2026 年大模型数据市场最重要的变化，是前沿买方的计价单位从「多少小时、多少条」换成了「多少个环境、多少个可验证任务」。Scale 称近一半新项目涉及 RL 环境，单个带验证器的任务卖 200–2,000 美元，网站级环境约 2 万美元/个，独家合同再贵 4–5 倍。全球外采人工与环境数据 2026 年约 60–90 亿美元（gross，推断），绝大部分由美国六到八家前沿实验室支付。中国市场按 IDC 窄口径 2026 年只有 78.34 亿元，按宽口径超过 150 亿元，不到阿里、腾讯、字节三家 AI capex 合计的 3%；同时中国头部实验室每年还向美国数据商支付约 5 亿美元，这个数比本土新锐的订单总额高一个数量级。
供给侧出现了代际断层。老牌上市标注商海天瑞声收入涨 59%，毛利率却掉了 18 个百分点；出身通义、字节 Seed、MiniMax 后训练团队的 UniPat、智能知识、Copula Lab，以及专家平台 Humanlaya，按「研发价值」定价，估值从数亿美元到 25 亿美元不等，各家口径互有冲突。小语种地区存在钱与需求的错配。中东、印度、韩国钱多，但主要花在算力上；东南亚、非洲、拉美缺数据，预算却只有千万美元级。在各国政府里，只有韩国写明了数据构建金额：2027 年预算案列了 8,000 亿韩元。
眼下最确定的多语种买方，其实是出海的中国模型厂，Appen China 2026 年上半年收入增长 80% 就是证据。美国标杆公司能成功，靠的不是标注工具，而是四件事：可验证的专家供给网络、软件化的质检、先做评测再卖数据、保持中立并守住安全。这些机制可以迁移，美国的价格水平和单客户预算规模迁移不了。「模数回环」经两轮检索，没有找到任何公开记录。对 DataArc 而言，证据支持的切入方式有两条：一是以环境族为单位，出售保险、金融等专业场景的 RL 环境与 Judge；二是承接中国模型厂出海和东南亚主权团队的本地语种后训练与评测。
不建议和专家众包平台比拼人头规模。
采购单位换成「环境」，全球外采数据 2026 年约 60–90 亿美元
前沿实验室采购的东西变了。Scale 在 2026 年 2 月推出 RL 环境产品线时称，近一半新数据项目涉及 RL 环境官方Scale。国内媒体 2026 年 10 月的描述是：AI 头部企业的采购单位，从「多少小时」「多少条标注」变成了「多少个环境」报道新浪财经。Snorkel 把这种转变称为从 Data 1.0（拼数量与人力）走向 Data 2.0（复杂、定向、高质量），并说前沿数据「已不能靠堆人工小时满足」Snorkel。Epoch 访谈了 18 位从业者，得到几条结论：RL 请求量约为 benchmark 请求的 10–20 倍；成功轨迹会被回收，用于 SFT 和中训练；二线实验室跑不动大规模 RL，因此更偏好 SFT报道Epoch AI。
环境还会「折旧」：模型刷满分后，环境就要换成更难的。所以环境采购是持续消耗，不是一次性买断澎湃。
价格梯度说明，价值已经从「人时」转移到「可复用的任务、验证器和环境资产」。Epoch 的样本里，每个任务的成本多在 200–2,000 美元。约 2 万美元一个的任务很少见，主要是复杂 SWE。合同常见规模是每季度六到七位数美元，新兴实验室报的合同多为 30–50 万美元，独家合同比非独家贵 4–5 倍。Mechanize 估计，每个任务在 RL 训练中还要消耗约 2,400 美元算力Epoch AI。SemiAnalysis 报道，OpenAI 为 ChatGPT Agent 买了数百个网站环境，每个约 2 万美元，买一次可以跨代复用，日志还会进入中训练SemiAnalysis。
卖方真正的成本在筛题和打磨验证器上。奖励被模型钻空子（reward hacking）是被提到最多的质量问题。目标通过率约 2–3%，即 64 或 128 次 rollout 里至少成功 1 次；约 70% 的候选任务最后会被弃用Epoch AI。
| 产品形态 | 典型价格 | 口径与时间 | 来源 |
|---|---|---|---|
| 基础标注 | 早期 NLP 约 0.02 美元/条；Scale 按量约 2 美分/图、6 美分/标注 | 报道/估算 | BigGo；Sacra |
| 美国通才 RLHF/偏好 | 25–50 美元/时（Surge/DataAnnotation 广告）；Outlier 25–40 美元/时 | 招聘广告 2026 | Contrary |
| 美国专家工时 | Surge 75–150；Mercor 均值 80–122，专家 75–200+；Handshake 100–125 美元/时 | 招聘与估算 2026 | Sacra；usagepricing |
| 中国专家工时 | 字节 Xpert 100–500 元/时；阿里「晓天睿士」最高 1,000 元/时 | 报道 2025-12 | 新浪财经 |
| 可验证任务 | 200–2,000 美元/条；复杂 SWE 约 2 万美元 | 访谈 2026-01 | Epoch AI |
| 网站/应用环境 | 约 2 万美元/个；高保真 Slack 类约 30 万美元；浏览器版 SAP 约 50 万美元（传闻） | 报道/传闻 | SemiAnalysis；MTS on X |
| 独家溢价 | 非独家价格的 4–5 倍 | 访谈 | Epoch AI |
| 语音 | 成品 60–95 美元/音频小时；低资源语言定制采集 150–250+ 美元/时 | 供应商营销口径 | SpeechData.ai；Spirelight |
没有任何实验室公开过年度数据预算，市场规模只能从三个方向交叉估算。第一是投资方口径。Oak HC/FT 在 2026-10-01 领投 Halluminate 时写道：实验室训练数据支出约 70 亿美元/年，2030 年会是这个数的数倍，瓶颈在高质量环境的供给，不在付费意愿估算Oak HC/FT。第二是供给侧加总。Menlo Ventures 的图谱统计了 28 家训练数据初创，年收入合计约 85 亿美元，估值合计近 1,000 亿美元，其中 Scale、Surge、Mercor、Handshake 四家占四分之三以上估算，二手转述BigGo。
可审计的下限来自四家单独披露 AI 数据收入的上市公司（Appen、Innodata、TaskUs、海天瑞声），2025 年合计 7.183 亿美元，增长 32%Glasp。第三是单客户口径，这里两个数字差了一个数量级。一种说法是「每家头部实验室每年约 10 亿美元人工数据」，出自 TIME 报道中一位供应商 CEO，Glasp 明确称之为行业观点而非测量值Glasp。另一种是播客片段里的「每家 100–150 亿美元」，原帖付费不可读MTS on X。后者与供给侧规模明显对不上，应视为夸大，或是把算力也算了进去。
研究机构给出的「AI 训练数据集市场 30–34 亿美元」与实验室真实支出脱节。Wing VC 估计传统标注约 50 亿美元、增速超过 50%，澎湃则写增速 20% 以上，两者在增速口径上冲突Wing VC澎湃。
把三个方向放在一起，本报告的推断是：2026 年全球前沿和准前沿实验室外采的人工数据（含 RL 环境）约 60–90 亿美元（gross），其中供应商自留的 net 约占 35–45%。2027 年继续增长的依据有三条：Mercor 自己给出的年底 run-rate 目标是 28 亿美元；Halluminate 等环境公司在冲九位数收入；OpenAI 2026 年研发算力预计约 190 亿美元，是 2025 年的两倍BigGoEpoch AI。据此，2027 年 100–150 亿美元（gross）是站得住的推测，增速会从 2026 年的 2 倍以上回落到 1.5 倍左右推断。
拖累因素也真实存在：OpenAI 在建内部承包商平台 Feather，xAI 和 Anthropic 在招环境岗位；可验证领域越来越多靠模型自生成；开源环境在增加，小米在 Hugging Face 开源了 7,780 个 RL 环境，Prime Intellect 的 Hub 收录了 2,500 多个社区环境SemiAnalysis新浪财经rl-list。
中国需求：数千亿元算力投入，外采数据只有百亿元级，大买家只有六到八家
中国需求的结构可以用三句话概括：钱集中在算力；数据外采集中在少数可验证品类和专家品类；有大额后训练预算的买方只有约六到八家基座模型厂。
基座厂的数据配方：以自爬和合成为主，外采集中在三处
各家技术报告披露的数据配方（公司自报，未经独立核验，汇总自 jimmy·research）显示，预训练语料以自爬为主，RL 题量并不大，环境大量靠合成jimmy·research。
| 厂商 | 预训练规模 | 后训练/RL 数据 | 外采线索 |
|---|---|---|---|
| DeepSeek | V3 14.8T；V4 >32T | R1 的 SFT 约 80 万条，多为模型生成后人工核验；V3.2 合成 1,827 个 agent 环境、85,000+ 条 prompt | 招「数据百晓生」出题、写答案、给 AI 打分 |
| 阿里 Qwen3 | 约 36T，覆盖 119 种语言 | 推理 RL 只用了 3,995 个 query-verifier 对 | 自建专家社区「晓天睿士」 |
| 月之暗面 Kimi K2 | 15.5T（K2.5 续训约 15T） | 3,000+ 个真实 MCP 工具加 20,000+ 个合成工具；SWE 沙箱并发超 10,000 | 主要自建 |
