调查人员:数据中间商、批发商、研究人员、前沿大模型实验室采购负责人、RL 团队与数据实验室主管等等。
感兴趣的朋友可以看这份文档:https://docsend.com/view/g9exx62erkxq2z2g
摘要
当下的数据市场尚不成熟:没有标准计量单位,没有统一定价,数据只有在成交卖出那一刻才被赋予价值。价值的核心不在于售卖原始数据,而是沿着价值链向上游走 —— 对数据做加工转化,贴近客户真实价值。当前这套市场格局不会长久,但数据市场本身会持续存在;永远会有更多主体训练更多模型。长期来看市场会走向分化:一端是海量代币的 “合成数据沃尔玛”,另一端是稀缺的全新样本市场。全新样本永远不会枯竭:一方面,AI 渗透扩散的周期极其漫长;另一方面,AI 落地部署本身会持续催生新的边界异常案例。企业将变成任务工厂。当数据形成标准化定价之后,它会被纳入资本结构,数据资源分配将成为 CEO 的核心决策事项。
https://docsend.com/view/g9exx62erkxq2z2g
当前市场现状
数据市场热度不断走高,甚至已经出现泡沫,但它对整个智能产业的系统性重要性也与日俱增。互联网公开数据基本已经被现有模型吸收殆尽;模型后续的能力提升,将依赖全新技术路线以及稀缺的私有数据。
这些私有数据躺在企业资产负债表上、储存在人的脑子里,完全没有被确权计价。除了打包出售之外没有估值渠道,而目前这类交易大多是收购经营不善或已经倒闭企业的整套语料库。
如果用金融市场的视角审视,其中的错配问题一目了然:缺少标准化定价规则、没有统一价值计量单位、买卖价差巨大、交易成本极高。我们甚至没有一套公认的标准去定义数据质量、衡量数据量级,自然也就不存在标准化定价方式(价值 / 体量)。这些特征,都说明这是一个极度不成熟、发展很不完善的市场。
如果数据市场会长期存续(有大量理由支撑这个判断),那么训练数据输入品走向商品化、金融化几乎是必然趋势 —— 标的可能是原始数据,但更大概率是加工后更完备的衍生数据资产。
价值链条
说起数据,起点是原始数据层。对企业而言,就是完整语料库;人工数据这边,则是专家网络产出的视频时长、标注问卷、RLHF 人类反馈样本等。之后通过加工转化,生成高阶衍生资产,这一步在后训练环节尤为关键。
原始数据可以被转化为轨迹样本,轨迹样本封装成任务集,任务集进一步搭建为完整的强化学习仿真环境,以此类推。每一步,都是把未经筛选的原始素材,加工成独特性更强、价值更高的资产。
价值链最底端的生意最难做:只转手 CSV 原始文件,除了源头采集之外几乎没有附加价值。前沿实验室的采购习惯进一步放大了这个困境。头部实验室同一时间只会向少数供应商采购:
-
按照他们的投入规模(部分实验室每月投入可达九位数资金),维护海量供应商关系并不经济; -
和大量供应商直接交易会带来数据溯源相关的合规风险; -
直接对接众多卖方,很容易暴露自身研发重点与产品路线图。和金融机构通过暗池、主经纪商互换交易来隐藏头寸类似,通过少量中间商采购,可以掩盖真实采购意图。
如果一套原始语料,加工成任务集之后价值可以提升 2–5 倍,显而易见的最优路线不是倒卖原始数据,而是拿到原始素材、加工成任务集再出售。同理,任务集可以升级为仿真环境、仿真环境支撑后训练、后训练再对接落地部署。头部数据服务商已经在朝这个方向演化:它们正在转型成面向大型企业的强化学习实验室与落地服务商(数据供应商正在变成 “数据实验室”)。
在这套数据经济里,能长期创造价值的企业,会持续向下游延伸,转型成全栈落地服务商。一个清晰的长期趋势:企业不再只是卖数据,而是帮客户落地 AI、用起来 AI。这类新服务商的形态正在收敛:打通数据管线、部署集成,最终延伸至推理服务。这一步至关重要:摆脱对数量有限的前沿实验室客户的依赖,打造具备长期终局价值的业务。参考文章:https://99d.substack.com/p/ai-accenture-not-accenture-for-ai
