深入探访 AI 训练数据市场这一家庭作坊式产业
前沿 AI 实验室正花费数十亿美元采购训练数据。一支由经纪人、数据卖家和自称内部人士组成的队伍都想从中分一杯羹。在七位数承诺的背后,是一个比社交媒体上你所相信的要奇怪得多、混乱得多的行业。
在 X 上花五分钟,你可能会得出结论:出售 AI 训练数据是 2026 年成为百万富翁的最简单途径。每隔一周,就会有另一位自称数据经纪人的人宣布与前沿实验室建立了直接渠道。有人说发现了你公司的 Slack 消息可能价值数百万美元。一家新创公司声称凭借专有的采购技术、独家关系或某种神秘的数据质量优势攻克了这个市场。
这些落地页惊人地相似。七位数的回报、对企业数据的紧急征集,以及承诺挖掘你企业已经产生的信息中隐藏的价值。显然,你只需要一家运营了几年的公司,以及一个认识 OpenAI 或 Anthropic 里某人的中间人。
现实远没有那么光鲜。这类生意中有许多不过是美其名曰的推荐业务。另一些则是劳动力市场、数据转售商,或是小型研究机构,把越来越强大的 AI 模型自己就能生成的合成样本打包出售。他们所谓的专有技术,往往不过是公开可用的模型、几个脚本和一些质量检查。关于特权关系的说法难以核实,向潜在卖家宣传的巨额回报同样难以核实。
然而,把整个行业斥为又一场 AI 淘金热将是错误的。钱是实实在在的。准入门槛往往低得惊人。而这两个事实之间的差距,解释了 X 上上演的种种荒诞。
想想 Spirit Airlines 的遭遇。
2026 年 5 月,这家美国廉价航空公司停止运营。三个月后,Google 赢得了一场拍卖,拍下的是这家破产公司留下的东西:它的内部业务数据。价格为 1000 万美元。拟议的收购包括多年的员工通信、电子表格、日历和运营记录。AI 数据公司 Mercor 提交了 750 万美元的备选报价。Google 想要这些信息用于产品开发和 AI 训练。
这笔交易引发了工会和 120 多名美国议员的反对,他们担心员工隐私问题。在 Google 同意采取额外保护措施——包括更强的去标识化和排除敏感记录——之后,一名联邦破产法官于 11 月 17 日批准了该交易。
想想刚刚发生了什么。一家航空公司倒闭了,但它的数字历史对一家构建 AI 的公司来说价值 1000 万美元。这些记录最初并非为了训练语言模型而创建。它们之所以存在,是因为员工花了数年时间回复邮件、协调日程、解决问题,维持一家航空公司的运营。对 AI 开发者而言,这段历史可能包含着公共互联网很少提供的东西:一份关于企业内部工作究竟如何完成的记录。
这是一个有力的例子,说明企业数据为何可能有价值。它也是一笔极不寻常的交易,不应被误认为是典型的企业数据出售。大多数企业不会在破产拍卖会上有竞标者排队。一个手握十年 Slack 消息的潜在卖家,更可能遇到的是漫长的资格审核流程、不确定的需求、隐私方面的复杂问题,以及一个实际上无法促成交易的经纪人。
要理解这个市场为何吸引如此多满怀希望的企业家,我们需要跟着钱走。
另一个十亿美元级的 AI 生意
文章标题:AI 训练数据市场,一门家庭作坊式产业
2026 年 7 月,The Information 报道称,Mercor 的总年化收入已突破 20 亿美元。另一家提供专家生成训练数据的公司 Handshake AI,据报道在那年早些时候总年化收入流水已达到 10 亿美元。Surge AI 和 Scale AI 近年来也达到了十亿美元级别的收入或总销售额水平。
对于业务包括招募人员、准备训练样本、评估模型输出以及向 AI 开发者交付数据集的公司来说,这些数字相当惊人。这笔支出也体现在买方的财务披露中。
在 2026 年 11 月的证券申报文件中,Anthropic 报告称,与数据质量和性能评估相关的外部供应商成本在 2026 年前九个月同比增加了 7.57 亿美元。这是增加额,不是总支出额。该类别包括评估和数据质量服务,而不只是授权使用现有企业记录。即便有这些限定条件,其规模依然非同寻常。
为什么世界上最先进的 AI 实验室要花这么多钱购买信息,而它们自己的模型已经能够生成看似无限的文本、代码和合成样本?
