深度：AI 数据公司凶猛

今年9月，一家成立不到一年的公司被曝正在洽谈一轮约3亿美元的融资，传说中的领投方为阿里巴巴，腾讯和红杉中国参与，投后估值达到25亿美元。

两年前，今天中国大语言模型的重要玩家、估值已高达500亿美元的月之暗面，在辛辛苦苦寻求 B 轮融资时，也不过就拿到了差不多的价格。

这家公司叫 UniPat，即便是 AI 业界的很多人，也对它感到陌生。事实上，它也无需被家喻户晓。关于它的创始人李宽，履历也众口不一。一篇报道称：阿里腾讯投了一位实习生。事实上，在通义千问，李宽做的工作包括模型训练和训练材料制作，并是不少相关工作的负责人。

类似神秘感的公司在行业内部被密集讨论，智能知识、Copula Lab ，Humanlaya，名字都很独特，也都在近几个月迅速出现在各家 VC 的桌面上，有消息称他们中一些业务进展比较激进的公司，估值也在飞速逼近20亿美金。

如同当初模型厂刚刚诞生的激烈竞争，它们的融资追逐也正在进入白热化。而他们做的事情，与人们想象里模型依然依赖的“天才、算法、架构突破”似乎关系不大，按此前人们的理解，它们甚至可以算是一群“外包”公司——

也就是数据公司。

这股浪潮依然是晚硅谷半年左右传过来的。在硅谷，数字早已更加夸张。最知名的 Mercor 去年10月融了3.5亿美元，估值100亿美元，今年8月又被曝在谈200亿美元估值的新融资，英伟达考虑入股。更为人熟悉的 Scale AI 去年接受 Meta 投资时，估值已超过290亿美元。

在外界的理解中，算法突破和天才研究员仍是驱动 AI 模型追逐前沿的助燃剂。而事实上，模型训练的日常，却越来越像数据工厂。这些做“外包”的数据公司，对模型竞争、商业化落地、甚至各种诸如 RSI 的新概念的演进都起着决定性作用，这使得某种程度上今天的 AI 成了这些“数据新贵”的天下。

而这也意味着，了解数据公司，以及整个大模型背后数据产业的真实情况，是了解今天以及接下来 AI 演进方式的最重要切口。

当数据比产品还值钱

“别做产品了，出来卖数据吧。”

一位在业务进展中拥有大量 AI应用行为数据的创始人，在和 DeepSeek 的朋友讨论技术趋势时，本想获得一些模型发展上的建议，但却很快变成某种合作交流，对方直接建议他“出卖”数据。

哪怕这家应用公司已经自己能盈利，但当他看到 DeepSeek 等模型公司给数据开出的价格时，还是有点“动心”。

据多位了解行业的人士透露：一些带有用户行为轨迹的数据，一条报价可达1000至3000元，带完整操作过程的工作场景数据，甚至可以卖到1万元左右。若按每条1000至3000元采购1万条，账单就是1000万至3000万元。对于数据公司来说，单笔订单做到百万、千万元已是常态。

要知道，数据供应商不是第一天就在模型训练行业这么吃香的。

很长一段时间里，“数据外包”意味着给图片和文字打标签。Mercor 副总裁 Chirag Mahapatra 对我们回忆：Mechanical Turk 时代的任务包括垃圾邮件分类、给自动驾驶图片标出停车标志，一批勤恳的人就能做。这就是今天还有很多人会第一时间想到的“数据打标”的模式。

后来，人们开始从模型给出的几个回答里挑一个更好的，用这些偏好指导训练，也就是人类反馈强化学习，简称 RLHF。

再往后，Mercor 请来的已是 MIT、哈佛的博士和数学奥赛奖牌得主，他们写解题步骤、定评分标准。Chirag 对我们说：他看到了清晰的需求侧的变化，但没想到供给侧也如此快跟上。“这些人愿意来做这份工作，赚学费或一份额外收入。”

“我觉得一部分是疫情期间的影响，这些人有了时间也有了增加收入的需求。”

模型在预训练中阅读海量文字、代码等材料，学习语言和知识；进入后训练，再用示范、反馈和反复练习调整行为。这些专家提供的材料，主要用在后一个阶段。律师改合同、金融分析师查账时做过的许多取舍，没有完整留在公开网页上，得找做过这些工作的人重新整理。

用这样的材料做训练，也更容易较快看到投入的结果。

一位算法研究员向我们解释：模型规模已经很大，研究新算法、证明它有效，需要更多精力、时间和金钱。而且，从头部 Lab 近期的模型发布就可以看到，类似此前的那种代际跨越越来越难以出现，模型进步开始更多来自其他地方。