与此同时,也会有玩家深耕价值链上特定环节,聚焦复杂度极高的垂直行业、分布外(OOD)能力与数据。但即便是这类垂直玩家,客户也几乎一定会要求他们承接更多后处理环节,哪怕限定在狭窄赛道内。
乐观情景(看多逻辑)
整条供应链上,看好数据市场长期价值的底层逻辑如下:永远会有更多主体训练更多模型,去解决更多场景问题。会涌现出新实验室,大量原生 AI 公司诞生;众多大型企业会搭建智能体、评测框架,需要轨迹样本与评测数据集,其中一部分还会做模型后训练。
大型企业、垂直 AI 新公司会自建数据体系,原因包括:不愿单点依赖外部供应商、不想被 “单点故障” 卡脖子;内部信息属于核心私有资产,不信任大模型实验室的零数据留存承诺;同时也希望控制成本。
各大实验室也会持续采购数据,用来拓展可服务场景、开辟原有智能业务之外的新市场;新领域必然需要配套新数据。
合成数据本身存在局限,或者说,合成数据依然需要真实世界数据做补充,用来挖掘分布外、全新信号。这就保证外部采购需求会持续存在,不会完全变成实验室内部自产自销。
无论最终产品形态如何,数据都会形成一个长期、体量庞大、持续存在的市场。作为智能产业的核心生产要素,它会具备宏观层面的经济重要性。
当然看空逻辑也很直白:预算热潮不可持续。数据属于非竞争性资产;随着越来越多卖家入场,价格会被持续压薄。实验室被迫收紧开支、追求盈利,需求收缩,而供给持续扩张。有可能未来全部数据都由实验室内部仿真合成;也有可能最后只需要搭建调用框架,后训练本身就是浪费;甚至只有前沿实验室本身具备价值。以上猜想,都有可能成立!
但说到底,看空观点否定的只是当下这个市场,而不是数据市场长期存续的可能性。任何身在局中的人都能看明白:当前这套市场规则很粗糙、不成体系,注定无法长久。
未来价格下行压力一定会到来,但自主可控的智能能力吸引力太强,足以支撑稳定、持续的采购需求,托住一个规模庞大、意义重要的数据市场。绝大多数业务场景并不需要前沿顶级智能,企业日常工作的模型投入遵循 ROI 投入产出逻辑:后训练模型,或是智能调用框架 + 评测体系,往往性价比更高。想要把这类模型的能力压榨到最优,就会产生源源不断的数据需求。
足够大型的软件组织,未来都会变得像研究院一样:训练智能体、采购数据和强化学习环境,用来构建差异化能力、控制成本。卖方和买方都会大量增加;交易量上涨的同时,价格中枢下行。
在看多的叙事里,数据市场规模会持续扩张,占据智能产业总盘子的一定比例,而智能产业本身在整体经济中的占比也会不断抬升。目前绝大多数工作场景,模型的渗透率还很低。换句话说:我们还处在极早期。
长期来看,成熟之后的数据市场和今天会判若两样:买方变多(实验室、原生 AI 公司、传统大企业)、标准化完善、买卖价差收窄。普通语料库单价会大幅下跌,但交易总量与市场总规模依然上行 —— 至少大众标准化数据赛道是这样,稀缺特殊样本除外。
走向分化的二元数据市场
随着市场走向成熟、趋近终局形态,它会拆成两个截然不同的子市场:
-
高体量、单位价值低:未来大概率近乎全部由合成数据与仿真数据构成 —— 代币版的沃尔玛。 -
大体量之外,低体量、高价值赛道:价值不来自规模,而来自新颖性:真实业务使用中产生的真正分布外样本、全新信号、边界异常案例。
哑铃式的两极格局,既会出现在企业内部的数据资产池,也体现在外部需要采购的分布外数据上。实验室与数据行业迭代速度极快,这个分化过程可能在一年内就会落地。
合成数据与训练管线会凭借缩放定律的威力,吞噬掉低价值、大体量的数据需求。当任务难度已经在模型能力可触及范围之内,单纯叠加更多原始真实数据,很难和大规模仿真竞争:跑十亿次仿真、百万轮模拟,可以抹平海量问题缺陷。
高体量合成数据赛道里,真正的赢家是人才密度极高的研究团队,而不是传统数据行业里靠信息差撮合交易的中间商。这个赛道价格会激烈内卷,比拼可量化的效果增益,形态会接近做市商和量化交易团队。
与之相对,分布外数据会持续受到追捧,交易逻辑更像私募股权 / 风险投资项目:资源人脉、信任关系至关重要,当然也需要足够强的工程能力去提取原始素材、叠加增值加工。
