今年往昔
还记得90年代，老爸带回家一台电脑，那时候我才小学四年级。起初全家都对这铁疙瘩一知半解，唯一的上手方式就是沉迷于DOS下的“tt”打字游戏，乐此不疲。
老爸用它的时候其实不多，具体做过什么也早已模糊。至于编程，家里没人懂。我打字熟练后，不知怎么地就摸清了DOS的基本命令，然后开始倒腾各种3.5寸软盘上的小玩意，一点一点地探索里边有什么有趣的。而在那个时间点，那些能预见未来的人，如今又成就了什么？时代已经给出了最好的答案。
如今大模型时代到来，很多人开始用上这些技术，但似乎还没完全明白怎么充分驾驭它，多数人仅仅是拿它来提升工作效率。过去，写软件是一门手艺，不是谁都能掌握；而现在，借助大模型，几乎人人都能开发软件。用户界面（UI）的调整变得简单快捷。可以想象，所有的输入界面最终都会被简洁的多模态输入（文本、语音、图像）取代，展示界面则会走向高度定制化且实时可变。
行业应用也在经历转变。以前需要复杂的交互才能完成的任务，如今只需简单几轮对话即可。学习使用新工具的成本被大幅拉低，甚至可以通过结合大模型与RPA来快速掌握它。AI的准确性当然还没到能让人类完全放手的地步，人类依旧是最终的决策者。但有没有那么一天，它会变得足够可靠？当它连续100次、1000次都准确无误时，你真的不会产生一次想放手不管的念头？
想象完这样的未来，回到现实，我们该做些什么？
除了超级助理，还是什么？
GPT诞生这一年多，除了每天被FOMO感裹挟，思考最多的还是：“我到底想拿它来干什么？”从另一个角度切入，或许更有方向：
把个人专长关键词丢给GPT，让它总结分析你擅长的领域。
寻找命题。请它列举诸如某个领域鲜为人知的十大难题。
分析难题。假设你是某领域专家，请分析某个难题的实现路径：从AI的胜任程度和所需人力资源大小两个维度打分。
整理难题。循环前几步后，再与GPT讨论可行的思路。
GPT给我的分析结果，可以归结为数据领域、应用设计及开发、编程教育、自媒体、行业及企业分析、管理。再追问干大数据的难题有哪些？答案很直接：大数据处理与存储、数据质量与清洗、复杂数据集成、实时数据处理、高级分析算法的开发与优化、数据隐私与安全、数据可视化与解释、缺乏专业技能、算法的可解释性与透明度、业务与数据科学的对接。
其中大部分难题根植于人力成本高，而非技术本身。像处理存储、质量清洗、集成、实时和分析优化这些，都需要反复打磨数据才能把链路优化到足够好。隐私和可解释性属于偏新的领域，还不成熟。可视化更多是缺乏创意。剩下的业务与数据对接，本质上属于项目管理难题，而非技术难题。
大模型时代，个人对数据的获取与存储需求会越来越大，需要的是一套更好用的个人大数据平台，可能是一个小型、单体的本地系统。设想一下：它会支持什么？你会想把哪些数据存下来，用来训练你的私家大模型？如果按传统大数据平台架构，可能需要HDFS这种分布式文件系统（配Hive），还得支持全文检索的ES，用图数据库来建立关系，搭上Spark计算引擎跑脚本，因为不同的数据库擅长处理不同结构的数据，还需要Hbase、MongoDB、PostgreSQL……所以，你得花大量精力让它们协同工作。但站在日常使用角度，输入大多是文字、图片、音频、视频时，或许该考虑用向量数据库一统江湖。
大数据如何服务于个人
市场上一直有一种普遍的怀疑：大数据延伸出的各种推荐服务是否真正惠及个人？按照科斯定律，数据似乎总在为能产生最大利益的一方服务，而非普通个体，最终导致数据服务于最大的利益体。所以在数据领域，GPT的回答往往预设成B端场景。如果有一个行业或领域中的数据、业务指标，甚至基于指标的各种算法和计算结果，那么AI——尤其是大模型——主要作用就是解读这些分析结果。比如获取公开数据，分析不同行业的数据可用性和发展前景；从数据科学角度，收集成熟算法整合成算子平台，快速得出计算结果；最后，用大模型做解读。
做数据的难点一直是“只能”为某行业或业务赋能。但作为“乙方”服务是否能卖出去，决定性因素往往不是技术。因此还得找那些不那么依赖“赋能”服务的应用。相比之下，个性化推荐厉害的地方在于构建了一个“场”，让所有人互动其中，场主制定游戏规则，比如内容平台、社交平台和电商平台。但这些早已被大厂占领，破局点不在同场竞技。关键在于“细分”与“场景”：细分意味着你对某个业务领域有极其细致且独特的理解；场景意味着你能从细节中跳出来，看到更大的图景，设想出未来的交互，而非仅仅解决眼前的痛点。
真正的难题在于：那些原本无法降下来的成本，现在借助AI找到了可以快速打通的场景。比如大数据选址产品，数据成本、算法成本高居不下。花一两百万购买的产品，实际能辅助决策的点少之又少，可能比传统人力省不了多少钱。所谓科技赋能，却没能解决真实成本，只能达成预算目标。说白了，B端真正的难题是：数字化/信息化的大目标总绕不开降本增效，首当其冲就是削减人力，用更少资源做更多事，从人力成本最高的地方着手。但进入大模型时代，这一切前提都将被推翻。或许能找到既不削减人力，又能创造新价值的办法。
GPT该如何助力数据领域？
此前有份《全行业数据指标系统手册》只卖不送，号称涉及15个行业、24个场景、1000多个指标，内容详细、质量高。但从宣传手法看，免费的最贵，未必真有指导意义。还不如设计一个Prompting框架，套用同样思路，让你生成一份专属自己行业的指标体系手册。为什么各行各业都需要指标体系？指标体系是理解与评估业务表现的关键，它帮助监控进展、识别改进领域、做出数据驱动的决策。在GPT的帮助下，可以更迅速地定义这些指标，使它们更贴合行业特点和企业需求。
除了指标体系，GPT赋能百行百业还有哪些切入点？正如前文说到的“数据的有效解读和应用”也算一个：利用GPT对海量数据进行分析，提炼有价值信息，转化为可操作的洞察。因此在工具侧，GPT最先介入的应有三方面：
梳理百行百业指标体系，甚至挖掘出新的指标。
面向不同人群进行数据解读（EDA结果、分析结果、图形结果……）。
加速数据团队工作（本体建模、生成逻辑/物理模型、编写其他数据脚本……）。
但要注意，数据行业本就源于数字化，其数字化和智能化程度相对较高，这意味着提升空间有限，提升难度也更大。这也是为什么这段时间，总看到很多“看起来很牛”的应用，上手之后又觉得“不过如此”。所以，要以数据+X为基础，再往上叠加一个AI+X。在AI对X进行改造的同时，用数据为其创造更大价值。正因如此，数据工具的进化依然非常必要。