作者丨元元
图源丨midjourney
AI 数据或许是本轮 AI 浪潮中最被低估的赛道。
Menlo Ventures 合伙人 Deedy 近期发布的 AI 训练数据公司全景图显示，图中收录的 28 家创业公司合计年收入约 85 亿美元，总估值近 1000 亿美元。从收入规模看，训练数据已成为继算力和大模型之后，AI 产业第三大细分领域。
该赛道正经历爆发式增长。Mercor 在九个月内收入增长三倍，规模翻四番；原为招聘平台的 Handshake 切入 AI 数据业务后，一年内收入激增百倍。目前，Scale AI、Surge AI、Mercor 和 Handshake 四家头部企业占据了全行业超四分之三的收入份额。
短短一年，AI 训练数据不仅孕育出近百亿美元市场，更诞生了多家十亿美元级营收公司。为何该赛道今年突然爆发？其背后的商业逻辑与趋势值得深究。
数据公司集体“印钞”的底层逻辑
数据公司营收激增的核心原因，在于数据在模型训练中的角色发生了根本性转变：从一次性投入的原材料，演变为持续消耗的燃料。
在大模型发展早期，数据采购多为项目制，交付周期长，导致数据公司收入呈现脉冲式特征。然而，随着模型迭代节奏显著加快，这一模式被彻底打破。从 GPT-4 到 GPT-4o 间隔 13 个月，而至 2026 年，GPT-5 系列模型的迭代间隔已缩短至一个月；Anthropic 推出旗舰模型的间隔甚至仅为 11 天。
迭代加速迫使实验室频繁发现能力缺口，对“新增、针对性、高价值数据”的需求从年度项目转变为日常动作。供给端随之升级，如 Scale AI 已将交付模式从按月打包升级为 API 按需交付，最快一小时即可提供生产级标签数据。
除频次提升外，单位需求的数据体量也在膨胀。以代码智能体为例，训练范围从单一语言的十几个项目扩展至四种语言的四十多个项目；单条样本的信息密度从几百个 token 激增至数万个 token，涵盖需求理解、多文件定位及测试验证等完整流程。频次、场景复杂度与单条数据权重的三重叠加，将训练数据总需求量推高了一个数量级。
与此同时，数据价格水涨船高。标注人员从众包工人升级为博士、律师等专家，时薪从几美元提升至近百美元。更重要的是，数据公司与模型研发的结合日益紧密，从单纯的人力外包转向承担部分研发、评测及工程服务工作。这种深度参与带来了显著的服务溢价，使得 Mercor、Scale AI 等企业的毛利率远超传统人力外包公司，最高可达 50% 以上。
当数据直接决定模型能力上限，其定价权与行业天花板便被彻底打开。
AI 数据的两大核心趋势
除了市场规模扩张，AI 数据行业在供给侧也呈现出两大显著趋势。
趋势一：真实工作流数据取代人工标注
业内将训练数据分为两类：由专家完成的人工设计任务（Type 2）和从真实业务中捕获的数据（Type 1）。过去主流供给为 Type 2，但随着模型能力提升，Type 1 数据的边际收益快速上升。模型已学会“做题”，现在亟需学习真实世界的工作流程。
GitHub 作为全球最大的 Type 1 数据宝库，其完整的代码提交记录验证了这一路径的价值。为此，供给端开始主动制造 Type 1 数据源。Handshake 通过组织自由职业者上传原生文档及直接采购企业运营数据，激进地布局这一领域；Protege、Sunset 等新玩家则专注于将企业内部工作流数据加工为可训练格式。
以医疗数据为例，Protege 通过提前聚合数据源、利用 AI 精筛高价值阳性样本、以及合规打包授权等三步策略，将原本需数月甚至一年的采购周期压缩至 30 天，成为连接数据持有方与模型厂商的关键基础设施。
趋势二：RL 环境取代静态数据集
强化学习（RL）环境正成为实验室采购重点。如果说静态数据集是课本，RL 环境则是供 AI 自主探索、试错的训练场。这一变化标志着 AI 从“对话时代”迈入“智能体时代”，完成任务的能力需在动态环境中习得。
目前市场存在两种玩法：一是模型厂商自建，如 OpenAI 搭建数百个网站环境训练 Agent，Anthropic 计划年投入超 10 亿美元；二是外包给专业数据公司。Mercor 收购软件仿真公司 Deeptune，复刻 Excel、Salesforce 等办公沙盒环境，计划在短期内将 RL 环境业务收入提升至千万美元级别。
头部玩家的战略分化
面对底层逻辑的变迁，四家头部公司基于自身资源禀赋，选择了不同的演进路径，但目标一致：从“数据供应商”向价值链深处迁移。
Scale AI：向下游延伸，打造政企 AI 总包商
依托深厚的数据集优势，Scale AI 不再局限于数据生意，转而为客户开发内部 AI 应用。其企业级应用业务年化收入已达 2 亿美元，预计将成为公司最大收入来源。
Surge AI：向上游走，专注高端精品
Surge AI 坚持不做众包，仅服务于 OpenAI、Google 等五家顶级实验室，专注于高难度的 RLHF 和安全评估。这家仅百人的公司以极高的客单价实现了 12 亿美元的营收。
Mercor：横向扩张，构建全球专家网络
作为最年轻的独角兽，Mercor 建立了覆盖全球的博士、律师及科学家专家网络，并收购 Deeptune 布局 RL 环境，形成“专家数据 + 仿真环境”的双轮驱动。
Handshake：深耕管道，垄断供需两端
凭借 12 年积累的求职者与企业资源，Handshake 充当纯粹的数据管道，一边组织职场人上传原生数据，一边采购企业运营数据。在 Type 1 数据稀缺的当下，掌握供给两端的管道位置极具战略价值。
综上所述，单纯的数据标注正沦为价值链中利润最薄的一环，行业整体正向更高附加值环节迁移。正如上一代互联网巨头的边界由数据决定，本轮 AI 竞赛中，数据已不再是副产品，而是一门独立且奔向千亿美元的宏大生意。