更多真实场景的、复杂的且没有出现在过互联网上的高质量数据，结合后训练的方法，进入模型的能力，成了最重要的进步方式之一。

这同样是 Anthropic 们先发现的方向。这些更前沿的模型团队更早看到瓶颈，也更早行动。

它们更早把任务拆进行业：OpenAI 去年做职业能力评测 GDPval，先选美国 GDP 贡献最大的九个行业，再落到44种职业。从它们的动作可以看出明显逻辑，Anthropic、OpenAI 会参照经济价值由高到低，把金融、法律、网络安全和科学等方向逐个推进。

推进的方式就包括被称为 FDE 的形式。Anthropic 会以驻场工程师，也就是 FDE 的方式进入企业，派人梳理流程、部署系统。金融机构不轻易开放业务，团队便挨个找头部机构。有的机构会担心同行先用了，自己落在后面，于是愿意先试。

金融之后还有法律、医疗和科学，模型公司很难靠内部团队覆盖所有专业。Mercor 估计：前沿实验室整体需要的数据，目前只完成了2%到5%。数据供应商承担的很大一部分工作，就是到各行各业找人、找任务，模型公司则保留内部的质量关。

外包味依然很浓，但单价涨了太多。

而中国同样的趋势发生，大约晚了半年到一年。但一旦搞清楚，各家的动作都很快。

有模型训练团队对我们称：在些垂直领域，1万到10万条足够好的数据，就能把模型训练到相当好的水平。

而且，今天各个模型公司也已经基本掌握了把不同领域数据带来的能力提升，“融入”同一个模型的方法。不同领域可以分别做后训练，再把能力汇入最终版本，业内有人把这叫“并版”。比如，DeepSeek 的一条公开路线，就是让多个领域的教师模型把能力教给同一个学生模型，某种程度上和蒸馏的逻辑也很像。

一位参与后训练与评测的研究员，向我们描述过他接触的一个全模态团队。团队把模型拆成二十多个基本能力、八九十个垂直场景，画成一棵“能力树”。研究人员沿着节点补数据、调配比、跑实验，检查哪项能力长出来了，哪项还没有变化。

据知情人士称，DeepSeek 九成的研究员都在做数据相关工作，“其实很少一部分人在研究算法”。这些模型厂商内部也会像工厂工人那样安排节奏，当一个组在等待自己的卡，没事儿干的时候，那么就可以都去参与标数据。

公开信息显示，字节已经把多处采购、质检团队整合为一级部门“AI 数据与安全”；腾讯也让提出数据将是 AI 下半场最重要竞争方向的姚顺雨兼管 AI Data 部，而阿里模型团队此前一系列动荡和调整后，数据相关业务的话语权也完成“分权”，内部都交由最有潜力的研究员掌握。

而这些团队的数据需求，在这个竞争激烈的时点，显然没法全都自己解决。外部数据公司成了最关键的合作伙伴。一位数据商提到，DeepSeek 已设专门的数据采购岗位，而Kimi 很少对外采买，MiniMax 近期才开始搭采购管线流程；字节、腾讯、阿里则在今年加大了外采。

成立较早的智能知识回忆，创业初期他们还得四处向投资人解释这门生意。但后来硅谷的样板被更多看到后，情况就变了。数据已经是今年最重要的投资方向。

甚至有从业者透露，有的数据公司创始人如今连投资人的消息都未必回复。毕竟在今天 AI 行业大环境下，既能参与决定智能演进方向，在这个主线上起关键角色，同时又因为供需的突然变化而可以上来就跑通商业模式“赚大钱”，这样的标的哪里还能找到，他们为什么又一定需要那么多融资。

在一片愁容的 AI 创投圈，这些数据新贵自然有了高傲的底气。

好的数据公司必须是研究型公司

花了如此大价钱，模型公司到底买的是什么。

其实本质上，这些数据都是强化学习数据。它们拆开来看，往往需要有任务、环境和 verifier （验证器）组成。

供应商要交付的，是一件模型可以尝试完成的事、一套供它操作的系统，以及判断它做得怎样的标准。模型在环境中读取信息、调用工具，会留下操作轨迹；验证器评分，训练再利用反馈调整模型。

这些任务也有难易区分。

简单的，比如让模型把几张发票录入报销系统，金额和日期对上，就可以判断做没做好。复杂的，比如老板只留下一句“下周想去上海见个人，帮我安排一下”。模型得翻聊天记录、日历和邮件，先弄清要见谁、什么时候见，再作安排。

