被低估的 AI 基础设施：行业语料库为什么比模型更难建
谈 AI 基础设施，多数人想到的是机房、显卡、带宽。但从 2026 年 10 月的几篇公开报道看，真正决定一个地区或一家企业能不能把 AI 用起来的，往往是更土的东西：数据整理得怎么样。
齐鲁网·闪电新闻 10 月 16 日的报道里有一句很实在的话：场景多，不等于 AI 就能用；工业数据格式不一、质量参差，直接喂给大模型，它“吃”不下去。
一、先把数据“做熟”
报道给出的做法是：2025 年山东启动重点行业语料库“揭榜挂帅”，累计建设 35 个重点行业语料库，覆盖 31 个制造业大类，是全国唯一一个语料库范围覆盖全部制造业大类的省份。
注意这个顺序——先建语料库，再谈垂域模型。同一篇报道提到的“垂域智能齐鲁七星”，是七个垂直领域大模型集中亮相，覆盖化工、钢铁冶金、铝业、装备制造、医疗器械质检、矿山运维、港口调度等方向。模型是结果，语料才是前提。
科技日报 10 月 16 日的论坛报道也印证了这点。中国信通院人工智能所大数据与智能化部主任姜春宇在会上指出，当前企业落地 AI 仍面临技术与工程进入“无人区”、数据与知识存在鸿沟等挑战。数据与知识的鸿沟，说白了就是：企业有数据，但没有能喂给模型的知识。
二、行业语料和通用语料不是一回事
通用语料是网页、书籍、论坛，量大、现成、便宜。行业语料完全是另一种东西，它有三个绕不开的特点：
- 格式不统一。同一家工厂，设备日志是二进制，工艺文件是扫描件，检验记录是 Excel，老师傅的经验在微信语音里。这些不整理成统一结构，模型无从下手。
- 知识是隐含的。“这个参数偏一点没事，那个参数偏一点就废”这类判断，写在操作规程里的往往只是结果，不是理由。要把理由挖出来，得靠人访谈、标注、校对。
- 涉及权属和安全。工艺参数、客户名单、配方比例，哪些能进语料、进了之后谁能访问，这些是法务和 IT 的问题，不是算法的问题。
这三条决定了行业语料库的建设成本远高于买一个开源模型。开源模型下载就行，语料库得一家一家谈、一条一条标。
三、语料是资产，也是负债
很多企业把“我们有几十年数据”当成优势。这话对一半。
数据本身不产生价值，被整理、被校验、被授权使用的数据才产生价值。一堆散在各部门硬盘里的历史文件，不但不能用，还在持续产生存储和合规成本。所以更准确的说法是：没治理的数据是负债，治理过的语料才是资产。
而且资产需要维护。工艺变了、产品换代了、标准更新了，语料不跟着改，模型就会给出过时的答案。这一点在制造业尤其明显——一次产线改造，可能让过去三年的语料失效一半。
四、中小企业不必自建大模型，但可以自建小语料
对绝大多数中小企业，自建垂域大模型是不划算的：算力贵、人才缺、迭代快。但有三件事现在就能做，成本不高，回报确定：
- 把最高频的 100 个问题整理出来。客户问什么、新员工问什么、售后问什么，按频次排序，写成标准答案。这就是最小可用的语料。
- 把老师傅的判断过程录下来。不是录结论，是录“为什么这么判断”。这类内容在公开语料里永远找不到，也是最难被替代的部分。
- 定一条数据使用的内部规则。哪些数据可以进外部模型、哪些只能进私有部署，写清楚。这条规则现在不定，以后一定要补，而且会更贵。
这三件事加起来花不了多少钱，但它们决定了两年后你是“能直接接入一个好模型”，还是“还得先花半年整理数据”。
五、判断
行业语料库这件事，短期看不到漂亮的成果，也不适合开发布会。但它符合基础设施的典型特征：建的时候没人注意，用的时候离不开，缺的时候补不上。
从公开信息看，地方层面的推进已经开始从“建算力中心”转向“建语料库、定标准”，这个转向比又多了一个大模型更值得关注。因为算力可以买，语料只能自己攒。
