大模型训练进入深水区后，数据生产正在面临一个越来越现实的问题：当通用数据已经难以继续拉开模型能力差距，企业需要什么样的数据，才能让模型真正学会专业知识和复杂判断？
答案之一，是专家数据。
尤其在医疗、法律、金融、专利、工业、游戏等领域，数据的价值往往不只取决于规模。模型可以完成大量预分类、信息抽取和基础标注，但涉及专业知识、复杂推理和高风险判断时，仍然需要具备相应领域能力的人参与数据生产。
因此，专家数据的核心并不是简单地“找专家来标注”，而是把专业知识转化为可执行的数据标准，并通过技术、人员和质量管理将其稳定生产出来。
哪些数据需要专家参与？
并非所有AI数据都需要专家。
对于规则明确、歧义较少的任务，例如基础文本分类、简单实体识别、图片分类等，标准化的数据生产方式已经能够满足大部分需求。
真正需要专家介入的，通常是那些“答案本身需要专业判断”的数据。
例如：
专业问答数据。
医疗问答需要判断诊疗逻辑和医学知识是否准确；法律问答需要确认法规引用是否适用、有效；金融数据则可能涉及专业概念、风险判断和监管要求。
专业领域SFT数据。
如果企业希望模型掌握某个行业的知识，仅仅提供大量行业文本并不足够，还需要对问答质量、推理过程、回复方式等进行专业设计和审核。
偏好与评价数据。
当任务从“对还是错”变成“哪个答案更好”时，判断标准往往更加复杂。回答是否完整、专业、合规、符合业务要求，都可能成为评价维度。
专业知识库与RAG数据。
原始资料经过采集后，还需要进行清洗、结构化、术语统一和内容审核。一个看似细微的专业错误，都可能影响后续检索和生成结果。
跨语言专业数据。
当数据涉及多个语种时，除了专业知识，还要处理术语对应、语义一致性和目标市场表达等问题。
这类数据的共同特点是：任务本身存在较高的专业判断门槛。
专家数据难在哪里？
很多人理解专家数据，第一反应是“先找一批行业专家”。
真正开始生产后，企业往往会发现，专家数据最难的并不是“专家够不够多”，而是如何让专家能力真正转化成稳定的数据质量。
首先是专家匹配。
“医学专家”“法律专家”这样的标签其实过于宽泛。
同样是医学领域，临床医学、药学、医学影像、医疗器械对应的数据任务完全不同；法律数据也可能涉及知识产权、合同、劳动法或跨境合规。
如果项目还涉及多语种，就需要进一步考虑专家的目标语种能力。
因此，专家匹配实际上是一个多维度组合：专业领域 × 语种能力 × 数据任务 × 项目经验。
其次是标准制定。
专家知道什么是正确答案，并不意味着能够直接把自己的判断转化成统一的标注规则。
例如面对一组医学问答，不同专家可能对“基本正确但存在表述风险”的答案给出不同评价。项目需要提前明确什么算正确、什么算部分正确、什么情况需要驳回，以及出现争议时按照什么原则处理。
只有把这些判断标准前置，专家数据才能规模化生产。
第三是一致性控制。
专家也不是绝对不会产生分歧。尤其是复杂领域、边界案例和开放式任务，不同专家之间出现判断差异很正常。
因此，专家数据不能只依赖个人能力，还需要通过试标、交叉审核、争议复核和规则迭代，让不同人员逐渐形成统一判断。
新宇智慧如何开展专家数据服务？
围绕专业数据生产，新宇智慧将专家资源、语言能力、AI技术和数据生产流程结合起来，为客户提供覆盖数据采集、处理、加工到交付的专家数据服务。
1. 专业资源匹配
专家数据的第一步不是标注，而是确定谁适合做这批数据。
新宇智慧可以根据客户的数据类型、专业领域、目标语种和任务要求进行人员匹配，并针对不同项目配置专业译员、领域专家、数据处理人员和质量人员。
目前可覆盖医疗、金融、法律、专利、工业、游戏等多个领域，并结合中文、英文、日文、德文、西班牙文等多语种需求开展数据生产。
