AI 数据公司,为什么长不出一个英伟达?
今天,阿里发布了 Qwen4-Max。发布材料所展示的,除了回答问题、生成文字,还有制作金融投研底稿、整理法律尽调材料、规划汽车产线。团队同时公布了Work360行业基准,评估模型完成复杂专业任务的能力。
这些演示仍需在真实场景中检验,但它们提出了一个共同问题:要让AI交付专业成果,该拿什么教它,又该如何判断它做得对不对?
大洋彼岸的一笔交易,让这个问题有了具体的价格。Google出价1000万美元,竞购停飞航空公司Spirit留下的部分内部数据,包括邮件、聊天、文档及部分软件。航空公司没能继续经营,员工多年处理订单、协调业务、解决问题留下的记录,却有了新的买家。
这正是AI学习工作时缺少的材料。不过,买到邮件并不等于买到了经验,哪些记录可以合法使用,怎样从中提取任务,如何判断模型做得对不对,都需要重新处理。
互联网是人类“读过的书”,Agent需要学习的,却是人类“做过的事”。
过去几年,科技巨头花费巨资购买GPU、建设计算集群。现在,它们还得为机器寻找新的学习材料。算力投入没有尽头,但仅有更强的计算能力,已经不足以回答下一个问题:如何让AI真正学会工作?
铲子之外,还得找矿
淘金热的故事,已经被拿来解释过太多科技生意。淘金的人未必发财,卖铲子、卖牛仔裤的人却赚到了钱。但铲子卖得再好,支撑这门生意的,终究还是矿里有金子可挖。
个人拿着淘金盘碰运气的时代过去后,拥有矿权、资金和设备的大型矿业公司逐渐接管了这门生意。一百多年后,成立于上世纪初的纽蒙特,已经成为全球最大的黄金生产商之一。2025年,公司净利润达到约72亿美元。淘金热终会过去,金矿生意却可以一直做下去。
今天,英伟达已经证明了卖铲子能赚多少钱。而AI数据公司(即专门为模型公司提供训练数据、训练任务和评测服务的第三方公司)想做的,是掌握模型训练离不开的矿源。
2020年,OpenAI发表Scaling Laws研究:参数、数据、算力一起放大,模型表现就沿着一条可预测的曲线上升。
这给AI产业带来了一种此前少见的确定性,即只要有足够的资金和计算资源,就有机会沿着相对明确的方向提高模型能力,这是AI时代的新矿脉。此后几年,英伟达凭借GPU、CUDA和配套软件生态,成为最重要的受益者之一。去年10月,英伟达成为第一家市值触及5万亿美元的公司,英伟达由此经常被称为AI时代的卖铲人。
但铲子能卖多久,终究还得看金矿能挖多久。
2022年,DeepMind训练的Chinchilla只有700亿参数,吃了1.4万亿token,却打赢了2800亿参数的Gopher,这意味着,拥有更多GPU,并不代表训练效率一定更高。数据量不足、配比不合理,同样会浪费昂贵的计算资源。
Epoch AI在2024年估算,按当时的扩张趋势,模型训练可能在2026至2032年间充分利用现有公开人类文本资源。2024年底,Ilya Sutskever在NeurIPS上把数据称作AI的“化石燃料”,而互联网只有一个。
2026年的互联网,每天还有新的网页、代码、视频和音频产生。模型可以重复使用已有数据,也能够通过合成数据和新的训练方法继续进步。但容易获取、质量足够高、又能明显提升前沿模型能力的公开文本,不可能永远按照过去的速度增加。
中文世界更窄,好内容大多沉淀在微信、抖音、小红书各自的账号体系里,爬虫进不去,获取授权、清洗和整理数据,都需要额外投入。据行业人士透露,早年为了凑齐高质量文本,有人成批收购旧书,拆掉装订,一页页扫描。
萨顿比多数人看得更远,2019年,强化学习之父理查德·萨顿写下《苦涩的教训》,劝同行别再手工灌输人类知识,押注通用算力。2025年,他与DeepMind的大卫·席尔瓦合写《欢迎来到经验时代》:人类数据这口井快抽干了,下一阶段的智能,要从AI自己在环境里的行动与反馈中长出来。
o1和
但经验不是凭空产生的。
AI要反复练习,先得有可以操作的环境、明确的任务目标,以及判断结果好坏的标准。数学和代码相对容易,企业工作却很难被整理成这种形式。
比如一名采购经理收到供应商的延期通知,需要判断是否影响生产计划、要不要更换供应商、是否调整付款条件。同样一份合同,法务、财务和销售部门可能有不同要求。
头部实验室目前正在补这个缺口。10月6日,OpenAI宣布GPT-6 Astra是“第一个用Ironclad任务训练的前沿模型”。合同管理软件公司 Ironclad 提供了产品的托管环境,合同审批、条款配置这类流程,被做成模型可以反复练习、按评分标准打分的任务。
这些数据经过加工,变成了可供模型反复练习的任务、环境和评分标准。接下来的问题是,这座矿由谁来开?答案有两条路:一是模型公司自己造,即“自建”,二是向第三方数据公司购买,即“外采”。后者正是这两年迅速升温的新行业。
数据公司,为什么突然这么值钱?
