投资于数据，是个人在AI时代的最佳选择
原创 辉哥奇谭 2026-08-28 08:17 北京
先说结论：对长期用 AI 读书、写作、做研究的人来说，最值得持续投资的，不是频繁追逐模型，而是可迁移的个人数据资产。
为什么这么说？看看过去一年大家的行为就知道了。模型一发新版，就有人换工具；今天还在用 DeepSeek-V4-Flash，明天听说 GLM-5.3-Flash 强了，又切过去。我理解这种心情，我自己也换。但换了一整年下来，我越来越确定一件事：模型是变量，你的数据才是常量。把注意力全押在变量上，很累，而且攒不下东西。
先讲讲我自己的经历，再展开讲道理。
今年五一期间，我在整理自己的知识库，突然想通了一件事：我用 Karpathy 的方法搭的那套 llm-wiki，本质不是服务于我本人的基础设施，而是服务于 Agent 的基础设施。说白了，我不是在「整理文件」，我是在给我的数字团队建「大脑」。这件事想通之后，做数据基础设施建设就有了动力和定力。之前也整理，但总有点三天打鱼两天晒网。动力和定力不一样——动力让你开始，定力让你持续。
后来我花了一个周末、约 15 亿 Token、大概 1000 块钱，把自己过去十年的 3000 多篇公众号文章和 1 万多条 Flomo 笔记，炼成了一个活的知识系统。从那以后，AI 回答我的问题质量明显不一样了。为什么？因为它读过我。一个没读过我的文章的模型，只能给我泛泛的答案；读过之后，它能接着我已有的思考往下走。
给你看一个具体的对照。我有条 2024 年 6 月的随手笔记，50 个字，记的是跟朋友聊天：他写公众号三年，每次都要花四五个小时找素材和构思；我当时想，如果每次写作的思考都能沉淀下来，下次是不是就不用从零开始？这条笔记记完就沉底了。但进入知识库之后，它激活了三个概念页，系统还反馈了两条跨时间关联——跟 2023 年 11 月一条关于碎片化时间管理的笔记有关联，跟 2025 年 8 月一条关于 AI 辅助写作的笔记形成递进。一条 50 字的笔记，串起了横跨两年的思考脉络。如果没做这个系统，它会永远躺在笔记软件里，再也不会被打开。
同一个问题，整理前后答案差多少？有一个很直观的例子，比如同样一个主题，你发给最强大的AI工具写作，如果它没有你的上下文，它写出来的内容与你的个人经历无关，也不会深刻地理解你的思想。但如果在你个人的llm-wiki环境中，任何一个合格的AI工具都能写出「像你写的」的文章 —— 这就是最大的区别。
那为什么数据能让 AI 变得「更懂你」？这就要说一点技术原理，不复杂。
可以把模型理解为对公开知识的一种压缩：它把互联网上公开的海量信息，压缩进了几千亿个参数。这意味着，公开的数据，所有人共享同一个压缩版本——你问它「怎么写作」「怎么看财报」，缺少个人上下文时，模型的回答很容易趋同。而模型没见过的、只属于你的那部分——你的经历、你的判断、你踩过的坑——它压缩不了，只能由你来提供。同一份模型能力，配上不同的个人数据，产出就是天差地别。
我在文章里打过比方：公开数据是石油，私有数据是稀土。石油人人可得，稀土需要亲身积累，且无法复制。未来大家都会有 AI，但不是每个人都有「你的十年」。
再说回「常量」这个词。梁文锋 2023 年接受《暗涌》采访时说过一句被引用很多的话：具体的技术方向一直在变，但「模型、数据和算力」这三者的组合是不变的。他是在解释为什么要提前储备算力。我读到时想的是：这三样东西，算力是云厂商的事，模型是公司的事，个人真正能抓在手里的，只有数据。贝索斯也讲过同一个意思：在不变的事物上加大投资，才是战略。对个人而言，数据就是那个不变量——可导出、经过整理的数据，不会因为更换模型而失效。今天喂给 DeepSeek，明年换成别的模型，照样有用。这和投资的逻辑是一致的：长期收益来自基本面稳定的资产，而不是追热点。
