大模型数据公司，很长一段时间并不在VC的视野中，不过这种境况有所变化。我最近听说，几个有阿里通义、月之暗面等模型大厂实习经历的年轻人创立了一家数据公司，颇受资本青睐。
这家公司以AI训练数据为切入口，在不到一年时间里便拿下千万美元级订单，完成约三轮融资，估值也是水涨船高。外媒最新消息显示，这家公司即将完成一轮3亿美元融资，投资方阵容豪华，囊括了红杉、阿里和腾讯这些明星机构，估值达到25亿美元。
当然，国内此前并非没有数据服务公司，但在今年之前，这样的公司很少会被风险投资关注到。原因在于，这个模式主要做的是现金流生意，创业门槛在AI领域内也不高。更早些时候，三四线小城市有一批数据公司利用廉价劳动力为模型训练提供语料。随着大模型智力水平的提升，数据质量要求同步提高，越来越多名校背景的高学历从业者加入。各行各业的资深人士，比如法律、医生、记者、编剧等开始入驻一些数据服务公司的平台。作为一份兼职，数据标注的收入在每小时500-1000元。
但如果只是做专家网络，在国内很难顶到百亿估值。卖数据这个模式，在不少投资人眼里，仍然是一个阶段性的可持续性存疑的生意。
一位接触过前述项目的投资人告诉我，在2亿美金轮次以前，投资人还是从对创始人的判断层面去下注的。到如今，要以25亿美元估值对外融资，这家公司必须讲出新的故事。据我了解，今年上半年，它已经开始涉足金融领域，在预测市场做了一套可对比、可验证的系统，据说要以卖API来盈利。
国内数据训练公司大概有二十多家，上述跨界金融的故事还只是他们试图描述的未来方向之一。在和投资人交流后，我发现人工标注、专家外包、数据交付，这些很难讲出足够性感的增长故事的传统数据服务模式，在越来越多95后、00后年轻创业者那里有了新的说法。他们凭借模型训练的经验和对模型能力的足够了解，让一个原本相对枯燥的现金流生意，开始有了新的想象空间，由此搅动起一波融资热度。
数据有了新需求
理解这些实习生做的生意，可能要从去年媒体上热议的“985、211硕博生去当AI训练师”说起。比如，DeepSeek北大中文系毕业生和Kimi的医学博士等。他们有人在网上自嘲为“数据包工头”，带领一些以BPO（外包）形式存在的标注员，配合研发团队，为模型生产训练数据。
卖数据的商业逻辑并不复杂，只要能够拿到订单，自身就可以跑成一家现金流不错的公司，也不一定需要融资。Surge AI就是一个典型案例，这家公司成立于2020年，创始人Edwin Chen此前曾在Google和Meta从事机器学习工作，后来出来创业。这家公司很长一段时间没有拿外部融资，主要靠自身滚动发展。直到2025年，市场开始传出它寻求最多10亿美元融资的消息。当时，公司过去一年收入已经超过10亿美元，市场讨论的估值也超过150亿美元。
随着模型能力的提升，医疗、法律、金融等专业领域，以及需要主观判断的复杂任务中，对资深人才标注的需求正快速增长。市场上高质量人类标注者稀缺，特别是专业领域人才，大型AI公司为此愿意支付高额溢价。Mercor便捕捉到了这一机会，这家公司早期只是为大型数据标注公司提供“合同制人才”的AI招聘平台，后来直接把专业人士组织成训练数据供应网络。2025年，Mercor以100亿美元估值融资，2026年又传出按200亿美元估值筹集约5亿美元的计划。
总之，海外诞生了许多独角兽，但是国内的AI训练数据服务商却很少有机会获得VC支持。
一位调研过这些模型厂的投资人告诉我，当时，模型厂内部对于数据采购的标准，包括新增供应商的标准，都还不是特别清晰。尽管已经和几家互联网厂商，甚至一些海外供应商有所合作，但整体供应量还没有那么大。另一方面，国内有段时间以蒸馏为主，很大程度上削弱了大家去找专家数据的必要性。
今年Agent全面爆发，需要的数据类型也早已不是简单的专家数据，而是一种更接近环境的数据。
一位模型厂的研究员告诉我，现在需要的数据，已经不只是“问题和答案”，而是能够让模型反复行动、获得反馈的可闭环、可验证的训练环境。模型在里面执行任务，环境记录它的每一步行动，再通过验证器判断结果，最后把反馈交还给模型。比如，想训练一个模型写出更好的前端代码，光靠人工告诉它“这段代码好不好”是不够的。你需要一个能够执行代码的环境，还需要一个能够理解页面效果的模型去做裁判，再通过几百轮甚至更长时间的运行，不断给模型反馈。
一些美国创业公司开始专门做强化学习环境。AfterQuery希望让模型和智能体学会像专业人士一样完成任务，公司将其描述为“将世界顶尖从业者的模式、决策和推理进行编码”，为前沿大模型输出专家推理数据集、强化学习仿真环境、模型评测服务。