推荐平台可以从用户的点击、停留和交易中,持续获得训练反馈。用户每刷一次抖音、搜一次百度,就替平台标注了一次兴趣,飞轮自己转。推荐算法时代的字节,几乎是最不需要向外部买数据的公司。
但到了 AI 时代,这套办法不再总是奏效。一位办公 Agent 产品经理对《新立场》说,用户留下的任务记录很多,真正能用于模型训练的却很少,“有的时候,几万条里才可能用到几条”。
尤其是复杂的专业任务,一次成功操作未必足以教会模型。它还需要知道中间做过哪些判断、哪里出过错,以及最终结果为什么正确。
靠用户顺手留下的数据不够用,就得花钱请人做。
2009年,斯坦福大学的李飞飞团队发表ImageNet研究。为了教计算机识别猫、狗、汽车等物体,研究人员从互联网收集图片,再借助Amazon Mechanical Turk等众包渠道,雇人逐一核对、标注。整个项目先后动员了近5万名众包工人,数据集后来扩展到约1400万张图片。
那时候,人类负责告诉机器一张图片里有什么。十几年后,AI公司花钱请人做的事情,已经变成了教机器怎样完成一份工作。
过去,互联网上的文章、图片和代码,就能提供大量训练材料。现在,AI开始学习如何完成专业工作。员工怎样处理例外情况、专家如何作出判断、任务完成后该怎样验收,这些内容很少完整地出现在公开网页上。
机器人则是另一条战线。“纸上得来终觉浅”,互联网教得会机器人看图说话,教不会它拧一颗螺丝。它需要理解物体状态、动作顺序、操作结果,以及失败后怎样重新尝试,这些材料很难像普通网页那样批量获取。
需求有了,钱自然就花出去了。
美国专家数据平台 Mercor 为AI实验室对接各行业专业人士,承接训练和评测任务。它曾花超过50万美元,请出身高盛、摩根大通、麦肯锡的专业人士做了200道任务,平均每道超过2500美元。
同在美国的 Surge AI 主要为头部模型实验室提供高质量人工标注和评测数据,养着数百人计的专家顾问团,据报道,需求最旺的时候,一些模型厂在编程数据上一天的投入就能超过1000万美元。
不过,目前这门生意没有统一的计价单位,价差极大。
简单的图片分类、文本标注,一项只值几美分,但数学家给AI出一道难题能拿到数千美元。Mercor 招放射科医生,时薪 200 到 400 美元,部分肿瘤学专家 450 美元,一家破产航空公司的邮件和聊天记录,被报价 1000 万美元。
数据的价格千差万别,做数据生意的公司,身价却在普遍上涨。
国内的专家数据平台 Humanlaya 聚拢了各个行业和学科的10万多名专家,今年拿到鼎晖、红杉中国、今日资本的投资,估值接近10亿美元;评测与合成数据公司UniPat成立不到一年,估值已经达到二三十亿美元。
海外的例子更极端,去年6月,Meta以约143亿美元取得Scale AI 49%的股权。Scale 成立于2016年,是美国最大的数据标注公司之一,最早做自动驾驶图像标注,后来成为头部模型公司的重要数据供应商。
资本愿意出这个价,除了前面讲的需求变化,还有一个原因:模型需要学习的东西变了。
如今,各家在技术路线、数据处理和质量上越来越难拉开明显差距,模型发布的节奏又很快。谁能拿到别人没有的训练材料,无疑就多了一点优势。
数据越来越贵,卖数据却未必是门好生意
搜索和推荐的年代,数据是流量的副产品,多半挂在中台之下。现在,越来越多公司开始让模型负责人直接参与数据决策。
7月到9月,国内几家大厂的数据负责人接连调整。7月,小红书从
9月23日云栖大会,阿里亮出训练数据、专家生态、评测、具身数据四位负责人,“认知原点计划”面向医学、先进制造、金融合规开放1万个专家协同席位。9月28日,腾讯首席AI科学家姚顺雨兼任AI Data部负责人,模型、基础设施、数据三个部门,合在了一个人手里。
姚顺雨在2025年写过一篇《The Second Half》,核心便是强化学习的配方趋于成熟之后,下半场拉开差距的,是如何定义任务、搭建环境、设计评测。
智谱也把数据生产放进了内部流程。早在2024年,智谱就已经在海外配置数据采购团队,内部由张笑涵主导建设名为“狂标”的标注平台。语言模型与多模态模型团队轮训期间,待训团队也会参与数据标注。每次模型发布前,还要经过两道测试:一道由AI院检查通用能力,另一道由交付团队按照真实客户场景进行测评。
字节的取向是自研,张一鸣在7月底的Seed全员会上明确表态,不蒸馏竞争对手的模型,自研到底。不依赖蒸馏竞争对手的输出,意味着Seed需要更多依靠自有研发、真实任务和数据生产体系积累能力。
