范蠡大模型4.0：3970亿参数并不重要，真正的护城河在鱼塘边攒了近三十年

最近我看到一条看起来有点“赛博养鱼”的新闻。

8月17日，中国农业大学在北京举行的2026国际智慧渔业和水产大会上，发布了新一代渔业大模型——“范蠡大模型4.0”。

官方披露的数据很抢眼：3970亿参数，覆盖水质、品种、饲料、健康、运营、装备、能源、经济八个水产养殖核心维度，融合101个主要养殖品种的专业知识。

同时发布的还有一套智慧渔业公开数据集，包含11.6万帧图像、69.8万条任务标注。联合国粮食及农业组织（FAO）也参与支持了这次大会。

第一眼看过去，这似乎又是一个熟悉的“大模型进入传统行业”的故事。

但真正让我感兴趣的，反而不是3970亿。

而是鱼塘。

因为我顺着这个项目往前翻，发现这个2026年发布的大模型，背后其实藏着一条接近三十年的技术线。

这件事情，也让我越来越确定：

当通用大模型逐渐成为基础设施以后，AI竞争真正稀缺的东西，很可能已经从“谁的模型更大”，转向“谁拥有别人无法补课的数据、标准和现场经验”。

一、先说3970亿参数：这里有一个值得注意的细节

中国农大的官方报道里有一句话：

“4.0版本算力跃升到3970亿参数。”

严格来说，这句话在技术表述上并不准确。

参数量和算力不是一个概念。

参数量描述的是模型内部可学习参数的规模；算力通常指训练或者推理过程中所消耗、调用的计算资源。一个是模型规模，一个是计算能力，不能直接画等号。

但更有意思的是“3970亿”这个数字本身。

2026年2月，Qwen团队发布Qwen3.5系列，其中Qwen3.5-397B-A17B恰好拥有397B，也就是3970亿总参数；它采用MoE架构，每次计算激活约17B参数。Qwen官方模型卡明确给出了“397B total and 17B activated”。

