AI 時代的護城河 續篇：笨功夫的估值躍遷

范蠡大模型在魚塘邊蹲了三十年
前二十七年沒人覺得值錢，AI 來了突然變成壁壘

第一段

2026 年 8 月，中國農業大學發布了一個叫「范蠡」的大模型，版本號 4.0，參數規模 3970 億。

覆蓋八個養殖維度——水質、品種、飼料、健康、運營、裝備、能源、經濟。整合了 101 個主要養殖品種的知識。配套的公開數據集有 11.6 萬幀圖像、69.8 萬條任務標註。

你看到這些數字，可能會想：又一個垂直大模型，又是「AI 賦能傳統產業」的故事。

但這個故事真正值得注意的地方，不在參數規模，不在覆蓋維度，甚至不在 AI 本身。而在一個時間跨度——三十年。

范蠡大模型背後的團隊，是中國農業大學國家數字漁業創新中心主任李道亮率領的研究組。這個團隊做養殖數據的採集和研究，從上世紀九十年代末就開始了。最早做的是魚病診斷專家系統——那時候沒有深度學習，沒有 GPU 叢集，連「大模型」這個詞都還不存在。他們用的是最笨的辦法：到魚塘邊去，一條魚一條魚地記錄，一個塘一個塘地採樣。

2004 年，他們開始往硬體走，做水質傳感器。2019 年成立國家數字漁業創新中心。2024 年推出范蠡 1.0。2026 年，范蠡 4.0。

你把這條時間線拉開來看，會發現一件事：前二十七年，這個團隊做的事情，跟 AI 沒有半點關係。他們就是在魚塘邊，用最笨的辦法，一點一點地攢數據。

沒人覺得那些魚塘記錄值錢。

然後 AI 來了。

三十年攢下來的東西，突然能被大模型吃進去、能融會貫通了。那些一條一條記錄的魚病數據、一個塘一個塘採的水質參數、一年一年積累的養殖經驗——這些東西在 AI 出現之前，就是一堆沉睡的記錄。但 AI 引擎接上之後，它們突然變成了 3970 億參數的垂直大模型，變成了覆蓋八大維度、101 個品種的行業知識基座。

同一堆數據。同一個團隊。同一種笨功夫。

這種事不只發生在魚塘邊。你手裡那些做了很多年、一直沒覺得值錢的積累，可能正站在同樣的臨界點上。

這就是我說的「笨功夫的估值躍遷」。

快刀青衣在得到上講范蠡大模型時，說了一句特別到位的判斷：「你的核心競爭力是三十年的養殖數據和行業洞察，那你就應該把錢和精力全砸在這上面。底座這種通用能力，市面上有強大又免費的，拿來用就好了。」

翻譯成人話就是：大模型底座是公共設施，誰都能用。你真正該守住的，是只有你才有的那些東西。

但這裡有一個更深的問題，值得我們停下來想一想。

為什麼同一堆數據，在 AI 出現之前幾乎一文不值，AI 出現之後突然變成了別人搬不走的護城河？

不是數據變了。數據還是那些數據，魚塘還是那些魚塘，記錄還是那些記錄。變的是什麼？是「能吃進這些數據的引擎」出現了。

這就像你手裡一直攥著一堆原礦石，在冶煉技術出現之前，它就是一堆石頭。但一旦冶煉技術成熟，同樣的石頭突然變成了金屬、變成了工具、變成了武器。

數據從來都在那裡。但只有當 AI 這台引擎出現，能把笨功夫攢下來的東西吃進去、消化掉、融會貫通的時候，它才從「沉睡的記錄」變成了「壁壘」。

第二段

但你要是停在這裡，就會犯一個新版本的錯誤。

你可能覺得，既然演算法是商品、數據才是資產，那只要有數據就安全了。但這個推論有個漏洞——

因為數據也會貶值。

范蠡團隊三十年攢下來的數據，今天值錢，是因為今天的 AI 剛好能吃進去。但十年後呢？二十年後呢？今天的 11.6 萬幀圖像、69.8 萬條任務標註，在下一代模型眼裡可能就像我們現在看九十年代的軟碟——有東西，但格式太老，讀起來費勁。

這不是危言聳聽。你想，Carbon Robotics 造了一台叫 LaserWeeder 的農田雷射除草機，開進田裡一邊除草一邊採數據。它真正值錢的不是那台機器，而是機器開進去之後採到的田裡數據——每一株植物的形態、位置、生長狀態。

Carbon Robotics 和范蠡，一個是硬體先行、採數據在後；一個是數據先行、等 AI 引擎在後。殊途同歸——都是「現場數據＋AI 處理能力」的組合。但這兩個案例放在一起看，你會發現一個微妙的差異。

Carbon Robotics 的數據是機器自動採的——一台 LaserWeeder 開進田裡，幾十個攝影鏡頭邊幹活邊採數據。每一台賣出去的機器都是一個行走的數據採集器，全球車隊共同進化——澳洲一台機器人學到的特徵，能立刻同步給蘇格蘭和加州的機器人。它的數據池是活的，每天都在長。除草是副產品，數據才是主產品。數據採集和業務運營是同一件事。

