seedance ai 的强大在一定程度上證明了 “數據質量” 在訓練llm 中的重要性。

seedance 视频ai 唯一真神，而且是国产的。 为什么会这样。

1） 高质量的视频，电影基本都是公开的， 这种数据国外国内基本是相同的，不存在说某些高质量的电影，电视剧只有国外有，国内没有。 （这里面有个隐藏的数字化的问题，就是很久以前的美国胶片电影，基本都做了数字化，也是可以看的。如果没有数字化，是胶片，那么seedance 拿不到。）

2） 抖音\tiktok 是视频社交软件唯一真神。 大量的视频都直接放在抖音服务器上。 抖音还有一个剪辑视频的 剪印，及大概率人类剪辑过程的是数据，抖音也有。

前面一个是经典\高质量视频数据 ，后面一个是当前最流行的视频社交软件上的视频\剪辑数据。 抖音有了这两个数据，尤其是后者的海量数据 （其中后者还包含好多年前视频ai 没有出现的时候， 一些真人创作者做的经典视频20分钟精华讲解，把最精彩最能抓人的部分给人工抓到） ，抖音就作出了当前最强的视频AI 。

GPT ， anthopic 之类的强大， 其中一个原因就是数据质量高。 尤其是英文经典书，很多都没有扫描版， 他们自己做书的数字化。 中国本来就是中文书的质量不如英文的，然后大概率很多经典英文书，国内都没有，你除非去国外找机构扫描取得。我估计国外会 禁止。 你只能拿欧美ai 的 数据做二手学习。

再加上现在codex 和claude 编程无比强大， 顶级的编程难题，肯定给codex 和claude 试试。 尤其中国程序员，也是一样，codex 之类的做的不好，程序员还会反馈哪里做错了。 这些行为就是强者越强的一个强化飞轮。 如果仅仅是在后期加强， 包括但是不限于 ： 更强大的 学习 openai 和anthropic 的数据，叫什么筛选？（专业的那个词我突然忘了，就是anthropic经常指责中国ai 的） ， 还有更加厉害 或者更加创新的 ai公司对LLM 进行编程进化，比如deepseek发明的，被openai 认可的那个。 这些都不足以弥补数据源头的差距。

就类似于百度 ，garbage in garbage out 。 你不尝试在源头数据上 加强， 很可能到头来，尽头就是 无限缩小和 openai ，anthropic 的差距。 而不是超过。