数据不是护城河，稀缺数据才是
大模型训练数据供应链的价值重构与三种终局
最近看了不少关于数据产业的资料，但我感兴趣的是：当高质量公开语料逼近枯竭，数据从免费资源变成稀缺生产资料，产业链上的钱和壁垒正在往哪去？一个直观的信号来自资本。Meta以约143亿美元入股Scale AI，零融资运营五年的Surge AI在首轮融资中被估值至约240亿美元，成立不到三年的Mercor估值冲到约100亿美元。数据服务商的估值逻辑正在被重写，而重写的核心，是稀缺性。
顺着这个问题，本文回答三个方向：
- 数据竞争的主战场，是否已经从预训练语料转向后训练数据？
- 合成数据能不能替代人工标注？
- 中国的数据产业与美国头部公司之间，差的到底是几年时间，还是一整套结构？
价值重构：当数据从免费变成稀缺
大模型训练数据供应链，指从原始数据一路加工到"模型可用数据"的全流程。沿着这条链观察附加值，一个清晰的结构浮现：价值正在向两端集中。上游握有稀缺数据资产的持有者，下游做专家数据和评测服务的高附加值玩家，都在向上走；夹在中间的通用标注环节，正被自动化标注技术侵蚀，同时承受被替代和价格战的双重挤压。
当预训练语料的边际价值下降，真正决定模型能力差异的，已转移到后训练环节。这些数据的共同特征是：稀缺且难以替代。
监督微调（SFT）数据每个新版本都需要，但大量取自ChatGPT、Claude的输出，导致模型趋同、缺乏多样性。人类反馈强化学习（RLHF）数据需要专家对模型输出做偏好排序，主观且依赖文化背景，是目前最难规模化的瓶颈——中文场景还多一层张力，国内标注者的价值观取向与模型出海需要的多元价值观并不一致。推理链（CoT）数据生产成本是普通SFT的2—5倍，需要专家撰写或验证推理过程。多模态对齐数据单条成本可达纯文本的5—10倍，是当前增速最快的方向。
专家数据（法律、医疗、金融、代码）的壁垒不在技术，而在专家网络的规模和一致性。合成数据的壁垒则是质量、多样性、可靠性的三重门槛，且有明确的适用边界：在隐私敏感和罕见场景中有效，但在事实型知识、价值观对齐、前沿推理场景中难以替代真人。实验研究显示，少量人工数据（占比2.5%—10%）带来的性能提升，需要数量级更多的合成数据才能追平。因此，合成数据是必要补充，但核心场景仍离不开人工——尤其是在价值观对齐和专家推理环节。
这个"两端厚、中间薄"的价值分布，是理解后续竞争格局的坐标。
蒸馏数据：高信息密度的价值与合规
行业常把"蒸馏数据"笼统归入合成数据，但它是一个特殊类别——数据由更强的"教师模型"生成，本质属于模型生成数据。按生产方式，合成数据可分为三类：规则/算法合成、模型生成（蒸馏）、对抗/增强合成。三者的合规风险不在一个量级，但价值属性也不同。
蒸馏数据的价值是真实的。用GPT-4或Claude的输出训练小模型，信息密度远高于原始语料，成本也远低于从头采集专家数据。对预算有限又想快速追赶的模型厂而言，这是一条"低成本获取高能力"的捷径。DeepSeek-V3的部分能力就来自这种路径——用强模型的输出压缩知识，再用自己的架构重新训练。
但合规风险正在收紧。2026年初，Anthropic公开指控DeepSeek和阿里通过批量虚假账号获取其模型输出，用于训练竞争模型。OpenAI、Google、Meta等头部实验室已联手收紧服务条款，明确禁止将模型输出用于训练竞争性产品。中国315晚会曝光的数据投毒案例、国家标准对蒸馏数据合规性的推进，都指向同一个趋势：蒸馏数据正从"灰色地带"变为"合规红线"。
在数据分类与采购决策中，宜将蒸馏数据单独列为一类，或明确标注为"合成数据（模型生成）"，以区分合规等级。它仍然可用，但用之前要清楚自己站在灰色地带的哪一侧。
竞争格局：为什么中国出不了Surge AI
三个案例可以把全球格局说清。
Scale AI被Meta以143亿美元入股后，OpenAI、Anthropic等核心客户出于数据机密性顾虑收缩合作，转向Surge、Mercor。被单一大客户深度绑定的数据公司，会失去其他客户信任。
Surge AI零融资、仅百余名正式员工，专注高端任务，收费为Scale的2—5倍。2024年收入 reportedly 已超过Scale同期。数据服务的价值可以来自专业度，而非人力规模。
Appen曾是全球数据标注龙头，市值一度超40亿澳元。但Google（占其收入约30%）在2023年终止合同后，收入断崖式下跌，股价回落逾九成。客户集中度是命门。
三个案例呈现了一个事实：全球数据公司正在分化为不同命运。而中国的问题更具体——为什么复制不了一个Surge AI？
从营收看，美国头部（8—14亿美元）与中国头部（约0.5亿美元）相差约20倍。但比数字更本质的是生态位与商业模式的不同。原因有四个，缺一不可。
第一，需求端缺少愿意为高端认知数据支付高溢价的客户。Surge能收取数倍溢价，前提是OpenAI、Anthropic愿意为一条法律推理数据付出5—10美元；而国内头部模型厂在采购时更看重规模交付与性价比。没有出得起价的甲方，就难以支撑起这样的乙方。