范蠡的數據呢？三十年攢的，確實厚。但其中很大一部分是歷史記錄——過去的魚病診斷、過去的水質參數、過去的養殖經驗。這些東西不會自己更新。魚塘裡的魚在長，水質在變，新的品種在引入，新的飼料配方在出現。如果數據池不跟著長，今天的壁壘明天就會被侵蝕。

你看，Carbon Robotics 的聰明之處在於：它不是先攢夠數據再建模型，而是把機器賣出去，讓機器一邊幹活一邊採數據。它的笨功夫和 AI 引擎是同時轉的。

范蠡的笨功夫和 AI 引擎是分開轉的。前二十七年只有笨功夫，沒有引擎。引擎接上之後，笨功夫的價值才被釋放出來。但這也意味著，如果今天停止採集，范蠡的數據池就會開始老化——它不像 Carbon Robotics 那樣，數據採集已經嵌入了商業模式裡，想停都停不了。

所以「笨功夫攢下來的數據」是護城河，但不是終極護城河。它是必要條件，不是充分條件。

第三段

刀哥在講范蠡大模型時，給了一個我認為特別精準的判斷：真正更難貶值的，是比數據更底層的一樣東西——那套讓魚塘能被機器讀懂的標準。

翻譯成人話就是：數據是原料，標準是座標系。原料會過期，但座標系不會。

這話聽起來抽象，我們拆開來看。范蠡大模型覆蓋八大維度——水質、品種、飼料、健康、運營、裝備、能源、經濟。你可能覺得這就是個分類目錄，沒什麼了不起。但這八個維度不是 AI 來了之後才分的。它是李道亮團隊在三十年的研究過程中，一個一個摸出來的分類框架。

什麼叫溶氧？單位是什麼？多久採一次？什麼範圍算正常？什麼範圍算魚要出事？一條魚健不健康用哪幾個字段描述？一台投餵機按什麼接口、什麼格式把數據傳上來？

這些定義，全部得有人先做。

李道亮團隊從 2004 年就開始搞水質傳感器。他們的學術論文顯示，長期聚焦的就是「如何把魚塘裡的物理現象變成機器能讀的數據」——水溫、pH 值、溶氧、電導率、氧化還原電位，每一個參數的定義、採集精度、傳輸格式，都得從零開始定。這就是刀哥說的「讓魚塘能被機器讀懂的標準」的學術基礎。

而范蠡 1.0 發布時，李道亮介紹了四個模組：「請問我」「請聽我」「請看我」「請決策」。你仔細看這四個模組——它本質上就是一套漁業數據的分類標準，把不同類型的數據分進不同模組，全有定義。

到了 4.0，這套標準更完整了。八大維度、101 個品種，構成了刀哥所說的「業內最完整的垂直領域知識圖譜」。

但最精妙的一步，是公開數據集。

范蠡 4.0 發布時，配套開放了 11.6 萬幀圖像、69.8 萬條任務標註，向全球研究機構和企業開放，歡迎使用、評估、共建、共享。

你以為這是慈善？不。這是標準推廣策略。

別人要用你的數據，就得接受你的標註格式、你的分類體系、你的欄位定義。用的人越多，你的標準就越像「事實標準」。一旦全行業的魚塘、投餵機、增氧機都按你這套標準來接、來傳數據，你就成了這個行業的地基。後來者哪怕模型比你強，也得先接入你的標準，才能跟這個行業對話。

有人說「過程數據是資產」——你在現場看到的、摸到的、記錄下來的，比最終結果值錢。這話對，但可以再往前推一步：過程數據確實是資產，但定義數據格式的標準才是底座。數據是內容，標準是容器。內容會更新、會過期，但容器一旦被行業接受，就很難被替換。

這跟 USB 接口一個道理——不是技術最先進，而是被最多設備採用。標準的壁壘不在技術領先，而在生態黏性。

范蠡的三十年，不只是攢了數據，更是定義了一套讓魚塘能被機器讀懂的座標系。數據可以貶值，但座標系一旦被行業接受，就是長期的壁壘。

第四段

講到這裡，范蠡故事裡最精妙的一層才浮出來。

你看，李道亮團隊有沒有自己去從頭訓練一個通用大模型底座？沒有。刀哥判斷，范蠡 4.0 的 3970 億參數，跟阿里 Qwen3.5 的 3970 億總參數精確重合——大概率是拿開源的通用大模型做底座，再疊加漁業專有數據和知識圖譜。

這不是偷懶。這是聰明。

因為底座是公共設施。阿里在投入巨資升級 Qwen，Google 在升級 Gemini，Meta 在升級 Llama——這些公司花的是幾十億、幾百億的研發經費，但開源出來，誰都能用。通用大模型每升級一次，范蠡什麼都不用干，能力就跟著漲一波。

