AI训练数据：被低估的千亿美元生意，正在从‘标注外包’走向‘智能体基建’

AI数据，可能是这轮AI浪潮中最被低估的生意之一 短短一年间，一个全新的高价值赛道悄然成型：AI训练数据。它不再只是模型研发中可有可无的“配菜”，而正成长为与算力、大模型并列的AI产业三大支柱之一。 多家头部公司已实现年化收入十亿美元量级：Mercor从2025年9月的5亿美元，到2026年6月突破20亿美元；Handshake则在一年内将AI数据业务年化收入从500万美元拉升至近11亿美元——增长整整100倍。Scale AI、Surge AI、Mercor和Handshake四家公司合计占据全行业超75%的收入，市场高度集中，但增速惊人。 为什么数据公司开始集体‘印钞’？ 根本原因在于：数据的角色彻底变了。 过去，数据是模型训练前的一次性原材料——采购、清洗、标注、交付，项目制运作，周期长、节奏慢、收入不连续。如今，它已成为持续燃烧的“燃料”：模型迭代越来越快，能力缺口越来越细，对数据的需求从“按年采购”变成“按天发起”。 GPT系列模型的发布间隔已压缩至一个月内；Anthropic的Claude Fable 5距Opus 4.8仅隔11天。高频迭代带来高频反馈，实验室需要的不再是通用语料，而是“新增的、针对性的、高价值的数据”——比如能补足代码多文件协同能力的样本，或能提升法律文书推理深度的判例包。 与此同时，单条数据的“重量”也指数级上升。以SWE-bench为例，任务复杂度从平均修改11行代码跃升至107行、跨越4个文件；一条样本不再只是输入输出对，而是包含需求理解、路径定位、跨文件修改、测试验证的完整工作流数据包，token量从几百暴涨至数万。 需求变多、变重、变急，供给侧也同步升级。数据生产者从众包标注员，转向STEM博士、执业律师、资深工程师；计价方式从“按条0.02美元”升级为“时薪30–110美元”；交付模式从按月打包，进化为API实时调用——最快一小时即可交付生产级标签数据。 更关键的是，数据公司的角色正在重构。Scale AI会先评测客户模型的能力短板，再定制任务、组织专家生产数据、闭环验证效果；Mercor的毛利率从27%升至35%–40%，Scale AI长期维持在50%以上——远高于传统外包公司15%–20%的水平。它们赚的已不是人工费，而是深度嵌入模型研发流程的服务溢价。 两大新趋势：真实工作流数据与RL环境崛起 行业正经历结构性迁移，两条主线日益清晰。 第一，真实工作流数据（Type 1）正快速取代人工设计任务（Type 2），成为新的稀缺资产。模型已能“解题”，下一步必须学会“做事”——而真实世界的工作记录，天然携带问题上下文、决策逻辑、协作反馈与结果验证。 GitHub之所以成为代码智能体进步最快的引擎，正是因为每条commit都完整封装了“问题-方案-评审-测试”的全链路。其他领域缺乏现成的GitHub，于是供给端开始主动构建：Handshake联合OpenAI组织自由职业者上传原生Word、PPT、Excel与代码；其“雇主数据计划”直接向企业采购运营数据。Protege则专攻医疗领域，通过前置聚合百家数据源、AI精筛阳性病例、统一合规打包三步法，将传统需耗时一年的医疗数据采购压缩至30天——它不做标注，也不建模型，而是做AI实验室与数据持有方之间的“可信买手”。 第二，强化学习（RL）环境正成为新采购重心。静态数据集如同课本，而RL环境是训练场：模型在其中自主探索、试错、获得反馈，最终习得稳定执行能力。这标志着AI正从“对话时代”迈向“智能体时代”。 OpenAI为ChatGPT Agent搭建数百个网站级UI Gym环境，单个成本约2万美元；Anthropic内部预估年RL投入或超10亿美元。Mercor收购Deeptune，正是看中其复刻Excel、Slack、Salesforce等办公软件的仿真沙盒能力，并计划于2026年9月前将RL环境业务ARR推至千万美元级别。 头部玩家的四条演化路径 资源禀赋不同，战略选择各异，但方向一致：摆脱低毛利标注，向价值链更深处扎根。 Scale AI向下游延伸，以数据能力为支点，切入政企AI应用开发，企业级业务年化收入已达2亿美元，预计18个月内将成为最大收入来源； Surge AI向上突围，坚持精品路线——全员110人、零外部融资，专注顶级实验室所需的RLHF与安全评估，客户仅限OpenAI、Google、Microsoft、Meta、Anthropic五家； Mercor横向扩张，打造覆盖全球的专家网络，日均向3万名专业人士支付超400万美元，并以收购Deeptune押注RL环境，完成“专家+仿真”双引擎布局； Handshake走管道逻辑——依托12年招聘平台积累的1800万职场人与970家财富500强企业资源，不做生产，只做连接：一边收职场人的原生工作产出，一边采企业的运营数据，再精准输送给AI实验室。在Type 1数据极度稀缺的当下，“握两端、通管道”本身就成了最稀缺的基础设施能力。 结语：数据，正从副产品变成主赛道 上一代互联网巨头的护城河，建立在用户行为数据之上；这一轮AI竞赛的胜负手，正越来越取决于谁掌握高质量、高密度、高时效的真实世界数据与可交互训练环境。 当数据不再依附于模型而存在，而是独立形成技术壁垒、商业闭环与规模效应，它就完成了从“成本项”到“资产项”、再到“基础设施”的三级跃迁。这门曾被长期低估的生意，已站上千亿美元市场的入口。