答案在于,生成看似合理的信息,并不等同于产出有用的学习信号。一个 AI 模型可以读遍所有已出版的会计教科书,却仍然难以核对一家陌生公司的账目。它可以生成数千行代码,却无法可靠地修复复杂生产系统中的一个 bug。
预训练教会模型模式、语言和广泛知识。后训练则利用演示、反馈和强化学习来改善模型执行任务的方式。一个模型可能知道财务对账的定义。要学会完成一次对账,则需要理解应检查哪些记录、差异如何产生、什么构成有效调整,以及账目何时真正平衡。软件工程、法律分析、科学研究以及无数其他专业活动同样如此。
这就产生了对真实工作样本的需求,包括伴随工作而来的决策、错误、修正和结果。
拿钱教 AI 干自己活的人
以 Jessica Crutcher 为例,她是一名美国仲裁员,业余时间会为 AI 模型设计复杂的法律问题。据 Business Insider 报道,她通过 Mercor 工作,设计需要复杂法律推理的纠纷。其他参与的律师会创建困难场景、审查 AI 生成的答案,并解释某些回答为何错误。一些公司为部分法律专家开出了高达每小时 200 美元的报酬。
价值不一定在于让律师打出一份答案。真正的价值在于找到先进 AI 模型仍然难以解决的问题,然后确定正确解决方案应该是什么样。
在深圳,一位化名翠翠的建筑师有着截然不同的动机。在中国建筑业放缓期间,她的建筑业务收入大幅下降。据 Rest of World 报道,她开始利用晚上时间教 AI 模型如何准备建筑方案和进行盈利分析,依据的是她真实的专业工作。这笔额外收入帮助她支付房贷和孩子开销。
这里有一种令人不安的讽刺。担心自己经济前景的专业人士,正被付费将自己的部分专业知识转移给机器,而这些机器最终可能会承担他们的部分工作。对各方来说,这种安排完全理性。实验室需要真实的专业知识,供应商需要贡献者,专业人士需要收入。长期后果则远没有那么清晰。
而专家劳动只是这个行业的一个角落。
你公司的数字废气,是别人的训练数据
文章标题:AI 训练数据市场的小作坊产业
第二类供应商根本不创造新的训练数据。它授权通过日常业务运营产生的信息。
想一想一家公司在十年间积累了什么:客户支持工单、销售对话、工程文档、拉取请求、财务对账、内部通信、合同、审批、事件报告和绩效评估。这些信息大多从未打算用于 AI 开发。它们的存在是因为组织需要记录才能运转。
但这些档案可以揭示出难以从公开信息中复现的职业活动模式。一个源代码仓库是有用的。一个关联了缺陷报告、工程讨论、尝试修复、失败测试和最终解决的仓库,对于训练编码 agent 可能有用得多。
一张发票是一条信息。而一名会计调查差异、索取佐证文件、做出调整并获得批准的整个流程,则是一个工作流的例子。这种区别很重要,因为训练信号往往存在于记录之间的关系中,而非记录本身。
数据收购公司已经注意到了这一点。Micro1 目前宣传,对于符合条件的企业运营数据集,支付金额从 100,000 美元到超过 3 百万美元不等。其网站将软件工程、金融、客户支持、销售、法律工作和物流列为可能相关的领域。
这是一个绝佳的收购话术。多年平淡无奇的运营记录突然被呈现为一项可能带来可观意外之财的资产。但宣传的支付区间并不是市场出清价格。公司仍然需要完成资格认定、确定它可以合法授权哪些信息、证明其有用性,并完成交易。没有理由假设每一个企业数据集都会吸引买家,更不用说七位数的报价了。
如果把这些数字理解为高度选择性市场的上限,而非企业记录的普通价格,那就合理得多了。
另一个例子来自医疗健康领域。2026 年 10 月,Tempus AI 披露了与 Bristol Myers Squibb 和 Pathos AI 达成的协议,价值最高达 192.5 百万美元,期限约五年。其中一项协议涉及以每条交付记录 100 美元的价格供应最多 500,000 条去标识化的神经科患者记录,并就更新提供额外补偿。
这些是专业化的制药数据与软件安排,而非对通用 LLM 训练数据集的常规购买。尽管如此,它们说明了当结构化、权利清晰的信息能够满足特定研究需求时,可以变得多么有价值。
