知识点 › 范式与价值
Data-Centric AI
Data-Centric AI
定义
吴恩达提出的转向：模型架构趋于同质化后，性能增量主要来自数据（清洗、配比、标注质量、难例覆盖），而不是调模型。对应到智驾，就是「数据工程能力 = 算法竞争力」。
关键要点
- 三个抓手：数据质量（噪声/漏标）、数据分布（配比/长尾）、数据效率（主动学习）
- 配套方法论：以数据为中心的评测（固定模型比数据）与错误分析（error slicing）
- 面试可用它解释「为什么数据平台岗位值得单独存在」
面试怎么答
把「模型红利见顶 → 数据红利」讲清楚，并举一个「同一模型换数据配比涨点」的例子。
相关知识
- 数据驱动 vs 规则驱动 — 规则驱动靠工程师枚举 if-else 与几何逻辑，可解释、可验证，但无法覆盖组合爆炸；数据驱动靠模型从数据中拟合分布，…