这次分化也说明:数据并不是 “新石油”。第一,数据是非竞争性资产。一份 CSV 文件,理论上可以同时被多方持有,互不冲突;只有依靠产权排他约定,才能人为把数据和衍生资产变成排他资产。第二,数据品类差异太大,没法像石油、算力那样在同一个统一市场完成定价出清。原始数据、任务集、不同仿真任务、环境样本,彼此都不是一类东西,垂直领域之间更是天差地别。
所以数据会变成一种准大宗商品。它不会和传统大宗商品完全一样,但对比现在,它会更接近大宗商品市场:效率更高、标准更多、流动性更好,只是永远达不到完全高效、完全标准化、高流动性的理想状态。
打造任务工厂
关键点:分布外数据会源源不断永久产生。AI 重塑经济本身,就会持续创造出新的运行环境、新的待研究场景;AI 扩散本身,不断抬高能力边界。几年前,世界上还不存在原生 AI 企业。原生 AI 新公司运行的时候,不只是复用传统企业的数据,还会生成一整套前所未有的交互语料 —— 天然就是分布外数据。
经济的底层要素,正从人力工时转向代币与 GPU 算力。机器经济产出的数据与结果,不是简单比人类经济产出更好或者更差;它本身由 AI 生成,具备全新属性。
这就是企业作为任务工厂的愿景:当你把 AI 部署进业务流程,模型就会不断撞上真实场景,暴露出前所未见的失效案例。企业完成自身的 AI 改造,同时持续采集运行遥测日志、提取轨迹样本。无论这些数据对外出售回流整个供应链,还是留在内部持续迭代优化,它本身都具备很高价值。
Waymo 就是先例:它拥有海量仿真里程,但仿真素材的源头都来自真实路况。有些诡异边界案例,Waymo 在现实里可能只偶遇一次,频次不足以直接拿来训练。但只要捕捉到这一次真实案例,就可以基于它仿真亿万次,迭代解法。这一次真实样本,就是稀缺、高价值的分布外数据。
AI 扩散中期的经济里会重复这个模式:部署在真实业务里的智能体第一次碰到某个边界异常,这个异常案例就会成为仿真和规模化训练的宝贵数据。
纯仿真给不了边界异常案例;纯真实业务采集,给不了训练所需的规模。
这一点,对 AI 转型服务商是重大利好:它们天然适合承接这类新型数据资产,帮助改造后的企业沉淀遥测数据资产。
数据原生资本结构
参考文章:https://99d.substack.com/p/data-native-capital-structure一种以数据为资产的全新资本结构正在浮现。今天数据在资产负债表里是账面价值为 0 的无形资产。随着数据买卖流转常态化,现状会被改写,市场走向标准化、金融化。
计量单位与定价标准落地之后,会传导到账面值、企业估值、资产定价层面。数据实际成交价格和账面计价之间的差额,短期会带来大量套利机会;长期则催生全新资本结构。最终,数据会和债权、股权并列,成为企业资本结构的组成部分。
承载这套模式的主体会是 AI 整合收购平台(AI rollup):数据是收购标的筛选、价值创造策略的核心指标(https://x.com/yrechtman/status/2055009843275075764是早期先行者)。具备完整融资支持的数据资产 —— 静态语料库,加上任务工厂持续生产新数据的能力 —— 会成为新一代高收益债,催生新型杠杆收购。这类数据驱动的杠杆收购,依托 AI 业务改造带来经营杠杆,进一步撬动金融杠杆。
从小体量视角看,数据原生资本的玩法是资产变现:依托已有语料资产,为收购交易提供融资支撑。从大体量视角看,重心在于持续生产:依托这套资产,通过业务持续运营源源不断产出新数据。
尽管存在取舍、未来充满不确定性,但数据创造了巨大的期权价值,给创业者和资本带来全新空间。它开辟了资本配置的新维度:数据分配权。选择把数据留在内部自用,还是对外商业化(以及用何种方式),类似于企业选择留存利润滚动投入,还是分红返还股东(以及分红方案)。
说到底,决定企业把沉淀数据对外变现还是内部闭环使用,会是企业决策者最关键的战略选择之一。
我想要布局投资的方向
我很看好围绕数据搭建新业务、新商业模式的机会。如果你深度认同数据和落地部署这条主线,有大量全新方向值得探索。
