无法蒸馏的美国市场，谁在分食 Frontier Labs 百亿美金数据预算？

我们对广义 Human Data 与 Training Signal 赛道（简称“数据”）的 TAM 和增长抱有坚定信念，但当前行业 Beta 的确定性高于单家公司的 Alpha。这是一门总量确定增长、但单点位置极不稳定的生意。具体判断如下：

1. 数据是 ASI 输入的长期核心元素。只要 Transformer 架构继续演进，SFT、RLHF、专家数据及真实世界数据的需求将持续扩大。但需区分 Training Signal 的总需求与外部供应商的可获取市场。模型自产数据、Self-play 及 Labs 自建环境可能在扩大总量的同时压低 Vendor Take Rate。
2. 数据是持续涌现新机会的创业赛道。机制在于模型的存量 Failure Modes 和 N+1 进步。每当模型能力边界前移，就会催生新品类，最新的机会点在于真实世界数据。
3. 最新机会在于真实世界数据与质检基础设施。非人造的真实过程数据因结果自带答案、分布天然真实而备受重视。同时，针对 Verifier、Grader 及人类专家标注质量的质检基础设施价值也在提升。
4. 行业将迎来大规模 M&A 整合。随着头部平台扩张，当前分散的数据和 RLaaS 公司将面临整合。小玩家因客户集中度和订单可持续性问题，出售意愿强烈。
5. 终局商业模式绝非单纯卖数据。受限于人力产能瓶颈、资产贬值快及客户单一，有野心的创始人需尽早拓展企业客户、向 Neolab 转型或将内部 Infra 产品化。

数据是少数增速能媲美 Foundation Model 的成长期方向。头部玩家表现如下（数据源自公开报道）：

• Mercor：从 AI 招聘转型 Human Data，Run Rate 从 5 亿美元跃升至 20 亿美元。
• Handshake：转型后 Run Rate 在三个月内从 5.5 亿美元翻倍至 10 亿美元。
• Fleet：RL 环境公司，Run Rate 半年内从百万级突破 6000 万美元并再次翻倍。

尽管增速惊人，但由于 TAM 潜力、客户集中度及收入可预测性等担忧，资本市场对数据公司的估值低于 Frontier Labs 及推理服务商。如何证明终局模式不仅是卖数据，是头部公司面临的核心考题。

Labs 侧

需求量级与口径：

• 窄口径上，多家美国头部 Lab 年外部数据支出达 10 亿美元量级；宽口径（含内部采购、薪酬、算力）单个 Frontier Lab 年投入可达数百亿美元。
• 市场态势为“缺高质量供给不缺预算”。Pilot 订单通常在数十万至百万美元，成熟项目可达数千万美元。

买家分层：

• Sophistication 排序：Anthropic ≥ OpenAI > GDM > 其他。前者需要强定制和独家服务，后者更倾向 OTS 供给。
• Anthropic 话语权最高，对研究型服务和独家性要求严苛。
• 若无独家限制，头部 Lab 采购的 OTS 供给数月后可进入追赶型 Lab 清单。
• 资源有限的 Lab 及 Neolab 更倾向于购买 Environment、Recipe、Rollout 和 Compute 的整套交付。

采购形态演进：

• 大形态每 1-2 年演进（如 RLHF→专家 SFT→RL 环境），小主题数月轮换（如 Computer Use→Coding→Auto Research）。
• 垂类主题快速切换，如网络安全数据转向生物数据。
• 数据加工中间环节 Infra 化和知识公开化，缺乏研究闭环的低质量加工环节价值迅速贬值。

判断公司长期价值需关注：信号能否持续更新、Rights 是否允许跨客户复用、质量判断是否可积累，以及能否从一次性 Dataset 迁移为 Evergreen Pipeline。

企业侧

采购现状及挑战：

• 主流企业单笔采购不足 100 万美元，ROI 难算，预算不稳定。
• 订单难以 Scale，根因在于高度定制化，无法产品化复制。
• 企业内部存在 Build vs Buy 的结构性摩擦，Applied ML 负责人对小型 RLaaS 公司信任度尚待建立。

买家分层：

• AI 应用公司：如 Decagon、Ramp 等，为降本增效有大量 Eval 和数据需求，倾向于自训小模型。
• 高单位人力成本的受监管行业：金融、法律、医疗。仅此类高单价场景能覆盖 FDE 驻场成本。
• 运营型公司：如 DoorDash，目标明确但倾向于小额 Pilot 或自建。

动机与推演：

企业旨在拥有"Specific Intelligence"以对冲被蒸馏风险，并降低成本。随着 Post-training 工具成本下降及开源模型进步，预计 12–24 个月内，中端市场将从“高度定制”转变为可服务的标准化赛道。

真实世界数据指真实经济活动中自然产生的完整过程数据（如代码库、Browser-use 轨迹、ERP 操作记录等），而非专为训练生产的数据。

其兴起源于两点：一是互联网只沉淀 State（最终产物）而缺失 Process（过程），二是 Long-horizon Agentic 时代人造数据（Type 2）的系统性失效。

