核心内容总结
字节跳动近期将分散在各业务线的数据团队整合为一级部门“AI数据与安全”，这背后是其研发超大规模（最高10万亿参数）AI模型的野心——由于创始人张一鸣明确反对“蒸馏外部模型”（抄别人的答案），字节必须自己解决数据供给问题；而当前整个大模型行业都面临“高质量数据荒”：公开互联网的优质文本快被用完，大厂们不得不通过买版权、雇专家、甚至扫描实体书等方式抢数据，还时常陷入版权纠纷（比如Anthropic因盗版书籍赔了15亿）。字节的这次组织调整，本质是为超级大模型提前“备粮”。
详细拆解
1. 字节把数据部门升为一级：不是小题大做，是“迫不得已”
字节这次成立的“AI数据与安全”部门，不是凭空新增，而是把原来分散在Global Data、数据中台DMC、Flow的AIDP平台等多个团队收拢整合。为啥要这么干？
因为大模型就像“超级学生”，参数越大（相当于大脑越发达），需要的“教材”（数据）就越多、越优质。字节要搞10万亿参数的模型，比主流模型大好几倍，对应的训练数据量也得同步翻倍。之前分散的团队各自搞数据，重复劳动多、效率低，现在整合为一级部门，直接和Seed（大模型部门）、抖音平级，就是要把数据当成核心工程来抓——毕竟，没有足够好的数据，再强的算力和算法也白搭。
而且字节在数据上已经砸了不少钱：Seedance的数据评测团队就有上千人（1个算法工程师配10个数据人员），今年在世界模型和Coding方向的数据预算已经到千万美元级。这早不是找外包做标注那么简单了，而是从采购、清洗、合成到评测的全链条工程。
2. 张一鸣不让“抄作业”：短期慢一步，长期要扎根
8月有消息说，张一鸣在Seed全员会上明确反对“蒸馏外部模型”。啥叫蒸馏？简单说就是把别人训练好的模型“压缩”一下，直接用人家的成果，短期能快速追赶，但长期会依赖别人，自己没有核心竞争力。
张一鸣选择“牺牲短期利益”，意味着字节必须自己从头积累数据。这就像学生不想抄同学的作业，就得自己啃课本、做练习册——虽然慢，但基础扎实。所以数据部门的升格，就是为了支撑这种“长期主义”：必须有专门的团队，把“找教材、编教材、改作业”这件事做到极致。
3. 大模型“吃”数据快到“粮荒”：公开互联网不够用了
过去大模型变强的逻辑很简单：参数更多+算力更强+数据更多。但现在问题来了——数据不够了。
DeepMind的Chinchilla论文说过：参数翻倍，训练数据量也得同步翻倍才能效果最好。但公开互联网上的优质人类文本（比如新闻、书籍、论文）是有限的。研究机构Epoch AI估算，考虑质量和重复利用，全球公开文本大概300万亿Token，按现在的消耗速度，2026-2032年就会被用完。如果模型还要“过度训练”（反复学同一批数据来降低推理成本），这个时间还会提前。
所以，大厂们不得不跳出公开互联网，去抢那些“围墙内”的数据：比如付费新闻、专业数据库、甚至没数字化的实体书。
4. 为抢数据，大厂们都拼了：买版权、雇专家、甚至“破坏性扫描”
数据荒逼得各家使出浑身解数：
- 买版权：Google每年给Reddit6000万美元，买论坛内容；OpenAI和News Corp合作，用华尔街日报、泰晤士报的内容。
- 雇专家：代码、数学、科学这些专业领域，直接请工程师、博士写数据、做评测——毕竟普通人写不出高质量的专业内容。
- 扫描实体书：Anthropic更狠，启动“Project Panama”，批量买数百万册实体书，切掉书脊扫描数字化，花了数千万美元。甚至之前还从盗版图书馆下载书籍，结果被告，赔了15亿和解金。这15亿相当于给“高质量数据”标了个天价——好数据真的太值钱了。
5. 字节的10万亿模型梦：数据是最大的坎
字节要搞10万亿参数的模型，又不能抄别人的，等于给自己挖了个“数据大坑”：
- 数据量需求爆炸：按Chinchilla规律，10万亿参数对应的训练数据量可能是现有主流模型的数倍，得从哪来？
- 数据质量要求高：超级大模型需要的不是垃圾数据，而是精准、专业、无重复的优质内容，这需要大量人力和资金去筛选、标注。
- 版权风险：如果字节也像Anthropic那样扫描实体书，会不会踩版权雷？这也是新成立的“安全”部分要解决的问题。
所以，这次数据部门升格，只是字节应对挑战的第一步。接下来，如何找到足够多、足够好、合法的数据，将是决定它能否在大模型赛道后来居上的关键。
最后一句话总结
字节的这次组织调整，是大模型行业“数据战争”的一个缩影——当算力和算法不再是唯一的壁垒时，谁能掌握优质数据，谁就能在未来的AI竞争中占得先机。而字节，正在为这场战争提前布局。