问题
在大厂做事情，很容易出现被卷或者同质化竞争。在我看来，很多同事都是顶尖名校毕业，整体素质都非常地好，单纯从某些技术点或细节来看，大家都能思考的非常地好，解决的也非常地棒。这就很容易造成一个新的项目经过一段时间的运行后，发现最终大家都开始同质化争抢，导致大家都会很焦虑。
以大模型的数据供给为例，在围绕数据的质量+规模做了快一年之后，我们还是在围绕数据+规模在持续的投入，对上对下对外都感觉我们一直在做这个事情，但整体的方法论等都还没有特别大的变化。
目标
作为项目的Leader，希望能够有些新方法、新领域、新高度来讲大模型的数据域做创新，向上向下向外传递我们本身的声音和价值。
方法
在围绕目标做各种动作之前，首先我们需要能够围绕目标做前期的调研,包括业界最新前沿动态，集团内部（以及业务方）视角、上层Leader视角以及自己视角来分别看。这个链路方向依序会从看的更清楚+可操作性更弱朝着看得更模糊+可操作性更强演变；对于个人来说很容易陷在可操作性强的地方出不来。（一直埋头干活、仰望星空更少了）。
下面也主要是以大模型的数据域展开。
1）开拓新领域（无中生有）
如果能开头新领域，一方面又更广阔的天地可以施展，另一方面可以避免更低层次的竞争。但想开头新领域，但它的难度也是最高的。
1）从更高维度往下看。从整个大模型的发展趋势的角度上要看到业界最新进展；以及和上下游业务（比如模型训练、模型应用等）深度探讨对数据的需求（比如质量、规模、多样性等），以及数据相关目标（比如质量目标、标注目标、规模目标、多样性覆盖目标等）。
2）从未来来看现在。考虑未来业务的发展需求，补齐数据版图。
3）第一性原理角度。 考虑大模型发展本质根因，看能否从根因角度来看。
2）横向做扩展（串联、跑马圈地等）
1）关键节点串联：比如考虑如何将数据更流畅的服务给应用+模型；如果将模型本身能力的提升反过来赋能数据；
2）业务横向拓展：比如在A、B、C等业务产出之后，能否快速赋能D、E、F等业务。
3）垂直做深度（精耕细作）
1）深度优化核心节点：比如在数据质量的模型选择（比如精度、人效、ROI等）方面都能持续提升。
2）丰富可用性：比如将核心能力产品化、自动化、流程化、pipeline等。
策略
在确定了问题、目标和方法后，我们需要结合本身的资源做策略调整。
1）确定核心事项
在做完分析之后，需要确定资源优先投入哪些核心事项。
2）核心事项跟进
关注核心事项情况，能够确定核心事项能正常推进。
3）核心问题速解
出现问题，要高优快速解决。