需求方这边，Anthropic管理层也讨论过在未来一年内拿出10亿美元投入强化学习环境。OpenAI方面，2025年全年数据开销约10亿美元，内部预测到2030年将涨到80亿美元。现在，美国差不多已经有十几家这样的种子轮团队，人数不超过20人，服务1到3家大客户。
国内也开始出现许多这样的创业机会。一位投资人告诉我，越来越多研究员正在从模型厂外溢出来。到了今年5、6月份，这个趋势就比较清晰了：市场上开始出现一批提供高质量数据的新团队，同时，模型厂对于一些新领域数据的需求也在上涨。
00后造富扎堆
和AI其他领域的创业者一样，训练数据公司的创始人通常也很年轻。Scale AI创始人Alexandr Wang在24岁时成为亿万富翁，Mercor的三位创始人也在22岁时凭借百亿美元估值跻身亿万富翁行列。
最近的是AfterQuery的两位联合创始人。斯宾塞・马蒂加（Spencer Mateega）23岁、卡洛斯・乔治斯库（Carlos Georgescu）22岁，创立公司的时候两人还都处于大学在读状态。他们公司刚刚宣布正在筹集新一轮融资，估值达到32亿美元。这家公司成立仅仅18个月，主要业务是AI训练数据服务。
如今，国内的数据初创公司创始人同样如此，而且他们不一定是具身赛道里那种“小天才”，就比如开头我提到的，来自头部模型大厂的实习生。
一位接触过国内一家独角兽数据训练公司的投资人告诉我，早期大家的判断仍然更多集中在“人”身上。兼具business sense和researcher属性的人，到今天在市场上都比较少见。而这家公司的创始人曾在月之暗面等一线模型大厂有过实习经历，参与过模型训练工作并且发表论文。
现状是，模型训练的一线工作主要由名校PhD承担，他们从实习开始就会承担具体的执行工作。当他们跟着外包团队完成这些工作后，很容易就会想到，既然这件事可以在大厂的外包部门完成，为什么不能自己出来做？于是，一部分人开始从模型厂或外包团队中走出来，成立数据创业公司。
这也是当下这批数据创业者的共同特征：他们离模型厂的实际需求更近，对外部市场的变化也更敏感。一位已经投资过类似项目的投资人告诉我，他对创业者画像的判断多数是在团队至少要达到T0或T1级别，且最好是95后、98后到00后这一代真正参与过一线模型训练的人。
工程能力同样关键。如何搭建团队，如何把研究员认可的数据质量要求落到实际生产中，都需要很强的工程能力。从整个数据pipeline的搭建，到Query设计、数据初步构成，再到后续清洗和质量控制，背后都有复杂的工程链路，并不是简单的人工标注。
数据表面上是一门生意，但做得足够好时，它也可能成为模型厂之外的一个候选人团队，甚至是一个小型的预训练、后训练组织。投资人可以在早期以较小代价获得一个研究员密度较高的团队，数据业务是他们阶段性养活自己的方式，也可以帮助他们证明自己在行业中的位置，跟上模型智能发展的变化。
数据生意的天花板
但单纯的数据生意，很难支撑这些创业公司持续走下去。
2025年市场曾披露，和垂直领域专家数据起家的Mercor年化收入达到1亿美元，但其中60%到70%的总收入需要支付给承包商，留给公司的空间非常有限。Scale AI也有超过一半的营收用于直接业务成本，其中包括承包商薪资。国内一些数据标注平台公布的价格中，标注员的时薪通常在200至500元，资历更高、专业性更强的人甚至可以达到上千元。
随着模型能力继续提升，后训练公司对顶尖专家的需求还会越来越复杂。如果仍然依赖大量人工去寻找专家、生产数据，就意味着成本不断上涨；如果提高专家的收费，毛利会被压缩；如果不提高收费，又很难获得足够高质量的数据。
而且数据业务订单并非完全确定。投资人朋友告诉我，第一批数据供应商进入市场时，很多公司先在每个垂直领域做出一批高质量样本，不管是人工手工打磨出来，还是通过其他方式生产，都会在样本上投入大量精力，再拿去给阿里、腾讯等客户展示。客户认可之后，才会进一步下订单。但是数据行业里，一个订单并不等于一笔可以立即确认的收入。每一批数据都需要研究员验收和质量控制，如果连续几次交付的数据数量或质量不达标，客户完全可能缩减甚至取消订单。比如客户签下1亿美元订单，并不意味着公司半年、一年或者两年后就一定能够实现对应规模的收入。
从VC的角度看，投资最终还是要回到两个问题：这家公司能不能形成足够高的价值倍数，以及未来有没有清晰的退出路径。
