一句话定义
数据墙（Data Wall）指高质量、可合法用于训练的数据正在被"用光"，靠继续堆数据、堆参数换取模型能力提升的老路径，第一次撞上了上游供给的天花板。
为什么会有墙
过去十几年，模型变强的默认配方是"更多数据 + 更大模型"。这个配方背后藏着一个假设：网上文本近乎无限、免费、随便用。数据墙说的就是这三条同时不成立了。
第一重是总量。人类公开写下的内容确实是海量的，但去掉重复转载、导航模板、广告、SEO 垃圾和机器生成的灌水之后，真正连贯、有信息密度的部分远比想象中薄。同一篇文章在几十个站点被转载，对模型来说只算一份。
第二重是可用性。能拿到不等于能用：版权、隐私、平台条款、robots 协议，都会把"可训练池"再削掉一大块。合规成本高的语料，工程上常常直接放弃。
第三重是收益递减。模型已经见过的东西越多，新语料带来的信息增量就越低。反复喂相似内容，不会让它更聪明，只会让它更像复读机。
打个比方：这像备考。题库就那么多，第一遍刷完分数飞涨，第二遍涨一点，第三遍基本只是在背答案，遇到新题型照样不会。想继续提分，要么找到新题库，要么自己出题——但自己出的题如果全是从旧题库改的，套路还是那一套。
和相邻概念的区别
| 概念 | 卡在哪 |
|---|---|
| 算力墙／能耗墙 | 卡在芯片、电力、成本 |
| 数据墙 | 卡在"还有什么可学" |
| 算法或能力边界 | 卡在方法本身能不能做到 |
"数据枯竭（Data Exhaustion）"说的是某个时间点上公开文本被用完这件事，偏时点判断；数据墙更宽，指的是这类供给约束导致整体收益封顶的现象。它是资源和工程约束，不等于模型能力的理论极限。
对从业者的意义
护城河从"我手里有多少数据"转向"我的数据管线有多强"：清洗、去重、配比、标注、合成，每一步都决定同样的数据能榨出多少价值。合成数据是当前最直接的补墙手段，但要小心模型近亲繁殖导致退化，最好用真实世界信号做锚点。另一个转向是别再把知识全塞进参数，改用检索和上下文按需供给。
对普通人的意义
公开语料在贬值，非公开数据在升值。企业内部的工单记录、代码库、专业文档、流程日志，带着真实反馈和领域细节，往往比再爬一批网页更值钱。个人也一样：一手经验、行业里说不清的"手感"，如果被结构化记录下来，就是稀缺的原料。
数据墙不是末日论，它只是宣告"堆规模"这条路变窄了。各家具体的数据来源与合规政策，以官方页面为准。