种工作方式，更像研究员之间的 brainstorm，而不是人对工具的调用。
四、根本性改变：想象力的激发
前两步是工程层面的设计，但真正有意思的是它们会带来什么质变。
改变一：「不知道自己不知道」的问题开始被解决
现在团队对数据的认知有一个隐性天花板：我们只知道我们知道的东西。
大量潜在问题、潜在关联、潜在机会，因为没有人有足够的时间和上下文去系统性地探索，所以永远停留在「未被发现」的状态。
AI 全时在场、有完整信息访问权之后，这个天花板会被打破。它可以持续做人做不到的「全局扫描」——不是因为它更聪明，而是因为它不累、不遗忘、可以并行处理。
改变二：数据工作从「被动响应」变成「主动发现」
现在的工作模式本质上是响应式的：训练团队说「数学能力退化了」，数据团队开始排查。
AI 原生之后，可以变成预测式的：在退化信号出现之前，AI 已经发现了数据分布的异常，并提前提出了调整建议。
改变三：团队的工作密度和创新密度同时提升
当执行层交给 AI，人可以把更多时间放在「只有人能做的事」上——定义方向、设计体系、做关键判断、通过追问激发更好的想法。
这不是说团队变小，而是说同样规模的团队，可以覆盖更大的探索空间。
五、从哪里开始
第一个月：质检 Agent 的信息层设计
不要急着做全套系统，先把「信息层」设计清楚：
- 盘点现有数据集，建立「数据履历」模板
- 确定哪些信息是 Agent 做质检判断必须有的
- 把散落的决策记录整理成可读的结构
这一步的产出不是代码，是「让 Agent 能理解数据」的信息架构设计。
第二到三个月：打通质检 Agent 的完整闭环
- 数据访问权限打通
- 第一个能自主运行的质检 Agent（有目标设置、有执行、有结果报告）
- 建立人工校准机制，持续积累信任
第四到六个月：扩展到实验和合成
质检打通之后，用同一套信息层和权限体系扩展到：
- 实验系统的访问（读取历史实验数据）
- 合成方案的自主生成和评估
- 跨源信息关联的第一个 prototype
六个月后：开始观察是否有「意外的发现」
这是 AI 原生最难预测、也最值得期待的部分——当 AI 有了足够的信息和工具，它会发现什么是我们没想到的？这个问题，只有做了才知道。
参考：OpenAI 内部 Data Agent 完整分析 | 旧版综述（2026-03-27）
本文为改进版本。查看原始版本