| 智谱 GLM-5 | 28.5T | 超 1 万个可验证 SWE 环境 | 数学/科学 RL 题「与外部标注供应商共建」 |
| MiniMax | M2 29.2T | M1 约 5 万道数学题加 41 类合成逻辑题 | 招股书：每年约 HK$6,490 万用于数据采购、标注、合规（三项合并） |
| 字节 Seed1.5 | — | SFT 40 万条；STEM RL 约 10 万题；逻辑谜题约 1 万道 | 自建 Xpert；海天瑞声称字节是「重要客户之一」 |
| 腾讯混元 | Large 7T（约 1.5T 合成）；A13B 20T | SFT 超 100 万条，人工标注 | — |
| 小米 MiMo | V2.6-Flash 48T | RL：代码约 12 万、搜索 15 万、通用 5 万 | 写明 licensed data vendors；开源 7,780 个 RL 环境 |
| 美团 LongCat | 超 20T | 覆盖 40 个领域、约 1,600 个应用、8 万个 mock 工具 | — |
这张表有三层含义。第一，RL 题量普遍在几千到几十万道，Qwen3 只有 3,995 对。需求的增长体现在单价上，而不是体量上：买方要的是少量、可验证、高难度的题目。第二，外采集中在三处：授权语料（小米）、RL 题和专家出题（智谱、MiniMax）、多模态与语音。通用 agent 环境大多由厂商自建或合成，小米的开源更进一步压低了通用环境的价格。第三，只有两条数据能落到账面上。MiniMax 每年约 HK$6,490 万，口径是 2026–2030 年每年，三项合并；智谱招股书里 2024 年「技术服务及咨询费」4,504 万元，含数据清洗和模型评估，只能看作上限jimmy·research。
据此推断，二线基座厂每年的外部数据预算在千万元人民币量级。字节的说法互相冲突：硅星人称其 2026 年世界模型训练数据预算为「数千万元人民币」硅星人，另有报道称字节数据预算「超过 10 亿美元」，口径不明AI Proem。没有任何一家披露「外采:自建」的比例。
大厂的三层采购结构：自建专家平台直连个人，总包商做规模，众包做低端
高端专家这一层正在被模型厂直接吸收，绕开了数据服务商。字节的 Xpert 平台公开招募专家，时薪 100–500 元，要求国内外顶尖高校在读、硕博优先，只给一次准入考试机会，宣传说有专家「每天 2 小时，月入 2 万+」蓝鲸新闻。阿里的「晓天睿士」社区以头部高校硕士起步，行业专家时薪最高可达 1,000 元。DeepSeek 从 2023 年起招「数据百晓生」，实习日薪 500 元以上新浪财经。有大厂以月薪 10 万元招三甲医院医生做标注蓝鲸新闻。规模化和垂类数据则走招标：2025 年 3 月，抖音集团内容质量与数据服务平台对外寻找标注供应商，点名医疗、法律、教育等垂类财联社。
字节 Seed 的 AI Data and Safety 团队负责定义评测，并把用户反馈和 benchmark 结果转成数据需求joinbytedance。DeepSeek 2026 年 6 月开启成立以来最大规模的招聘，数据相关岗位是预训练数据工程师、Code Agent 数据工程师和数据产品经理，没有标注员岗位同花顺。这说明 DeepSeek 把数据工作「工程师化」了，偏合成、筛选和流水线。底层是县域人力。百度与地方政府、运营公司三方共建了 20 多家标注基地，每家约 4,000–5,000 人，本科及以上不超过 10%，业务以自动驾驶为主新京报。
买方的痛点不在价格。某互联网巨头的 AI PM 说：「我们购买数据最痛苦的不是价格高，而是不知道买得是否正确」。某头部模型厂的数据负责人透露，采购清单里真正拿得出授权合同的只有约七成新浪/市值观察。这两句话指出了供应商可以差异化的方向：证明数据对训练有效，并保证数据的权属干净。
2026 与 2027 年预算：capex 高增长，数据预算没有同比例增长
| 项目 | 2026 年 | 2027 年 | 口径 |
|---|---|---|---|
| 阿里 capex | 截至 2026-06-30 的季度为 676.78 亿元，同比 +75%；3,800 亿元三年计划已投约 1,900 亿元同花顺 | 吴泳铭称未来三年 capex 可能「远超」3,800 亿元；宣布 800 亿港元配售，全部投向 AI | 官方 |
| 腾讯 capex | Q2 527.84 亿元，同比 +176%；单季自由现金流 2005 年以来首次转负虎嗅 | 管理层：AI capex 集中在今年和明年，「不应假设每年都会有」 | 官方/报道 |
| 字节 capex | 计划 1,600 亿元（钛媒体）；另有报道称 2,000 亿元以上，或上限 700 亿美元，说法相互矛盾新浪/钛媒体联合报 | — | 报道 |
| AI 基础数据服务（IDC 窄口径） | 2025 年 62.62 亿元（+27.8%）；2026 年预测 78.34 亿元IDC | 2025–2030 年 CAGR 19.6%，照此 2027 年约 94 亿元（推算） | 机构 |
| 数据标注（宽口径） | 2025 年 117.53 亿元；2026 年预测超 150 亿元霞光社/界面 | 政策目标年均复合增速超 20%；约 170–180 亿元（推算） | 机构/媒体 |
| 二线基座厂 | MiniMax 约 HK$6,490 万/年 | 同（2026–2030 年每年） | 招股书 |
两种市场口径相差近一倍，差异来自宽口径计入了政府数据集建设、企业内部标注和众包。另有厂商导购文引用 IDC 称市场「超 200 亿元」，无法佐证，不建议采信长三角城市网。按 2026 年的量级算，三家大厂 AI capex 合计约 5,000–6,500 亿元，全国标注市场只相当于它的 2–3%推断。「capex 中数据占比」这个说法本身口径就有问题，因为大厂的数据支出主要记在 opex 里，包括人力、众包和自建平台。IDC 给出了两个对卖方有用的信号：客户的 AI 采购预算因 Agent 技术成熟增长了约 20%；IDC 建议计费方式从「按数据量」转向「按模型效果/解决方案」IDC。
合成数据确实替代了通用 SFT 和偏好数据的人工采购：R1 的 SFT 多为模型生成，MiniMax 的 RL 逻辑数据全部是合成的，混元约 21% 的预训练数据是合成数据jimmy·research。但专家出题、评测和可验证题的需求在上升，形成「量降价升」。2027 年的判断如下：头部厂算力投入仍处高位，数据预算跟着模型迭代次数增长，结构继续向 RL 环境和专家数据倾斜；腾讯「集中在今明两年」的表态意味着 2027 年后增速可能放缓推断。
一块被低估的外流：中国实验室每年向美国数据商支付约 5 亿美元
Forbes 2026 年 8 月引两位从业者的估算称，中国前六大 AI 实验室每年向美国数据供应商支付约 5 亿美元，点名的供应商有 Surge、Mercor、AfterQuery、Turing，买方包括字节、阿里、蚂蚁、腾讯。其中 AfterQuery 至少有 5,000 万美元经常性收入来自中国实验室，Mercor 2026 年 Q2 约 2% 的收入来自中国实验室报道，二手转述aiweekly 转述 ForbesShattered。SemiAnalysis 认为 Surge 也卖给月之暗面和智谱SemiAnalysis。
还有中国实验室会等海外数据集独占期结束后，以「零头」价格买下同一批数据AI Proem。对比本土：The Information 称，截至 2026 年 5 月底 UniPat 的客户订单约 3,000 万美元Dealroom。也就是说，本土头部新锐的订单规模，比中国实验室流向美国的钱低一个数量级。这块外流就是进口替代的空间。它同时受政治因素影响：美国目前没有针对数据标注服务的出口管制，但 Scale 在 2024 年已在国安压力下退出字节合同，Lawfare 也在倡议限制对华销售训练数据ShatteredLawfare。
反过来，美国平台也在直接招聘中国专家。Mercor 发布过「简体中文双语法律专家」岗位，要求在中国执业 2 年以上，时薪 70–80 美元品玩。这意味着海外实验室对中文专家数据的需求，大量被绕过中国供应商直接满足了。
具身训练场与政企招标：政府在供给侧花钱，不是终端买方
具身数据是地方政府投入最重的品类。截至 2026 年 6 月底，全国建成启用的具身训练场有 70 多个，另有 46 个在建或规划；已披露的训练场中 86% 包含工业制造场景官方/机构新华网。一座数千平方米的训练场通常要投入数千万到上亿元。已投用的 64 个数采中心里，至少 13 个部署了 100 台以上机器人。但专业遥操员一天工作 8 小时，真正可用的数据只有两三小时。北京首钢园训练中心 2025 年 3 月揭牌，运行不到 18 个月，原运营方就撤走了设备21 世纪经济报道。行业人士质疑，部分项目靠政府支持、本体采购和数据回购形成了内部循环艾邦机器人。
粗算一下：116 个训练场乘以每个数千万到上亿元，建设投入在 50–150 亿元量级，其中包含本体采购推断。2027 年这个市场会从比拼数量转向按「有效小时」验收，真正的买方是 VLA 模型公司。
政企侧的招标增长很快，但数据只是配套子项。2026 年一季度，大模型中标项目数同比增长 219%，披露的金额同比增长 208%，应用类占 64%（二手统计）新浪。对 234 个项目的统计显示，多数中标金额在几十万到几百万元之间澎湃。几个典型标的：智谱拿下杭州城投超 6,000 万元的大单，内容包含数据清洗与标注腾讯新闻；2026 年 9 月一条「大模型验证服务」询价公告金额 7,428 万元，含数据标注子系统，这是询价而不是成交价乙方宝。行业客户（金融、保险、医疗）的数据预算大多藏在「私有化部署 + 应用开发」的总包里。
