一句话定义：Data-Centric AI（以数据为中心的 AI）是一种把提升效果的主要精力放在数据质量、标注一致性和数据迭代流程上，而不是一味调模型结构与超参数的工程方法论。
过去做机器学习，常见路径是 Model-Centric AI（以模型为中心）：数据集固定不动，大家反复换网络、调超参数、做集成，看谁在测试集上更高。Data-Centric AI 反过来——先选一个够用且稳定的基线模型（baseline），然后把数据当成产品来管理：定义清楚、标注一致、持续修补。
打个做菜的比方。模型是锅和火候，数据是食材。菜不好吃，换更贵的锅、把火调大，可能有点用；但如果食材有烂叶、切得大小不一、盐和糖的标签还贴反了，换锅解决不了根本问题。更有效的做法是挑菜、统一切法、尝味校准。模型也一样：标签错了，架构再新也会学歪。
系统方法通常包含三层：
1. 标注一致性（annotation consistency）：先写标注手册，把类别边界说清楚。比如客服意图分类里，“退款”和“退货”怎么区分，遇到“我要退钱但货还没发”算哪类。多人标注要交叉复核，发现分歧就回到规则，而不是让每个人凭感觉。
2. 切片分析（slice analysis）：不只看总体指标，而是按用户群、场景、设备、文本长度等维度切开看。整体表现不错，但某个切片明显更差，就集中补那类数据。这比盲目加几万条通用数据更有效。
3. 数据迭代（data iteration）：找错 → 归因 → 补数据、改标签、加难例 → 重训 → 再评估，形成闭环。像打扫房间，不是一年一次大扫除，而是每天定点清理。
它和相邻概念容易混，可以这样区分：
| 概念 | 关注点 | 典型动作 |
|---|---|---|
| Model-Centric AI | 固定数据，改进模型 | 换架构、调超参、集成 |
| Data-Centric AI | 固定够用基线，改进数据 | 写标注规范、切片分析、补难例 |
| Active Learning（主动学习） | 挑最有信息量的样本给人标 | 不确定性采样 |
| Data Augmentation（数据增强） | 造新样本 | 裁剪、加噪、同义替换 |
| MLOps | 工程流水线 | 版本、部署、监控 |
可以看出，主动学习和数据增强是 Data-Centric AI 的工具箱成员，而 MLOps 偏工程管道，Data-Centric AI 更偏数据内容与质量决策。
对从业者，实际意义是：别把“洗数据”当脏活，把它当一等公民。建立标注手册、数据集版本、错误归因看板，往往比追最新模型更快见效。对普通职场人，如果你在用 AI 工具，输出不对时先看输入是否清楚、示例是否一致；很多时候改提示词、给几个好样例，比换一个模型更管用。
Data-Centric AI 不否定模型进步，只是提醒：在很多业务里，瓶颈在数据，不在模型。具体工具和指标口径，以官方页面为准。