实际上，它们也遵循着同样的生产逻辑——将复杂生产过程拆分为若干简单工序，由特定“工人”完成，从而提升生产效率。

　　以一件市民服务热线大模型订单生产为例。

　　相关数据首先汇入数据车间。

　　数据车间外的显示屏上，展示着订单数据多维度的统计指标。点击原始数据的分类占比，资讯类为60%，建议类仅为0.2%。

　　真实世界生成的数据往往并不均衡。市民服务热线收集到的信息绝大多数是咨询、求助，投诉、建议很少。数据不均衡会严重降低大模型的准确度。

　　数据车间需要做的，除了抽检、清洗、脱敏等常规处理，重要的一环就是增广——补齐“瘸腿”的数据。

　　举个例子。系统会自动从建议类中选取一条“拓宽养老金发放渠道”，在其基础上延伸到拓宽住房公积金、失业保险金、伤残补助金等发放渠道，数据就可以实现“一变多”。

　　再看数据占比：经过增广，这件订单的6类数据占比全部被调整至14%-15%，成为生成模型的合格原料。

　　处理后的数据进入模型车间。模型车间是整个工厂的核心区域，主要任务是训练模型，即通过各类工具模型的使用将数据训练为满足用户需求的模型产品。

　　与一般数据中心配置的2.5千瓦处理器标柜不同，这里配备的是50千瓦的“大块头”——无论是数据处理还是模型训练，都需要大量的算力支撑。模型工厂布局了2000多台服务器，超1000P的智算算力。

　　最快数小时的训练完成后，模型初现雏形。但这还不是最终产品。