训练 AI 的数据从哪来？它到底在学什么
模型不是凭空聪明
很多人以为 AI 是工程师写死的规则，其实不是。大模型的能力，绝大部分来自它"读过"的数据。你可以把它想成一个读了几乎整个互联网的海量读者，它的语感、常识甚至偏见，都来自这些读过的文字。数据，就是它的粮食。没有数据，再精巧的算法也只是空壳，什么也生成不出来，更谈不上什么"智能"。你喂给它什么，它大致就会长成什么样子，这一点怎么强调都不为过。
训练数据长什么样
常见来源有几类：公开的网页文章、书籍、论坛讨论、代码仓库，以及经过人工整理的对答数据。这些数据被清洗、去重、过滤掉垃圾和敏感内容后，切成一段段喂给模型。模型做的核心练习，是"看完前半句，预测后半句"，在海量预测中摸熟语言的脉络。它从不停背答案，而是在反复预测里归纳出规律，这种规律最终就沉淀成了那几千亿个参数。所谓"训练"，练的其实就是这层对语言的直觉。
质量还是数量
二者都重要，但质量常常被低估。一堆低质、重复、充满错误的数据，只会教出爱说胡话的模型；而干净、多样、有代表性的数据，能让模型学得更稳。业界有句话：垃圾进，垃圾出。选什么数据，几乎决定了模型会成为什么样子。近年很多团队发现，精挑细选的小数据，效果能胜过粗放的大数据，质量正在重新被摆到数量之前。挑数据，正在成为比堆算力更关键的功夫。
数据也有"保质期"
模型的训练数据截取自某个时间点，之后的事它没见过。所以越是新近的事件、刚出的产品，它越容易答错或编造。这也是为什么很多应用要给模型接上实时检索——用新数据补上它的"保质期"缺口。把模型当成一本出版于某年的书，它能答的，只到封底那个日期之前；那一天之后的世界，它需要我们额外喂给它。意识到这点，你就不会再拿过时的问题去为难一个"停在过去"的模型。
普通人的启示
你给 AI 的提问质量，其实也像在喂它数据：描述越清楚、例子越具体，它越能贴近你的需求。理解"AI 吃数据长大"，你就知道为什么它既博学，又偶尔会停留在过去。写好提示词，本质是替它把"资料"准备得更到位——你给的上下文越干净，它给出的答案就越靠谱。把它当成一个记忆力极好、但只活在训练时点里的同事，相处起来反而更顺手。数据的好与坏，最终都会原样体现在它说的每一句话里，所以别怪模型"胡说"，先看看喂给它的是什么。
