夜雨聆风
最近读了一本书，叫《本体驱动的AI数据管理》。作者是华为搞数字化转型和AI实践的那拨人，讲的是AI时代企业数据治理该怎么做。书里有句话我看了很久没挪开眼。
它说，数据治理服务的主体，正在从人，变成AI。
这句话看着平淡，细想却有点心惊。因为它意味着，过去几十年我们搭起来那一整套管数据的思路，地基得重打。
我一边读一边想，这不就是交通行业这些年AI落地难的那个根子么。
智慧交通，智慧高速，车路云，喊了多少年了。大屏上数据在跳，AI的框框在闪，看起来AI早就用上了。可真问一句，这些AI有几个是真的在干活，而不是在当一块会说话的大屏？说不上来。
以前我以为，是AI不行。读完这本书我反应过来，不全是AI的事。是我们给数据的方式，还停留在给人看的时代。
【数据到底是给谁看的】
先问个最底层的问题。一份交通数据，一张图纸，以前是给谁看的？
给人看的。
人拿到一份流量数据，能看懂，能判断，能在此基础上做决策。数据治理做的，就是把数据管好，保证准确，保证完整，让人用的时候不掉链子。
这套逻辑，在人的世界里一直成立。因为它默认一件事，那就是看数据的人，自己脑子里装着业务逻辑。
数据只告诉你这条路今天的车流是多少。为什么是这样，是天气影响，是修路分流，是这个时段本来就这样，这些数据里没有。它们在人脑子里。
人没问题。人会脑补。会联想。能自动补全数据背后那套原因。
可AI不行。
AI拿到这份数据，看到的就是一串数字，一堆图层。它不会脑补，不会联想，不会想到数字背后还有一整套动态的业务逻辑。
问题就出在这。传统数据治理记的是事实，是给会思考的人看的。而AI要的，是能支撑它自己判断和行动的东西。
这个断层，作者打了个底，说本质就是数据消费的主体，从人搬到了AI身上。
对人，数据治理只需要确保数据准确可用。对AI，数据治理必须指导它正确认知业务本质。这是两码事。
交通的AI越做越觉得隔靴搔痒，根子多半在这。我们还在用给人看数据的方式，喂一个要自己干活的机器。
【AI要求数据治理干四件事】
既然服务对象变了，那数据治理要干的事，自然也就变了。作者掰着手指头，列了四件。
第一件，喂得进。
大模型很强，强在通识。可它不知道企业私有的那些知识，业务规则，隐性经验，动态数据，这些它一概内化不了。直接重新训练一个大模型，又贵又危险，尤其是有保密要求的。
交通行业这例子太好举了。就说设计院，手里一堆地形图，电子图，涉密等级高，谁敢拿去喂大模型。可这些又恰恰是最值钱的资产。
解法不是硬喂，是外挂。把大模型的通用能力，和设计院本地的专属知识，拆开。模型不动，让通用大模型专心干语言的活。把设计院的图纸、规范、历史方案，做成一个本院的知识层，从外面接进去，实时注入。
这么干，每一张图纸都不用离开设计院，保密问题从根上解决了。模型从来就没碰过你的原始图纸。而且项目做完一个，更新一下知识层就行，不用重新折腾模型。
这个模式，作者说得特别妙。数据不入模型，模型反而更懂你。放到保密要求高的交通工程上，简直是量身定做的解法。
第二件，读得懂。
喂得进去还不行，还得让AI读得懂。这句话背后，是交通行业一个特别真实的坑。
搞AI落地的设计院都会碰到一件事，AI读不懂CAD的图层。每个画图的人，图层怎么起名，标识什么含义，基本是个人习惯。同一个道路中线，有人放在DL层，有人放进ZX层。图层名不叫标准，叫人名。
图纸是给人看的，人看到图层名会心领神会，就算乱成一锅粥，工程师也能凭经验猜个八九不离十。可AI没这本事。对AI来说，DL和ZX没有任何区别，就是两个没人告诉它含义的字母。
这就是书里说的双重割裂。一层是物理孤岛，数据散在各专业各系统，道路归道路，桥涵归桥涵，从没想过打通。一层是语义孤岛，同一个概念，不同专业理解都不一样。同一个边坡，道路专业一个说法，岩土专业又另一个说法。
对人，经验能自动补缝。对AI，这就是一个被切碎、缺逻辑的世界。它不是在理解，是在一堆它不理解的图层里机械复制。
AI画出来的东西看着像那么回事，实际一塌糊涂。不是AI笨，是没人把图纸翻译成AI听得懂的语言。图纸可读，但不可计算。这是交通的AI落地，最容易被忽略的一步。
第三件，守规矩。
就算AI看懂了，还有个更关键的事，得让它守规矩。
交通是个容错率极低的行业。一座桥，一条路，一个信号方案，承载的是人的安全。错一个数字可能就是大事故。所以每个方案都要过一套硬规矩，设计规范，安全系数，审查红线，一条条全是硬杠杠。