海外大厂的分工相对成熟，每家大厂给外部数据公司的年度预算，到2027年、2028年仍在增长，而且体量很大。因此，海外数据公司确实有不错的市场空间，也已经出现了被并购的退出机会。但中国市场的逻辑不太一样，如果最终只是一家数据外包公司，无论是被并购还是上市，空间都相对有限。
在前述投资人看来，未来的数据生意可能不再是今天这种“一条数据卖多少钱”的模式，一些数据创业公司开始试图站到SaaS的位置上。比如，一些传统企业本身没有训练AI模型的能力，但内部拥有大量独特的业务流程和高价值数据。数据公司可以进入这些企业的工作流，帮助其完成AI化改造。
在这个过程中，企业会开放一些独特的业务场景，公司不仅获得数据，也能积累真实的任务轨迹和交互反馈，再把这些东西沉淀到自己的模型和训练体系中。这样一来，数据就不再只是一次性交付的商品，而变成了连接客户工作流、模型训练和长期服务的一层基础设施。数据公司的定价方式也会发生变化。大厂不会再简单按照数据条数付费，而是为一套能够持续产生高质量数据、完成任务执行和模型反馈的系统付费。
海外一些数据公司已经往这种更深的服务能力走。Turing、Scale、Invisible等公司都在发展咨询或更深度的企业服务业务，希望从单纯提供数据和人力，进一步介入客户的AI工作流。
当然，数据越深入客户核心业务，风险也越高。Mercor今年遭遇数据泄露事件后，Meta暂停了与其合作，OpenAI也对此展开调查。相关数据可能涉及模型公司的训练方法、承包人员信息和专有数据。
新故事在哪
除了追求更高的智能，模型发版速度的加快，也是今年数据订单增长的另一个原因。2026年以来，头部模型厂商的发版节奏，已经压缩到了月度级。技术方面来看，这背后可能有一个关键变量正在发挥作用：RSI。
RSI（Recursive Self-Improvement，递归式自我改进），指的是AI参与甚至改进自身研发流程，从而持续缩短模型迭代周期。它被视为本轮模型发版加速的重要推手，也成为中美AI创投圈的热词。
这并不是一个全新的概念。学术界很早就开始讨论，工业界也一直在尝试推进。5月，由Meta前FAIR研究总监田渊栋等8位顶级AI研究员联合创办的新AI实验室Recursive Superintelligence（RSI）完成6.5亿美元融资，投后估值约46.5亿美元。这一技术概念正式被推到资本市场面前。
一些数据初创公司，也开始把RSI作为自身融资叙事的一部分。
我的投资人朋友关注到，最近看的一些数据团队已经开始在新的领域里搭建“半RSI”的系统。它们当然还没有实现完全自动化的迭代，但在某些环节上，可能已经做到接近一半，甚至70%到80%。比如，团队可以在一个新的垂直领域里，快速生产高质量的分析、标注和合成数据，同时把专家经验和人的判断高效地嵌入系统。未来，如果能够进一步减少人工介入，让系统自己完成任务生成、执行、评估和迭代，就有机会从数据生产走向更完整的模型改进闭环。
然而，RSI创业是一场门槛极高的游戏。它同时需要前沿模型、巨额算力、顶尖研究人才、训练基础设施、大规模实验能力，以及足够强的模型评估系统。当前真正有能力尝试闭合完整循环的，仍然主要是OpenAI、Anthropic、Google DeepMind，以及极少数资本和人才配置超常规的新Lab。
今天市场上很多公司都在讲RSI，但它们做的其实并不是同一件事情。有的团队对标大模型公司，目标是做下一代模型研发，试图把完整的模型训练流程跑通；有的RSI只发生在某个产品的自动化层面；还有的团队所说的RSI，是自己的数据管线可以实现自净化、自迭代。这些工作的层次、方向和scope都不一样，短中期内，它们之间可能存在非常明显的差距。
所以，从投资角度看，首先要拆解RSI的具体含义：它究竟在解决哪个层面的问题？这个层面未来在整个行业中能够占据什么样的生态位？它的能力边界在哪里，又有没有继续向上延展的可能？
当然，数据创业者也不必都以RSI做下一代模型为目标。一切都取决于你如何看待自己做的这件事。有些人可能想得非常清楚：出来创业不是为了融资，而是找三五个人、十个人，做一门能够赚钱的生意。只要第一笔订单跑通，客户能够正常回款，现金流就不会有太大压力。
总之，作为年轻人的第一桶金，数据似乎是个不错的生意。
在前述投资人朋友看来，一个团队也不会因为选择“做数据”而减分。相反，过程中积累的能力可能会成为未来做出更大事情的重要前提。“如果一个团队能够一边做数据、一边赚钱养活自己，同时持续积累researcher和工程能力，再沿着模型智能不断往前走，这件事情其实是非常有意思的。”