AI 训练数据赛道爆发：一年涨百倍，百亿美元生意浮出水面

AI 训练数据可能是这轮 AI 浪潮中最被低估的生意之一。据 Menlo Ventures 合伙人 Deedy 在 X 上发布的全景图，AI 训练数据领域已聚集 28 家创业公司，合计年收入约 85 亿美元、总估值接近 1000 亿美元，仅次于算力和大模型，成为 AI 产业第三大细分赛道。

更引人注目的是增长曲线。Mercor 的年化收入从 2025 年 9 月的约 5 亿美元，跃升至 2026 年 6 月的超过 20 亿美元；Handshake 一年时间收入翻了约 100 倍，年化毛收入已逼近 11 亿美元。Scale AI、Surge AI、Mercor、Handshake 四家公司拿走了全行业超过四分之三的收入。

数据角色从「原材料」变成「燃料」

数据公司集体爆发，根本原因是数据在模型训练中的角色发生了质变：从一次性投入的原材料，转变为持续消耗的燃料。

早期大模型训练采取项目制采购，实验室训练前一次性备齐数据集，跑完一轮再等下一代立项，数据公司收入呈脉冲式。但模型迭代速度的加快彻底改变了这一模式：

GPT-4 到 GPT-4o 间隔 13 个月；GPT-5.4 到 GPT-5.5 间隔仅 1 个月。
Anthropic 在 2026 年 5 月底发布 Opus 4.8 后，仅 11 天就推出 Claude Fable 5。

迭代越快，实验室发现的能力缺口越多，对高价值、针对性数据的需求也越频繁。数据采购从一年几次的项目动作，升级为随时发起的日常操作。Scale AI 已将交付模式从按月打包改为 API 按需交付，客户最快一小时就能拿到生产级标签数据。

与此同时，单条训练数据的信息密度也在膨胀。以 SWE-bench 为例：

SWE-bench Verified 覆盖 12 个 Python 仓库，单条任务平均修改 11 行代码。
2025 年 9 月发布的 SWE-bench Pro 扩展到 41 个仓库、4 种语言，单条任务平均修改 107 行、跨越 4 个文件。

一条训练样本由此从「改几行代码」变成一套包含需求理解、多文件定位、跨文件修改、测试验证的完整数据包，容量从几百 token 涨到几万 token。

涨价与利润率攀升

数据价格同样在快速上行：早期 NLP 基础文本标注一条约 0.02 美元，如今 Scale AI 的 STEM 专家时薪 30–50 美元、通才 15–30 美元，Mercor 的 STEM 专家时薪已达 90–110 美元。供给侧从众包工人换成博士与执业律师。

但单纯的人力涨价撑不起毛利率的跃升。更深层的变化在于，数据公司开始深度参与模型研发，以 Scale AI 为例，其流程已变为：先帮客户评测模型识别能力缺口，再设计训练任务、组织专业人员生产数据，最后回测验证能力提升。数据公司的角色由此从劳动力外包，转向承担部分模型研发与评测工程的服务商。利润率变化印证了这一趋势：

Mercor 毛利率从早期约 27% 升至 35%–40%。
Scale AI 长期保持在 50% 以上。
传统人力外包公司毛利率普遍仅 15%–20%。

两个新趋势：真实工作流数据与 RL 环境

行业正在发生两个方向性变化。

第一，真实工作流数据（Type 1）正在取代人工标注数据（Type 2）。 业内将人工设计任务由专家完成的数据称为 Type 2，将从真实业务中直接捕获的数据称为 Type 1。过去 Type 2 是主流，但随着模型能力增强，Type 1 的边际收益快速上升，模型已经学会「做题」，需要学习真实世界的工作如何完成。代码领域进展最快，正是因为 GitHub 是天然的 Type 1 数据宝库。

供给端开始主动制造 Type 1 数据源。Handshake 在 2026 年初与 OpenAI 合作，组织数千名自由职业者上传日常工作成果，并在 4 月启动「雇主数据计划」付费采购企业运营数据。Protege 等新玩家则聚焦医疗数据，把传统需要数月的采购流程压缩到 30 天，承担起「数据买手」的角色。

第二，RL（强化学习）环境正在取代静态数据集成为采购重点。 RL 环境是可交互的模拟训练场，模型在其中自主探索、反复试错。AI 正从「对话时代」进入「智能体时代」，完成任务的能力只能通过环境训练出来。

围绕这一需求，目前有两种玩法：

模型厂商自建：据 SemiAnalysis 估算，OpenAI 训练 ChatGPT Agent 所用的「UI Gym」单个网站环境搭建成本约 2 万美元，已采购数百个网站；Anthropic 内部讨论过一年在 RL 环境上的投入可能超过 10 亿美元。
外包给数据公司：Mercor 在 2026 年 7 月收购软件仿真公司 Deeptune，复刻 Excel、Salesforce、Slack、Zendesk 等办公软件，计划在 9 月前将 RL 环境业务 ARR 提升至千万美元级别。

头部玩家的四条路线

底层逻辑变化下，四家头部公司的路线正在分化：

Scale AI 向下游走，定位「政企 AI 总包商」，基于数据集优势为政府和大企业开发内部 AI 应用，企业级业务年化收入已达 2 亿美元，CEO 预计 18 个月内将反超传统数据标注。
Surge AI 向上做高端精品，仅 110 人、未拿外部融资，做出 12 亿美元营收，只服务 OpenAI、Google、Microsoft、Meta、Anthropic 五家顶级实验室。
Mercor 横向扩张专家网络，覆盖博士、律师、程序员等专业人群，估值从 2025 年 10 月的 100 亿美元升至约 200 亿美元，并通过收购 Deeptune 押注 RL 环境。
Handshake 做数据管道，左手 1800 万求职者、右手 970 家财富 500 强企业，几乎不生产数据，只搬运数据。

把四条路线放在一起看，行业演化方向已经清晰：单纯的数据标注正在贬值，所有玩家都在沿价值链向更深处迁移。数据已不再是巨头的副产品，而是一门独立的、正在奔向千亿美元的生意。