以資料為中心的AI（data-centric AI）

多年以來，改進一個AI系統的辦法，是去擺弄模型——試試更花哨的架構、多調幾個旋鈕、多加幾層——而把資料集當作一個你只能將就的、固定不變的東西。以資料為中心的AI顛倒了這個優先次序。它讓模型保持不動，轉而系統性地去改進資料：修正錯誤的標籤、補上缺口、去除重複、為模型搞砸的那些情形添加例子。它的口號是：更好的資料，常常勝過更好的模型。

具體說來，一套以資料為中心的工作流，會去尋找模型在哪裡失敗，把這些失敗追溯回資料，再去修資料：糾正標錯的例子、讓標註規範保持一致、為被低估的情形採集更多資料，並像衡量模型準確率那樣審慎地衡量資料品質。這個說法由吳恩達（Andrew Ng）在2021年前後推廣開來，作為對這一領域長期沉迷於「更大更聰明的模型」的一個有意為之的制衡。

為何重要：在許多真實專案裡，資料集比模型更雜亂、也更具影響力，卻得到了遠更少的關注。清洗標籤、修補覆蓋缺口，往往能比更換演算法帶來更大、更可靠的提升——在資料有限時尤其如此。一個誠實的告誡是：這是一種側重點的轉移，而非靈丹妙藥——資料和模型都重要，正確的做法通常是去改進當下那個最薄弱的環節，而不是把其中之一奉為王者。