共同点在于,数据必须解决某个有人愿意为之付费的问题。最后这一点在社交媒体上的大量兴奋情绪中被忽略了。
认识中间商
一旦你考察那些将供应商与 AI 开发者连接起来的业务,这个市场的小作坊特征就显而易见了。
一端是推荐代理。他们的运营可以非常简单:找到一家可能拥有有用数据的公司,将其介绍给买家或成熟供应商,如果这次介绍促成了符合条件的交易,就收取一笔费用。例如,Micro1 曾公开宣传,在特定项目条件下推荐符合条件的企业,可获得 50,000 美元的推荐奖励。这激励了任何拥有企业人脉的人成为数据寻源者。
再上一层是经纪人,他们可能代表数据所有者、寻找合格买家、谈判许可条款并协调尽职调查。聚合商从多个来源获取信息权利,并将这些资产打包以供进一步授权。
接下来是专家劳动力平台、托管标注服务商、专业研究公司,以及为强化学习构建可执行环境的开发者。它们都被称为数据公司。但它们实际从事的业务却天差地别。
一个推荐中介可能连一条记录都接触不到。一个聚合商可能处理敏感的企业信息,并承担再许可的合同责任。一家专家数据公司必须招募并支付合格专业人员报酬,同时管理他们的工作与质量。一家构建训练环境的研究公司需要有能力创建逼真系统和可靠评分器的工程人才。
每种模式都带来不同的成本、风险和差异化机会。然而市场往往将它们混为一谈,使新来者很容易把仅仅介绍买卖双方的生意,与从事大量技术研究的业务混淆。
巨大的中间商套利
设想一家企业同意以 500,000 美元许可其历史记录。一个赚取示例性 10% 佣金的经纪人会拿走 50,000 美元,而不必接触数据。
一个聚合商则可能向原始所有者支付 300,000 美元以获得适当的再许可权,并向最终客户收取 500,000 美元。其 200,000 美元的毛利差仍需覆盖法律尽职调查、隐私处理、工程、交付和客户获取。
这两种安排本身都并非不合理。经纪人可能找到了卖方无法触及的买家。聚合商可能将一份无法使用的档案变成了有价值的产品。问题在于中间商是否真正创造了那部分价值。
这正是我对 X 上一连串专有数据采购初创公司持怀疑态度的地方。
与 AI 实验室采购团队的关系固然有价值。了解实验室正试图改进哪些能力可能更有价值。但许多所谓的竞争优势很难与普通的销售关系区分开来。
一个精致的落地页不是专有分销。一堆公开的数据处理脚本不是研究突破。一个曾经回复过邮件的买家不是独家前沿实验室合作关系。知道实验室想要什么是一种真正的优势。声称知道他们想要什么几乎是免费的。
而大型数据供应商的经济状况揭示了另一个误解。据 The Information 报道,Mercor 总账单中约 60% 到 70% 流向了承包商。20 亿美元的年化总流水极为庞大,但这并不意味着公司留存了 20 亿美元。
Innodata 是一家公开上市的数据工程与 AI 服务公司,其报告称 2026 年前九个月的毛利率约为 42%。它还披露,两个客户贡献了约 73% 的收入。
这是市场不那么光鲜的一面:高昂的劳动力成本、复杂的交付义务,以及对少数强大客户的依赖。几家前沿实验室可以把一个默默无闻的供应商变成一家巨型企业。当采购优先级改变时,它们也能造成相当大的损害。
一笔数据交易实际上是如何完成的
社交媒体让这笔交易听起来很简单:找到一家公司,把它介绍给实验室,收取佣金。
真实的企业数据许可涉及的内容要多得多。卖方首先需要确定自己持有哪些信息、这些信息来自何处、有多完整,以及拟议的商业用途是否获得授权。
买方需要确定该数据集是否与某个研究问题相关,以及能否在不承担不可接受的法律或运营风险的情况下进行处理。可能涉及保密协议、样本评估、安全审查,以及围绕数据权利的漫长谈判。
文章标题:The Cottage Industry That Is the AI Training Data Market
正文: 在直接交易中,原始所有者授予买方许可。经纪人通常在单独的佣金协议下促成该交易。聚合商需要上游权利,使其能够授予其向客户承诺的下游许可。
这一区别至关重要。获得访问公司数据用于内部分析的许可,并不自动产生将其再许可用于商业 AI 训练的许可。合同还需要处理排他性、衍生作品、再分发、保留期限以及许可到期后会发生什么。
