Burning（燃烧）在 AI 领域语境中，常被用来形容大模型公司大量消耗公共数据池进行训练的做法——即把开放网络中可自由获取的语料快速、大规模地吸收进模型，使这些数据对后续竞争者的训练价值迅速衰减。这一说法在中文 AI 社区流传，带有对数据可持续性的隐忧。随着公开高质量语料日益稀缺，如何使用公共数据正成为行业争议点之一。
Burning 公共数据池的争议
围绕这一概念的讨论，源自一位博主对 MiniMax 训练方式的质疑：博主质疑 MiniMax 训练方式，称其“燃烧公共数据池”。该观点认为，头部模型厂商对公共语料的密集使用，实质上是在消耗整个行业共享的数据资源，其他团队再想从中获得同等增益会越来越难。该话题随后进入 2026-10-02 Hacker News Top Stories 等技术社区聚合讨论，引发对数据公平使用的争论。
数据消耗与行业竞争的关联
数据争议的背景是模型能力竞争的加剧。Databricks CEO 曾公开表示 AI 生存风险接近零，并指出 90% 代码已由 AI 编写、漏洞武器化周期缩至小时级、企业瓶颈在于缺失“组织本体”（见 相关讨论）。在这一节奏下，训练数据的需求持续攀升，公共数据池的消耗速度自然被推到台前。
当前焦点与观察点
目前讨论集中在三个问题上：其一，公共数据是否应被视为可被单一厂商快速消耗的“公共品”，还是需要某种使用规范；其二，合成数据与私有数据能否有效替代被“烧掉”的公共语料；其三，数据使用方式是否会成为模型厂商之间新的竞争壁垒。值得注意的是，Burning 一词本身仍是社区用语而非行业共识，相关指控也属于观点性判断，缺乏第三方验证。观察者可关注各厂商后续的数据披露政策，以及公开语料在模型训练收益中的实际占比变化。