独立数据商要拿到这部分钱，需要通过集成商或模型厂的总包推断。
中国供给：老标注商毛利被压，后训练「研发外包」公司拿走溢价
上市供给方的账本：海天瑞声收入涨 59%，毛利率掉 18 个百分点
海天瑞声 2025 年年报是目前最好的一手样本官方海天瑞声 2025 年报。全年营收 3.77 亿元，增长 59%；综合毛利率 48.08%，同比下降 18.38 个百分点。原因是高毛利的标准化数据集占比下降，低毛利的定制服务放量。
| 产品线（2025） | 收入 | 同比 | 毛利率 |
|---|---|---|---|
| 智能语音 | 1.503 亿元 | −8.66% | 75.46% |
| 计算机视觉 | 1.479 亿元 | +217.66% | 27.62%（−10.22pp） |
| 自然语言 | 0.511 亿元 | +112.29% | 41.40%（−18pp） |
| 训练数据相关应用服务 | 0.276 亿元 | +1,390.69% | 21.00% |
这家公司的实质是「项目总包 + 众包调度」。年报列出的员工只有 262 人，采购额的 78.36% 是外部采集和标注服务费，到 2026 年上半年升到 84.29%。第一大供应商占采购额的 25.44%。前五大客户占收入的 46.20%，其中四家是当年新进前五。境外收入占 41.81%，出口美国占总营收的 19.12%。境内增量来自「以短视频平台、本地生活服务平台为代表的头部科技互联网企业」和运营商类央企海天瑞声 2025 年报。2026 年上半年营收 1.919 亿元，增长 22.45%，但境外收入下滑，占比降到 26.65%。
公司给出的原因是「境外客户……集中采购订单体量阶段性回落……标准化通用类数据采购需求阶段性收缩」海天瑞声 2026 半年报。这是一手信号：海外大厂正从规模化数据储备转向精细化、垂直化、定制化采购。券商口径的 2026 Q1 营收增长 39%，新签及待签订单同比增长超 100%，毛利率回升到 56%东吴证券。但 Q2 毛利率环比下降 7.33 个百分点，应收账款同比增长 55.92%腾讯新闻。可见需求热度没有均匀传导到传统供应商，价格和回款都承压。
Appen China 是中国最大的单一外包供给方。2026 年上半年收入 7,620 万美元，增长 80%；underlying EBITDA 1,210 万美元；年化 run-rate 从 2025 年底的 1.35 亿美元升到 2026 年 6 月的 1.75 亿美元以上。增长来自生成式 AI 项目，公告原话是「including supporting international expansion for Chinese technology companies」。同期 Appen Global 下降 27%，公司也承认 Appen China 的利润率传统上低于全球业务官方Appen ASX 公告。
这里要注意一个口径陷阱：Appen 的「China」分部包含日本和韩国Kalkine，所以 +80% 不全是中国大陆的需求。IDC 的厂商份额是 Appen 11.5%、百度 10.6%，其余合计 56.3%，市场高度分散IDC。霞光社称海天瑞声市占率 18.3%，这与它 3.77 亿元的收入对不上：在 IDC 口径下只约占 6%，在宽口径下约 3%，因此不宜引用霞光社/界面。其他可查的数字：数据堂 2025 年营收约 3.62 亿元，增长 49.2%，归母净利润增长 210.56%，但同期审议了会计差错更正，需看年报原文才能下结论同花顺；本原智数 2025 年营收 1.562 亿元，千百度在 2026 年 6 月以 3 亿元取得其约 90.91% 股权AI Proem；艺恩数据 2025 年营收 3,735.54 万元，毛利率 48.79%，海外订单首次突破千万级新浪/市值观察。
新一代公司：创始人来自大厂后训练团队，卖的是「懂训练目标的数据」
2026 年新出现的数据公司有一个共同标签：创始人出自大厂后训练团队或数据团队。通义出来的做了 UniPat，字节 Seed 出来的做了智能知识，MiniMax 出来的做了 Copula Lab。它们卖的是「懂训练目标的数据研发」，而不是人力，和上一代标注厂形成了代际断层硅星人。
| 公司 | 出身 | 产品与交付 | 融资与估值（冲突并列） | 客户信号 | 主要疑点 |
|---|---|---|---|---|---|
| UniPat（模式星河，2025-12 成立） | 通义 DeepResearch/WebSailor（李宽、尹汇锋）；CTO 陈亮来自 Qwen 和 Moonshot 多模态团队 | RL 后训练数据（多种 Agent 框架下的编程轨迹、多工具任务）+ benchmark（BabyVision、UniScientist、Terminal-X、SaaS-Bench） | 阿里拟领投约 3 亿美元。估值：投前约 25 亿美元（彭博口径，2026-09）vs 投前 10 亿美元（The Information）。状态：「拟领投」vs「已完成 A 轮」腾讯新闻Dealroom | 阿里同时是投资方、客户和算力提供方（算力每年数千万元级）；截至 2026-05 订单约 3,000 万美元；「2026 年初营收破 1 亿美元」只是传闻 | HF 下载量只有两位数；榜单未被头部技术报告引用 |
| Humanlaya / TalentsAI（原壤智能） | 创始人未公开；联创 Jasper Jiao 参与过字节 Xpert 的搭建 | 专家平台（TalentsAI）+ 实验室品牌（Humanlaya，$OneMillion-Bench、BiomniBench） | 天使轮近千万美元（红杉中国、BAI）；Pre-A 数亿元人民币（2026-09-09，鼎晖香港领投）；投后估值「数亿美元」vs「接近 10 亿美元」界面Webull 转智通 | 「国内大多数主要模型公司」是客户；已向专家累计支付「数千万」；专家数从 5 万+（2026-08）增至 10 万+（2026-09） | 创始人身份与 ARR 均未公开 |
| 智能知识 | 字节 Seed 数据工程（汪涉洋、李宽野） | 一面千识（专家供给）、Xpert Studio、Terminal RL Data、MCP Data | 种子轮五源、奇绩；天使轮锦秋、耀途（2026-06），金额未披露 | 拿到「头部大模型公司」订单；连接 5 万+ 专家，每月数千人接单 | 金额与估值未披露 |
| Copula Lab | MiniMax Agent 与后训练（梁丽、蔡佳人） | 专家工作流数据、benchmark、RL 环境（如 WebDev） | 已获投，未披露 | — | 硅星人：尚不能证明具备大规模 RL 所需的完整工程能力 |
| 维纳智能 | 前平安加马研究院、香港生成式 AI 研发中心 | 合成推理数据（cQrA），封装进企业 Agent | 联想创投领投千万美元级种子轮 | — | 需要独立 verifier |
| 曼孚 MindFlow | 老牌自动驾驶标注 | 转向 RL 环境、Agent、Eval | Pre-C 数亿元（2026-04-08，五源领投）投资界 | 自述日均 token 消耗千亿级 | — |
| 光轮智能 | 英伟达、Cruise 仿真团队 | 具身仿真资产与合成数据 | A++/A+++ 10 亿元（2026-03，蚂蚁领投）；战略轮 10 亿元（2026-06）东方财富 | 自述国际主要具身团队超 80% 的仿真资产来自光轮 | 客户名单只见二手摘要 |
| Abaka AI（疑似整数智能的海外主体） | 浙大系 | 多模态、Agent/RL、第一视角具身采集 | A 轮 800 万美元（2026-05），累计约 2,000 万美元Dealroom | 自述服务 1,000+ 实验室；日本法人与住友商事 SCSK 系的 Gran Manibus 合作PR TIMES | 与整数智能的关联属强推断，未经公开确认 |
UniPat 和 Humanlaya 代表两种打法，背后是同一个投资人。UniPat 的定价权来自研究能力和大厂背书。阿里与它的合作以 RL 后训练数据为主：先在小模型上低成本实验，筛出有效的数据方案，再扩大生产并在大模型上验证。阿里另外提供资金和算力硅星人。这更像是阿里把后训练数据研发部门外部化了，所以媒体说客户「买的不只是材料」，还买寻找有效材料的实验过程。UniPat 的产出节奏很密，平均每 1–2 个月发一个 benchmark。UniScientist 由人类专家与 LLM 协作产出了 4,700 多个研究级科学任务，覆盖 50 多个学科，每个任务配有可验证的 rubric投资界。
Humanlaya 走「众包平台 + 品牌化 benchmark」的双品牌路线。它的 $OneMillion-Bench 有 400 题、7,000 多个检查点，100 多名专家累计投入 2,000 多小时，每题由 3–4 名专家对抗审核，题目最终质检通过率只有 38.1%。它用「资深专家完成时长 × 行业时薪」给题目定价，得出总值超过 100 万美元的经济价值叙事，从而出圈投资界。两家公司都和红杉中国的评测体系 xbench 深度绑定，红杉也投了两家。这说明红杉在用评测体系为被投公司建立公信力和渠道。