两个数字精确重合。

所以很自然会产生一个猜测：范蠡大模型4.0有没有可能是在类似Qwen3.5这样的开源基础模型之上，叠加渔业知识、数据和行业能力构建出来的？

答案是：

有这种可能，但目前不能把它当成事实。

截至我能查到的公开资料，中国农业大学并没有披露范蠡4.0具体采用了哪一个基础模型，也没有公开说明它与Qwen3.5存在技术继承关系。

所以，“3970亿相同”最多只能算一个高度值得注意的线索，而不是证据。

但其实，底座到底是不是Qwen，对这件事情最重要的判断没有太大影响。

甚至我认为：

如果它真的是在成熟开源模型上构建出来的，反而是一件非常合理的事情。

为什么？

因为一个研究了几十年水产养殖的团队，最值得自己从零创造的东西，根本不是通用大模型。

他们最该守住的是鱼。

---

二、范蠡4.0真正的起点，不是2024年，而是1998年

“范蠡大模型”这个名字很有中国味。

范蠡是春秋末期越国大夫，后来经商，被后世称为陶朱公。关于流传至今的《养鱼经》是否确为范蠡本人所作，历史上存在讨论，因此把它直接说成范蠡亲笔并不严谨。

但至少有一点很有意思：

几千年来，中国人一直在试图把“怎么把鱼养好”这件事情总结成可传递的知识。

两千多年以后，这件事从竹简、书本变成了传感器、数据库和大模型。

而范蠡大模型真正值得关注的历史，也远远早于ChatGPT。

中国农业大学公开资料显示，李道亮与水产养殖结缘可以追溯到20世纪末。

1998年前后，他参与国家“863”计划中的鱼病诊断专家系统研究，用计算机帮助识别鱼类疾病、分析病因和给出防治建议。

到了2010年前后，团队已经在江苏宜兴进行水产养殖物联网研究，把传感器、网络和自动控制系统真正放进养殖现场。

2019年3月，农业农村部批准成立国家数字渔业创新中心，依托中国农业大学建设。

2024年6月，范蠡大模型1.0正式发布。

2026年，迭代到了4.0。

把这几个时间点连在一起就会发现：

1998年的鱼病专家系统，

2010年的养殖物联网，

2019年的数字渔业创新中心，

2024年的范蠡1.0，

再到今天的4.0。

这根本不是“大模型火了，于是找个养鱼场景套进去”。

它更像是一个已经做了二十多年甚至接近三十年的老问题，突然等来了一个能力足够强的计算引擎。

中国农大2023年介绍李道亮时，就把这条路线概括成“25年坚守科研一线”：从1998年的鱼病诊断专家系统，到水产物联网，再到智能工厂。

这才是我认为范蠡大模型最值得AI学习者研究的地方。

AI没有凭空创造这条产业链。

AI只是突然把过去几十年那些零散、难调用、无法统一计算的知识激活了。

---

三、真正值钱的不是“有数据”，而是数据后面有结果

今天几乎所有公司都喜欢说一句话：

“我们有大量行业数据。”

这句话其实越来越不值钱了。

一堆PDF是一种数据。

一堆网上抓来的文章也是数据。

用户聊天记录也是数据。

鱼塘连续几年采集的水温、溶氧、pH值、投喂量、生长速度、病害情况和最终死亡率，同样叫数据。

它们的价值完全不是一回事。

对AI来说，最有价值的数据往往不是“多”，而是几个条件同时存在：

真实发生过；

有明确上下文；

采集过程稳定；

能够持续产生；

最终还有真实世界的结果反馈。

比如今天一个鱼塘溶氧下降，自动打开增氧机。

几小时以后，鱼群状态有没有恢复？

这次投喂增加了5%，生长速度提高了吗？

饲料转化率有没有改变？

某个疾病出现之前，连续72小时的水质指标发生了什么？

最后这一批鱼的成活率是多少？

只有把这些东西串起来，数据才不再是“材料”，而开始变成可以训练决策系统的经验。

而这种数据有一个互联网公开数据很难复制的特点：

它必须经过时间。

你今天有十个亿，也没有办法买到“从明天开始连续记录过去二十年的鱼塘”。

钱可以买设备，可以买GPU，可以购买论文。

但是时间序列不能倒着采集。

这就是时间型数据资产最残酷的地方。

错过了，就是错过了。

---

四、但我后来发现：数据可能还不是最深的护城河

研究到这里的时候，我最初的判断其实很简单：

范蠡大模型最大的优势，就是这几十年积累的行业数据。

后来我觉得，还不够准确。

因为数据本身会折旧。

养殖品种会变化。

设备会变化。

传感器精度会提高。

疾病谱可能变化。

十年前的一部分数据，二十年以后未必还有那么高的价值。

真正更底层的东西，是：

谁定义了这个行业应该怎样产生数据。

比如一个鱼塘里的“溶解氧”。

对于人来说，它只是一个指标。

但是如果要让机器理解它，事情马上复杂起来。

用什么单位？

传感器安装在哪里？

采样频率是多少？

数据怎么校准？

什么情况下属于异常？

设备离线怎么标记？

投喂机的数据采用什么结构？

增氧机怎样与控制系统通信？

鱼病由哪些字段描述？

不同养殖场的数据怎么才能互相比较？

如果这些问题没有统一规则，那么一万个鱼塘就可能是一万个信息孤岛。

而标准做的事情，就是给现实世界建立一套机器能够理解的坐标系。

更值得注意的是，这一点在范蠡团队身上并不是我的抽象推演。

2024年底发布、2025年7月实施的国家标准GB/T 44985.3-2024《农业物联网通用技术要求 第3部分：水产养殖》，主要起草单位就包括中国农业大学，李道亮位列主要起草人。

