一级市场的热门标的正在换人。过去两年受追捧的底层大模型实验室和讲增长故事的AI应用,如今风头被一批名字生僻的AI数据与评测公司盖过。据媒体公开报道及多位行业人士透露,有的数据公司成立不到一年,估值便已飙升至20亿至25亿美元区间——这与两年前国内最头部明星大模型独角兽辛苦融到B轮时的价格大致相当。在AI应用创投圈普遍愁容满面的背景下,这些既能卡住模型演进咽喉、又能快速产生收入的数据新贵,甚至对一线投资人的微信都未必回复。
这股浪潮比硅谷晚了约半年传到国内。在大洋彼岸,据外媒报道,Scale AI去年接受Meta投资时估值已超290亿美元;Mercor去年10月刚以100亿美元估值融完3.5亿美元,今年8月又被曝在谈200亿美元估值的新融资,英伟达也在考虑入股;据《福布斯》报道,Surge AI早在2024年收入就已达约12亿美元。
支撑天价估值的是水面下的巨额采购账单。根据硅星人报道,带有真实用户行为轨迹的数据,一条报价可达1000至3000元人民币;带有完整操作过程、跨工具调用的复杂工作场景数据,一条甚至可以卖到1万元左右。若按每条1000至3000元采购1万条,一张账单就是1000万至3000万元。对于头部数据公司来说,单笔订单做到百万、千万元已是常态,部分公司的账面年收入在短短半年内便冲上了千万美元量级。
要理解这场权力转移,得先看大模型训练流程的变化。工业界训练顶尖模型通常分三个阶段:预训练通读互联网公开语料,中期训练精读高纯度专业文献,后训练则通过监督微调和强化学习让模型在垂直场景中“岗前实训”。在模型参数已极其庞大的今天,改底层架构或重跑预训练耗资数亿、耗时数月且风险极高;而后训练框架已高度成熟,只要喂给模型1万到10万条极高质量的垂直场景数据,短短几周甚至几天内,模型在该领域的能力和榜单跑分就会肉眼可见地提升。这种“立竿见影”的效果,让数据采购从边缘外包变成了模型竞赛的关键变量。
中国大模型今年对外部数据的饥渴比硅谷更猛烈,根源在于过去两年行业太习惯“以模训模”的捷径。在“百模大战”和推理模型追赶潮中,大量国内团队直接调用前沿闭源模型或开源强模型批量生成问答与长推理过程,再拿这些合成输出喂养自家模型。这种打法成本极低、见效极快,能帮团队在极短时间内追平前沿模型80%到90%的表现,但也导致本土高阶数据生态迟迟没有建立起来。今年海外巨头收紧API调用风控,且行业普遍撞上“靠模仿强模型永远无法超越对手”的天花板,国内模型厂突然陷入无米下锅的窘境。
一边是见底且被污染的中文公共语料。据W3Techs与Common Crawl的公开统计,全球公开网页语料中英文占比高达52%以上,中文网页占比已萎缩至1.3%左右;优质内容被锁在超级App的围墙花园里,公开网页上充斥着AI生成的洗稿文。另一边是停留在旧时代的传统数据外包体系。一笔真实的500万元大模型数据订单足以说明问题:北京某头部模型厂发包10万条法律、医疗和编程问答数据,预算折合每条50元。订单离开北京后掉进层层分包黑洞——一级总包商扣掉近40%的毛利与管理费,以30元/条转包给地方大数据产业园的二级分包商;二级分包商再截留一半,以12至15元/条切碎发给校园代理;最终落到三本院校宿舍里的大学生屏幕上时,单价已缩水到1.5元至3元。在1块5毛钱的计件考核下,标注规范沦为废纸,外包公司便把最前面5%的样本做得精雕细琢,剩下95%靠脚本注水。
大厂内部同样面临激励失灵。据硅星人报道,如今哪怕在以算法创新闻名全球的DeepSeek内部,也有高达九成的研究员在做数据相关工作。但一个讽刺的问题是:既然数据如此重要,为什么很多大厂自己搞不好高质量数据,非要花数亿元去外部买?一位深度了解大厂内部运作的业内人士指出,在许多互联网大厂的基座语言模型团队里,发顶级论文、搞架构创新的人拿高绩效、升职加薪;而沉下心啃数据、清洗语料的人,在晋升答辩中极难量化功劳。“没人愿意去lead这件事,因为内部的reward体系崩溃了。”为了补救,各大厂今年密集调整组织:字节跳动将多处采购、质检团队整合为一级部门“AI数据与安全”;腾讯让首席科学家姚顺雨兼管AI Data部;阿里模型团队调整后,数据采购话语权下放给了核心研究员。
