2026年11月19日 星期四
wayawa.ai 在美华人的资讯与折扣
资讯 · 科技

数百万人的「幕后工作」:AI训练背后的千亿数据生意链

在穷尽了人类几千年文明积累的海量网络资料后,当下的大模型正迈向新的阶段——直接从真实人类的日常工作中学习和汲取知识。

文丨高洪浩 陈佳惠

编辑丨高洪浩 黄俊杰

位于城市边缘的成都中和和天津侯台,这两个原本默默无闻的老旧社区,如今汇聚了众多为互联网大厂提供数据标注服务的劳动者,他们中的绝大多数月收入都在万元以下。

这些工作者的日常相当机械:首先需要读取大模型所生成的答案,逐一检查其真实性、判断逻辑是否严密、进行量化评分与质量对标,有时还需亲自撰写参考案例。每完成一项就继续下一项。而大模型所需学习的领域范围极为宽广——涵盖财务评估、代码修补,一路扩展至生物医药开发、半导体工程——标注人员也要相应为每个领域供应示范数据与评价体系。

这种看似单调却不可或缺的工作,支撑着现代大模型开发中最重要的基础环节——高质量数据的生成与整理。

某位从事数据质量评估的专业人士曾言,「该公司的核心竞争优势源自数据策略」,说的是Anthropic。进入2025年之后,由于互联网现存文本资源逐渐饱和、难以为大规模训练所用,Anthropic改弦更张,开始收采真实业务场景中的数据:如律师团队在处理新合约时的完整流程——查阅法律条款、标注需调整位置、最后的复审环节——将这些真实操作过程详细记录,转换为机器可学习的格式,供模型训练所用。

中国的模型厂商也紧步后尘,从2026年年初开始采取行动。腾讯混元负责人姚顺雨直接操刀混元数据建设工作;阿里方面将千问的数据部门交由集团合伙人级别的范禹管理;字节跳动则在年中将Seed旗下Global Data团队进行了组织升级,改编为AI数据与安全部,与Seed部门平级运作,为集团所有大模型项目提供支持。

金融、法律、医疗直至核能物理等专业领域,仅凭模型公司内部的员工力量远不足以完成数据积累。这种空前的市场需求催生了一批估值突破百亿美元级别的新企业:2025年《福布斯》评估Surge AI公司价值约240亿美元;同年10月,Mercor获得新一轮融资,估值跃升至100亿美元。有些初创企业仅由两三名员工组成,专注于某个行业的强化学习框架搭建,Anthropic等大型模型商的一次大单往往就能供应这类小公司整年的业务量。

从2026年初至今,中国市场内已诞生数十家数据供应商企业。其中UniPat的估值已突破30亿美元规模。来自高校、科研机构、投行和律师事务所的专业人士,纷纷利用业余时间从事出题、撰写解答、演示操作流程、评判模型表现等工作。那些参与数据出题的人,有人戏称他们为「人奸」或「碳奸」。

这一前所未有的过程,可以称之为人类知识与经验的大规模「自我蒸馏」。

一条数据样本的完整诞生路径

2026年上半年间,一家提供大模型API调用服务的创业企业,与某头部云计算厂商洽谈合作事宜。这家创业公司希望获得更优惠的报价,对方提出了条件——授予数据方式获取用户在使用模型过程中产生的各类数据。

创业者做过一笔账目:即便给每一位用户免费发放相当于100块钱的API调用额度,只要能够积累足量且高质的数据样本,随后转售给模型开发商,商业账还是能算得过来的。巧合的是,同一时期一家顶尖的AI数据服务企业也向该创业者抛来了收购橄榄枝。

当用户在完成工作任务时遗留下来的操作记录,已成为模型训练中价值最突出的数据品种之一。某互联网集团的数据部门工作者表示,眼下最紧迫的需求聚焦在两个方向:编程和日常工作流程。

编程类的数据有两种利用模式:一是在评估题库中针对题目进行实战练习,在公开排行榜上争夺高分;二是从事真实项目任务,诸如游戏开发或3D建模等。据我们获知的信息,需求的高峰期,某些模型公司每天在编程数据方面的投入金额可能超越千万美元规模。

工作流程类的数据则需要完整还原办公环节:从存档文件中查询相关资料、通读邮件确认任务需求和交付期限,进而在表格内补充数据、撰写文档、跨系统查询和提取信息、调度应用工具。某数据服务创业公司创始人指出,金融和法律两个行业经济效益最高、大量业务在网络环境内执行、通常以Office格式文件完成交付,因而是最理想的数据训练源。

