真实世界数据：AI训练的新矿藏与数据公司的进化路径

真实世界数据正在重塑AI训练范式

当前，前沿AI实验室的训练需求正经历一次关键迁移：从互联网公开数据、专家构造数据，转向企业真实工作流中自然产生的数据——即 real-world data。这类数据不是被刻意设计出来的，而是在日常协作、系统操作、问题解决过程中留下的完整行为痕迹。它自带上下文、意图、反馈与结果闭环，是模型迈向长程任务处理能力（Long Horizon Reasoning）不可或缺的燃料。

数据供需错配催生新分工

市场呈现出典型的两端割裂：模型公司拥有强大的机器学习工程能力（MLE-rich），却缺乏高质量、高保真、可规模化获取的真实业务数据（data-poor）；而企业恰恰相反——坐拥海量流程日志、协作记录、审批链路与客户交互数据（data-rich），却普遍缺乏将这些资产转化为训练资源的技术能力（MLE-poor）。

这一结构性缺口，正在催生两类互补型公司：

• Human Data Company：聚焦数据供给侧，深入企业现场捕获、清洗、建模真实工作轨迹，为模型实验室提供可训练的数据产品；

• RLaaS（Reinforcement Learning-as-a-Service）公司：聚焦能力供给侧，将企业的业务系统、工具链与组织规则封装为可复用、可重置、可评测的强化学习环境，本质是交付“可训练的业务操作系统”。

数据不是原料，而是信号载体

真正有价值的数据，必须同时满足三个条件：可还原意图、可验证结果、可反复练习。我们将其分为两类形态：

• Type 1（原生工作流数据）：如 GitHub 的 commit-message-issue-timeline 链路、客服工单的完整处理记录、销售系统中从线索分配到成单的全路径日志。这类数据天然携带 reward signal 和失败归因，但获取门槛高、合规要求严、结构化难度大。

• Type 2（专家构造数据）：由领域专家在模拟环境中完成任务后生成。适合早期能力爬坡，但易失真、难泛化。当任务链路变长、经济价值升高时，其局限性愈发明显。

更务实的路径是走向 Type 1.5：在专家参与中嵌入真实工作逻辑——长期绑定高质专家、重构激励机制防止 reward hacking、建立多层 QA 工程体系（含异常检测、行为分析、效果反验），让构造过程无限逼近真实。

好数据的关键指标是“可爬坡性”

衡量一条训练数据是否有效，不在于模型能否“一次性做对”，而在于它是否卡在模型当前能力的边界上，具备稳定的“爬坡潜力”。典型判据是：

• pass@1 = 0%，pass@32 = 30%：说明模型已偶然触达成功路径，只需稳定训练即可提升成功率；

• pass@1 = 0%，pass@256 = 0%：任务远超当前能力或过于偏门，不具备训练价值。

这要求数据设计者既懂模型瓶颈，也懂业务逻辑——所谓 data taste 与 research taste 的双重能力。

RL环境的本质，是可重置的业务操作系统

一个成熟的 RL 环境，不是沙盒游戏，而是对企业真实业务系统的轻量级镜像：它集成 CRM、邮件、文档库、审批流等工具接口，预设业务规则作为 reward 函数，并支持环境快速复制与状态重置。

随着模型能力增强，RL 环境正朝四个方向演进：

• 空间扩展：跨多个系统协同，而非单点沙盒；

• 工具活化：调用不确定性输出的子模型（如搜索模型），需具备参数控制与结果校验能力；

• 组织复杂化：多 agent 分工协作，reward 不仅看结果，更看成本与时效；

• 任务升维：从单动作训练，升级为子流程编排，最终指向端到端工作流规划。

进入真实世界的最大障碍，是样本效率

编码类任务适合 RL，因其环境易复制、反馈即时、失败可重来；但销售、法务、管理等真实场景无法“存档重来”。每一次客户谈判、每一份合同审核、每一笔投资决策，都是不可复制的单次事件，反馈延迟且因果模糊。

突破路径正在浮现：

• OPSD（On-Policy Self-Distillation）：让“老员工模型”蒸馏经验策略，教会新模型如何判断关键信息、何时追问、何时行动，把稀疏结果反馈转化为密集过程指导；

• Dreaming（梦境推演）：模型基于真实经历构建内部 world model，在其中模拟不同决策分支、不同沟通策略、不同定价方案，实现“一次实践，百次反思”的高效学习。

这两条路径，正在为 AI 进入真实世界开辟第三条 scaling 轨道：test-time training。

企业自训模型，不是选择题，而是算术题

当工作流本身成为数据来源，企业是否该 post-train 自己的模型？答案取决于四个乘数的乘积：

数据独特性 × Eval 清晰度 × 任务频率 × 单次改善价值

任一趋近于零，投入就难以回收。例如 DoorDash 的菜单识别任务：数据高度定制（商户规则）、评估明确（字段匹配率）、高频发生（年均十万+商户）、单次准确率提升直接降低人工审核成本——因此自建小模型成为必然。

而企业最大的优势，恰恰是入口——它是唯一能持续捕获高质量 agentic trajectory 的主体。一条完整用户操作轨迹，在外部市场报价可达上千美元；而在企业内部，它每天自然产生，且附带隐性偏好信号：用户接受/拒绝、小幅修改/大幅重写、下载/弃用、低延迟响应/高 token 消耗……这些都可转化为 DPO、RLHF 等训练所需的 preference pair。

未来属于“建工厂”的人

数据赛道已告别粗放淘金。靠人力堆砌、项目制交付的 Type 2 公司窗口期正在收窄；真正可持续的玩家，正在构建三类核心能力：

• 可审计的数据谱系（data lineage）：清晰追溯来源、清洗逻辑、专家资质与 QA 流程；

• 可工程化的质量保障：将 QA 从运营动作升级为自动化系统，嵌入生产全流程；

• 可复用的环境基建：不止交付单次 RL 场景，而是沉淀出模块化、可配置、可组合的企业级环境模板。

招聘结构即是信号：频繁招 SPL（Special Project Lead）的公司仍在“卖人力”；只招 Member of Technical Staff，专注数据工程、环境工程与 QA 自动化的团队，才真正走在“建工厂”的路上。