该标准针对水产养殖物联网的组成及总体要求进行规范，覆盖环境监测、水质调控、饲料投喂、病害防控等生产环节。

看到这里，我才觉得这条逻辑真正闭环了。

一个团队如果只拥有模型，模型会过时。

拥有一批数据，数据也可能贬值。

但如果它长期参与定义：

数据怎么采、

设备怎么连、

指标怎么描述、

系统怎么通信、

行业怎么数字化，

那么它拥有的其实不只是一个数据集。

而是这个行业的一部分“数字语法”。

---

五、这才可能是行业大模型真正的操作系统

现在经常有人说：

未来每一个行业都会拥有自己的大模型。

这句话我一直觉得只说对了一半。

如果所谓“行业大模型”，只是：

开源模型+几万份行业PDF+一个聊天页面，

那它的护城河其实非常浅。

今天你能做，明天别人也能做。

真正难复制的行业AI，我认为至少需要三层东西。

第一层，是通用智能。

推理、语言、多模态、代码、Agent能力，都属于这一层。

随着Qwen、DeepSeek等基础模型持续发展，通用能力会越来越便宜，越来越标准化。

第二层，是专有数据。

企业数据库、设备数据、实验数据、历史案例、真实用户行为，以及长期现场采集形成的数据资产。

第三层，是行业结构。

字段体系、指标定义、知识图谱、业务流程、评价体系、接口标准、专家经验，以及“什么结果才算正确”的反馈机制。

真正难复制的其实是第二层和第三层。

尤其第三层。

因为大模型可以下载。

GPU可以买。

论文可以看。

甚至数据在某些情况下也可以买。

但是你很难通过一次采购，买到一个行业二十年形成的认知结构。

---

六、于是，一个非常有意思的“双轮复利”出现了

这类行业AI有一个很特殊的增长方式。

我把它叫作“双轮复利”。

第一个轮子来自外部。

基础模型越来越强。

今天模型升级推理能力，明天升级视频理解，后天增强Agent能力。

行业团队未必需要自己完成这些研究，但可以直接继承通用AI的进步。

第二个轮子来自内部。

鱼塘里的传感器仍然每天24小时工作。

新的养殖周期继续发生。

新的疾病案例继续产生。

设备继续运行。

数据不断回来。

专家继续修正规则。

模型每部署一天，理论上就多一天行业经验。

于是会出现一种过去软件时代并不明显的现象：

外部模型能力进步，内部行业数据同时增长。

两个轮子一起转。

这才是行业AI真正可怕的复利。

但是这里有一个前提：

企业必须拥有持续获取高质量真实反馈的渠道。

否则所谓“数据飞轮”，最后很可能只是越来越多的聊天记录。

---

七、为什么真实世界数据反而会越来越值钱？

这几年还有一个变化值得注意。

互联网上的内容正在越来越多地由AI参与生产。

这并不意味着“2022年以前的数据全部真实，2022年以后全部被污染”。

这种说法太绝对。

2022年更适合作为一个象征性的分界点——ChatGPT在这一年进入大众市场，此后生成式AI内容开始快速进入互联网信息生态。

真正的问题是数据来源可追溯性。

2024年，《Nature》发表的一项研究提出了“模型坍塌（model collapse）”问题：如果后续生成模型不加区分地反复使用前代模型生成的数据训练，模型可能逐渐丢失真实数据分布中的长尾信息。

研究者因此特别指出，在AI生成内容不断进入互联网的环境下，来自真实人类互动的数据会变得越来越有价值。

这句话值得多看一遍。

过去我们总觉得：

互联网数据近乎无限。

现在开始发现：

真正有来源、有时间、有地点、有设备、有结果，并且能够证明来自真实世界的数据，并没有那么多。

一个县几十年前留下来的水文记录，

一家工厂积累十几年的设备故障日志，

一家医院长期形成的高质量病例资料，

一个农场连续记录的土壤与产量变化，

一本绝版地方志，

甚至一个老工程师做了二十年的工作笔记，

它们突然拥有了以前没有的价值。

因为大模型不缺语言。

它越来越缺的是：

现实。

---

八、AI越强，我们反而越应该重新审视“笨积累”