领投 Humanlaya 的鼎晖总结了几条判断：数据稀缺性将超过算力；增量在专家大脑和企业内部数据；只做渠道的公司接近 HRO（人力资源外包）；应该走类似台积电的「数据制程」，汇集多家客户的需求来提高专家利用率腾讯新闻。从业者用「暴利」形容这门生意。他们的经验是，针对某项能力，一万到十万条高质量数据就可能带来明显改善。一位评测研究员说，一批数据不改架构就能让编程榜单涨三个点，「你买不买？你肯定买」硅星人。
风险信号同样清楚。截至复核时，UniPat、xbench、Humanlaya 系的榜单都没有被 DeepSeek、Qwen 等头部技术报告正式引用。UniScientist 和 UniMath 在 HF 上的下载量分别只有 75 次和 18 次。也就是说，这些公司的公信力目前主要来自融资市场，而不是技术引用jimmy·research。买方高度集中：国内只有约 6–8 家头部厂有大额后训练预算，大厂随时可能把成熟的数据形态收回自做。高估值也可能锁死后续融资虎嗅。还有一个结构性风险：阿里同时是 UniPat 的领投方、客户和算力方，这与 Scale 被 Meta 入股后失去中立性的处境相似。
腾讯、字节是否会因此回避 UniPat，值得观察推断。
「模数回环」：两轮检索均未找到这家公司
两轮共十余组检索全部没有命中。第一轮用了「模数回环 大模型数据 融资」「"模数回环" 公司」「模数回环科技」，以及英文 ModuLoop / Modu Loop。第二轮做了拆词，试了 Moshu Loop、MoLoop，查了工商名形式「模数回环 科技有限公司」，以及「回环 大模型 数据 初创」、招聘和播客等关键词。返回结果只有数学上的「环」、SLAM 回环检测、Intel 和施耐德的 modulo-loop 技术文档等无关内容湖南省政府门户Schneider。我们还逐篇查了四篇 2026 年国内数据赛道综述的全文，都没有出现「模数」「回环」「Loop」字样：新浪财经 2026-10-13 陶鹤山文、硅星人 2026-08-16 文、jimmy·research 供应商全景、AI Proem 2026-10-09 综述新浪财经硅星人AI Proem。
本报告不对这家公司做任何描述，下面只列出最可能的解释。
| 候选 | 是什么 | 为什么像 | 为什么不能确认或应排除 |
|---|---|---|---|
| 智能知识 | 字节 Seed 系的专家数据 + RL 环境公司 | 「专家 + 环境 + 回流训练」的话术与「模型–数据回环」的语义最吻合 | 公开报道中从未用过这个名字 |
| Copula Lab | MiniMax 系的专家工作流数据 + 环境公司 | 同上 | 同上；融资信息未披露 |
| 「模数共振」 | 工信部与国家数据局 2026 年联合推动的行动，「模」指 AI 模型，「数」指行业数据，面向 20 个制造业领域湖南省政府门户 | 字面最接近，可能是误记 | 这是政策名，不是公司 |
| 「模型–数据回环 / 数据飞轮」 | 行业通用概念 | 字面含义一致 | 这是概念，不是公司 |
| 脸谱心智 Facemind | 做「人类闭环数据」Ego-NeuroLoop、采集设备 NeuroMatrix 和 Looped World Models网易/机器之心 | 名称和叙事里都有「Loop/回环」 | 方向是神经信号与具身采集，名字不同 |
| 元环智能 MetaCircle | KAN 一作刘子鸣创办，顺为领投数亿元（2026-10）新浪 | 名字里有「环」 | 做元模型和 AI 设计算法，不是数据供应商，排除 |
天眼查、企查查需要登录，且有反爬，这次没能直接查工商库；即刻、小红书、脉脉、小宇宙也没有被搜索引擎有效索引。建议补充听到这个名字的原始出处（截图、播客期号或人名），或者登录企查查按「模数」「回环」字号精确检索。
价格：专家时薪百元到千元，中美差距只在底层
国内专家时薪已经和美国中档接近。蓝鲸报道，高难度专业标注的时薪从约 100 元涨到 400 元以上，部分岗位不设上限。门槛是 985 或顶尖院校硕士起步。一道金融题常常要近 4 小时，平台结算却封顶 3 小时，等于用工时上限压低了实际单价蓝鲸新闻。36 氪 2026 年 5 月的标题写到「时薪 800 元、硕士起」，说字节、阿里、DeepSeek、MiniMax、智谱从 2025 年下半年起都在招募高级标注36 氪。TalentsAI 的推广口径是每小时 100–500 元，Vibe Coding 任务设计按件计价，每件 500–1,000 元搜狐。
基础层的情况完全不同。北京 151 份标注 JD 的月薪中位数是 10,500 元；84 个日薪岗的中位数是 185 元/天；县城标注员月薪 3,000–5,000 元，「北京开价 4,000 招不到人，县城 2,000 有人抢」。行业自动化率从三年前约 30% 升到 60% 以上，2024 年 80% 的投资流向了自动标注公司虎嗅。按时薪乘工时粗算，一条专家级可验证题或 SFT 样本的人工成本约为 300–2,000 元，不含供应商毛利推断。国内顶端专家时薪 400–800 元，约合 55–110 美元，已经接近 Scale 的 STEM 专家（30–50 美元）到 Mercor（90–110 美元）这一档BigGo。
真正的价差在基础层，中国约为美国的 1/5–1/10。这意味着「中国专家数据卖给美国实验室」在价格上没有明显优势，差异化只能落在稀缺语种、本地业务流程和环境资产上推断。
政策把标注当产业扶持，2026 年转向专家认证和词元计价
2025 年 1 月发布的《关于促进数据标注产业高质量发展的实施意见》提出，到 2027 年产业年均复合增速超过 20%，并把标注服务纳入政府采购统筹新华网。2025 年 5 月确定了 7 个基地城市：成都、沈阳、合肥、长沙、海口、保定、大同。截至 2026 年 6 月，这 7 城的标注规模超过 119PB，从业者 14 万人；全国高质量数据集 12 万个，总体量超过 1,565PB光明网转央视。2026 年 6 月印发的国数科基〔2026〕25 号文是转折点第一财经。这份文件做了几件事：把标注方向转向「人机协同 + 领域专家」，并建立专家认证；提出 AI-Ready 质量标准，测评结果「一次测评、全国互认」；探索包括词元计价在内的定价、交易和资产化融资；覆盖 19 个重点领域和 5 个创新领域，目标节点是 2028 年底。
2026 年 8 月的数博会上又宣布在 32 个城市布局新一批先行先试，形成「7+32」格局。国家数据局局长提出研究「词元增值订阅、按效付费」等商业模式同花顺。官方显然已经意识到 PB 不等于可训练数据。不过 14 万从业者和 119PB 中的大部分是视觉和自动驾驶的感知数据，本科以下学历占 90% 以上，属于县域就业型人力，和大模型高端数据的高校及职业专家型人力几乎不重叠推断。
从协作生态看，供给链条是：模型厂（自建平台或直接招专家）→ 总包数据服务商（海天瑞声、Appen China、数据堂，各自只有数百名正式员工）→ 二级采标供应商或地方基地运营公司 → 百万级众包池、三四线城市基地和东南亚交付基地。专家层正在被模型厂去中介化，传统服务商的增量转向了四个方向：政府和央企数据集、具身真机采集、多语种出海，以及海外低价交付海天瑞声 2026 半年报。新一代公司则通过三条路径进入链条：VC 的评测体系（xbench）、老东家的研发外包，以及自建专家平台。
小语种地区：有钱的国家买算力，缺数据的国家没预算
主权 AI 预算有一个共同特征：资金主要流向算力，数据很少单独列支。
| 地区 | 代表项目 | 公开预算 | 数据是否单列 | 时间与口径 |
|---|---|---|---|---|
| 新加坡 | NMLP / SEA-LION、MERaLiON | S$7,000 万（约 US$5,200 万），两年GovInsider | 否；2025-12 到期后未见续期预算 | 官方，2023-12 |
| 泰国 | ThaiLLM | 提案 1.2 亿泰铢（约 US$340 万）itnews.asia | 否 | 2024 年提案，最终预算未公开 |
| 印尼 | Sahabat-AI；Danantara 主权 AI 基金 | 投入未披露；基金拟于 2027–2029 年设立，规模未定Indonesia Business Post | 否 | 2025–2026 |
| 越南 | Viettel VT-Super-120B；FPT AI Factory | FPT 2 亿美元，投向算力iTnews Asia | 否 | 2024-04 |
| 沙特 | HUMAIN / ALLaM | 到 2034 年 6.6GW、约 770 亿美元数据中心；100 亿美元风投基金Semafor | 否 | 2025-05 宣布的计划 |
| 印度 | IndiaAI Mission | 五年 Rs 10,371.92 crore；BharatGen 获 Rs 1,058.52 croreMediaNama | 否，主要投向算力 | 2024-03 / 2026-04 |
| 韩国 | 独立 AI 基础模型项目 | 2027 年预算案：AI 总额 9.4211 万亿韩元（+84.3%），其中前沿 AI 高质量数据构建 8,000 亿韩元（约 1 万亿 token）iNews24 | 是 | 2026-09-01 预算案 |
| 日本 | GENIAC | 2024–2025 年约 1,470 亿日元globaldeal.io | 部分（含数据利用示范项目） | 二手聚合来源 |