「参照实际工作案例,我们使用大模型仿真构造了一份样本,囊括了任务说明、操作场景、过程步骤与评价准则,并非源自任何一个真实客户的实际交付。样本中的具体问题经过了3个版本迭代。」

图片

图片

图片

图片

图片

图片

图片

图片

图片

图片

图片

图片

图片

图片

图片

图片

图片

假设模型需要学会制作杠杆收购财务模型,以协助投资机构判定某项收购是否值得、应该出价多少、如何融资及偿还,那么数据的准备就不能仅限于一份已完成的表格。

委托并购领域的资深专家提交完整的财务模型、分析报告,以及相关佐证材料:并购各方的详细信息、被并购公司的经营成绩、产业研究报告、融资条款和交易协议。以某饮料企业为例,运营指标涵盖毛利润、渠道商补偿、销售数量、生产成本等多方面数据。

该专家需要再现整个工作步骤:阅览邮件、确认收购价格及预期收益率;搜集企业财报、验证毛利润及渠道成本;根据产量推测和原料行情预估营收与支出;把相关数字输入模型表、计算融资额、利息和还款期数;调试收购价和盈利预测,做出投资回报对标,最后给出专业建议。每个步骤都要说明涉及了哪些信息、进行了哪些操作、为什么采取这样的做法。

该专家还需罗列一份评估标准:哪些步骤至关重要,哪些算是额外加分,哪些常见错误会导致整份作业不合格。

让第二名专家进行复审,试让模型完成作业:两位专家基于同一标准进行评分,结论应该相近,如若不同就调整标准;如果模型轻松获得满分的题目也会被筛除。

邮件、原始资料、参考财务模型和报告、操作轨迹、评估标准,这五个层面共同构成一条有效的训练数据。

困难之处在于精准复原真实工作流。某数据服务商表示,报告在撰写过程中往往不断修订,期间可能纳入新的材料、提出新的条件。这些改动有的被记录在邮件和即时通讯中,有的仅是专家基于积累的经验所做出的判断,无法留下文字记录。

仅凭最终版报告让模型做题,需要先还原出当时获得的素材和工作指示。信息不完整,模型无法达成任务,这未必反映其能力缺陷;但若把全部信息一次性供应,模型又学不到如何在信息变化时灵活应对。

「最接近真实场景、没有统一答案的任务,对数据的消耗量最大。」该服务商补充,「相同的资料背景下,不同的人会得出不同的分析结论,模型目前还不擅于驾驭这种情形。数学和物理等存在标准答案的内容仍被拿来测试模型的潜在能力,但从这类内容「赚不了太多钱」。」

从专家经验到数据产品的规模化流程

一条人工生成的数据商品价格从几百块钱到数万块钱,通常一个订单至少需要1000条。国外的收费基本相同,单位换为美元。

任务复杂程度越高,支付价格越昂贵。某投资公司提交的一份完整尽职调查样本,包含投资意见初稿、财务建模和被投资企业经营材料,报价能达到5万元。在核物理、芯片制造等利基领域的数据更为稀缺,一旦流入市场就会立刻被抢购。

一位了解月之暗面内情的消息人士透露,该公司开发K3期间,曾从海外采购一批用于芯片设计的电子设计自动化(EDA)数据,「交易金额在数百万美元等级」。K3的技术文档里也展示了相关工作,但官方把它定性为早期阶段性验证,只披露了模拟运行成果。

早期的数据生成工作没有这么规范化。字节跳动初期开发大模型时,曾从内部审核部队中抽调人力,甚至支付费用让在职员工下班后制作数据,内部被戏谑为「众包」。

一位Seed团队的后训练工作者介绍,职工为AI陪伴应用猫箱撰写对白文本,用户发言一次、模型回应一次为一轮。一条完整对话可能包含100到200轮交互,通过审查后补偿通常超过千元。参与者囊括编剧、小说作者,也包括审核和排版工作者。「有人月收能超过一万。」

如今,字节通过Xpert项目征招专业人士,Seed STEM科学家计划邀请了100位开创性科研领域的研究者。创业的数据企业也搭建了平台,邀请不同产业的从业者把职业经验转为数据产品。