而一旦文书工作完成,仍然需要有人来交付信息。从多个系统中提取多年的运营数据、关联相关记录、移除敏感内容,并将一切打包成可用的训练格式,可能需要大量的工程工作。
买方随后可能需要数周时间检查交付成果,然后才批准付款。Micro1 公布的流程包括交付、验收和付款阶段,付款通常在批准后到期。
对于小型聚合商来说,这可能会造成危险的现金流错配。它可能在最终买方付款之前就欠原始卖方钱。对于经纪人来说,一笔交易可能耗费数月工作却无法产生佣金。
也许最被忽视的问题是,即使交付在技术上成功,也不能保证训练数据有用。一个数据集可以满足每一项合同规格,却仍然无法改善买方的模型。
这种不确定性正是该行业奇特经济学的核心所在。
为什么没人知道你数据的价值
AI 训练数据的价格很大程度上是在闭门谈判中确定的。一年的企业电子邮件、一千个经过验证的法律任务,或一个会计部门的逼真模拟,都没有可靠的现货价格。
数据集的价值取决于买方想要实现什么。一个急需困难财务工作流的 AI 实验室可能对某个特定的会计档案给予很高估值。另一个实验室可能已经拥有可比的信息。第三个实验室可能对该能力毫无兴趣。甚至同一买方在模型发布后的支付意愿也可能改变。
这赋予老练的买方巨大的信息优势。他们了解自己的研究优先级、预算、现有数据集和替代供应商。卖方往往除了有人提出愿意为其记录付费之外,几乎一无所知。
在数据质量和来源方面,情况可能反转。卖方知道其信息来自哪里;买方可能难以确定什么是真实的、完整的或可合法许可的。
经纪人可以帮助产生竞争性报价,但这并不能消除根本的不确定性。对永久排他性权利的 500,000 美元报价无法与 300,000 美元的非排他性许可直接比较。前者可能放弃未来数年的潜在许可收入。
一些数据企业试图通过一次性购买权利并转售给多个客户来解决这个问题。另一些则协商版税、订阅安排或最低保证金。但这些结构只有在基础协议允许拟议用途且足够多买方真正想要该信息时才有效。
一个没有已承诺客户的大型档案不是具有已知市场价格的资产。它是一个投机性的库存头寸。认为每个数据集最终都能找到买方的假设是危险的。
而当数据本身可以被制造时,挑战变得更加复杂。
如果 AI 能生成训练数据,这些供应商到底在卖什么?
数据淘金热中最少被讨论的矛盾之一是,AI 模型正变得越来越有能力生成自己的训练示例。
作为 cottage industry 的 AI 训练数据市场
合成数据并非新鲜事物。研究人员长期以来一直使用模型来生成额外的示例、任务和演示。发生变化的是这些系统的复杂程度。
Mistral 在 2026 年 10 月发布的 Mistral Large 4 描述了一套后训练基础设施,能够组合大量强化学习环境、自动化验证方法和大规模任务执行。
研究人员可以使用模型和软件来生成候选问题、解决方案和测试,而这些工作此前需要多得多的手动投入。这改变了数据供应商的经济账。
一家小型初创公司现在可以使用市售 AI 系统批量生成大量看似合理的合成示例。生成一个示例的成本,与聘请一位高资质人类专业人士相比,可能微不足道。困难之处在于确定该示例是否正确、新颖、相关且对训练有用。
模型生成的解决方案可能包含细微错误。模拟环境可能无法复现真实工作场所的约束条件。自动评分器可能奖励一种实际上并未解决目标问题的捷径。
Epoch AI 就强化学习环境采访了 18 位行业参与者,发现防止 reward hacking 和在大规模下保持质量是主要担忧。
这些采访报告称,许多 RL 任务成本大约在 200 美元到 2,000 美元之间,更复杂的环境价格则显著更高。这些数字来自有限的一组采访,并非通用的行业价目表。
尽管如此,它们说明了为什么尽管生成合成文本的成本在下降,一些训练资产仍然昂贵。生产一个任务与生产一个可信的学习信号之间存在巨大差异。
然而,这种区别在供应商营销中往往被模糊掉。每家数据初创公司似乎都有一个专有的质量框架。人人都声称了解前沿实验室需要什么。许多人说他们的任务更真实、更困难或由专家精心策划。
这些优势中有多少能在独立评估中幸存下来?