第二，供给端的人力成本优势，反而构成劣势。中国律师、医生、金融分析师的时薪明显低于美国同行，这本应是成本优势，却恰恰压缩了"专家精标"相对"规模众包"的溢价空间——当普通标注足够便宜，甲方更倾向于"多人众包加质检"，而非"少数专家精标"。
第三，合规与出海的双重挤压。国内数据公司既难以直接服务海外前沿实验室（出口管制，且这些实验室本就不服务中国），又因监管导向偏保守，中文对齐数据难以支撑模型出海。两端的高价值需求都难以触及。
第四，资本市场的估值逻辑不同。美元市场容得下"高毛利、慢增长"，因而Surge能够零融资、不扩张、只做高端；A股与新三板更奖励营收增速，促使国内公司走"上规模、压毛利"的路线——海天瑞声营收增长59%、毛利率却下降18个百分点，正是这一逻辑的产物。
这个结构差异体现在中国头部公司的财报里。海天瑞声2025年营收3.77亿元、同比增长59%，但综合毛利率同比下降约18个百分点，前五大客户占比约46.2%，暴露出定制化服务占比上升、行业竞争加剧的双重压力。数据堂2025年营收3.62亿元、同比增长约49%，净利润同比增长约217%，其以1500余个版权数据集为核心的授权模式，在数据资源入表政策下具备资产重估空间。版权数据集授权收入稳定、边际成本低、毛利高；项目制定制收入波动大、难以规模化；平台与SaaS订阅技术壁垒高、依赖生态。三类的毛利差异，决定了各自不同的估值逻辑。
由此推断，中国更可能的突破路径，是放弃在全领域与海外头部正面竞争，转而在某个高价值垂直领域（具身智能、金融、医疗）做深做透，同时绑定一个愿意付高价的头部甲方。
新的高价值方向：具身智能与评测数据
具身智能数据是当前增速最快的方向。全球市场从2024年约2.42亿美元（同比增长约181%），增长至2025年约5亿美元，预计2030年达52.5亿美元，年复合增速超过50%。目前全球高质量真实物理交互数据总量仅约50万小时，供给缺口巨大。供应上分为两条路径：光轮智能以仿真合成数据成为该领域首个独角兽，成本约为真实数据的百分之一；觅蜂科技、鹿明机器人等则主打真实场景采集。2026年6月工信部、国资委联合启动的人形机器人实景实训专项行动，将进一步放大这一方向的数据需求。
评测数据正从学术竞赛演变为独立业务，评测基准本身成为产品。以Humanlaya联合多家机构构建的$OneMillion-Bench为例，其以"人类专家成本"为任务定价、以"经济价值"衡量模型能力，代表了评测数据商业化的一种新范式。
与此同时，AI预标注的渗透率持续走高，基础标注的自动化程度从2020年的约20%升至2025年的约75%。但医疗、法律、推理链等复杂场景仍离不开人工。可预见的长期趋势是人机协同，而非纯自动化替代。
如何判断一家数据公司的数据质量
这是采购方与投资人最关心的问题。综合行业实践，可归纳为五个评估维度：准确性、一致性、多样性、难度/价值、可溯源。
验证手段从弱到强有三种：人工抽检成本低但覆盖有限；黄金标准集比对是行业通用做法；模型验证驱动最强——直接以数据训练模型、观测能力提升幅度，是唯一能验证"数据是否真正有用"的手段。中国2026年3月的高质量数据集国家标准征求意见稿提出的"模型验证驱动迭代"机制，正是这一手段的标准化尝试。
对采购方而言，比"标注准确率"更可靠的判断依据，是供应商在采购方自有模型上的验证结果，以及其数据来源授权链的完整性。前者验证价值，后者规避合规风险。
三种终局
在判断终局之前，先看两条正在收紧的链条：蒸馏数据的合规边界，和数据倒卖的风险。前者是模型输出的二次使用争议，后者是保密期内二次售卖、爬虫非法采集、暗网交易。海外实验室联手限制蒸馏、中国国家标准推进，客观上都对合规数据公司构成利好。技术替代方面，模型自标注能力五年内完全替代的概率不高；市场方面，头部模型厂自建团队、云厂商入局、价格战会挤压利润。但这些风险不改变终局判断，只影响速度。
拉长时间看，数据公司大概率不会齐头做大，而是分化为三种命运。
第一种，被内化。只服务单一大客户、又缺乏独立数据资产的纯外包公司，最可能被模型厂自建团队取代，或被压至微利。Scale AI被Meta收编，可视为这种命运的预演。
第二种，被平台化。技术工具型公司会成为模型厂数据流水线上的一个SaaS环节，天花板受限于工具本身的价值。
第三种，成为基础设施。只有握有稀缺认知数据资产（专家网络或版权数据）、且客户足够多元的公司，才可能升级为不可替代的"AI数据基础设施"，获得长期溢价。
判断一家数据公司的价值，本质是判断它会落在三种终局中的哪一种。以下四个变量，会显著改变终局的落地节奏：大模型的自监督能力有没有质变；合成数据在推理、对齐场景能否达到人工质量；头部模型厂继续外采还是全面内化；中国是否出现愿意付高溢价的头部甲方及绑定的垂直玩家。
需要说明的是，本文基于公开信息整理，部分数据未经审计，宜用于判断趋势而非作为精确结论。
科里（Coralyx），发表于「边界层」2026.07
