你有没有发现一个奇怪的现象。
所有科技公司都在说自己要做更大的模型。
1万亿参数不够，5万亿起步，10万亿才敢打招呼。
GPU买了一批又一批，机房建了一个又一个。
可很少有人问一个最朴素的问题：拿什么东西去喂这些模型？
8月12日早上，36氪独家曝出消息：字节跳动近期成立了一个新的一级部门"AI数据与安全"，直接跟Seed、Flow、抖音这些核心业务部门平起平坐。
这不是一次普通的组织架构调整。
这是一个信号。
大模型竞赛打到第三年，拼参数拼算力的时代正在收尾。真正卡住所有人脖子的，不是显卡，是数据。
模型还没影，数据先升官了
咱们先把这件事拆开看。
新部门负责人叫王赢磊，原来在TikTok负责平台责任团队。
原负责人傅越近期离职。
但人事变动从来都只是表面。
真正值得琢磨的是这个部门的级别——一级部门。
什么概念？Seed是做大模型底座的，Flow是做AI应用的，抖音是字节现金牛。能跟这三个平级，说明数据这件事在张一鸣心里的分量，已经跟模型、应用、核心业务一个等级了。
你可能会说，大公司调整组织架构不是很正常吗？
不正常。
因为时间点太巧了。
就在这条消息出来之前几天，英国金融时报刚刚爆料：字节正在预训练一个参数规模最高可能达到10万亿的超级AI模型。
10万亿参数是什么概念？
现在市面上主流的开源模型大多在7B到70B之间，也就是70亿到700亿参数。GPT-4级别模型外界估算大概在1.8万亿左右。10万亿，是GPT-4的5倍多。
不是简单地把模型做大一圈。
是往Scaling定律的极限上硬怼。
模型要做这么大，光堆GPU肯定不够。按照DeepMind在Chinchilla论文里算过的账，参数翻一倍，训练数据量也得同步翻一倍，模型才能训得充分。
3年前大家还在说"数据是燃料"。
现在燃料不够烧了。
更有意思的是另一个细节。8月5日，The Information报道，张一鸣在大约一个月前的Seed全员会上，明确说了一件事：不准靠蒸馏外部模型来追赶差距。
什么是蒸馏？
说白了就是抄作业。拿别人训好的模型输出结果当训练数据，反过来喂自己的模型。这是一条捷径，能省不少事。
张一鸣把这条路堵死了。
他说，字节应该愿意"为长期目标牺牲一些短期利益"，即使Seed阶段性落后，也不应该靠蒸馏竞争对手来补差距。
这就有意思了。
一边奔着10万亿参数去，一边又不准抄近路，那剩下的路只有一条：自己准备足够多、足够好的"教材"。
好数据，快被吃干净了
你有没有想过一个问题：互联网上到底有多少字可以拿来训模型？
研究机构Epoch AI算过一笔账。
全球公开的人类文本，扣除掉低质量内容、重复内容之后，满打满算大概300万亿Token。
听着挺多是不是？
但按照过去几年大模型训练数据的增长速度，这批存量数据可能在2026年到2032年之间就要被吃完。如果模型为了降低推理成本搞"过度训练"，这个时间点还会提前。
不是危言耸听。
是真的快不够吃了。
最先被盯上的，是那些过去藏在围墙后面的内容。
2024年，Google跟Reddit签了个每年6000万美元的合同，买Reddit论坛上的帖子内容训模型。同一年，OpenAI又跟新闻集团Murdoch达成多年合作，把华尔街日报、泰晤士报这些报纸的历史和实时内容全都包圆了。
论坛买完了，买报纸。
报纸买完了，买专业数据库。
专业数据库买完了呢？
雇人生产。
代码、数学、科学这些高价值领域，大模型公司开始直接花钱雇工程师、博士、行业专家，专门生产训练数据，专门做模型评测。一名算法工程师背后，往往对应着十几名数据人员。
你以为这就到头了？
没有。
今年1月，华盛顿邮报根据法院解封的文件，曝出了Anthropic一个内部代号叫"Project Panama"的项目。
这个项目干什么呢？
买书。切书。扫描书。
Anthropic批量采购了几百万册实体书，用液压切割设备直接切掉书脊，把散页送进高速扫描仪，数字化之后再把原书回收处理。项目启动大约一年时间，花掉了数千万美元。内部文件甚至把目标写成了，要"破坏性扫描全世界所有的书"。
好家伙，直接上物理手段了。
在这之前更绝。Anthropic还从LibGen这类影子图书馆下载过数百万册盗版书籍。这也是后来他们被作家集体告上法庭的直接原因。