这类公司如果跑通,最终几乎都会变成落地服务商,而我非常看好落地这个赛道。
仿真与自博弈:搭建大规模模型运行环境的服务商。企业全链路仿真、虚拟客户与交易对手、智能体互相对弈。当任务难度进入模型可触及区间,规模扩张就靠这套体系:再加百万容器,反复跑实验。
被动采集与提取:依靠规模化被动抓取真实世界数据。所有业务都会产生数据 “尾气”,绝大多数都闲置浪费。对接海量供应商、拿到授权、规整数据,按调用量结算付费,而不是一次性打包卖整套语料。单一供应商的数据价值很低,比拼的是覆盖广度、成本、体量。
垂直数据实验室:在足够纵深、复杂、分布外的赛道里,数据采集和研究本身难度极高,足以支撑独立公司。赛道会覆盖科学领域(可验证场景)以及语音、人类偏好这类难以核验的场景。
任务工厂:真实业务主体,在日常运营过程中生成前所未有的全新数据。完成 AI 改造与落地部署,本身就在创造新场景;从中产生的每一条运行轨迹,天然属于新颖样本。
附带产出型主体:主业正常运转的同时,顺带产出、采集数据,把数据变现做成第二收入,甚至反过来为主业提供资金支持。
稀缺资产标的:很多终局价值会落在 IP、特殊人群触达权限、稀缺实体资源上 —— 这些是 AGI 时代的硬稀缺资产。数据原生资本的理想目标,就是依靠差异化尽调视角发掘明珠:找到资产负债表上被低估的无形资产,或是现金流折现模型里没有计入、只有你能识别的未来收益流。
机器人数据:商业数据当下的热潮,几个月内就会传导到机器人数据领域,未来几年热度会持续走高。机器人赛道的路径(集成→改造→数据生产)和通用数据略有区别,它更偏向原生采集而非二手抓取,但底层逻辑一致,前景广阔。
代币透视工具(token X-ray):现在原始语料的估值方式很粗糙:拿样本、包装材料,发给两三家买家询价。没有办法提前评估一份数据集到底值多少钱。这里存在巨大机会。如果能做出代币透视工具,就能释放巨大流动性与交易规模。
当然数据服务商也要遵守基础商业规律。如果没有独家采集渠道,或是没有增值服务能力,就只能拼价格、拼执行;没有长期盈利护城河,本质上就是中介经纪。
绝大多数企业全职做纯中间商是陷阱。实验室需求迭代极快,单一数据品类行情很容易快速冷却。
结语
算力、研究员时间、数据,是智能经济的三大基础要素。三者都会形成巨大市场,互相放大。合在一起就是机器经济;数据是三角凳的第三条腿。
当然存在一种可能性:未来某一天,训练数据全部内部自给。但距离那一步还有很多年。智能拓展到的每一个新领域、新环境,都会离代码世界更远、更难简单核验 —— 至少在短期、简单指标下是这样。
所以 AI 渗透扩散的速度,会比硅谷圈子里很多人预想的慢得多。云计算发展 25 年,到今天仍在持续渗透。上云只是重构技术体系,难度相对有限;而 AI 是重构整个经济。
当每一个组织、企业、行业围绕智能重构自身,广义的数据(原始语料、任务集、评测集、运行轨迹等)都会成为关键枢纽。
我们真的处在极早期,这场竞赛才刚刚拉开序幕。
随着数据的生产、交易、消耗规模持续扩大,它会被定价,被认定为无形资产或是生产资本品。
当下的数据市场还是蛮荒西部:流动性差、效率低下,但遍地机会。
如果你敢于主动布局,在这个严重错配的市场里,有机会抢占资源、创造巨大价值。
最早的那套语料库,是互联网公开网页。下一个庞大语料库,就是整个经济体本身。
术语小注
-
corpus:语料库 / 数据集(文中统一译语料库,AI 行业习惯) -
OOD:Out-of-Distribution,分布外样本(模型没见过的新案例、边界案例) -
RLHF:基于人类反馈的强化学习 -
RL:强化学习 -
traces:运行轨迹、交互轨迹 -
task factory:任务工厂(作者核心原创概念) -
non-rivalrous:非竞争性(经济学概念:一人使用不减少他人可用) -
ZDR:Zero Data Retention,零数据留存承诺 -
dark pool:暗池(金融,匿名大宗交易通道) -
rollup:整合收购平台,连续收购同类公司整合 -
LBO:杠杆收购

