2位00后，卖“专家数据”，18个月把生意做到数亿美金- 大数跨境

首页

2位00后，卖“专家数据”，18个月把生意做到数亿美金

创业邦

2026-09-07

导读：竞争开始从“模型知道什么”，转向“模型到底会不会做”。

作者丨林夕

编辑丨小龙

图源丨AfterQuery

一家由两位"00 后”创立、成立不满两年的公司，估值正逼近 32 亿美元。

2026 年 9 月，《福布斯》援引知情人士消息，AI 训练数据公司 AfterQuery 最新估值已达 32 亿美元（约合人民币 215 亿元）。而在 5 个月前，其完成 A 轮融资时的估值仅为 3 亿美元。短短五个月，估值翻了十倍。

更令人瞩目是，从成立到迈入独角兽行列，AfterQuery 仅用时约 18 个月。YC 合伙人 Gustaf Alströmer 表示，按此速度，AfterQuery 已成为 Y Combinator 历史上成长最快的独角兽公司。

YC 合伙人 Gustaf Alströmer

AfterQuery 不造芯片，不训练基础模型，也不面向普通消费者。它售卖的是一种看似朴素实则稀缺的资源：让 AI 学习真正的专业人士如何完成复杂任务。

当模型能力日益增强，竞争焦点正从“模型知道什么”转向“模型能否执行”。AfterQuery 押注的正是后者。

两位"00 后”创始人：48 小时赶出 YC 申请

AfterQuery 的创始团队由两位 20 岁出头的年轻人组成：23 岁的 Spencer Mateega（宾大沃顿金融与统计本科、计算机硕士在读）和 22 岁的 Carlos Georgescu（UBC 计算机专业退学创业）。

Carlos Georgescu（左）与 Spencer Mateega（右）

两人高中相识，曾共同参与 Google 夏令营及早期工程项目，大学期间均在 Meta 实习。此后履历分叉：Mateega 投身高盛、摩根士丹利等金融机构；Georgescu 则加入 Citadel Securities 从事软件工程。

2025 年初，面对临近截止的 YC 冬季批次申请，两人尚未确定具体项目。他们仅用 48 小时提交申请，凭借模糊构想成功入选。随后，Mateega 兼顾学业与创业，Georgescu 则选择退学全职投入。2025 年 2 月，AfterQuery 正式成立，总部位于旧金山，团队规模约 30 人。

从金融 AI 到过程数据：捕捉专家思维

初创时，团队旨在打造金融 AI Agent，但测试发现即便调用顶尖大模型，在处理真实金融任务时仍频繁出错。问题核心在于：模型虽拥有海量互联网知识，却缺乏专业人士解决复杂问题的完整逻辑。

优秀分析师的价值不仅在于给出答案，更在于知晓查证顺序、信息甄别、判断修正及异常处理等全过程。这些隐性知识极少存在于传统问答数据中，而是隐藏在执行过程中。

AfterQuery 随即转型，放弃单纯的应用开发，转而采集专业人士完成真实复杂任务的过程数据。与传统标注公司仅判定对错不同，AfterQuery 记录医生、律师、工程师等专家推导答案的完整路径，将人类的“模式、决策和推理”编码进模型。

目前，平台已汇聚近 10 万名验证专家，覆盖工程、医疗、法律、金融等领域。专家时薪显著高于传统众包，工程和金融任务达 75-150 美元，稀缺技术岗位甚至高达 150-250 美元。在 AI 数据领域，易获取的部分正迅速贬值，唯有专业人士生产的数据愈发稀缺。

商业爆发：3 个月 ARR 跃迁至数亿美元

2026 年 4 月 A 轮融资时，AfterQuery 披露年化经常性收入（ARR）已超 1 亿美元。仅 3 个月后，创始人透露 ARR 已增长至“数亿美元”并实现盈利。若数据属实，公司完成了从 1 亿到数亿美元级别的极速跃迁。

深入核心训练环节：从数据供应商到基础设施

AfterQuery 正深入 AI 模型核心训练环节。2026 年 6 月，英伟达发布 Nemotron 3 Ultra 技术报告，AfterQuery 是唯一被具名提及的外部数据公司。报告显示，使用其任务数据训练后，模型在 GDPval 评测中的得分从 35.3 提升至 46.7。

