每个时代都期盼一个英雄来拯救，就如同IT界每个时期需要一个新理念来承载所有人的梦想一样，哪怕有些梦想注定难以变成现实，也能让梦想得以延续。
数据中台的演变
企业数字化转型的初期，阿里云的“数据中台”横空出世，它激励了一批人为之争斗，不惜投入大量人力物力。一度，人们认为建起了数据中台，就能解决数字化转型遇到的所有问题，企业就能一步迈入数智化时代。
后来的演变大家都知道了。一个个耗费大量财力物力搭建起来的数据中台，用起来就像启动一头庞然大物，严重拖慢了企业数字化转型的进程。在“拆中台”的过程中，大家才开始不断反省，企业最核心的目的不是建中台而是要把数据用起来。
任何一个行业的发展都是如此，当遭遇到梦想与现实的巨大鸿沟，而见招拆招就是最好的招。IT行业亦如此。于是，原来信誓旦旦要建中台的企业主逐渐觉醒，大而全的数据中台对大部分企业用户来说完全没有必要，原本那只是专属于BAT这样的互联网巨头的池中物。
最有趣的是，原本数据中台这个新理念的始作俑者阿里云，在2021年将原来的技术中台拆分成两个中台。其中，“业务中台”并入了淘宝，“数据中台”则被重新注册成立一家独立公司——瓴羊，保留了原来阿里云“数据中台”的强大基因。
不过自此，瓴羊将其核心产品服务定位为DaaS（Data intelligence as a Service，数据智能即服务），明显没有以前那么高调了，不再留恋造新概念的执念，而是务实地为提供数字化改革的工具。
只是，重新定位为DaaS数字化改革的工具，瓴羊至今其实并没有在业界激起多大的浪花。理由很简单，原来数据中台没有什么竞品能出其右，但是现在DaaS的赛道太宽泛了，很多服务都可以称为数据即服务，而且概念上也是老生常谈。比如，提供数据传输能力的叫做数据传输服务，提供数据存储能力的叫做数据存储服务，提供各种类型数据分析的叫做数据分析服务，还有提供数据安全管理的叫做数据安全服务等等。
数据飞轮会是数据中台的接力棒吗？
IT行业从不缺乏新理念，很多人感叹数据中台之后还有谁可以拿下接力棒。2023年4月，火山引擎提出了数据驱动的新范式——数据飞轮，以数据消费为核心，通过频繁的数据消费，让数据活起来用起来，用消费数据再反哺原始数据，进而形成双轮驱动，使企业数据流充分融入业务流，增强业务发展动力。
近期，笔者询问一位还在瓴羊就职的朋友，让他谈谈对数据飞轮的看法。他觉得“数据飞轮”这个新概念蛮贴切，通过消费数据促进业务发展，使用数据过程中又会产生新数据反向促进业务，这种双轮驱动的逻辑是非常认可。其实，很多原来的数据中台都在朝着这方向延伸，只是这个概念是最先由火山引擎把它提炼之后定义为“数据飞轮”。
每个数据中台的本质只意味着完成了数据资产的初步建设。再往后，大家势必都在朝着各种数据应用方向拓展，必然会出现类似飞轮的应用场景。比如，促进营销增长、促进供应链优化，达到降本增效的目的。然后，通过数据消费带动业务增长和变化，在业务发展过程又会产生新数据的留存，新数据会补充到数据中台中被循环使用起来。
所以，从这个角度来看数据中台与数据飞轮的区别。数据中台更强调做数据资产的统一和积累，有人打比方数据中台像一个中央厨房，前台负责收集顾客需求，后台就像一个材料粗加工场，数据中台根据前台的需求将后台预加工后的材料，经过烹饪直接提供给前台端给顾客享用。
而数据飞轮就是帮助企业最大化利用数据资产的价值并形成惯性增长。数据飞轮不管企业有没有建成数据中台，它解决的是如何把数据用起来，并且是以数据消费为核心驱动力，以此驱动数据能够形成惯性增长，就像一个自转起来的飞轮。
数据的飞轮效应
谈数据飞轮不得不提一下飞轮效应（Flywheel Effect）。有一种看法认为，飞轮效应是指为了使静止的飞轮转动起来，一开始必须用很大的外力反复地推动。飞轮转动越来越快，当达到某一临界点后，飞轮的重力和冲力会转化成一种自驱力，即便停止施加外力，飞轮依旧可以自发地不停快速转动。
这个场景，笔者想起小时候在农村生活的日子，每次要冷启动拖拉机的时候，都会通过一个金属摇把用手摇带动转轮高速旋转，随着逐渐加大手臂力量和转动惯量，使活塞迅速压缩产生高温，当转速达到一定临界值，喷油遇到高温即可燃烧后产生推力，推动发动机继续转动。
笔者认为，正如手摇拖拉机施加的外力致使转轮产生的自驱力，数据飞轮也是希望通过特色工具促使企业内部的数据形成的飞轮效应。
以当前如火如荼的汽车自动驾驶为例。自动驾驶最核心模块是感知系统和决策系统，汽车通过感知系统实时采集路况数据，并实时传输给决策系统进行判断，接下来是继续正常行驶、刹车、还是转弯。
一般情况下，汽车厂商都会提前在实验室训练好一批数据输入决策系统，让汽车具备一些常见场景下的判断能力。如遇到红绿灯、行人过马路、路障等，便于决策系统以最快速度做出反应。下个阶段，为了更接近实际生活，汽车厂商还会让自动驾驶汽车走上试验场地甚至是真实路况，进一步尝试新的应用场景并同步收集各种新数据。比如遭遇气球、假人、建筑物阴影、漂浮的塑料袋等特殊场景。
汽车厂商通过搜集新应用场景下的新数据，从而丰富了新的数据模型，拓展了决策系统的决策能力。同时，新数据又能推动形成更加优良的数据产品，消费新的数据产品又能带来应用层面的创新和高效，相互促进。