這就是刀哥說的「復利雙輪」。

一個輪子是底座——靠外部通用技術進步，自動受益。通用大模型升級一次，你白賺一次。這個輪子不需要你花錢、不需要你出力，它自己轉。

另一個輪子是數據——靠自己的持續積累。魚塘邊上的傳感器二十四小時不停地採，三十年的行業洞察不斷往裡灌。這個輪子只有你能轉，別人轉不了。

兩個輪子，一個靠外部的通用技術進步，一個靠自己的持續積累，同時往前轉。

底座這一頭，不構成任何護城河——因為誰都能拿開源模型。數據這一頭，才是真正的壁壘——因為只有你有。但如果你只有數據、沒有底座，數據就是一堆沉睡的記錄。如果你只有底座、沒有數據，那你就是一個空殼——模型再大，沒有行業知識餵進去，跟通用模型沒有區別。

所以范蠡的策略本質上是：把錢和精力全砸在只有自己能做的事情上（數據採集、標準定義、行業知識圖譜），把能白拿的東西全部白拿（開源底座、通用算力）。

這跟「代碼貶值，判斷升值」是同一個邏輯。

AI 越強，能寫代碼、能跑模型、能做推理的東西越來越便宜。你花十年學會的編程技巧，可能一個提示詞就替代了。但你在某個領域裡花十年積累的判斷力、行業洞察、現場經驗——這些東西，AI 反而吃不到。因為 AI 的訓練數據來自公開渠道，而你的經驗來自只有你走過的那條路。

范蠡的三十年魚塘數據，就是那條只有他們走過的路。開源底座越強，他們的數據越值錢。因為底座升級一次，能吃進去的數據就更多、更深、更細——而他們手裡的數據池，只會越攢越厚。

這才是真正的復利。不是單利，不是線性增長，是兩個輪子互相加速的復利。

第五段

講到這裡，你應該已經看出來了——范蠡的故事不只是關於漁業的。

李道亮團隊在魚塘邊蹲了三十年，前二十七年沒人覺得那些記錄值錢。但 AI 引擎接上之後，三十年的笨功夫突然變成了壁壘。這種「估值躍遷」，不是范蠡獨有的。

也許是你在一個行業裡泡了十年，對這個行業的客戶心理、通路結構、價格敏感度有著教科書上找不到的理解。也許是你跑了十年業務，跟幾百個客戶打過交道，每個客戶的決策風格、每筆交易的轉折點都刻在你腦子裡。也許是你做了十年的某種手藝——設計、寫作、烹飪、教學——那些只有你才有的手感、判斷力和臨場反應。

這些東西，在 AI 出現之前，它們就是你的工作經驗。你用它們做事，但不會覺得它們是「資產」。它們沒有被結構化、沒有被數據化、沒有被系統化，所以也沒有人覺得它們值錢。

但 AI 底座越來越強。開源模型越來越大。通用能力越來越便宜。

這意味著什麼？意味著你手裡那些笨功夫，離「被激活」的臨界點越來越近了。

范蠡團隊等了二十七年才等到 AI 引擎。你不用等那麼久——引擎已經來了，而且每年都在升級。問題是，你的笨功夫有沒有被結構化？你有沒有把它從「腦子裡的經驗」變成「機器能讀的數據」？

這就是范蠡故事裡最值得注意的一個細節——李道亮團隊不是只攢了數據，他們還定義了讓魚塘能被機器讀懂的座標系。如果三十年前他們只是記錄了「今天魚塘看起來還不錯」這種模糊印象，AI 來了也吃不進去。他們之所以能接上 AI 引擎，是因為他們一開始就在用結構化的方式採集——水溫多少、pH 值多少、溶氧多少、採集時間是什麼、位置在哪裡。

有人說過一句話：你每天在行銷現場的決策過程，就是你的數據採集——你是一台行走的 LaserWeeder。這話沒錯，但可以往前推一步。

你不只是採集器。你手裡那些笨功夫——十年的細分工作門道、一堆沒當回事的會議錄音、客戶溝通的決策脈絡、投放策略的調整邏輯——它們不只是「被採集的數據」，它們是你的范蠡時刻。

關鍵在於：你有沒有像李道亮團隊那樣，用結構化的方式把它們沉澱下來？你有沒有定義你自己的座標系——什麼欄位記錄什麼、什麼格式傳輸什麼、什麼維度歸類什麼？

如果你做到了，那麼開源底座每升級一次，你的笨功夫就增值一次。兩個輪子同時轉，復利就開始了。

如果你沒做到——如果你的經驗還只是腦子裡的模糊印象、錄音裡的閒聊、會議後的即棄記憶——那麼不管 AI 底座多強，它也吃不進去。你的笨功夫就會一直沉睡，等不到估值躍遷的那一天。

護城河不是數據本身，是數據加上能吃進它的引擎。比數據更深的，是定義座標系的標準。而最深的，是笨功夫加底座升級的復利雙輪——一個靠外部技術進步自動受益，一個靠自己的持續積累。

范蠡在魚塘邊蹲了三十年，才等到了估值躍遷的那一天。

你的范蠡時刻，什麼時候到？