大厂支票簿全面向外打开,还有两个现实逻辑。一位长期服务头部模型厂的数据采购负责人表示,一是预算的“刚性消耗”——资金充足的大厂年初在算力和数据上都批了巨额预算,高端算力卡受限不好买,数据预算既然批了,多买点总不会让结果变差;二是合规风险隔离——数据作为灰色产业,里面有很多游走在版权、隐私和法律边缘的脏活,外部数商正好充当了中介。
今年不少新型数据公司营收爆发,还有一个隐秘的“快钱引擎”——倒卖蒸馏的思维链。随着推理模型成为标配,急于追赶的模型厂极度渴求高质量长思维链数据做冷启动微调。许多数据公司通过搭建账号矩阵与自动化脚本,从海外顶尖闭源推理模型批量跑出完整的长思维链轨迹,经简单清洗包装成“高阶推理数据包”高价卖出。这门生意成本极低、起量极快,直接把不少数据公司的账面收入在几个月内推上千万元乃至上亿元台阶。但业内人士普遍认为这种模式不可持续:随着海外巨头收紧风控,且模型厂自身完全有能力在内部跑通合成与蒸馏管线,单纯充当“思维链搬运工”的数商很快会被抛弃。
更深的隐忧在于,大多数涌入赛道的数据初创公司很难说清自己的护城河。面对追问,标准话术无非是“积累了独家Know-how”“头部实验室用了都说好”,但不少人私下坦承自己并没有技术门槛,只是趁大厂预算充裕先做半年试试水。康奈尔大学博士、一线后训练研究员Jinyan Su在专栏中指出,除了少数头部公司真找专家标数据外,水下大量小微初创公司卖的几乎全是合成数据,生成完最多让人简单看一眼;像浏览器和电脑操作轨迹这类任务,只需极低的Token成本,小作坊甚至直接注册大模型平台个人免费账号去跑,生产成本几乎为零。
既然技术没有门槛,数据“质量”又极其玄学——同一批数据在A厂训完说好、在B厂训完说不行的情况经常出现——那么真正的护城河是什么?多位上下游从业者给出高度一致的答案:Connection(人脉关系),即你认不认识头部实验室里握着采购预算的人,或者你自己是不是刚从头部模型厂出来。一位资深数据供应链人士称,“这门生意里,信息差就是印钞机。”大厂下个月需要医疗多模态、3D空间网格还是实时交互语音数据,消息总先在采购负责人与熟识供应商的小圈子里流动,方向有时一个月就变一轮,谁先听到风声,谁就能提前两周去找专家、搭沙箱、送样品。离生产更远的公司卖的则是纯粹的客户关系,中间商一层层转包赚差价。更有甚者,据硅星人报道,部分供应商私下向能影响大厂采购决策的关键人许诺少量干股或收益分成,等拿到大单、完成高估值融资后,再通过隐蔽的股权转让兑现。
对于没有顶级大厂关系、又想快速切入的科研背景创业者来说,“造榜单”与“帮模型厂刷榜”已演化成一门成熟且暴利的共谋生意。根据Jinyan的博客《看起来没有壁垒的数据生意,为何如此繁荣?》,行业现状是如果没有需求就制造需求,如果大厂还不焦虑就制造焦虑。这套被称为“奥赛辅导班”的闭环正在让评测失真:一家数据公司先发布一个极其刁钻的新榜单,放出报告称“国内外主流模型全军覆没”,唯独某家合作模型表现惊艳。为了把模型考倒,市面上涌现大量“毒榜单”——验证器写得死板过窄,模型用其他合理方式做对了却得零分;题干故意留有模糊歧义;或把几道不相干任务硬拼成超长题,靠拉长操作链条压低成功率。一旦榜单引发焦虑,落后的模型厂就会上门求购训练材料,一套材料按约定同时卖给多个买家。而在新模型发布会前两三周,当模型厂发现自己在核心榜单上落后几个百分点、改架构已来不及,数据公司便会化身“白手套”,递上价值数百万的“定向冲刺包”,帮模型厂完成一场技术上极难被抓现行的“体面作弊”——第一招便是“洗题”。
这轮数据热本质上是后训练军备竞赛与本土高阶数据生态缺位共同催生的供需错配。它让数据公司站到了AI产业链的聚光灯下,也把分包黑洞、刷榜共谋、人脉寻租等灰色操作一并暴露出来。对模型厂而言,短期买数据能快速补短板,但长期竞争力仍取决于能否建立可持续的数据生产与评估体系;对投资者而言,这个赛道收入增速惊人,但护城河究竟是人脉、是专家网络还是真正的工程能力,仍需时间检验。