这是一个困难得多的问题。而它引出了这门生意的另一个令人不安的特征。
基准可以变成销售漏斗
一家研究公司发布一个基准,显示前沿模型在某类特定任务上表现不佳。结果在社交媒体上传播开来。研究人员讨论这些失败。AI 开发者开始有兴趣提高他们的分数。方便的是,该基准背后的公司也在开发旨在解决这些弱点的训练数据或环境。
这种安排本身没有任何本质上的错误。一个设计良好的基准可以揭示真实的能力差距,并帮助引导研究走向有价值的问题。但商业激励值得审视。
一家既定义测试又销售备考材料的公司存在潜在的利益冲突。过于严格的评分器可能会拒绝完全有效的解决方案。模糊的任务可能使模型显得比实际能力更差。基准还可能奖励狭窄的优化,而这种优化无法泛化到现实世界的工作中。
糟糕的分数是绝佳的营销素材。重要的问题是,提高这些分数是否真的能产生一个更有能力的模型。
这正是技术可信度应当远比社交媒体关注度重要的地方。一家能够展示可迁移改进、可靠评分和真实任务难度的供应商拥有有价值的东西。一家其主要成就是让模型在自己的基准上失败的供应商,可能只是为一个自己控制的问题发明了一个市场。
另一个没人喜欢讨论的供应链
正式的企业授权只是 AI 数据行业的一部分。其他来源包括用户交互、模型生成的转录、应用痕迹以及通过中介服务收集的信息。
文章标题:The Cottage Industry That Is the AI Training Data Market
正文: 其中一些安排是合法的,并获得了合同授权。另一些则引发了关于同意、保密性和所有权的严重问题。
2026年9月,Anthropic发布了一份威胁情报报告,指称第三方代理服务正在收集用户与Claude之间的对话,并将对话记录出售给其他AI开发者。
Anthropic还指称,某些模型开发者利用中间服务来收集或获取对话内容,用于蒸馏和训练。这些是Anthropic提出的指控,并非独立裁定的结论。但它们具体展示了AI交互数据的二级市场可以如何形成。
一项服务可能向客户收取访问AI模型的费用,同时又试图将由此产生的对话日志变现。这创造了一个可能利润丰厚的双面业务——如果用户从未授权二次使用,就会带来严重的隐私问题。
经济激励显而易见。真实的用户交互可以揭示人们实际希望AI执行的任务。它们还可能包含失败尝试、纠正和后续指令的示例。这些信息可能比研究人员编写的合成提示更能代表真实需求。
但同样的日志可能包含机密文件、专有代码、个人信息,以及客户从未打算与另一家模型开发者分享的对话。
数据供应商置身于原始来源和最终买家之间,并不能消除这些风险。合同可以分配责任,但无法神奇地让不当获取的信息合法可用。
这也是该行业对来源关系的痴迷值得一定程度怀疑的另一个原因。对有价值数据的访问权,只有在使用权也站得住脚时,才在商业上站得住脚。
淘金热存在信息问题
尽管支出惊人,AI训练数据市场却异常不透明。买家很少公布详细的采购要求。卖家难以确定自己的信息值多少钱。交易价格大多是私密的,许多据称成功的供应商关系无法得到独立验证。
这为有能力的中间商创造了机会。一个了解实际研究需求、能够获取合法可用信息、并能谈成可信交易的经纪人可能极具价值。一个能将分散的企业记录转化为连贯、经过验证的训练资产的聚合商,可以解决一个真实的问题。构建可靠环境和评估体系的研究公司,可能拥有客户难以复制的技术能力。
但不透明也为机会主义创造了理想条件。一个创业者可以宣传自己能够进入某个市场,却从未完成过一笔交易。一个供应商可以声称拥有卓越的训练质量,却不公布有说服力的证据。一个经纪人可以用惊人的付款区间吸引供应商,却几乎不披露成交的可能性。
同样的激励也影响着买家。一些实验室偏好能够大规模处理安全、合同、采购和交付的经批准供应商。另一些则可能为了速度、专业知识或获取内部无法获得的信息而使用外部供应商。