GDPval 侧重模拟真实职业场景，要求模型处理复杂工作流而非简单答题。对于软件 Agent，高价值数据是一条包含探索环境、制定方案、调试纠错的完整工作轨迹。

此外，AfterQuery 正在构建强化学习环境，基于真实 API 和开发者工具搭建训练场，让模型学习调用工具与异常恢复，实现从“知道答案”到“完成任务”的跨越。

公司业务边界已从卖数据延伸至训练环境、评测基准、后训练及 Agent 部署，逐步转型为 AI 后训练基础设施公司。例如，在与法律 AI 公司 Legora 的合作中，双方构建了覆盖 28 个领域的 5161 个案例评测集，重点考察模型在真实工具链中端到端完成法律工作的能力。

除英伟达和 Legora 外，韩国 Motif Technologies、前 OpenAI CTO Mira Murati 创办的 Thinking Machines Lab 等均为其客户或合作伙伴。

资本角逐：争夺“人类专业能力”

AfterQuery 身处一批向"AI 专业能力基础设施”靠拢的玩家之中，各具特色：

Scale AI：行业巨头，从自动驾驶标注扩展至生成式 AI 全链路基础设施。2025 年获 Meta 143 亿美元投资，估值曾达 290 亿美元，但其独立性因 Meta 入股受到部分客户质疑。

Surge AI：坚持高质量路线，依靠人类反馈业务实现十亿美元级收入，2025 年寻求融资时目标估值至少 150 亿美元。

Mercor：从 AI 招聘切入，将专家网络扩展至多领域，2025 年 C 轮后估值达 100 亿美元，核心卖点为背后的专家资源。

Handshake：依托十多年积累的高校人才网络，转型为 AI 专家网络，上线 16 个月后年化毛收入突破 10 亿美元。

纵观全局，Scale AI 胜在规模，Surge AI 强在质量，Mercor 依托专家网络，Handshake 拥有人才资源，而 AfterQuery 则深耕“专家完成复杂任务的过程”。

据 Menlo Ventures 数据，AI 训练数据领域 28 家创业公司总估值近 1000 亿美元，其中头部四家贡献了超四分之三的收入。行业竞争已从“谁有更多互联网数据”转向“谁能获得更高质量的专业数据”。顶级程序员调试代码、律师研判材料、医生在信息不全下决策——这些隐藏在真实工作流中的经验，才是 AI 最渴求的资产。

总结与挑战：护城河有多深？

AfterQuery 的高估值并不意味着长期价值已完全验证，其面临典型的 AI 基础设施挑战：今天的稀缺数据，未来是否依然稀缺？

三大变量考验

模型自身能力：若基础模型能通过合成数据、自我博弈生成高质量样本，人类专家数据的边际价值可能下降。

客户自建能力：AfterQuery 的客户多为顶尖 AI 公司，一旦某类数据至关重要，客户可能自建专家网络与采集体系，从而重新定义供应商价值。

数据复用效率：不同于算力，专业数据是一次性消耗品还是可重复资产，取决于任务复杂度与数据新鲜度。

因此，AfterQuery 的核心壁垒不在于拥有多少专家，而在于能否持续挖掘新的、高难度的、模型真正缺失的任务场景。这将是其与传统数据标注公司的真正分水岭。

【声明】内容源于网络

创业邦

创业邦是领先的国际创新生态服务平台，为高成长企业、金融机构、产业园区、地方政府提供全方位的媒体资讯、数字会展、数据研究、创新咨询、教育培训、资本对接等服务。公司及旗下基金获得IDG资本、DCM、红杉中国、北极光创投、顺为资本、腾讯投资、盛景投资、宜信、GGV等10余家世界顶级投资机构支持，并形成长期紧密的战略合作关系。

内容 17263

粉丝 1

创业邦山东创业邦创业服务有限公司创业邦是领先的国际创新生态服务平台，为高成长企业、金融机构、产业园区、地方政府提供全方位的媒体资讯、数字会展、数据研究、创新咨询、教育培训、资本对接等服务。公司及旗下基金获得IDG资本、DCM、红杉中国、北极光创投、顺为资本、腾讯投资、盛景投资、宜信、GGV等10余家世界顶级投资机构支持，并形成长期紧密的战略合作关系。

总阅读328.2k

粉丝1

内容17.3k