为了让模型完成这趟行程，供应商得准备“公司”的邮箱、日历和订票系统。模型要能从通信里找到会面对象，从日历里查出时间冲突；发出一封邮件后，系统也要发生相应变化。这套与真实业务隔离、可以反复试错的运行空间，通常叫沙箱。

发过的邮件、改过的记录，在下一轮练习前要恢复，多批任务同时运行还不能互相串数据。据了解，去年一些团队跑评估时，模型常因底层系统故障完不成任务，高并发甚至会把环境跑挂；今年遇到这类问题的就已经少了很多。

搭进系统里的业务资料，也会有人直接去买。比如那些已经破产清算或业务频繁转型的公司的内部资料——今天找起这样的 AI 创业公司，不要太多。

但数据商的购买标准提出了更高要求：比如Humanlaya 在寻找破产公司的资料时，要求被收购数据的破产清算企业，巅峰时大约有100人。邮件、聊天和业务记录，能留下公司过去怎样运转的线索。供应商还要把工单系统、内部沟通和记录之间的关系，在模拟环境里重新搭起来，让模型能够进去操作。

能否随着模型的操作给出后果，又会拉开供应商之间的差距。市面上不少公司仍交付静态材料，轨迹由人走好，每一步预先标定。而模型换一种操作方式，环境未必能给出接下来的状态和反馈。模型自己尝试不同路线，供应商也得把这些变化也做出来。

接下来，环境还原得再像，也缺了一部分真实业务的反馈。驻场工程师可以继续观察企业怎样使用系统，预算有没有花得更好；而冻结下来的训练环境，没法继续从真实业务里取得这些反馈。历史记录能显示员工当时做了什么，很难完整解释他为什么作出那种取舍。这部分要继续找人补。

这就是评分环节。比如，邮件显示“发送成功”仍不够，模型可能发错人、漏掉附件。发票金额可以核对，行程安排得好不好，还涉及老板和会面对象的体验。这里需要数据公司建立专家网络，让这些专家把要求拆成 rubric，也就是一项项评分条件。据我们了解，有些任务能拆出四五十条，甚至上百条。这些当然也就对应着价格的增长。

能把这些问题拆清楚的专家，并不好找。组织专家和生产材料，也需要一套系统。

比如“智能知识”，它用“一面千识”寻找和组织专家，用 Xpert Studio 配置任务、分发工作，再做审核与质检。而从 MiniMax 出来的 Copula Lab，正在开发中文金融长流程任务，同样需要专家提供参考材料、办公文档交付要求和评分规则，创始人梁丽过去负责 Agent 业务，技术联合创始人蔡佳人做过开源与后训练。

Mercor 会花很大精力寻找这类人。硅谷的创业者都知道 Mercor 有多“卷”，很多时候他们和竞争者拿到的需求都很突然，而他们几乎不只是全员996，当专家网络是一个新的领域，他们有时候会直接住在客户所在处。

以及，为了一些难搞定的专家，他们会用各种方式，在一些传言里，也包括抽屉协议等，但这尚无从确认。在和我们的交流里，Chirag 承认，今天专家网络建设已经变得很难，只给它一个很擅长用 Python 写程序的工程师已经不够，它还得看到这个人怎样在客户管理系统里完成集成、让不同工具配合工作。任务和评分，都要从这些工作里做出来。而这直接关乎订单和单价收入。

据了解，每一笔订单能留下多少钱，从生产成本就会算起。给这类数据报价时，专家做类似工作通常值多少钱、投入多少时间，是重要依据。交付还可能包括整理工作流、写评分、搭环境和查错。买方按约定的任务或项目付钱，供应商再支付专家与生产团队的报酬。

前期成本还可能由多笔订单分摊。Chirag 和我们说：有些数据集由实验室与供应商共同设计，只给一家使用；另一些可以按约定向多家交付，投入的专家时间、软件和审核成本，也就能由不同的订单覆盖。

这门生意已经出现盈利的样板。《福布斯》2025年采访 Surge AI 创始人 Edwin Chen 时披露，公司2024年收入约12亿美元；按 Chen 的说法，公司几乎从第一天就有利润。它组织专家和兼职人员，为模型公司提供题目、回答评价与评分要求。

但要继续卖给同一家客户，供应商得不断换新内容。

据了解，模型厂买10万条数据，回去变换形式，可能扩成30万条。已经交付的材料，很难再卖给它一遍。法律里的一个分支交完了，下一批就要找另一个分支。

但对于这些数据公司来说，他们往往更加追求“科研”的属性。或者至少呈现出是这个样子。任务、环境和评分已经被做进这些公司的公开产品和研究方向上。

比如UniPat 的 ExpertEval，把医疗、金融、法律专家的判断整理成3213个案例，平均每题约22条评分要求；SaaS-Bench 则让模型进入23套企业软件，完成106项工作任务。这已经有些接近大语言模型实验室的后训练团队工作方式了。

