大模型训练进入深水区，数据生产从“蒸人类历史文本”转向“蒸馏人类专业工作过程”。这一转变重塑了AI产业链的价值分配与工作流程。
文丨高洪浩 陈佳惠
编辑丨高洪浩 黄俊杰
在成都中和、天津侯台等城郊结合部，一群月薪不足万元的标注员正从事着大模型训练中最核心的工作：数据生产。他们核对事实、打分比较、撰写示范，任务涵盖财务分析、程序修改乃至生物制药和芯片设计。
随着互联网公开文本红利耗尽，Anthropic等巨头率先转向收集人类实际工作过程数据。2026年初，中国科技巨头纷纷跟进：腾讯混元、阿里及字节跳动均升级了数据团队架构，将其提升至战略高度。
这一需求催生了百亿美元级的数据市场。Surge AI、Mercor等海外公司估值飙升，中国也涌现出UniPat、Humanlaya等数十家数据供应商。教授、律师、投行精英等专业人士开始兼职提供高质量数据，被戏称为“碳基数据工人”。
注入模型的一条数据如何诞生
用户操作轨迹成为高价值数据源。一家API创业公司曾以免费额度换取用户数据，进而转售给模型厂商。目前，编程与工作流数据需求最为迫切。编程数据用于提升排行榜成绩及解决复杂开发任务，头部模型厂日均投入可达千万美元；工作流数据则需还原办公全过程，金融和法律因数字化程度高、经济价值大，成为理想训练场景。
“我们参照真实数据，用大模型模拟了一份示例，包括任务、环境、操作过程和评分标准，不是任何公司的真实交付。示例中的题目共修改了 3 版。”
左右滑动查看
以杠杆收购测算为例，高质量数据不仅包含最终表格，更需还原完整决策链：从邮件沟通、资料查阅、数据估算到逻辑推演。专家需编写详细评分清单，并经多人复核以确保标准一致。这种“无唯一答案”且贴近真实工作流的数据，因其复杂性而极具价值，远胜于有标准答案的基础学科数据。
专家经验一条从几百到几万，再由模型批量扩写
人工数据价格差异巨大，从数百元至数万元不等。复杂的尽调案例或稀缺的核物理、芯片设计数据尤为昂贵，月之暗面曾耗资数百万美元采购EDA数据。随着行业成熟，字节、Mercor等公司通过平台招募各领域专家，甚至邀请高盛、麦肯锡前员工参与数据制作。
中国数据平台Humanlaya聚集超10万专家，估值近10亿美元。兼职专家月收入可观，但平台需配备全职算法人员审核并优化出题方法，将少数优质方案扩写为大规模数据集。此外，合成数据也成为重要补充，如UniPa半数为研究员，通过自研模型预判需求。
数据时效性极短，模型迭代迅速导致旧数据贬值。除公开交易外，灰色市场依然存在：通过转卖API调用数据或内部人员倒卖数据获利，单笔合同金额巨大。
大厂高价买断数据，但买家仍得知道自己要什么
模型公司难以完全依赖内部生产数据。内部用户基数小、隐私限制多，导致高质量样本稀缺。因此，大厂倾向于支付3-4倍溢价买断或独占数据，以防竞争对手获取。然而，数据价值半衰期极短，半年后可能仅剩一成有用。
采购方需具备极高的数据敏感度。蚂蚁金服等客户会将需求拆解为上百个子类，严格规定案例细节；字节等公司则严抓合规与质量，逐条检查文件格式与Prompt一致性。最终验收往往以模型评测涨分为准。月之暗面曾因担心供应商过度通用化而拒绝深度独家合作，坚持对细分长尾数据的掌控力。
训练模型的人也准备工作交给它
在DeepSeek、腾讯混元等头部机构，数据工作占据研发核心地位。然而，数据标注员与算法研究员收入差距悬殊，前者月薪不足万元，后者年薪可达千万。尽管履历光鲜的研究员也将大量时间投入数据清洗与规则编写，但这与其入行初衷相悖。
随着强化学习的应用，研究员需不断修补模型“钻空子”的行为，竞争压力迫使版本迭代周期缩短至一两个月。为提升效率，研究员开始指挥模型自动收集、修改数据并检查结果。OpenAI和Anthropic已披露，编程Agent和Claude等模型深度介入日常研发，大幅缩短了故障排查时间。
这场“自我蒸馏”正在加速：研究员将专家知识转化为数据训练模型，随后模型又接手研究员的部分工作。AI研发本身，正成为被AI重构的第一个行业。
题图来源：《闪灵》
- FIN -