| 巴西 | PBIA | 2028 年前 230.3 亿雷亚尔，其中 11 亿雷亚尔用于国家 AI 训练数据库Convergência Digital | 是 | 2024-07 |
| 拉美区域 | LatamGPT | 训练成本约 55 万美元Buenos Aires Times | — | 2026-02 |
东南亚：千万美元级的主权模型，缺口在后训练、方言和评测
东南亚的模式是「政府出小钱 + 电信或财团出算力 + 在开源底座上继续预训练」。SEA-LION v4 覆盖 11 种语言，训练数据共 5,000 亿 token，来源是网页、代码、开源数据集和合成数据SEA-LION。Qwen-SEA-LION-v4-32B 以 Qwen3-32B 为底座，算力用阿里云。它用了 SEA-PILE-v2 中 1,000 亿 token 的子集，AI Singapore 称这部分是预训练，Computer Weekly 称是后训练，两个来源不一致SEA-LIONComputer Weekly。
Gemma-SEA-LION-v4-27B 后训练约用了 1,000 万条 QA，RL 阶段直接用 NVIDIA 的 Nemotron 后训练集和 DeepMath-103KHugging Face。Apertus 版公开了 854 万条指令对，其中工具调用 34.7 万条SEA-LION 文档。Sea AI Lab 的 Sailor2 在 Qwen2.5 上继续预训练了 5,000 亿 tokenarXiv。印尼的 Sahabat-AI 70B 由 GoTo 和 Indosat 联合发布，覆盖印尼语以及爪哇语、巽他语、巴厘语、巴塔克语，数据处理全部在境内完成，投入未披露GoTo。
越南 Viettel 在 Nemotron 3 Super 上训练了 VT-Super-120B，并强调敏感数据在境内处理Viettel AI。泰国的 ThaiLLM 分 8B 和 30B 两版，用了 1,000 亿以上 token 的泰语数据NSTDA。SCB 10X 的 Typhoon 已经推出 Typhoon 2/2.5，以及首个系统性的伊桑语 ASRSCBX。它 2026 年 1 月的论文题目就是「主权大模型的最小开放后训练」arXiv。马来西亚的 ILMU 由 YTL AI Labs 与马来亚大学开发，覆盖马来语、Manglish 和吉兰丹等方言Business Today。
从这些项目看，预训练语料靠开源网页加合成就能凑到千亿 token，稀缺的是高质量后训练数据（本地指令、偏好、工具调用、文化与安全红队）、地方语和方言语音，以及政务、金融、教育的行业文档。Gemma-SEA-LION 直接拿英文 RL 数据集来用，Typhoon 把「最小后训练」当研究课题，正好说明本地语种的 RL 数据和环境供给几乎为零推断。合规门槛在 2026 年明显抬高。越南 Decree 356/2025 于 2026 年 1 月 1 日生效，要求提供数据处理服务的企业取得许可，并保留了本地化要求Tilleke & Gibbins。
印尼 GR 33/2026 于 2027 年 1 月 16 日生效，把机器学习列为必须做数据保护影响评估（DPIA）的处理类型IAPP。供给侧，跨国 BPO 正在加点。TELUS Digital 2026 年 5 月在印尼、泰国、越南、马来西亚新增交付点，其贡献者社区超过 100 万人，覆盖 500 多种语言TELUS Digital。海天瑞声的新加坡基地 2025 年人员突破 1,500 人海天瑞声 2025 半年报，霞光社的说法是约 1,000 人，2026 年计划新增 300–500 人，两个口径并存霞光社/界面。
Everest Group 认为马来西亚在规模化多语种交付上最成熟Everest Group。菲律宾的情况则是反面案例：至少 1 万人在 Scale 旗下的 Remotasks 做标注，36 名受访者中有 34 人遭遇过延付或扣减Ben's Bites 转述 WaPo。
中东：算力规划约 770 亿美元，数据靠机构授权，进场要走政府框架
中东是钱最多的地区，但公开资料里几乎没有单列的数据预算或标注采购。阿拉伯语只占网页数据的约 0.5%，而母语使用者有 4 亿人，所以各家都强调使用「原生、非翻译数据 + 方言」Fanar 1.0 论文。数据主要来自机构语料合作。卡塔尔的 Fanar 由宗教基金与伊斯兰事务部、国家图书馆、半岛电视台、阿拉伯研究与政策研究中心四家机构提供数据，目标 3,000 亿词Gulf Times。Fanar 2.0 只精选了 1,200 亿高质量 token，走「质量优于数量」路线Fanar 2.0。
阿联酋的 Jais 2 号称用了「史上最大阿拉伯语优先数据集」，但没有披露规模WAM；TII 的 Falcon Arabic 用的是原生 MSA 加地区方言数据Business Wire。进场主要走政府框架协议和本地伙伴。卡塔尔政府 2025 年 2 月与 Scale AI 签了 5 年协议，开发 50 多个政务 AI 应用，Scale 称这份协议可作为「其他政府的模板」Gulf Business。微软 2026 年 8 月把 ALLaM 上架 Foundry，并派前线部署工程师协助Channel Insider。
HUMAIN 2026 年 9 月战略投资 Arabic.AI，双方与 Tarjama 联合做档案数字化（含手写和低质文本）和合同、招标文档智能体，并保留人工审核Wamda。本地创业公司以应用层为主，Wittify 自研 ASR/TTS，覆盖 25 种以上阿拉伯方言MEA Tech Watch。沙特 PDPL 要求向未获充分性认定的国家传输数据时使用 SCC 或 BCR，而充分性名单至今没有公布。各方对它是否等于数据本地化看法不一：King & Spalding 认为这是误解，美国商务部则称敏感数据须境内存储King & Spaldingtrade.gov。
数据服务的切入点有四个：方言语音、档案与手写 OCR、政务和金融文档智能体的评测与后训练，以及阿拉伯文化和宗教适切性的红队测试。前提是要有本地实体，数据在境内处理推断。
南亚：印度既是买方，更是供给方
印度政府有明确的资金。IndiaAI Mission 五年预算 Rs 10,371.92 crore，基础模型赛道资助了 12 家机构。BharatGen 拿到 Rs 1,058.52 crore，是第二名的 4 倍以上，资金大部分投向算力MediaNama。2026 年 7 月，政府确定支持 20 个本土模型提案Business Standard。Sarvam-105B 从零训练，预训练 12T token，覆盖 10 种印度语言的原生文字、罗马化写法和语码混用Sarvam。数据走公共基础设施路线：Bhashini 加 Bhasha Daan 公民众包；Google 资助的 Vaani 截至 2026 年 3 月已开源约 3.1 万小时音频，覆盖 109 种语言arXiv。
印度同时是全球最大的数据劳动力供给地之一。标注市场约 2.5 亿美元，约 60% 的收入来自美国客户，2025 年全职和兼职从业者约 7 万人NASSCOM。iMerit 有约 5,000 名员工iMerit。Karya 一年内把农村工人从 5 万多人扩到 13 万人，时薪约 5 美元，数据转售时工人还能拿到版税Karya。对中国公司来说，印度更像竞争对手而不是买方，政治风险也偏高推断。
日韩：韩国是唯一写明数据预算的政府
韩国的独立 AI 基础模型项目在 2025 年 8 月选出 5 队，之后两轮淘汰，2026 年 8 月剩下 LG AI 研究院、SKT、Upstage 三队，每队 GPU 支持从 768 张增至 1,000 张，最终 2 队在 2027 年初确定YTN。项目规定，用政府数据预算建成的数据至少开放 50%。目前已在 AI Hub 开放 29 个数据集，约 1.56 万亿 token，涵盖视频、音频、专业领域、物理 AI 和红队数据Digital Today。Pebblous 指出两份官方记录的计数不同Pebblous。
项目预算的说法也不统一：政府支持 2,000 亿韩元、合计约 3.81 亿美元、「去年数据构建与加工预算 150 亿韩元」三种口径并存Korea.net。真正大且明确的是 2027 年预算案：科技部 AI 预算 9.4211 万亿韩元，同比增长 84.3%，其中「前沿 AI 开发用高质量数据构建（约 1 万亿 token）」列了 8,000 亿韩元（约 5.5–6 亿美元）iNews24。这是本次调研发现的最大、最明确的政府数据采购池。参照 2026 年，政府 AI 相关预算合计 10.1 万亿韩元，其中科技部 5.1 万亿Aju News。
这笔钱按惯例会经 NIA 等机构招标，多由韩国本地企业中标。招标规则是否限制外资，目前没有查到推断。外国公司更现实的角色是给中标方做分包、工具或合成数据管线。日本 GENIAC 在 2024–2025 年约投入 1,470 亿日元，以算力为主，第三期包含数据利用示范项目和 8 亿日元的奖金赛GENIAC。NII 所长黑桥祯夫指出，FineWeb 加 FineWeb2 共 20T token 中，日语只占 1.4%NII。LLM-jp 的语料约 2.1 万亿 token，其中日语约 5,920 亿NII。
日本的缺口在高质量日语语料，钱却主要买了算力，数据端偏向版权语料授权和企业内部数据。
拉美、非洲、土耳其和中亚：基金会出钱，商业采购弱
