数字化到今天的程度，各个地方对于数字经济的发展有概念、有动力也有压力。到各地走走，发现大家都在建设数据中心、大数据中心、大数据管理中心，负责建设的无非就是通讯运营商、互联网大厂、著名算力云企业、软件大厂，举其要者，所谓的中心按其实际功能也大致分成这样四类：数据存储与信息灾备中心、云存储与云计算服务器与算力服务中心、数据清洗处理与数据治理中心、数据处理与调度中心。现在更多已经建设过其中一两种中心的地方开始动数据应用的脑筋，这个时候可能会发现这样一些明显的亟需补强的建设需要：有数据但没有足够需用的数据，汇聚了一些数据但是汇聚不了更多的数据。如此，就算有了相应的数据，但是不掌握数据的用法和应用团队，在已经建设的数据中心也无法对需要解决的问题提供解决方案。
　　
　　人们开始接触到GPT模型，开始对于GPT模型回答某些问题与解决某些问题的能力感到震惊，也为GPT模型对于暂时还解决得不那么好的问题的学习能力和潜在解决能力感到钦佩。事实上，GPT技术及其应用界面的问世，才是第一次让我们从通俗的意义上理解了在智能化范畴内算法技术与应用计算模型的作用，第一次体验到了基于多模态模型解决从数据读取、分析、反馈、再学习、生成新模型与优化解决方案的全过程智能化成果，也第一次直观体验到我们今天弥漫的所谓智能化平台、系统、大脑等智能配套环境与真实具有基于算法模型而具备终端解决能力的实用超级智能之间的差异，第一次感受到因为算法水平要素差异而导致的人工智能产业落差。
　　
　　在今天算力、算量建设初具条件的基础上，新一代数据中心应该建立在问题场景导向上，以算法模型中心为应用核心，重视投入大量应用问题解决模型的预训练，以及相关算法模块的可移用、可组合、可集成技术开发，在有限问题领域、有限数据源、有限实用模型基础上配置适当的有限算力，从而构建出具有重要问题领域实际问题解决能力的中模型算法中心，以此对应相应的数据源整理与可能的汇融、建立与更多独立数据源之间的接口关系和调度机制、建立数据的兜底与补丁机制，从而建立新一代有实际问题解决能力的新型数据中心。
　　
　　新一代数据中心的建设必然具有需要深入透视业务工作、涉及问题场景细碎多样、模型预训练工作浩繁、对于人员复合能力要求极高、对应的预算投入细碎复杂这些问题，因此建设这样的数据中心势必会与数据中心建设技术开发领域的既得利益集团发生冲突，因为他们的目的在于大量推销复制以数据中心、智慧城市、智慧行业与智慧领域为名的标准化数据管理、数据治理、数据展示系统产品、平台产品，在规模化定价的基础上挤压消耗掉很多城市、地区、开发区和政务部门本来期待用于智能化解决特定问题的预算，用他们熟悉、成熟但不敷当前使用的数字化技术占据了数据管理和服务领域有限的立项资源，而且针对相关数据与数字经济管理部门对于数据技术掌握的有限性，形成对工作系统功能设置、接口设置、服务优化和升级优化的任性安排和技术要挟，各地数据中心建设正面临着和很多政府工程项目类似甚至更严重的“工程项目通病”。
　　
　　智慧政府和智慧城市要走向真正的智慧，现在已经到了需要认真考虑形成模型算法建设规划、应用模型建设步骤与成效检验、模型算法驱动的数据中心建设的独立预算投入与招标机制、基础系统与算力算量系统之间的全接口开放管理机制、以基层和作业面成效来衡量智慧机制的效用和可交付性的时候了。
　　
　　编辑：Harris