8.1
深览指数
科技腾讯新闻·硅星人Pro··AI 生成
深度 | AI数据公司凶猛
文章揭示大模型竞争的重心已从算法转向后训练数据：带用户行为轨迹的数据一条报价可达1000至3000元，带完整工作流的数据约1万元，Mercor估值已达百亿美元量级，UniPat成立不到一年即以25亿美元估值融资。作者指出数据公司正从「外包」变成决定模型能力演进的关键角色，但同时披露行业质量失控、刷榜、专家背书造假、隐私泄露与利益输送等乱象，模型厂商已开始收紧采购并做消融核查。原文 ↗
核心观点
- ▍大模型能力进步的瓶颈已从算法架构转向高质量后训练数据，数据供应商从「打标外包」变成决定模型演进方向的关键角色，谁掌握专家网络与任务环境生产能力，谁就在AI主线中占据议价权。
- 01带用户行为轨迹的数据一条报价1000至3000元，带完整操作过程的工作场景数据可卖到约1万元；按每条1000至3000元采购1万条，账单即1000万至3000万元，单笔订单百万、千万元已成常态。
- 02硅谷Mercor去年10月融3.5亿美元、估值100亿美元，今年8月被曝在谈200亿美元估值且英伟达考虑入股；Scale AI接受Meta投资时估值超290亿美元；Surge AI 2024年收入约12亿美元且几乎从第一天就盈利。
- 03据知情人士称DeepSeek九成研究员在做数据相关工作，很少一部分在研究算法；字节已将多处采购与质检团队整合为一级部门「AI数据与安全」，腾讯由姚顺雨兼管AI Data部。
- 04Mercor副总裁Chirag Mahapatra称前沿实验室整体所需数据目前只完成2%到5%；模型公司采购时1万到10万条足够好的垂直领域数据即可把模型训练到相当水平。
- 05OpenAI今年2月宣布不再用SWE-bench Verified报告成绩，其抽查138道o3跑64次都不稳的题中，59.4%在测试设计或题目描述上有实质问题，超过三分之一测试过窄会把正确解法判错，被测前沿模型还能复现部分题目的标准答案。
- 06Spirit航空停飞后，Google以1000万美元拍下其约1亿封邮件和5亿条Teams消息，出价第二的Mercor出750万美元，空乘工会以脱敏不能保护保密内容为由提出异议；Mercor今年3月因LiteLLM恶意版本被攻破，流出约4TB数据、涉及超4万名合同工和客户，Meta无限期暂停合作。
反方 / 局限
- — 行业对数据有效性缺乏验证手段：一家数据公司负责人被问交付数据怎么证明有效时答「不知道」，再问模型厂怎么判断也说「不知道」；同一批数据一个模型厂说好另一个说不行。
- — 作者披露数据公司存在系统性套利：把不相干题目硬拼成长题拉低成功率以刷分；内部合成数据后交给专家「看一眼背书」；付钱请大厂员工在公司外重做内部数据再对外交付；甚至有公司把在Polymarket下注的收益计入总收入。
- — 数据公司最终可能帮模型「杀死」自己：模型公司以企业服务名义接触内部业务资料，脱敏后回到训练环境，企业付了服务费却没有为贡献的数据单独收费；同时投资人的预期退出通道是被模型公司收购，独立性与长期议价权存疑。
UniPat李宽MercorScale AISurge AIEdwin ChenCopula LabHumanlaya智能知识DeepSeek阿里巴巴AnthropicOpenAIMeta英伟达姚顺雨SWE-bench VerifiedRLHFFDE驻场工程师沙箱环境能力树GDPvalSpirit航空数据拍卖
19 分钟 · 6 卡片 · 16 资料
读原文 →