在数据与AI深度融合的今天，技术正以前所未有的速度重塑产业逻辑，AI正掀起一场革命。
天云数据CEO 雷涛
天云数据CEO雷涛作为深耕数据智能领域的“老兵”，从Java时代到大数据、机器学习再到大模型浪潮，见证并参与了数据智能技术的多次跃迁。本期《名人堂——“数”风流人物》栏目对话雷涛，他深入剖析了AI发展过程中数据表达的三次升级，并结合能源、安全等领域的落地案例，揭示AI如何深入产业带来价值。
数据表达的三次革命：从“代码”到“权重”再到“激励”
雷涛认为，数据并非一成不变的物理资源，而是随着算法升级不断转换形态的动态存在。从信息化到智能化，数据的表达经历了三次关键升级，每一次都推动着产业变革。
1. 代码(Code)：软件时代的“数据翻译”
在传统软件和机器学习早期，数据的核心表达形式是“代码”。无论Java逻辑、SQL语句或存储过程等，本质上都是人类将自身对数据的理解“翻译”成机器可执行的语言，让物理世界的信息实现数字化。
比如，从传统的文件到数据库、数据系统，数据的处理呈现需要多种软件协同，通过SQL处理表之间的关系。即便在机器学习的早期，数据的处理也是依赖于特征工程，这一阶段是人类思维主导，从结构化数据中提取规律，服务于报表生成、管理驾驶舱等人类决策场景。
不过代码的局限性也很明显，它更多是处理共性、标准化的逻辑，对个性化、碎片化的需求难以满足。例如，工厂里每个工人的操作习惯、每次设备故障的细微差异，都难以被硬编码的规则覆盖。
2. 权重(Weights)：大模型时代的“隐式表达”
随着大模型技术的兴起，数据表达进入“权重”阶段。此时，数据不再以表、字段等显性形式存在，而是转化为神经网络中的“权重”，这是一次数据表达方式的升级，通过梯度收敛为token间的关系权重(参数空间)，实现对数据的“隐式表达”。
“大模型本身也是数据，只不过是数据的另一种表达方法，数据被隐式表达到了大模型的权重里。”雷涛强调，这种表达革命带来了两个关键突破：
·跨模态融合：文本、视觉、音视频、空间等不同类型的数据，通过统一的编码器对齐到同一神经网络，能够进行跨模态数据处理，实现“文本里隐含的知识与视觉体验对齐”，深入产业流程中带来智能升级，例如，视觉影像的信息与文本描述的安全规范，能在同一模型中形成协同理解，指导员工安全操作。
·通识能力：数据不再局限于单一场景的规律，而是能泛化到多种任务。比如，能源行业的历史检修手册不再仅是检索素材，而是能够生成指导新工况下的动态任务规划。
3. 激励(Rewards)：强化学习时代的“探索式进化”
当前，数据表达正迈向“激励”阶段，以强化学习为核心，强化学习不断演进，从早期的人类反馈强化，到引入可验证的人类高级知识，再到过程稠密，通过“错误修正”和“探索奖励”实现数据的动态优化。这一阶段不再追求“绝对正确”，而是鼓励“多样性错误”，通过激励评价机制将“错误”引导向正确方向。
整体来看，权重阶段更多是学习模仿，强化学习强调启发式探索。激励机制引入了主观评价的“无限资源”来修正客观事件，尽可能少量试错，通过对中间过程的稠密化评估(如机器投票、策略比对等)，让模型从错误中学习。
“鹦鹉只能模仿，而乌鸦能探索，强化学习激励就是让AI从‘鹦鹉’进化为‘乌鸦’。” 雷涛用生动的比喻解释，权重阶段做得再好，只能在已有世界里做鹦鹉，而不能够在新世界里像乌鸦一样，可以通过少量错误就能够找到答案，其核心在于强化学习的逐步升级。
强化学习会使用现有数据，也会结合策略和外部环境生产合成数据。这与以前的仿真不同，仿真是按照一个固定的脚本逻辑去做，追求确定性，合成是发散型的，追求的是新奇性、多样性，能打开无限的可能，带来更多的创新。
例如，在自动驾驶场景中，极端天气、路面破损等罕见事件难以通过真实采集获得数据，却可通过AI生成“小概率但可能发生”的合成数据。结合激励机制，模型能从这些合成数据的“错误尝试”中，掌握应对未知场景的能力。