不过,自研不等于不买。
字节一边坚持自研,一边也是外采的大买家:世界模型、影视母带、编程数据、专家网络,成了外采的几条主航道。据数据供应商透露,字节在世界模型数据上的投入,是同行的3到4倍。
大厂外采的对象,就是第三方数据公司。按提供的数据类型,它们大致可分为三类:传统训练数据服务商、专家与专业任务数据公司、具身数据公司。
第一类:传统训练数据服务商。以语音、图像、文本标注等业务起家,客户覆盖面广。海天瑞声成立于2005年,长期从事语音、视觉和自然语言等AI训练数据服务。2026年上半年,公司实现营业收入1.92亿元,同比增长22.45%。其披露的客户和合作伙伴包括阿里、腾讯、百度、字节,以及海外多家大型科技公司。
第二类:专家与专业任务数据公司。前文提到的Mercor、Surge AI都属于此类,它们不只做标注,而是组织各行业专家,生产模型练习专业工作所需的任务、环境和评分标准。为了训练模型完成投资分析,数据供应商不仅要提供最终报告,还需要请专家准备原始业务资料、参考操作步骤,以及评价结果的评分清单。
第三类:具身数据公司。 面向机器人训练,采集人和设备在真实环境中的操作数据。今年2月才成立的觅蜂科技,由国内人形机器人公司智元孵化,6月量产一种穿戴式的无本体数据采集设备,8月31日,第20000套下线,交到京东手里。不过,这些数据没法像网页一样自动抓取。机器人要学习一个动作,往往需要人和设备在现场反复演示、采集。
但就《新立场》看来,价格和估值高,不等于这门生意好做。
对第三方数据公司来说,难处恰恰来自“自建”与“外采”两条路并存。当模型公司开始自己生产数据、设计任务和建设评测环境,外部数据公司的生意也面临新的考验。大客户既是收入来源,也可能成为竞争对手。
大厂自己造数据,外部供应商的订单就可能受到挤压。但与某家大厂走得太近,同样有风险。去年6月,Meta以约143亿美元取得Scale AI 49%的股权。据报道,Google等大客户随后调整了与Scale的合作,Google原本计划当年向其支付约2亿美元。即使没有发生实际的数据泄露,当一家为多家竞争对手服务的供应商,与其中一家建立深度资本关系,其他客户也不得不重新考虑合作风险。
数据公司既要防止客户自己造数据,又得避免因为绑定一个客户而失去其他客户。很多标注任务、合成数据和自动评分工具,都能够由模型公司自行建设。一家外部供应商如果只是按照客户要求组织专家、交付数据,生意再大,也可能只是一家更高级的人力外包公司。
相较而言,更值得投入的,是能够跨客户复用的生产体系。一套专业任务的设计方法、可以反复运行的训练环境、经过验证的评分工具,以及长期积累的专家网络,不必每次接到订单都从头建设。只有把这些能力沉淀下来,数据公司才有机会从一次性交付项目,变成模型公司长期依赖的基础设施。
写在最后
洛克菲勒并没有在油井上取胜。1870年创办标准石油的时候,宾夕法尼亚的油井主们正在暴富与破产之间来回摆,原油价格大起大落。他押的是炼油和运输,用规模压低成本,用铁路运价折扣压垮对手,十年后控制了美国约九成的炼油能力。钻井者来了又走,标准石油拿走的,是把原油变成产品的那一环。
高价数据也不一定是一门好生意。客户可能自己生产,独家授权会限制复用,一批昂贵任务也可能很快失去稀缺性。
数据会过期,买家会自己造,买主又集中得吓人:Mercor上半年6.14亿美元的收入,约91%来自基础模型公司。Meta买下Scale近半股权,据报道大客户随之离场,一口井的中立性,在一份交易公告里就蒸发了。
这也是为什么,数据产业很难简单复制英伟达。
英伟达的优势不只在GPU,也在CUDA及其开发者生态。2007年CUDA发布时,GPU还是打游戏的;2012年,AlexNet用两块游戏显卡训练出来,这套软件才等到自己变成行业标准的时刻。此后十几年,每一代开发者都在CUDA上写代码,换掉它的成本越来越高。
数据时代的CUDA,不会是一堆文件,而是任务、环境与评分标准构成的验证体系。能重来,能反复试,能自动给分。这既需要行业知识,也需要环境工程、质量控制和独立评测。自动评分可以扩大规模,但评分本身仍要接受检验。
能拿走训练数据的人很多,能决定“什么才算做对了”的人很少。
*题图及文中配图来源于网络。
本文来自微信公众号“新立场Pro”,作者:新立场,36氪经授权发布。