LatamGPT 的训练成本约 55 万美元，数据来自八国大学、图书馆和政府等机构的捐赠Buenos Aires Times。巴西 PBIA 中有 11 亿雷亚尔专门用于国家 AI 训练数据库，是这一区域最大的公开数据预算，但 2026 年的执行和招标情况没有查到Convergência Digital。非洲的 African Next Voices 主要由 Gates 基金会资助，Meta 部分资助，在肯尼亚、尼日利亚、南非采集语音AllAfrica。常规人工采集每小时至少 100–150 美元。
一个尼日利亚项目付给每人约 15 美元，换约 250 句录音；译者每句 0.5 美元arXivarXiv。Meta 的语言技术伙伴计划要求合作方至少贡献 10 小时带转写的语音和 200 多句文本，换取技术工作坊，不付钱Meta。哈萨克斯坦的 KAZ-LLM 采集、处理、合成和翻译了 1,500 亿以上 token，并将协助巴基斯坦基于其架构和数据构建 UrduLLMISSAIDKNews。这说明「模型 + 数据配方」可以在小国之间复制输出。总体看，这些地区对中国公司而言更多是低成本供给地，而不是市场。
最确定的多语种买方是出海的中国模型厂
在所有小语种需求信号里，最硬的一条来自供给方财报。Appen China 2025 年收入 1.029 亿美元，增长 74.8%，Appen Global 下降 21.1%。2026 年上半年 Appen China 又增长 80.4%，占集团收入的约 64%Yahoo FinanceInvesting.com。笔记中 Appen 集团 2025 年总收入 2.308 亿，币种记录有澳元与美元两种，未统一。海天瑞声把增长归因于「科技巨头全球布局带动各模态多语种数据爆发」证券之星。山东宣驰通过巴基斯坦驻华使馆等渠道组建了 150 人的巴基斯坦标注团队，参与阿里巴巴相关项目，这条信息来自检索摘要，未看全文凤凰网。
此外，Qwen3 覆盖 119 种语言，东南亚两大开源区域模型都以 Qwen 为底座，DeepSeek-R1 在东南亚开发者中的占比据称达 35%虎嗅。
| 语言/品类 | 价格 | 口径 |
|---|---|---|
| Outlier 广告时薪上限 | 日语、韩语 31，德语 29，巴西葡语 10，印地语、印尼语 7.5，泰米尔语 5.5 美元/时Glasp | 招聘广告，2026 |
| 多语种 RLHF | 35–65 美元/时，稀缺母语者有溢价HireFeed | 招聘与博客，噪声大 |
| 成品对话语音 | 60–95 美元/音频小时；美式英语 90，印地语、斯瓦希里语 65SpeechData.ai | 供应商 |
| 低资源语言实地定制 | 150–250+ 美元/时，周期 8–16 周以上Spirelight | 供应商 |
| 印度多语种交付 | 人力成本比英语高约 50%Everest Group | 咨询机构 |
| 印度 Karya | 约 5 美元/时Karya | 公司年报 |
把各地证据合起来，对中国背景的数据与训练基础设施公司，机会排序如下推断。
| 排序 | 需求池 | 主要买方 | 缺什么 | 预算与可得性 | 进入方式 |
|---|---|---|---|---|---|
| 1 | 中国模型厂出海 | 阿里、字节、腾讯及出海应用厂 | 本地语种 SFT、偏好、工具调用、评测、语音 | 估计为百万元级项目，已被 Appen China 和海天瑞声财报验证 | 直接服务，配东南亚交付主体 |
| 2 | 东南亚主权与财团团队 | AI Singapore、SCB 10X、GoTo/Indosat、YTL、Viettel | 后训练与 RL 数据、方言语音、文化与安全评测 | 千万美元以下，但模式开放，且多用 Qwen 底座 | 本地合作或合资，满足越南许可和印尼 DPIA |
| 3 | 中东 | HUMAIN、G42/Inception、QCRI | 方言语音、档案 OCR、政务与金融文档 Agent 评测 | 钱多但数据不单列 | 政府框架加本地伙伴，按 PDPL 境内处理 |
| 4 | 韩国 | NIA 及三支独立模型团队 | 1 万亿 token 高质量数据 | 8,000 亿韩元，但大概率本地中标 | 给中标方做分包、工具或合成管线 |
| 5 | 印度、非洲、拉美 | 政府和基金会 | 语音与地方语 | 小，且多为开源资助 | 更适合作为供给地 |
美国：钱最集中、价格最高、诉讼最多的市场
需求方：五家实验室，采购风格各不相同
Anthropic 是最激进的买家，常常是新供应商的第一个客户。它和十几家以上的 RL 环境承包商合作，要求供应商遵循它的沙箱框架，并设有供应商对接平台。重点是编码，computer use 和生物的采购在加量SemiAnalysis。The Information 报道 Anthropic 高层讨论过一年内在 RL 环境上投入 10 亿美元以上，但这只是讨论，没有确认实际支出TechCrunch。OpenAI 的供应商池较小，但据估算净数据支出最高。它在自建 Feather 平台以降低对外部依赖，也要求承包商上传过往工作中的真实交付物，用于建立人类基线TechCrunch 转述 Wired。
Google DeepMind 的采购由各研究团队分散决定，2026 年 8 月在谈以超过 15 亿美元的许可加招聘方式引入 Mechanize 团队，截至调研时未见完成Dealroom。Meta 以 143 亿美元取得 Scale 49% 的无投票权股份，据报道附带 5 年、每年至少 4.5 亿美元的合同。2026 年 4 月，Meta 因安全事件无限期暂停了与 Mercor 的合作Computing。xAI 自建 AI tutor 团队，2025 年 9 月一夜裁掉约 500 名通才 tutor，转向专家TechCrunch。
需求集中度很高：Mercor 2026 年上半年约 91% 的收入来自基座模型公司BigGo。评测侧形成了「悬赏 + 署名 + 专家盲评」的模式。HLE 设了 50 万美元奖池，前 50 名每题 5,000 美元Wikipedia。GDPval 覆盖 44 个职业、1,320 个任务，由平均 14 年经验的从业者基于真实工作构建arXiv。
| 公司 | 收入（冲突并列） | 估值 | 模式 | 毛利/抽成 |
|---|---|---|---|---|
| Scale AI | 2024 年约 8.7 亿美元（Reuters/Sacra），SemiAnalysis 称超过 14 亿；2025 年「略低于 10 亿」（Forbes 二手转述），与 Sacra 原估的 20 亿冲突；2026 年预计超 10 亿 | Meta 入股隐含约 290 亿美元 | 按量计价加年度承诺；转向政府、主权和企业应用 | 50%+（估算） |
| Surge AI | 2024 年约 12 亿美元（Forbes）；2025-08 run-rate 14 亿（弱来源）；SemiAnalysis 称 ARR 近 10 亿；澎湃写「超 30 亿」，无出处 | 融资传闻估值 150 亿→250 亿→300 亿美元，未确认交割 | 只服务约 12 家实验室，价格贵 50% 到 10 倍 | 未披露，自称一直盈利 |
| Mercor | 2026-06 gross run-rate 20 亿美元；2026 上半年收入 6.14 亿；年底目标 28 亿 | 100 亿美元（2025-10）；2026-07 传谈 200 亿 | 招聘撮合，专家拿 60–70% | 毛利 27%（2025）→33%（2026 Q2）→46%（2027，公司预测） |
| Snorkel AI | 年化 3.5–3.75 亿美元（2026-09），一年前约 2,000 万；Getlatka 称 2025 年收入 1.48 亿，与前者冲突 | 35 亿美元（E 轮 3.5 亿） | 成品数据集加 RL 环境，程序化标注配合专家 | 称专家费计入 COGS |
| Handshake AI | 2026-04 gross 约 11 亿 / net 约 4.5 亿（Sacra）vs 10 亿 / 3 亿（The Information） | 最后一轮是 2022 年的 35 亿美元 | 50 万+ 博士网络 | 同业 30–40% |
| micro1 | 2025-12 ARR 1 亿；2026-04 约 3 亿（Sacra）；gross 5 亿（TechCrunch）；2026-10 自称超 10 亿 | 40 亿美元（2026-09） | AI 招聘转专家数据 | — |
| Turing | ARR 约 3 亿美元（2025-03） | 22 亿美元 | 远程工程师撮合转代码数据 | 已盈利约一年 |
| Invisible | 2024 年 1.34 亿美元 | 20 亿美元以上（2025-09） | 平台加前线部署工程师 | EBITDA 约 11% |
来源：Sacra Scale、ValueAddVC、Contrary Surge、Sacra Surge、Sacra Mercor、BigGo/The Information、RuntimeWire、Getlatka、Sacra Handshake、Dealroom Handshake、Forbes micro1、TechCrunch Turing、Contrary Invisible。
Scale AI：丢掉中立性之后增长停滞