有人可能会说，道理我懂，但翻译、编程、数学这类任务，模型能力本身才是决定性的。这个反驳成立，我同意。但这类任务的收益是「模型进步自动带给你」的，你躺着就能享受；而写作、研究这类知识工作的产出质量，取决于模型对你个人的理解程度，这部分进步不会自动发生——它来自你自己的数据。所以结论不是「数据比模型重要」，而是：在模型能力自动增长的部分之外，你能主动拉开差距的，恰恰是数据。
这里还差一座桥。前面讲的都是个人文章和笔记，但最强的 AI 公司们重视的似乎是另一种数据——训练数据和标注数据。两者确实不是一回事：公司通过训练数据提升模型的通用能力；个人则通过私有数据，为现成模型补充长期上下文。它们不是同一种数据工程，但遵循同一个规律：模型的能力，最终要通过数据才能落到具体任务上。
这个规律，公司层面已经做得很重了。据公开报道，今年 8 月，字节跳动成立「AI 数据与安全」一级部门，与大模型研发部门平级，这在国内大厂里是头一回。再看 DeepSeek，2024 年底发布 V3 技术报告时，贡献者名单里专门列了 31 位数据标注人员，和 150 位研发工程师并列写进论文，这在业内很少见。
最强的公司都在把数据当成一级战略。而讽刺的是，个人恰恰是最容易拥有优质数据、又最容易忽略数据的人。模型你说了不算，算力你说了不算，你的数据本来你说了算——但它散落在十几个 App 里，或者干脆没被记下来。多说一句：其实我特别期待一种工具，能随时收听自己每天的讲话，从中总结出值得记住的内容，因为很多好的想法就出现在日常的对话中。还有一些问题值得跟进，也是出现在日常对话场景中。
如何更好地整理个人数据，给几条具体的建议。
- 先把数据从别人手里拿回来。
选工具时问一句：数据能不能完整导出？不能导出的工具，慎用。我年初把所有笔记迁到了本地知识库，就是出于这个考虑。
- 记录阶段先求量，调用阶段再求质。
随手记没问题，先持续留下，再定期整理。积累少的人有个优势：可以从第一天起就带着 AI 思维去记录，比回头补救老数据效率高得多。
- 定期「编译」。
优质数据的标准就三条：经过整理的、结构化的、语义清晰的。每月花点时间，把碎片整理成结构化的东西。
- 让 AI 真正用起来。
资料要可检索、可引用；定期更新，淘汰过时的信息；做好备份，考虑将来换工具时的格式迁移。
- 划清隐私边界。
普通资料和敏感数据分开管理，想清楚哪些放本地、哪些可以上云端。数据是资产，但主权在你，别为了方便把不该交出去的交出去。
- 分清个人数据和公司的信息资产。
如果你在一家公司工作，要先建立一个默认认知：工作过程中产生的数据，都是公司的信息资产，不属于个人。把这些和你的个人笔记、个人记录严格分开，不要混着存，更不要带出去。这既是职业规范，也是在保护你自己。数据能成为你的资产，前提是它本来就该属于你。个人数据从哪里来？你的阅读、思考、生活观察、业余写作、身体指标——这些才是随时可以积累、谁也拿不走的部分。
最后想说，这件事急不来，但也不用焦虑。数据积累天然是慢变量，它不像追模型那样每天都有新刺激，它的回报藏在几年之后。这恰恰说明它是正确的事——你经历过但没记下来的东西，对 AI 来说等于不存在；你记下来的每一天，都在给未来的自己发股份。
模型还会继续变，明年这时你大概率又换了新工具。没关系。只要数据一直在你手里，怎么换，你都是受益者。
---
如果你想听这篇文章的「底层版本」
我在知识星球「辉哥奇谭」里有一段 30 多分钟的语音《AI时代个人认知飞轮构建讨论》，讲的就是这篇文章的底层逻辑——AI 的能力栈到底分几层、为什么工具和模型都不是你的护城河、以及怎么从今天开始搭建你自己的认知飞轮。今晚散步时可以听一听，趁周末赶紧行动！扫描下图二维码或者点击「阅读原文」，加入辉哥的知识星球。那里有更多关于 AI 实践、知识飞轮和写作系统的深度分享。