落地实践：AI的本质是知识的封装转移
技术的发展带来了人与机器交互的升级以及服务对象的变化，软件时代以UI的形式呈现给人类做决策支持，互联网推荐引擎时代变成调用API，Agentic AI时代，Agent成为了新的API，可以自动地分解任务、执行任务。
“就像我们以前说蒸汽机是对动力的封装和移动，电是对能源的封装和移动，这一波AI是对知识的封装和移动。”雷涛说。
技术的价值最终要回归产业，以前在软件时代或者机器学习早期，知识的封装需要依赖开发人员，如果让IT为个性化、碎片化的流程写代码，会导致ROI不高，无法落地或者难以实现规模化。如今大模型、Agent通过任务规划，可以自己编码，生成一个工作流，生成表单，以更加智能的方式实现降本增效。
雷涛结合天云数据在能源、安全监控等领域的项目，展示了AI如何从简单的“对话式交互”走向“流程级重构”的智能升级。
比如，在能源行业，AI的应用早已超越简单的“问答检索”，深入到生产流程的核心环节。某大型电厂的大修项目中，涉及上千人团队，工期长达半年至一年，通过AI将数千份历史检修手册、策划书等静态文档变为可以生成作业方案的专家助手。
“传统上，大修的先后次序、工种协调靠人工规划或传统的算法，而现在大模型能基于历史知识生成动态任务。” 雷涛介绍，模型会提取手册中的核心要素(如工期、工种限制)，结合实时工况(如设备状态、生产需求)，自动生成轮班计划、派工单，并同步到SOP系统中。
而在安全监控领域，也充分体现了“权重”阶段跨模态融合的价值。传统摄像头仅能做信号处理(如人脸识别、车牌识别)，比如早期的卷积神经网络，处理的是视觉的局部信息，对员工的一些操作或动作容易错判、误判，而结合多模态大模型后，普通摄像头变成了“懂规则的安全员”。
例如，在某电力巡检场景中，系统将电力安全规程的PDF文档输入多模态模型，模型会自动解析上万个风险点并进行风险分级。当摄像头捕捉到工人“跨越高压区软绳”的动作时，即使绳体纤细、像素模糊，无法单纯从视觉上很好识别，模型也能通过“弯腰、抬膝盖”的连续动作逻辑，结合安全手册中的“高压区禁止进入”规则，瞬间识别风险并触发告警。
还有上线的“随手拍”功能，管理人员在巡检过程中，拍摄现场照片后，模型会秒级生成报告，比如，指出“管道未贴介质流向标识”“物料堆放问题” 等隐患，这些判断均来自对安全手册的深度理解，而非简单的图像比对。
在更多的领域，合成数据正成为突破数据瓶颈的关键。例如，在设备维护中，AI能够基于装备手册生成“跨场景操作指南”，覆盖手册未明确但可能发生的故障;营销场景中，通过开源数据集(如，包含程序员、理发师、老人、青年、小孩等多社会身份的数据集)里的数据生成多样化用户画像，结合关联数据实现千人千面的营销方案。
“合成数据不是假数据，而是‘未被记录的客观存在’。”雷涛强调，结合激励机制，这些数据能让模型在有限样本下实现高效学习，正如特斯拉通过AI生成极端天气驾驶数据，让自动驾驶系统在未经历过的场景中依然可靠，强化学习在产业里也将带来更大的价值。未来竞争力不在于“拥有多少数据”，而在于“让数据以更高效的形式与算法协同”。
小结：数据与AI的“共生进化”
在产业端，AI的价值已清晰可见，AI能够封装企业沉淀的知识(如规章制度、应急预案)，并将其转化为自动化流程，通过动态规划覆盖碎片化需求，降低成本。AI也能够联动多模态数据，让摄像头等设备“读懂”产业逻辑，指导业务工作。
雷涛指出，强化学习激励正打开新的无限可能，AI从早期的支持向量机，到CNN、GNN等深度学习网络，到现在的Transformer大模型架构，当调优以后的确定性存在了，就会发生熵崩溃，不确定性是一个更大的空间，激励是用熵来交换不确定性的过程，智能化的升级刚刚开始，“我们正经历从‘鹦鹉’到‘乌鸦’的升级，后训练阶段的强化学习是升级过程非常核心的一步。”