2025年法院判了，用书籍训练AI本身可以算合理使用，但Anthropic保存超过700万册盗版书搞"中央图书馆"这事有侵权风险。为了了结官司，Anthropic最后赔了15亿美元和解金。今年7月美国联邦法院正式批准了这笔协议，成为美国历史上规模最大的版权诉讼和解之一。
15亿美元。
这不是罚款。
这是给高质量数据标了一个价码。
数据不是标注活，是工程体系
你可能会说，不就是找数据吗？有钱还怕买不到？
真没那么简单。
字节这次成立一级部门，还有一个背景：过去字节内部光管数据的团队就有四五套班子。
Global Data最早是傅越2023年成立的，百人左右，一开始服务Dola、TikTok这些国际业务，后来慢慢开始给Seed模型做数据采购和质量管控。
然后集团数据中台DMC有自己的数据团队。
Flow旗下有个AI数据平台叫AIDP，也有一班人。
Seed内部不同的模型方向，也都各自建了自己的数据团队。
这些团队服务的对象不一样，但干的活越来越像：采购数据、组织标注、搭数据集、负责模型评测和质量控制。结果就是，同样是给大模型准备数据，字节内部长出了好几套重复的班子。
这不是字节一家的问题。
几乎所有大模型公司都在经历这个阶段。
一开始大家觉得数据就是找外包公司做标注，几百块钱一条，便宜得很。
等模型做到一定规模才发现根本不是那么回事。
从数据采购、清洗、合成，到模型评测、质量控制，这根本不是劳动密集型的标注生意，是一整套需要单独组织、持续投入的系统工程。
光有钱买数据还不够。你得有人判断什么数据是好的，什么数据是有毒的，什么数据会让模型"学坏"。你得有体系保证喂进去的数据质量是稳定的，不能今天好明天差。你还得有能力自己合成数据，因为人类写出来的东西总有吃完的一天。
这也是为什么字节把这个部门直接升到一级。
这不是成本中心。
这是未来3年大模型竞赛的主战场。
据智能涌现此前披露，字节仅Seedance一个方向的数据评测团队就有上千人。今年字节在世界模型和Coding等方向的数据预算已经达到千万美元级别，而且还可以继续追加。
千万美元级只是开始。
等10万亿参数模型真的启动训练，这个数字后面再加个零都不奇怪。
中国公司的特殊困境
你可能会问，国外公司也缺数据，字节面临的问题有什么不一样？
太不一样了。
OpenAI有英语世界几乎整个互联网的存量内容可以用。Anthropic敢花几千万美元扫实体书，敢赔15亿美元跟作家和解。Google手握搜索、YouTube、Gmail，全世界最大的几座数据矿山就在自己家里。
中国公司呢？
中文互联网的高质量存量内容本来就比英文少。
优质的论坛、博客、专业内容，这几年要么关闭了，要么变成了信息流里的标题党和软文。知乎质量下滑不是新闻了，小红书是生活方式内容多但专业深度内容少，微信公众号的内容封闭在微信生态里想爬也爬不到。
买内容这条路也没那么顺畅。
国内出版社、媒体、作家对AI训练数据的授权还处在非常早期的阶段，没有成熟的商业模式，也没有清晰的定价体系。你想花钱买，都不一定找得到对接的人。
那怎么办？
自己造。
这也是为什么张一鸣敢拍板说不蒸馏。蒸馏别人的模型，短期能追上进度，但长期看你永远在别人后面吃灰，永远不知道数据源头是怎么回事。只有自己从最底层的数据生产、清洗、标注、评测体系开始搭，才有可能真正做出别人没有的东西。
这条路更难，更慢，更烧钱。
但走通了，就是真正的壁垒。
你看今年大模型行业的几个变化就懂了。
年初大家还在比谁的模型榜单分数高，年中开始比谁的Coding能力强、谁的Agent好用。到了下半年，明眼人都看出来了：头部那几家的基础模型能力差不了太多，真正拉开差距的是应用场景，是工程化能力，是你有没有独家的数据飞轮。
不是模型不重要了。
是模型本身已经很难成为绝对壁垒了。
结尾
大模型竞赛打了快4年。
第一阶段拼的是谁敢烧钱买GPU，谁能先把模型跑出来。
第二阶段拼的是谁的应用做得好，谁能找到PMF，谁能把Token变成真金白银的收入。
现在第三阶段开始了。
这个阶段拼的是谁能建立自己的数据供应链。谁能持续生产出别人没有的高质量数据，谁能把数据从"标注外包"变成一套精密运转的工程体系，谁就能在下一轮模型迭代里占得先机。
字节这次把数据部门升到一级，只是掀开了这幕大戏的一角。
接下来你会看到越来越多的公司把数据提升到战略高度。
不是因为他们突然重视数据了。
是因为他们终于发现，GPU有钱就能买，模型有人才就能训，但好数据，是真的要一寸一寸去啃的硬骨头。
咱们等着看。