研究重点可能迅速变化。上一季度值得委托的任务,可能不再足够困难,无法用于训练更新的模型。
还存在集中度问题。潜在供应商的数量极为庞大。而能够支撑最大合同的前沿实验室数量相对较少。
Innodata的财务披露说明了这在实践中意味着什么:在2026年前九个月,两个客户贡献了其收入的近四分之三。
文章标题:The Cottage Industry That Is the AI Training Data Market
正文: 一个大买家可以让供应商以极快的速度获得成功。当优先事项发生变化时,它也能迫使该供应商彻底重塑自身。
因此,这个行业真正的竞争优势并不像其创始人希望投资者相信的那样显而易见。关系可以打开大门。质量决定供应商是否有用。专有权利可以让一个数据集变得稀缺。可靠的执行建立信任。这些优势没有一个是自动永久的。
而合成数据生成变得越容易,为通用样本证明溢价定价的合理性就可能越难。
知识被出售的那些人
在 X 上关于商业的讨论中,有一个张力往往会消失。价值究竟源自何处?
在某些情况下,它来自员工多年从事的专业工作,而这些员工根本没有理由预料到自己的通信会成为另一家公司 AI 系统的训练材料。在另一些情况下,它来自那些刻意接受有偿任务的专业人士,教 AI 如何执行需要其专业知识的任务。
这些安排在法律和伦理上各不相同,但都引发了关于报酬和控制的类似问题。
雇主可能对其运营记录持有权利。这并不会自动消除隐私义务或第三方保密权利。专家可能心甘情愿把自己的时间卖给一家 AI 训练公司,同时又担心由此产生的模型可能减少未来对其职业的需求。
数据所有者可能收到一笔可观的一次性授权费,而由此产生的模型在多年里持续创造经济价值。买方也贡献了重要的东西。把原始信息转化为有用的模型能力需要大量的研究、工程和算力。
没有简单的公式来决定这份价值应如何分配。但如果认为创造信息的各方、收集信息的公司、促成交易的经纪商以及训练模型的实验室都会按比例受益,那就太天真了。
合同中的力量平衡很重要。谁理解数据的价值——以及谁控制着通往客户的渠道——同样重要。
一个巨大的市场,以及许多小作坊
AI 训练数据市场已经成为一个引人入胜的矛盾体。
一些公司正在创造数十亿美元的年化毛收入。前沿实验室正花费巨额资金提升模型能力。企业正在发现,历史运营记录可能具有可观的商业价值。
与此同时,这个行业挤满了小型采购运营、合成数据作坊、研究精品店、专家市场和热情洋溢的中间商,他们关于差异化的主张往往听起来可以互换。
这里确实在做真正的技术工作。创建高质量的训练环境、验证困难任务、管理专家贡献者,以及获取法律上可用的专有信息,都可能需要非凡的专业能力。
这个市场也充斥着大量商业表演。七位数回报的广告被当作交易价格来对待。引荐关系变成了专有分销。公开可用的流水线被包装成技术护城河。一个基准走红,突然间它的创造者就在兜售解药。
愿意供货的供应商如此之多,并不能解决这个行业的根本问题:识别模型实际需要什么、验证质量、确立权利,以及证明购买的数据能提升性能。
这些困难解释了为什么有能力的供应商能赚到可观的收入。它们也解释了为什么如此多想成为供应商的人根本卖不出任何东西。
文章标题:这就是 AI 训练数据市场,一个家庭手工业
正文: 这个行业最能说明问题的一点,或许是它的公众形象与实际工作之间的差距有多么大。在动辄数百万美元合同的截图背后,是劳动密集型的服务、复杂的采购关系、质量控制纠纷、隐私审查,有时还有一个相当普通的销售员,正努力让一封邮件得到回复。
机会是实实在在的。炒作则越来越离谱。
毕竟,这是一个家庭手工业。有些“家庭作坊”里装着真正的研究实验室。另一些则只有一个落地页、一个推荐码,和一个嗓门极大的 X 账号。