这件事最后让我想到的，其实不是水产养殖。

而是普通人。

过去几年，大家都在疯狂学习最新工具。

这个月学一个Agent框架，下个月换一个模型，再下个月学一种新的工作流。

当然有用。

但如果基础模型更新速度越来越快，那么很多工具技巧的半衰期也会越来越短。

今天花一个月掌握的操作方法，半年以后可能就被一个按钮替代。

反过来看，那些过去显得特别“笨”的积累，价值可能正在重新上升。

你做了十年供应链，记录过供应商为什么会延期。

你做了十五年销售，知道哪些客户嘴上说价格贵，实际上卡在内部决策流程。

你一直维修某种设备，知道机器真正出问题以前通常会先出现哪几种不起眼的声音。

你连续十年写研究笔记。

你整理过几千个真实案例。

你建立了一套别人不知道为什么这么分、但实践证明很好用的分类系统。

以前这些知识大量存在于人的脑子、Excel、聊天记录、纸质笔记和文件夹里。

它们很难规模化。

所以价值很难释放。

现在不一样了。

AI提供的真正机会，未必只是“帮你写得更快”。

更大的变化可能是：

过去无法被调用的个人经验，第一次有机会被结构化、检索、组合和放大。

---

九、未来几年，一个问题可能比“你会不会用AI”更重要

范蠡大模型4.0给我的最大启发，并不是农业也开始用AI了。

这早就不新鲜了。

真正让我在意的是：

当基础模型越来越强、越来越便宜之后，竞争规则会发生改变。

如果所有人都能够调用类似级别的大模型，那么“拥有模型”本身就不会长期构成优势。

真正的差异，会逐渐向模型之外迁移：

谁拥有真实世界的数据？

谁拥有持续的数据入口？

谁理解这个行业的反馈机制？

谁定义指标和标准？

谁知道什么问题值得问？

谁知道模型给出的答案究竟对不对？

这些东西才可能组成真正的护城河。

回头看范蠡4.0，3970亿参数很容易成为新闻标题。

但几年以后，3970亿可能根本不算什么。

模型还会继续变大，或者通过MoE、蒸馏、小模型协同等技术变得更高效。

真正没法一夜之间升级出来的，是1998年做鱼病专家系统的人，到2026年仍然在研究鱼塘。

接近三十年的时间，才是这个项目最昂贵的参数。

而且这个参数，没有办法下载。

所以我现在越来越喜欢问自己一个问题：

如果有一天，所有人手里的AI都差不多聪明，

我手里还有什么东西，是别人拿不到的？

可能是数据。

可能是标准。

可能是经验。

可能是一套方法。

可能是某个极其细分的行业知识。

甚至可能只是你认真记录了十年的一件小事。

过去，它可能只是沉睡在硬盘里的资料。

现在，基础模型正在变成那个能够把它唤醒的引擎。

三十年的鱼塘等到了范蠡大模型。

我们真正需要寻找的，也许不是下一个大模型。

而是自己手里那份，值得被AI放大的长期积累。

---

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）

参考资料

1. 中国农业大学：《“范蠡大模型4.0”在2026国际智慧渔业和水产大会正式发布》，2026年8月。
2. 中国农业大学信息与电气工程学院：《我国渔业垂直大模型再升级！“范蠡大模型4.0”覆盖八大养殖核心维度》，2026年8月。
3. Qwen官方模型资料：Qwen3.5-397B-A17B，397B总参数、17B激活参数。
4. 中国农业大学：《国家数字渔业创新中心发布国内首个渔业大模型范蠡大模型1.0》，2024年6月。
5. 中国农业大学：《耕水牧鱼，为农业插上智能的翅膀——记李道亮教授团队》，介绍团队从20世纪末鱼病诊断专家系统到数字渔业的发展历程。
6. 全国标准信息公共服务平台：GB/T 44985.3-2024《农业物联网通用技术要求 第3部分：水产养殖》。
7. Shumailov等，《AI models collapse when trained on recursively generated data》，Nature，2024。