Mercor曾投入50多万美元,邀请金融、法务、医疗和咨询等领域的专业工作者开发200项任务,均值每项耗资2500美元以上。参与出题的人中有人曾供职高盛、JP摩根或麦肯锡。Surge AI 则聚集了400多人的专业顾问阵容。

国内的专业数据平台Humanlaya已经汇聚了约300种行业与学科领域、超10万位专业工作者,2026年获得高瓴、红杉、今日资本等投资方青睐,估值接近10亿美元规模。

一位在数据平台兼职的法律专业人士透露,她每月生成约40条数据作品,获得2万多元报酬,折合每条约600块。首次生成耗时75分钟,经过适应后缩短至约半小时。

学位和身份不代表数据质量。许多教学工作者并不亲身从事科研操作,难以展现硕博研究生一线的实际作业模式。这推动平台聘用既具备业界背景又懂算法逻辑的正式员工,来甄别数据质量、提炼能被重复应用的出题模板。当10位行业人士交付的方案中,若有5种可以替换资料、变更条件后继续生成,团队就会配置技术人员把它扩展成50条、甚至500条新数据。

有些企业更着力于自行合成数据。UniPat的员工半数以上从事大模型研究工作,公司既自主开发模型、创设评价基准,也与业界大厂协作展开调研,借此预见未来需求、提前布局数据储备。

数据可以被批量生成,同样也会迅速失去价值。某大厂订购了一批针对代码修复的训练数据,交付之前,模型已经从其他渠道的数据中学会了这项技能;任务执行系统的迭代升级也许会让代码修复工作变得更加轻松。这批采购的数据就贬值了。

尽管如此,总是有人会接盘。某供应商提到,除了顶级大厂和领先的初创企业,小红书、米哈游、京东、九坤、蚂蚁等机构也都有需求。由于各家的发展阶段有差异,竞争对手已淘汰的数据,进度靠后的团队或许还能利用。

还有许多交易藏在幕后进行。创业公司收储一批模型商的账户凭证,转手贩卖API服务,再把调用时产生的数据转卖给模型研发商。另一些企业从大模型公司的员工手中采购数据,再转销给竞争对手;这些中间商可能在算法、工程、基础运维或采购部门任职。某些交易依靠贿赂维持,单笔合同数字在百万到千万美元之间,职员从中获取提成。

「这感受就像是在地上捡钱。」某数据供应商评论。

模型公司的选择权:高价独占与深度了解

模型公司无法彻底依赖内部数据生产。

月之暗面的一位科研人员指出,编程任务涉及多个方向——修复程序漏洞、实现新功能、补充测试用例、重构代码架构、性能优化等等。团队在初创阶段缺乏经验、人力紧张,「很多数据其实是实习生拍脑门儿出来的,质量粗糙」。

公司在推进编程工具产品化时,也想先在内部使用、收集反馈,但真正能用到该工具的员工不足50人。即便开放给付费用户试用,高质量样本也不见得能大量出现。某大厂的办公Agent产品经理坦言,该产品搭载的模型并非顶尖级别,终端用户的任务也未必复杂,「几万条数据里也许能用上几条」。涉及工作档案和个人隐私,数据的采集审批也更严格。

通过招纳人手来补齐数据生产能力也很棘手。当业界涌现出更强大的模型产品,研发团队会倾向于运用其输出来进行自我训练,减少人工数据生成环节;但蒸馏的边际效应会递减,人工数据的需求量也随之增加。

某独立模型创业公司估算,高峰期的人工需求可能超过6000人,谷值期还不足2000人。一家仅有数百员工的模型公司根本无法常年维持如此规模的队伍。

第三方数据供应商可以一份数据多方销售。但大型科技企业通常愿意付出3到4倍的溢价成本,来获取永久的所有权或一定期限的独家使用权。当下质量达标的训练数据,到了半年后可能只有十分之一还有参考价值。等到竞争方能够采购同样的数据,其战略意义已然改变。

除却资金投入,采购方需要明确自身的需求诉求。

蚂蚁在采购金融领域的数据时,会把一个投研报告生成的需求细化为数百个具体情景、分解为十多个分支类别,明确每类须交付多少份、每份情景应该是什么样的。「与蚂蚁的合作项目常常是赔钱的。」某服务方坦言,精细化的需求指标增加了交付的复杂性。