数据类型对比：

• Type 2（演出来的数据）：雇专家在人为场景生产任务。适用于短任务或易验证领域（如 Coding、Math）。
• Type 1（记录下来的数据）：直接观测真实工作过程。适用于长任务。

Type 2 在长任务中失效的三大原因：

1. Reward 造不出来：长任务 Reward 稀疏，人为设计易被 Reward Hacking。真实工作结果自带答案。
2. 任务分布造不像：专家无法模拟真实工作中的信息残缺、工具卡顿及返工过程。
3. 边界任务造不出来：当模型超越普通从业者，人类难以持续生产位于能力边缘之外的高质量任务。

未来可行形态可能是 Type 1.5：从真实工作获取任务和失败模式，再由专家进行意图补全和 Reward Shaping。

目前 Real-world Data 的四种获取路径：

• 收购破产公司：买断其 Slack/Email/Workflow 数据资产。
• 向应用公司采购：购买 Agent 对话 Trace 和 Failure Mode。
• 购买企业冗余数据：企业自行采集但未消化的 Post-training 数据。
• 共建：Frontier Lab 与应用公司通过 Revenue Sharing 换取真实任务接入。

Human Data 巨头

第一梯队包括 Surge、Mercor、Scale、Handshake，均突破 10 亿美元 Run Rate。它们占据了 Labs 外部数据预算的 60% 以上，具备管理大规模人力的运营优势。

主要担忧在于客户集中、收入缺乏 recurring 属性及毛利扩展空间有限。目前都在探索真实世界数据和企业客户以多元化业务。

投资判断：格局清晰，但头部估值已 Price-in 完美执行。成长期投资 downside 有保护（收购兴趣），但 upside 空间受限。

RL 环境

RL 环境是装着“仿真场景 + Grader"的软件包，本质是给模型练手的“驾校模拟器”。难点在于 Context Writing 和 Memory Attribution。

格局上 Fleet 一骑绝尘，Mechanize、Matrices、Patronus、Irregular 等为优质玩家。该赛道离研究前沿最近，毛利高，但面临激烈竞争、买家集中、环境半衰期短（约 6 个月）及 Labs 自建趋势的挑战。

投资判断：单纯手搓环境的公司投资价值低。领先玩家正转型为 QC/QA 数据 Infra、垂类 Model 或 Agent Infra。网络安全等持续流式需求的 Env 供应商值得关注。

RLaaS

Applied Compute 为品类旗手，Veris、The LLM Data Company 等为第二梯队。该赛道亮点在于不依赖 Frontier Labs，且企业的 Production Agent Loop 可能形成 Recurring 收入。

Concern 在于咨询属性重、难以产品化、客户易转向自建及“卖客户数据”的信任风险。

投资判断：Thinking Machines Lab 有望成为 Leader。Fireworks、Baseten 等推理平台可能通过收购整合中高端市场。Trajectory 和 Prime Intellect 在 Infra 和人才上值得关注。

真实世界数据

供应链分工清晰：清算收购方、垂类加工管道、Asset-light Broker。

相比 RL Envs，该方向更具吸引力：具备 Scalability（一次制作多次销售）、毛利结构优良、先发优势可转化为护城河。

投资判断：需求刚兴起，行业标准尚在探索，建议观望代表性玩家。Mercor、Micro1 等已在大力投入。

数据是 Flow Business 而非 Stock Business。能长期积累的资产包括：研究员信任、持续供给源、经过验证的质量体系及快速规模化的组织能力。

强 CEO 的五个共同特征：

1. 能直接与 Researcher 讨论质量，不把需求完全交给销售。
2. 愿意主动淘汰现有收入，敢于停止扩张即将贬值的业务。
3. 清楚什么该自建（Research Taste、数据权利），什么该收购。
4. 让 Research 和 Operations 共同对结果负责。
5. 能维持中立性与保密，确保多客户服务能力。

穿越周期的团队需具备极快的反应速度和迁移能力。筛选团队需考察通用要求（Data/Research Taste）及本行要求（如 Human Data 需懂 Marketplace 运营，真实世界数据需懂 Sourcing 与 QC）。

终局格局预判：

• Human Data 平台将收敛至 3-4 家巨头。
• 真实世界数据按行业分散，大行业将诞生独角兽。
• 若 Simulation 成功，RL Envs 公司将迅速收敛。
• RLaaS 因 FDE 服务特点，将长期分散。

单纯卖数据难以 IPO，成功上市的公司必须具备企业客户及数据之外的产品。M&A 是主要退出方式，潜在买家包括：

• Frontier Labs：如 Meta 投资 Scale AI。
• NVIDIA、Neocloud 及 Inference 平台：补齐评估和数据需求。
• 掌握 Production Data 的企业软件巨头：如 Datadog、Snowflake、Salesforce 等，通过收购补齐 AI 产品线。