数据飞轮（Data Flywheel）指产品使用行为反哺模型能力、模型能力又吸引更多使用的自增强循环：用户交互产生数据 → 数据（经筛选与标注）用于微调/偏好优化 → 模型与产品体验提升 → 吸引更多用户 → 产生更多数据。转起来之后，先发者的优势随时间复利放大。
经典案例
推荐系统时代 TikTok 的“越刷越懂你”；AI 时代 GitHub Copilot 用海量代码补全采纳/拒绝信号优化模型，Character.AI 用对话反馈优化角色扮演体验；国产大模型应用普遍把用户点赞/点踩、对话记录（经授权）纳入迭代。
构建要素
- 埋点与信号采集：显式反馈（赞/踩/采纳）+ 隐式信号（重试、改写、停留）
- 数据回流管线：从原始交互到可训练样本的清洗、脱敏、标注链路
- 闭环节奏：定期用回流数据迭代模型，而不是一次性训练
冷启动难点
飞轮启动前产品要先够好——早期靠通用大模型能力、人工标注或合成数据起步，等用户量起来再逐步切换到自有数据驱动。
战略意义
基础模型能力会趋同、API 人人可调，真正难以复制的是垂直场景里持续运转的数据飞轮——这也是很多 AI 创业者把“你有什么别人拿不到的数据”当作商业模式第一问的原因。