Scale 早期靠给自动驾驶客户做「标注 API + 软件化」拿到高毛利，2020 年营收已超过 1 亿美元Sacra。进入 RLHF 和专家数据阶段后，交付变成「人力 + 项目管理」，规模靠招人扩张。2025 年 6 月 Meta 入股后，Google 和 OpenAI 这两个最大客户撤单。Google 2024 年在 Scale 花了约 1.5 亿美元，原计划 2025 年花 2 亿。它们撤离的理由是供应商独立性：竞品实验室担心自己的数据需求和研究方向被 Meta 看到ValueAddVC。
2025 年 7 月，Scale 裁掉约 14% 的全职员工和约 500 名合同工。2026 年 8 月起，前 Google Cloud COO Francis deSouza 出任 CEOAxios，上任后的公开表态是「我们正走向多模型世界」CNBC。公司转向政府、国防和主权 AI：2025 年拿到国防部两份合同，合计近 2 亿美元；企业侧签下 Mayo Clinic、BP、Allianz；国际公共部门收入翻倍Scale。低价众包模式在专家数据时代反而成了负债。McKinney 案已初步批准 1,250 万美元和解，最终批准听证定在 2026 年 10 月 30 日jsilvermanlaw。
Surge AI：不拿 VC，只做十几家客户，价格贵 50% 到 10 倍
Surge 由 Edwin Chen 用个人积蓄创立。2024 年营收约 12 亿美元，比 Scale 还高，员工数却只有 Scale 的约四分之一。各来源记录的人数在 60–70 人到 250 人（含兼职）之间，Chen 称公司「几乎从第一天就盈利」Contrary。它的打法有三点。第一，只服务约 12 家前沿实验室。第二，价格比竞争对手贵 50% 到 10 倍。第三，用子品牌 DataAnnotation 在供给端低调地大规模招募，通用工作时薪 25–50 美元，专家 75–150 美元。质量被做成了机制而不是口号：金标准题埋进日常任务，按人计算信任分，低质量标签自动重新派发，用 ML 检测作弊，实时看板追踪标注一致性Sacra。
Chen 的原话是：「他们以为堆人就能得到好数据，这完全错误」Podchemy。这里形成了一个闭环：不拿 VC，就没有用补贴抢份额的压力；高价支撑高时薪，高时薪招到更好的专家，更好的专家带来更好的质量，质量又支撑高价。风险集中在客户和劳动法两处：OpenAI 在 2025 年停用了 Surge；劳动分类集体诉讼把 Chen 本人列为被告；公司还被指同时服务中国实验室和美国军方Contrary。
Mercor：用招聘漏斗吃下专家市场，再用 APEX 定义评测
Mercor 起家是撮合印度工程师给美国创业公司的人工中介，后来做 AI 面试，再转向为前沿实验室招聘医生、律师、银行家等领域专家。年化收入从 2025 年 3 月的 1 亿美元涨到 2025 年 9 月的 5 亿美元Forbes。2026 年 6 月 gross 年化达到 20 亿美元，2026 年上半年毛利率 33%，约三分之二的收入付给承包商BigGo。每日支付给承包商的金额有两个口径：Sacra 称每天 200 万美元以上，BigGo 称每天 400 万美元以上；虎嗅 2026 年 5 月的数字是每周 1,400 万美元，与前者相符Sacra虎嗅。
TechCrunch 揭示了它的需求机制：实验室通过 Mercor 雇用前投行、咨询和律所的从业者，从而拿到企业不愿出售、甚至不愿分享的工作流知识TechCrunch。APEX 是它从「卖人头」走向「定义评测标准」的布局：先定义什么是专业工作的好表现，再证明用 Mercor 数据训练的模型在 APEX 公司法子集上排第一（Pass@1 26.6%）Sacra。它还收购了环境团队 Deeptune 和 Sepalrl-list。公司预测，毛利率会从 2026 年 Q2 的 33% 升到 2027 年的 46%，2028 年来自 AI 初创和 Fortune 2000 的收入将超过来自基座厂的收入BigGo。
安全是它的软肋。2026 年 3–4 月，因开源 LiteLLM 遭供应链投毒，Mercor 发生数据泄露，Meta 随即无限期暂停合作TechCrunch。
Snorkel：软件公司转做成品数据，一年涨 17 倍
Snorkel 原本是斯坦福出身的程序化标注软件公司。2025 年 5 月，它以 13 亿美元估值融资 1 亿美元，当时的主题是「构建更好的评估器」Forbes。2026 年 9 月完成 3.5 亿美元 E 轮，估值 35 亿美元。年化收入从一年前约 2,000 万美元跳到 3.5–3.75 亿美元，增长几乎全部来自由几万名专家构建的成品数据集和 RL 环境，而不是软件许可。Snorkel 强调专家报酬计入 COGS，不虚增收入RuntimeWire。它用数百个专用 AI agent 配合人工专家做质检，并把开放 benchmark 资助扩大到 3,000 万美元Snorkel。
这说明在 2025–2026 年，实验室愿意为「成品」付钱，而不愿为「工具」付钱。同一套弱监督和评测技术变成交付层之后，收入放大了 17 倍。
第二梯队和 RL 环境新公司：带着人才网络进场，靠被并购退出
第二梯队几乎都在 2025–2026 年完成了「旧业务 → 专家数据」的再创业。Handshake 从校园招聘起家，15 个月从零做到约 10 亿美元 gross，数据标注收入占比在 8 个月内从 29% 升到 86%。2026 年 1 月它收购了 Cleanlab，扩展到评测SacraTechCrunch。Turing 由马来西亚主权基金 Khazanah 领投TechCrunch。老牌众包则陷入停滞。TELUS 2025 年「AI 赋能收入」约 8 亿加元，目标是 2028 年做到约 20 亿加元TELUS；Appen 只靠中国区托底。
RL 环境赛道在 2025 年 9 月之后爆发。SemiAnalysis 统计有超过 35 家公司在卖 RL 环境，多数在种子期，员工不到 20 人，只有 1–3 个客户，环境以闭源为主，按独家合同出售SemiAnalysis。最亮眼的是 Halluminate，它做金融和知识工作环境：模拟一个带收件箱、数据室和同事的工作场所，产出财务模型等交付物。它与美国前五家闭源实验室中的四家合作，9 个月做到中八位数合同年化，毛利为正，团队当时只有 5 人。2026 年 10 月它完成 3,000 万美元 A 轮，目标是年底做到九位数 run-rate（自述）Oak HC/FT。
Mechanize 在 2026 年 4 月以 910 万美元种子轮拿到 5 亿美元投后估值。Prime Intellect 走开源 Hub 加卖算力的路线rl-list。投资方对格局的判断有三点。Wing 预测 2026–2030 年会收敛到 3–5 家领先者，编码是「圣杯」，浅层的 CRM、日程、Slack 克隆会同质化Wing VC。Oak 认为实验室会把简单、可验证的任务留在内部，把难的领域仿真外包Oak HC/FT。也有怀疑声音：OpenAI 的 Sherwin Wu 说自己在「做空」RL 环境创业公司TechCrunch。
并购在加速。对小环境公司来说，被数据巨头或大厂收编，比独立做大更现实。
美国还有两个本地特有的门槛。一是劳动法。截至 2026 年 9 月，加州至少有 5 宗、德州 1 宗 AI 训练师误分类诉讼待审Bloomberg Law。二是安全审查。Mercor 事件说明，供应商的数据隔离能力已经从「加分项」变成了「入场券」。
可借鉴的八条经验，以及哪些搬不到中国和东南亚
- 一先有可验证的供给网络，后有业务。赢家都是带着现成的人才网络进场的：Handshake 有 50 万博士，Turing 有 400 万程序员，Mercor 有 AI 面试漏斗，而不是带着标注工具进场。中国已经出现同构形态：字节 Xpert、TalentsAI 的 10 万多名专家、智能知识每天数百场 AI 面试。
- 二质检软件化，才能用小团队撑起大营收。Surge 靠金标准题、信任分和自动重派管理几万名专家；Humanlaya 用 3–4 名专家对抗审核，质检通过率 38.1%；Snorkel 用数百个 AI agent 做质检。人均营收是这门生意的关键指标。
- 三先做评测，再卖数据。Mercor 的 APEX、Snorkel 2025 年的评估器、Scale 的 HLE 和 SEAL，都是先证明「我知道什么是好」，再卖训练数据和环境。UniPat 每 1–2 个月发一个 benchmark，走的是同一条路。但中国榜单目前缺少被技术报告引用的记录，评测要转化为公信力，还差「被模型卡引用」这一步。
- 四中立与安全就是产品。Meta 入股 Scale 和 Mercor 泄露两次事件，各自触发了几亿美元级别的预算重分配。在中国，大厂同时投资、采购、提供算力的「UniPat 模式」虽然能加速起步，但同样埋下了中立性隐患推断。
- 五高价本身可以是护城河，前提是不被融资节奏逼着抢份额，这是 Surge 的经验。
- 六用双品牌隔离供给端和需求端。DataAnnotation、Outlier、Alignerr、Meridial 都是面向工人的品牌，TalentsAI 和 Humanlaya 在中国复制了这种结构。这样既能保住面向实验室的高端定位，也能隔离劳动纠纷对 B 端品牌的冲击。
- 七用旧业务的网络再创业。Handshake、Turing、micro1、Invisible 都是转型而来，Snorkel 从软件转到服务，曼孚和海天瑞声也在往环境和具身方向迁移。