Mercor 也在最近官宣成立了自己的研究部门，他们给出的解释是：AI 正在重塑几乎所有工作，而现有的评估和数据方法跟不上这种变化。而他们是一个可以把研究议程覆盖“评估 → 数据 → 后训练”完整闭环的公司。Mercor 已经从 OpenAI 等公司招募了多位核心研究员加入这个部门。

尽管 Mercor 否认它可以成为一家模型公司的设想，但很多投资人在和我们交流里认为：这些数据公司最终都要面对这个抉择，而他们今天的动作比言语更诚实。谁不想成为一个研究公司，甚至是下一代范式的模型的诞生之处。

而中国的很多数据公司，创始人本就与过往模型老东家关系密切，很多模型厂商也第一时间成为投资人和股东。这些千丝万缕联系，也带来变量。

比如，UniPat 的李宽此前在通义做后训练，也是开源搜索智能体 WebSailor 的项目负责人之一。我们此前了解到，UniPat 与阿里的合作以强化学习后训练数据为主。阿里巴巴除了资金，还提供算力，一年的算力费用在数千万元人民币量级。相似的，英伟达向 Mercor 采购数据，也在谈入股。

“谁都明白，那样带来的机会更大，无论是估值，还是团队的退出，都不同。”一位早期就关注并下注了数据公司的投资人称。在他看来，很多今天投资数据公司的机构，期待的退出通道也是希望这些数据公司可以被模型公司收购，最终成为或进入模型团队。

Meta 和 Scale 的故事摆在前面，今天退出的阴影笼罩在此，数据公司成为它所服务的某个模型厂商的一部分，显然提供了又一个有想象力的退出方向。

内卷与洗牌

在我们和数据行业上下游的交流中，明显感受到此刻所有人又快速处在了一个变幻期。此前一段时间，由于这一切都很新鲜，模型厂商的需求很着急也很旺盛，很多数据公司交来的数据质量如何，模型公司一度无法确认。

过往一段时间里，同一个模型公司买来多个数据公司的大量数据，这些数据进入模型，模型能力得到提高。这在所有人急于竞争追赶彼此的时候，形成完美闭环。

“你只要有数据，你就给我，我来看。”一家大厂模型团队的人曾这样告诉我们。一部分采购在补眼前的缺口，另一部分是在为后面的实验备货。

一位研究员告诉我们，遇到热门数据，大厂例如字节还愿意支付数倍价格，换取半年到一年的独家使用安排，避免数据流入市场。还有公开报道称，字节有时还会阶段性“买断”供应商的核心人员。

在这些数据公司与模型厂商的合作里，还有很强的关系因素，下一批数据需要什么，消息会先在采购和供应商的小圈子里流动，医疗、3D、实时交互语音，哪一类需求开始出现，先听到的人便先去找专家。方向有时一个月就变一轮，供应商还要不断送样碰客户的标准。

所以，供应商们也在拼命扩产，一家最近被投资人追着跑的“数据新贵”也设计了新的方式，给员工开低底薪、高提成，每生产一条数据，就多拿一份钱。

一切都不那么 AI，都更像外包公司的做法。

“不知道。”一家数据公司的负责人被问到交付的数据怎么证明有效时这样回答。

再问模型厂怎么判断，他说“也不知道”。另一家公司收到过相反的反馈，同一批数据，一个模型厂说好，另一个说不行。

事实上，连层层审核过的公开数据也会出错。SWE-bench Verified 曾是各家发布模型时最常引用的编程测试之一，题目经专业工程师逐题筛选，每道都有三人独立审核。今年2月，OpenAI 宣布不再用它报告成绩。它抽查了138道 o3 跑64次都做不稳的题，59.4%在测试设计或题目描述上有实质问题，超过三分之一的题测试写得过窄，会把正确的解法判错；被测的各家前沿模型，也都能复现部分题目的标准答案或题面细节，训练时早就见过。

这种高增长下的模糊，正在被质疑。

随着模型进步继续放缓，越来越多模型厂商开始意识到这一套方法，没法验证到底哪些数据起到了关键作用，哪些数据甚至可能是滥竽充数。

一位数据公司技术人士告诉我们，行业已经到了质量比多样性更重要的阶段。在他看来，模型公司内部必须守住质量的最后一关，否则外面一定会有大量钻空子的行为。

比如，为了看起来考住了模型，有数据公司把几道不相干的题硬拼成长题，靠拉长操作链条降低成功率。据了解，这类材料训练出的模型，分数可以涨得很快，实际用起来却别扭，有的会在任务里没完没了地自己尝试。真实用户很少按那些题的顺序工作。