对于跨语言专业数据，语言能力与领域能力需要同时满足。例如，医疗英语数据需要兼顾医学知识和英文专业表达；海外专利数据则需要理解技术内容，同时熟悉目标语种的专利语言特点。
这也是语言服务能力进入AI数据生产后形成的独特价值：专业知识需要准确，跨语言转换也不能丢失专业语义。
2. 从数据采集开始建立完整生产流程
专家数据并不意味着只负责最后一步的人工判断。
一批高质量数据从原始素材开始，就需要经过系统处理。
新宇智慧的数据服务流程覆盖：
数据采集 → 数据清洗 → OCR/ASR → 数据结构化处理 → 标注与加工 → 专家审核 → 多层质量检查 → 数据集交付。
不同项目会根据数据类型进行调整。
文本数据需要关注内容清洗、语义完整性和结构化；语音数据涉及转写、说话人信息和语音质量；图像、视频及多模态数据则需要结合具体任务设计处理和标注方式。
对于专业领域数据，还需要在常规数据处理之外增加专家判断和复核环节。
这样，专家不需要把时间消耗在大量机械性的基础工作上，而是可以集中处理真正需要专业能力的数据。
3. AI+专家协同
完全依靠人工逐条处理大规模数据，成本和周期都可能较高。
因此，新宇智慧在数据生产中引入AI技术，将模型能力用于预处理、分类、预标、信息抽取以及部分质量辅助任务，再由人工和专家完成复核与修正。
简单、规则明确的数据，可以提高自动化处理比例；专业性强、容易产生歧义或错误代价较高的数据，则增加人工和专家审核。
对于复杂项目，还可以根据实际样本持续调整不同环节的人工参与程度。
有限的专家资源因此可以集中在最有价值的环节，同时保持大规模数据生产所需要的效率。
4. 多层质控，让专家判断能够稳定复制
专家数据真正进入训练集之前，还需要经过系统的质量管理。
新宇智慧会根据项目要求设置相应的质量标准，通过样本试标、交叉检查、专家复核、抽样质检和问题反馈等方式，对数据质量进行持续控制。
对于容易产生分歧的样本，还需要进一步判断问题来源：
- 是原始数据存在歧义？
- 是标签定义不够清楚？
- 是专家之间的专业判断存在差异？
- 还是现有规则无法覆盖新的场景？
找到原因之后，再调整规则、人员配置或数据处理方式。
这样做的意义，是让专家经验不止停留在某一次人工审核中，而是逐步沉淀为可复用的数据标准和质量规则。
专家数据，也需要规模化能力
专家数据的价值正在被越来越多的企业看到，但“需要专家”并不意味着项目只能小规模进行。
对于大模型训练、SFT、DPO、RAG等场景，企业往往同时需要专业性、规模和交付效率。
这就要求数据服务商具备的不只是专家资源，还包括：持续的数据采集能力、跨语种处理能力、专业人员组织能力、AI辅助生产能力，以及覆盖全流程的质量管理能力。
新宇智慧成立于2004年，长期积累语言服务与多语种资源，并持续将语言能力延伸至AI数据服务。目前拥有300余名员工和覆盖全球40多个国家和地区的语言资源，可提供200多个语种相关服务。
在AI数据领域，服务范围覆盖文本、语音、图像、视频、3D等多种数据形态，并面向医疗、金融、工业、游戏、IP等专业场景开展数据采集、处理、标注和数据集构建。
对于需要专家数据的企业而言，这种综合能力的意义在于：专家不再是一个孤立的人力资源，而是能够被纳入一套可规模化的数据生产体系。
结语
随着大模型应用不断深入，企业对训练数据的要求也在从“有数据”转向“数据真正可用”。
对于医疗、法律、金融、专利、工业等专业场景而言，数据的价值越来越取决于其中是否包含准确、可靠的专业判断。
专家数据的意义，也正在于此：让专业知识真正进入数据，让数据成为模型能力可以依赖的基础。
从高质量数据生产到专业数据集构建，未来的数据竞争，拼的或许不只是规模，更是专业能力与数据质量。