可AI天生是自由奔放的。它擅长自主规划，自己想办法，这是优点也是隐患。它可能觉得某个方案在逻辑上很合理，但放到交通的业务规则里，早就越界了。
能力越强的AI，在错误方向上造成的破坏就越大。这话听着吓人，但从事交通的人心里都清楚，这就是实情。
那怎么办。不是把AI手脚绑起来。而是要把交通这套守了几十年的规矩，变成AI的行动边界。把设计规范，安全红线，变成机器能理解的规则，在AI做决策之前就告诉它哪些能做，哪些不能做。让它的每一次自主，都发生在这套规矩的框架内。
交通要的，不是一个能自由发挥的天才，是一个懂规矩又有个性的工程师。
第四件，靠得住。
最后这件，讲的就是AI的可靠。
很多AI看着聪明，其实靠不住。它给一个方案，逻辑好像对，数字好像也合理，挺像那么回事。可实际上，可能早就偏离了真实状态和规范约束。
这种看似正确的错误最危险。因为不容易被发现。人一看觉得有道理就采纳了，一深入，全盘皆输。
根源在于，AI天生追求最可能的回答，而不是最正确的回答。它擅长编出一个听起来合理的答案，但交通要的，是那个真正正确的答案。这两者，是两回事。
怎么治。不是去堆更强大的模型，而是给AI配一把现实标尺。AI出一个方案，马上拿真实数据，拿规范，拿业务流程，去做对比。一旦不对，立刻叫停重来。从机制上约束它，不让它自由发挥。
数据治理的价值，从来不是让AI更聪明，而是让AI更可靠。交通敢不敢把核心工作交给AI，就看它靠不靠得住。
【数据治理自己也在变】
服务对象变了，AI要干的事变了，那数据治理这一套东西，也得跟着变。
作者把这种变化，总结成四次转变。
第一，从面向人，转向面向AI。以前数据是给人做分析决策的，现在是给AI做判断执行的。第二，从堆功能，转向融合认知。以前是多装点系统多堆点功能，现在得让AI和业务真正拧成一股绳。第三，从管事实，转向管事理和行动。以前记结果就行，现在得管逻辑，管为什么这么做，管下一步怎么走。第四，从管数据，转向像管数据一样管知识。设计规范，专家经验，这些以前没人当数据管，现在得管起来了。
这四转，说白了就是一件事。数据治理，从围着人转，变成围着AI转，围着业务本身转。
过去数据部门守着机房的服务器，守着报表，觉得数据治理就是管数据。现在不行了，得管到设计规范、专家经验这些以前够不着的角落去。
【难在哪】
道理都通了，可为什么推不动。作者也说了，难，而且特别难。
第一，静态变动态。数据是死的，业务是活的决策。让AI面对不断变化的实况，而不是背一份静态报表，这一步难。
第二，确定性和创造力打架。既要AI敢创新，敢提新方案，又不许它破规矩。这个边界，划紧了扼杀创造力，划松了出事故，难。
第三，规模异构。交通的数据最杂，视频，传感器，GPS，票务，地形图，格式五花八门。数据越多，AI能用的高质量东西反而越少，难。
第四，也是压箱底的最难，知识体系。交通的规范，应急预案，标准图集，都是写给工程师看的，AI可读不可用。而那些老专家脑子里最值钱的经验，为什么这条路要避开这片地，为什么这个节点这么定，压根没人写下来。AI想学，也无处可学。
图纸能数字化，但经验很难。而交通的看家本领，恰恰就藏在这些说不太清楚的老专家经验里。
【交通为什么是最典型的样本】
这本书讲的虽然是企业数据治理，但我越读越觉得，交通简直是它那个道理最典型的样本。
因为交通占齐了所有hard模式的点。容错率极低，错了就是人命。数据极度异构，从传感器到地形图什么都有。知识高度依赖老专家经验，一代一代靠师徒传下来。保密要求高，涉密数据一堆。
别的行业或许还能用AI凑合着锦上添花，交通不行。交通的AI要么真正顶上去，要么别碰。
反过来，正因为这么难，交通才最值得啃。要是能把交通这块硬骨头啃下来，让AI真正进了交通的核心业务，那一套数据治理的功夫，放到什么行业都降维打击。
【回到开头】
开头我问，智慧交通喊了这么多年，为什么AI看起来用上了，真正干活的没几个。
读完这本书，我有个初步的答案了。
缺的不是算力，不是算法，不是那几块会闪数据的大屏。缺的是想明白一件事，数据到底给谁看。
如果还停留在给人看，那AI就永远是个会说话的显示终端。只有把思路转到给机器用，让数据真的能支撑AI自己去理解、去推理、去行动，智慧交通这四个字，才真正轮得到AI登场。
这本书叫《本体驱动的AI数据管理》。作者想讲的，其实就一句话。
数据治理的地基，该换一块了。