榜单又提供了一条更短的获客路径。有行业人士称，一家公司发布评测称某个模型表现好、引起关注，其他模型公司就会上门买相关材料。一套材料可以按约定卖给多个买家，评测结果让追赶者看到了差距，也带来了订单。一位研究员抱怨，有的团队把刷榜本身当成目标，直接找出题方采购训练题库。

围绕这些榜单，还长出了一批规模更小的数据商。它们专门做同类、更难的新题，卖给想涨分的模型厂，堪比奥赛辅导班。买题、训练、再测，分数上去了，用户手里的工作未必跟着变容易。

就连专家的名字，也可能比专家做过什么更容易卖。我们了解到，不止一家公司的“专业数据”，是在内部合成后，交给专家看一眼背书。“专家可能一行都不会改。”一位从业者说。

离生产更远的公司，卖的则可能是客户关系。有人能拿到订单，却没有生产能力；有人能组织生产，却接触不到模型厂。订单交给合作伙伴，再拆到下一层。到了最底层，干活的人可能不知道最终客户是谁，也不知道材料要补什么能力，价差却在每一层留下来。

面对这种乱象，模型厂商已经开始想新办法。

这首先体现在采购的收紧，字节和腾讯都在收拢采购大权，开始要求核算 ROI。内部开始建立方法，查清一批材料为什么有用或没用。

此外，模型客户开始往生产过程里回溯。专家仍会用模型写代码、生成测试或整理格式，但买方开始要看更细的记录，哪些专家提供过判断，讨论时分歧在哪里，最后怎样达成共识。

还有越来越多模型公司因效果不及预期，开始把供应商的数据一家家拿出来做消融，也就是分别移除或加入一批材料，看效果怎样变化。它花了很长时间追查。

有行业人士透露，有些结果令人担忧，最近开始出现一些难看的局面，模型厂商在发现一些数据公司提供的数据有多混乱后，选择拉黑一些把他们当冤大头、“割韭菜”的数据提供商。

而一位数据公司技术人士说，在这个行业，甲方掰着手指头数得过来，失去一家，都很难补。这些趁焦虑卖数据的公司，显然没有想做长久。

而数据公司也开始在它们的客户那里遇到阻碍。有行业人士称，模型公司派人做企业服务，接触内部业务资料；资料经脱敏后，回到训练环境里。企业付了服务费，自己贡献的那份数据，却没有单独卖一笔钱。这位人士判断，企业很快会意识到其中的问题。在他看来，提供这些数据的专家和公司，某种程度上是在帮模型“杀死”自己。

另外，还有一个悬在头上的风险，是这些数据的隐私。

今年5月停飞的美国廉价航空 Spirit，8月被 Google 以1000万美元拍下内部数据，包括约1亿封邮件和5亿条 Teams 消息，出价第二高的是 Mercor，750万美元。空乘工会随即提出异议，认为去掉姓名并不能保护员工在工作中留下的保密内容，原定8月19日的批准听证被推迟。

3月底，黑客借开源工具 LiteLLM 的恶意版本攻破了 Mercor 的系统，据诉状和黑客团伙的说法，流出约4TB数据，其中约3TB是视频面试录像和身份验证材料，涉及超过4万名合同工和客户。到4月中旬，Mercor 已面对至少6起集体诉讼，Meta 无限期暂停了和它的合作。

在不断走高的融资，混乱的标准，套利空间很大的定价之下，更多灰色地带开始被发明。一位业内人士向我们转述，有数据商付钱请大厂员工，在公司外重做一份和内部一样的数据，再拿去对外交付。

还有行业人士透露，在竞争开始白热化后，一些数据公司需要给投资人更好看的财务报表，于是有传出成立半年收入3000万美元的公司，据称其中一部分是用自己的预测模型在 Polymarket 上下注赚来的，这些也算进了总收入。

还有在股权上直接做新的“设计”，供应商向能影响采购的人许诺少量股份或收益，等拿到订单、完成融资、估值上涨，再通过股权转让兑现。采购撑起收入，收入撑起估值，估值上涨，又让影响这笔采购的人获益。

这些做法不会就此停下，只会越来越多地摆到更多人面前。“最终还是要回归到商业价值。”一名数据公司创始人说。他认为最终最重要的还是信任。

“否则今天这样的繁荣可能最终要变成一片假象。”