傳說中，在雷神索爾眼裏，這是個由釘子構成的世界，「如果一鎚不夠，那就兩鎚吧。」人們也普遍相信資料科學家擁有類似的神力，「如果一套模型不夠的話，那就再來一套吧？」但是，真正在產業現場，經常看到客戶皺着臉，資料科學家抱着頭，爲什麼？別問，說了你會怕。

「怕什麼，你就說吧！」科學家拍着胸脯自信滿滿地說，「我的模型隨便也是幾十億個參數上下，什麼看不出來？沒什麼在怕的，」殊不知，這正是問題所在。在實驗室裡，數據開口就有，別說正負數據，imageNet裡面手工標示了上萬個類別，加上遷移學習跟微調（fine-tune），真是很容易就建立起最基本的示範案例，也總能讓初識神經網路的產業人士目眩神迷，覺得看到了久違的曙光。但到了實戰現場，可就不是這麼一回事了。

「給我完整的缺陷數據，我就給你全世界，」科學家到了現場信心爆棚說道。「你想多了，我什麼都沒有，」產業人士輕描淡寫地說，「我只有OK數據，你也不要搞得太複雜，只要把不一樣的挑出來就好了，這麼簡單，AI 應該很厲害，十分鐘就可以搞定了吧？拜拜，我要去拿訂單了。」

過了三個月回來，你會看見兩個生悶氣的人，相對無言唯有淚千行，「你說，我怎麼對老闆交代？」「沒有數據，要我做個鬼？你殘酷，你無情，你無理取鬧！」以下重複 65536次，暫且按下不表。

產業人士確實沒藏數據，現場幾乎沒有缺陷數據，至少沒有科學家要的那麼多，「我們的良率都在98%以上，不然我們早倒了，」產業人士苦着臉說。以電子代工業而言，每個工廠都在想盡辦法壓低原物料價格，因爲天殺的客人今年又威脅要降價5%，不然要轉單，「而且，我只接受良品喔，啾咪，愛你喔，」大客戶露出無辜的笑容。缺陷越多成本越重，所以台廠早就練出一身低成本高良率的本事，但恰恰就是這一點讓科學家撞牆。

學校實驗室裡關注的是 SOTA（最優最新），衡量實力的指標是在什麼期刊上發表多少論文。模型也是一個比一個大，就以卷積網路來說，1998年的 LeNet 有4萬多個參數（44,426），才二十年不到，2016年 resnet 的參數有 2千多萬個，成長了 600倍。這樣的參數規模，放在台灣，每個人平均可以分到一個多。這還是6年前。openAI在2020發表 GPT-3 有 1750億個參數，又還比 resnet 大上 7000多倍。儘管 GPT-3 和 resnet 處理的對象不一樣，但還是可以看到模型規模的成長速度已經像是傑克的豌豆一樣，一夜之間就可以長到天上去了。

產業人士當然也覺得印象深刻，但接下來三句話就讓科學家口吐白沫，「一個多少錢？我要準備多大的電腦？什麼時候可以回收投資？」「你不懂啦，模型如此美妙，怎麼可以用錢衡量？」「好吧，我不懂，你自己美妙去吧。」然後？然後就死了。

凡存在必合理，就算還在工業 2.0階段，經過數十年發展，產業已經有自己的生存之道。正是這樣的生存能力才能支持科技繼續前進，換句話說，科技不能脫離產業而存在，更別說 AI。產業真正關心的是什麼技術或工具，可以在自己的場景裡面發揮作用，解決問題。

以我自己的經驗，數據其實都在，而且就在場景裡，只是連客戶自己都不知道，到底是什麼？我們現在也不可能知道，但只要我們走進現場，看到就知道了，所以我們唯一要做的就是「走進群衆、實踐為先」、「擼起袖子加油幹」（嗶嗶，不良語言警告，扣三分）。

錘子說，「你在哪裡？我看不見？」

釘子對錘子說，「你看不見我，因爲我就在你的心裡。」

數據也是。