- 八卖可复用的资产，不卖人时。Mercor 预测毛利率从 27% 升到 46%，靠的是从人力中介转向技术和资产；IDC 建议按模型效果计费；国家数据局提出按效付费。这几条指向同一个方向：谁能证明「这批数据或这个环境让模型涨了多少」，谁就能从按量计价切换到按价值计价。UniPat「先在小模型上验证有效再放量」的流程，就是这种证明的工程化。
不能迁移的部分同样清楚。其一是美国专家 85–150 美元/小时的价格锚，加上 30–40% 的抽成，才撑得起十亿美元级营收；换成本土价格，同样的工时只能产生几分之一的收入。其二是单客户每年 1–2 亿美元的预算规模，中国模型厂的外部数据预算要低一个数量级以上推断。其三是美国 1099 合同工模式的劳动法套利，它在美国已经引发和解和集体诉讼，在中国则面临劳动关系认定和社保问题。其四是信任门槛：美国实验室对中国背景的供应商存在安全和政治上的隔离，中国公司想拿美国前沿实验室的预算，门槛远高于价格竞争。失败信号也要记下：Scale 因丢掉中立性失去最大两个客户；Appen 因 Google 终止合同，全球业务连年下滑；菲律宾 Remotasks 项目单价从每任务 10 美元跌到不足 1 美分Ben's Bites 转述 WaPo。
这些都说明，单纯卖低价人力的模式在专家数据时代没有出路。
DataArc：以环境为单位，卖垂直行业和东南亚语种的训练资产
本节的公司事实只依据 DataArc 内部 BP 与项目文件的对外口径，不作为市场证据。DataArc 的定位是 AI 数据与训练基础设施，商业产品只有两类：Data & Evaluation 和 RL Environment。技术底座有三块：Context Graph，统一表示业务知识、状态、规则与工具关系；合成数据；Judge。工程产品是 Arc-Gym（原 DecisionGym），即 RL 环境 + Judge + 模型迭代框架。按对外口径，可以动用的资源包括：70 篇论文、10,000+ 引用；CTO 曾任 IDEA AI 金融大模型负责人，在国家级大模型项目中负责训推框架（模糊披露）；小语种侧，SKY 已采购小语种模型，数据与模型共建推进中，另有 RMUTP 合作，正大集团属于项目储备，尚未交付；保险侧，与 ZUU 共建 AI-native 保险经纪已经启动，口径为试点、战略合作、JV 探索，细节受 NDA 约束；2026 年预期合同额 4,000 万元，主要来自核心项目；本轮融资 7,000 万元。
有一处需要更正：在内部文件中，Laya 是 Arc-Gym 使用的开源 JEV-style 决策模型，不是合作方。Arc-Gym 目前的证据全部来自仿真。保险决策准确率 0.708 对 0.530，等效样本效率 7.4×，单位成本约为大模型的 1/329。在合成的留出企业上，跨 Context 训练的 regret 显著更低（H2、H3 通过）。框架已具备 Gymnasium/TRL 接口和声明式新领域能力。生成式 Agent 的 GRPO 实验（H9）因训练与评测的奖励口径不一致而失败。真实的第二家企业验证还没有做。
换句话说，DataArc 现在卖得出的是「环境构建 + 评测」能力，「跨企业学习收益」还没有被证明，对外不能这样宣称。
市场证据支持三个切入方向，按优先级排列。
- 第一，按环境族出售保险、金融等专业场景的 RL 环境与 Judge。 依据是：实验室会把通用、可验证的任务留在内部，把难的领域仿真外包（Oak）；浅层的 SaaS 克隆会同质化（Wing）；Halluminate 靠金融知识工作环境，5 个人 9 个月做到中八位数收入；在中国，小米开源 7,780 个环境，压低了通用环境的价格，外采空间留给了专家评测和行业私有场景。DataArc 内部的 BuildEnv(T, C_i, A, V_i) 参数化环境族，正好对应「同一任务结构，配置不同企业 Context」的可规模化资产，比卖单个环境更接近 Snorkel 的 Enterprise Environments 路线。
- 第二，承接中国模型厂出海的东南亚语种后训练与评测。 这是本报告里需求最确定的池子：Appen China 增长 80%，海天瑞声的多语种增量，东南亚主权模型普遍用 Qwen 底座，Typhoon 团队在研究「最小后训练」。DataArc 已有泰语模型交付和 SKY、RMUTP 关系，可以做本地语种的工具调用轨迹、偏好数据、文化与安全评测集，以及小规模 RL 环境。服务对象是阿里、字节、腾讯的出海团队，以及 SCB 10X、AI Singapore 一类的区域团队。
- 第三，把韩国 8,000 亿韩元和中东列为观察项。 这两块进入成本高，适合通过本地中标方或伙伴做分包。日本 GENIAC 的钱主要买了算力，ZUU 关系的价值在保险经纪场景，而不在日语数据采购。不建议主动追逐美国前沿实验室的预算，原因有两个：中国背景供应商面临信任门槛；专家人力价差已经很小。
| 切入方向 | 市场证据 | DataArc 已有基础 | 尚缺的部分 | 计价方式建议 |
|---|---|---|---|---|
| 保险、金融专业 RL 环境与 Judge | 外包空间在难的领域仿真（Oak）；Halluminate 9 个月做到中八位数；国内通用环境被开源压价 | Arc-Gym、Context Graph、参数化环境族、三个仿真新领域的声明式接入 | 真实合作方授权数据；被第三方引用的评测 | 按环境族建设 + 按任务批次 + 独家溢价 + 刷新订阅 |
| 中国模型厂出海语种后训练与评测 | Appen China +80%；海天瑞声多语种增量；SEA 模型多用 Qwen 底座 | 泰语模型交付；SKY、RMUTP | 东南亚交付主体与合规（越南许可、印尼 DPIA） | 按项目和评测集交付，逐步转为环境订阅 |
| 东南亚主权与财团团队 | Typhoon「最小后训练」；SEA-LION 直接用英文 RL 数据 | 小语种模型与训练管线 | 本地伙伴；预算只有千万美元以下 | 「底座 + 本地后训练数据 + 评测」打包 |
| 韩国、中东 | 韩国 2027 年 8,000 亿韩元；中东算力规划约 770 亿美元，数据不单列 | 合成数据与 Judge 方法 | 本地实体与中标方关系 | 分包或工具授权 |
合作模式应避开 DataArc 的弱项，也就是大规模众包和人力调度。可以考虑五种。一是与总包商联合交付。海天瑞声、Appen China、数据堂有众包池和东南亚基地，海天瑞声新加坡基地有 1,500 人，但它们是项目制，毛利在下滑，缺少环境与验证器能力。DataArc 可以提供 Context Graph、环境和 Judge 层，按环境分成。二是与专家平台合作，把 TalentsAI、智能知识当作保险和金融 rubric 的专家供给方，不自建专家网络。三是与模型厂做「研发外包」，借鉴 UniPat 的做法：先在小模型上给出训练收益证明，再放量。
DataArc 自己有训练管线，这是相对纯数据商最实在的差异点。但要守住中立，不接受单一模型厂控股。四是在东南亚与电信或财团合资，或挂靠本地伙伴，以满足越南的许可制、印尼的 DPIA 和数据境内处理要求。五是行业 JV，以 ZUU 为样板，按内部已定的五层权利结构约定数据归属：原始数据、通用框架、可复用任务与评价方法、衍生合成资产、跨客户授权。
商业模型建议从「按人时/按条」直接跳到「按环境」，收入由五部分组成：环境族建设费；按任务批次计价，可以参照海外 200–2,000 美元/任务的价带，按中国价格折算推断；独家使用溢价，海外通行为 4–5 倍；环境刷新与维护订阅，环境会折旧，这部分构成续费来源；评测与 Judge 服务。在条件成熟的客户上，可以试点 IDC 和国家数据局提倡的按效果计费。毛利目标应明显高于人力转售型公司的 27–33%，但前提是先证明 Production Scale，也就是第二个环境比第一个更便宜、更快。2026 年第四季度到 2027 年，可检验的里程碑是三件事：拿下 1–2 家国内模型厂的出海语种项目；做成 1 个经真实合作方授权的保险或金融环境族；发布 1 个面向行业的评测集，并争取进入模型技术报告的引用，而不只是融资材料。
主要风险有四个：国内买方只有六到八家，高度集中；大厂可能把成熟的数据形态收回自做；开源环境压价；在 ZUU 真实数据接入之前，仿真证据对买方的说服力有限。
结论
这轮调研改变了对两个问题的判断。第一，中国数据市场的增量不在总规模上。150 亿元的标注市场多半是县域感知标注，真正的增量在两条交叉线上：一条是进口替代，中国实验室每年约 5 亿美元流向美国数据商，而本土头部新锐的订单只有其十分之一左右；另一条是出海，Appen China 和海天瑞声的增长都来自中国厂商的全球化。谁能同时接住这两股需求，谁就站在中国数据市场最快的那段增长上。第二，「环境会折旧」这件事，正在把数据生意从一次性项目改造成订阅业务。由此推论，长期的护城河不是手里有多少个环境，而是能以多低的边际成本、多快地生成下一个合格环境，并证明它让模型变好。
开源环境和实验室内部化，会持续吃掉库存型供应商的利润。
小语种市场也需要重新理解。真正的买方大多不是喊出主权 AI 口号的政府，而是用 Qwen、Gemma 底座做本地化的电信、财团和出海模型厂。韩国是唯一把数据当作独立预算项的例外。在中国，大厂同时投资、采购、提供算力的数据公司模式，会在未来一两年面对 Scale 式的中立性考验。对后来者来说，与其追求被单一大厂深度绑定，不如保持多客户中立，同时拿出可复现的训练收益证明。