验收的第一步是合规审查,第二步是质量检验。如字节会明令禁止蒸馏及非法API的使用。采购方通常逐条审阅范本,检测逻辑深度、输入文档的有效性、是否存在空白页等问题。某模型公司的决策层曾向供应商提问:「文件名称中多出了一个空格,提示语里没提及这个空格,这样喂给模型会产生影响吗?」

另一种验收方式是导入训练,观测评估指标是否提升。若无提升,采购方通常不再继续采购。

月之暗面曾回绝过Surge AI提议的深层次独家伙伴关系。消息人士指出,他们的考量是供应商一旦做大,交付工作会偏向于覆盖更通用的任务方向,很难继续供应细分化、尾部的数据需求。

「做出拒绝决定的前提是精准把握自己的需要、对数据具有足够高的鉴别水平和品味。竞争力的差别从这一点开始拉大。」某数据供应商评价。

被数据吞没的研发队伍

在DeepSeek,参与数据工作的员工占绝大多数。「梁文峰有时也会做数据标记工作。」一名DeepSeek的内部人士透露。姚顺雨接掌混元后,对已有数据做了重新清洗、优化底层基础设施,让混元3预览版相比之前的版本有了明显飞跃;正式版再经过数据和强化学习的优化迭代,能力水平再次得到提升。

然而从事数据工作的人员,其薪酬增幅未必与模型性能同步。某知名互联网企业的研究人员提及,所在团队投入了1万条数据,训练效果显著。许多参与者的月薪在8千到9千块区间,按18薪制折算,年收不足20万。而同一公司从事算法研究的人员,年薪加福利可达千万等级。模型性能有所提升,主要收益被分配给算法团队;数据工作的好坏对员工的实际所得影响甚微。

履历出众的学术型研究员,现如今也要投入大量时间进行样本筛选、调整数据配置比例、规范评分机制。

这与他们初入行业时的理想不相符。在大语言模型起始阶段,他们的追求是探索前沿算法、开拓崭新的网络结构。2024年9月OpenAI推出o1,2025年1月DeepSeek发布R1,强化学习的运用让模型能通过反复迭代,依据得分信号优化求解战略。数学题有明确的答案,编程任务可以实际验证,研究人员期待模型能从中获得推理能力,进而迁移到更广泛的应用领域。

但对于撰写商业报告、回复客户咨询这样的任务,判断质量好坏不像做题或编程那样直截了当。模型也可能为了获得奖励而「走捷径」——虚构表面合理的推导步骤,蒙骗评分机制。研究人员因此不得不回到数据层面、调整评价规则、补齐漏洞。

竞争的压力进一步压缩了研究人员的时间。过去一年,许多公司的后训练队伍需要每一两个月发布一个新版本,研究人员的工作时间从上午10点半延伸到深夜,即便在假期也随身携带工作电脑。

「根本上讲,各家在技术思路、数据处理方法和质量控制上都拉不出明显的代差,主要就看谁的发布速度更快。」一位后训练领域的研究员表示,「如果某个工作环节延后两三个月,即便最后做成了,价值也荡然无存。」

为了紧跟进度,他们指挥模型大规模采集、修改数据,让更优秀的模型查验结果,自己则关注全流程、处理异常情况。模型的能力越强,能够承担的工作步骤越多,下一轮训练启动得也越快。

2026年,OpenAI在讲述内部技术发展变化的文章里提及,编程类Agent已成为研究员日常工作的深层融合部分:编写实验性代码、执行自动化测试、诊断基础设施异常。

AnthropicSy也展示了类似的工作模式:某次例行性升级导致了数万条训练项目的崩溃。技术团队把问题日志和集群操作授权提供给Claude。模型逐一测试环境的各项参数配置,追踪到引起故障的特定调试参数,复现了错误现象并验证了解决方案。公司的统计显示,这项通常要人工处理两三天的工作,模型只用了约2小时。某位技术人员这样描述日常状态,工作就像是「身处一群Claude中间,每个Claude都在争夺他的关注。」

研究人员整理了各个领域专业人士的知识积累、工作经验和决策判断,加工成供模型学习的数据,从而使模型能够承接他们的工作内容。现如今,模型要学习的工作场景,同时也涵盖了研究人员此刻每天都在执行的任务。

← 上一篇AI融资寒冬冲击:Anthropic IPO估值腰斩,从巅峰2万亿跌至1.3万亿 下一篇 →美国就业数据异常强劲!失业率意外下降,美联储加息预期升温