信息有了单位
香农发表《通信的数学理论》，把信息变成可以用比特度量的对象。数据第一次有了统一的计量方式，也为后来的压缩、传输与存储奠定了语言。
数据库：把事实放整齐
关系数据库用行和列保存事实，用事务保证一组操作要么全部成功、要么全部失败，用索引把查询从“翻遍全书”变成“直接翻到那一页”。SQL 的价值在于声明式：你描述想要什么，而不是逐步告诉机器怎么做。
DIGITAL OBSERVATORY · 1948—2026
数据是原料，
智能是方法。
从一次支付、一帧画面到一句提问，世界正在被记录成可计算的形式。这份页面用九个节点、三个阶段和一组边界，讲清楚数据科技与人工智能从哪里来、如何工作，又走向何处。
技术时间轴
技术不是一夜之间出现的。下面九个年份，是数据与智能彼此靠近的节点。
-
1948
-
1956
达特茅斯会议
“人工智能”一词在这一年的夏季研讨会上被提出。研究者相信，学习的每一步都可以被精确描述，从而交给机器模拟。这是一个假设，也是一条持续至今的研究路线。
-
1970
关系模型
埃德加·科德提出用表格和集合描述数据。SQL 与关系数据库由此生长，成为此后半个世纪数据世界的底座。今天你看到的大多数业务系统，仍然运行在这套抽象之上。
-
1989
万维网
伯纳斯-李提出万维网构想。文档通过链接互相引用，互联网从实验室走向普通人。数据不再只存在于数据库，也开始以网页、日志和行为记录的形式爆炸式增长。
-
2006
两条支线交汇
Hadoop 让廉价机器可以并行处理海量数据；同年，深度学习重新回到舞台。存储成本下降与算法进步同时发生，大规模数据第一次变得“值得计算”。
-
2012
AlexNet
深度卷积网络在 ImageNet 竞赛中把 top-5 错误率降到 15.3%，比第二名低出近 10 个百分点。图像识别开始超过人类平均水平，深度学习由此成为主流方法。
-
2017
Transformer
《Attention Is All You Need》提出注意力机制，摆脱循环结构，让模型可以并行训练。它解决了“长文本如何被同时看到”的问题，也为大模型时代铺好了路。
-
2022
生成式模型进入公众
ChatGPT 发布，自然语言成为通用接口。两个月内用户规模破亿，人工智能第一次成为大众日常工具。交互方式的改变，比单项指标更能解释它的传播速度。
-
2024—2026
多模态与智能体
模型开始同时理解文字、图像、声音与视频，并尝试调用工具、执行多步任务。技术重心从“回答一个问题”转向“完成一件事”，可靠性与评估随之变得更重要。
注：年份对应代表性论文、产品或事件，不代表技术在此刻突然出现。多数突破都建立在更早的积累之上。
数据科技
数据科技不是单一技术，而是一条链：把世界记录下来，存下去，算出来，再保证它可信可用。
01采集
传感器、日志、表单、影像。把现实转成记录。
02传输
消息队列与流式管道。让数据在系统间稳定移动。
03存储
数据库、数据湖、对象存储。按访问方式选择形态。
04计算
批处理与流处理。把原始记录变成指标与特征。
05治理
口径、质量、权限、血缘。决定数据能不能被信任。
06应用
报表、推荐、风控、模型训练。最终回到具体问题。
仓库与湖：两种存放方式
数据仓库面向分析，结构先行，适合稳定口径的报表；数据湖先保存原始数据，使用时再定义结构，适合探索与机器学习。近年两者边界正在融合，“湖仓”试图同时保留灵活性与治理能力。
分布式：把大拆成许多小
当单台机器放不下、算不完时，就把任务拆开交给多台机器并行处理。MapReduce 与 Spark 是代表性方案。分布式系统的难点不在“拆”，而在拆分之后仍然保证一致、可恢复、可观测。
治理：让数字可以被相信
同一个“活跃用户”，市场、财务和技术团队的定义可能完全不同。数据治理要解决的就是这类问题：统一口径、校验质量、控制权限、追踪血缘。没有治理，数据越多，分歧越大。
- ETL
- 抽取、转换、加载：把数据从源系统搬到分析系统的经典流程。
- 流处理
- 不等数据攒成一批，而是到达即计算，适合监控、风控与实时推荐。
- 列式存储
- 按列而非按行保存，分析型查询只读取需要的列，减少 I/O。
- 数据血缘
- 记录一份数据由哪些上游表、任务和文件计算而来，便于排错与审计。
人工智能
人工智能的核心问题只有一个：如何让机器从样本中归纳规律，并在新情况下做出判断。
规则系统
人把知识写成一条条 if-else。可解释、可控，但真实世界的例外太多，规则很快变得臃肿而脆弱。
机器学习
给算法数据，让它自己找规律。特征是关键：选对了特征，简单模型也能工作；选错了，再复杂的算法也无能为力。
深度学习与大模型
多层神经网络直接从原始数据中学习表示。参数从百万级增长到千亿级，语言、图像与语音逐渐统一到同一套方法之下。
训练与推理
训练是用大量样本反复调整参数，计算昂贵、通常集中完成；推理是用固定参数处理新的输入，成本低、可以分散到手机和浏览器。我们日常使用的大多是推理。
参数与 token
参数是模型内部可调整的数值，规模决定它能容纳多少模式；token 是文本被切分后的基本单位。上下文窗口限制了一次能“看到”多少 token，这也是长文档处理的关键约束。
注意力机制
注意力让每个词都能直接参考上下文中的其他词，而不必逐层传递。长距离依赖因此变得可计算，训练也可以并行展开——规模由此成为可能。
| 方法 | 知识来源 | 优势 | 局限 |
|---|---|---|---|
| 规则系统 | 专家手工编写 | 可解释、结果稳定 | 难覆盖长尾情况 |
| 机器学习 | 人工特征 + 标注数据 | 能适应新样本 | 依赖特征工程与数据质量 |
| 大模型 | 海量原始数据 + 自监督 | 通用、可迁移 | 成本高、输出存在不确定性 |
三条同时抬升的曲线
可记录的数据、可支付的算力、可训练的模型。它们彼此喂养，构成了过去十余年的加速。
数据
从 GB 到 ZB。传感器、日志、影像与交易持续生产记录，存储成本下降让“先存下来”成为可行选择。
算力
GPU 与专用加速器把训练从数月压缩到数天。算力不再只是成本项，而是决定模型能力边界的变量。
模型
参数从百万走向千亿。能力从识别与分类，扩展到生成、推理与工具调用。
- 2012图像识别突破
- 2016AlphaGo 战胜人类棋手
- 2020大模型规模化
- 2022生成式模型普及
- 2023多模态成为常态
- 2025推理模型与智能体
曲线为示意，用于表达量级变化。不同统计口径下的数据可能相差很大，阅读具体数字时应先确认来源与定义。
边界与常识
技术能做什么，取决于我们知道它在哪里会出错。
数据质量
垃圾进，垃圾出。标注偏差会被模型学习并放大，清洗与抽样往往比换模型更有效。
隐私与合规
数据最小化、脱敏与访问控制，应发生在采集之前，而不是泄露之后。
算力成本
训练昂贵，推理成本随调用量线性增长。成本结构决定了哪些场景真正可持续。
幻觉与可靠性
生成结果是概率输出。关键场景需要检索、校验与人工复核，而不是直接采信。
评估
没有稳定的评测集，就无法区分真实的进步与偶然的表现。评估本身也是一种工程。
技术的成熟，不是它能做多少事，
而是我们知道它在哪里会出错。