文章核心观点 - AI数据正从互联网公开语料转向专业数据公司、专家个体和掌握真实业务数据的行业企业三类来源，数据采购范围持续扩大 [14][26] - 数据价格出现明显分化，高难度专业判断类数据价格高昂，基础标注类数据价格极低，定价核心在于能否提供可验证的能力增量 [41][47] - 模型公司的数据预算缺乏统一财务口径，数据投入决策取决于下一代模型需要提升的能力与稀缺数据的匹配程度 [30][38] AI公司的数据采购来源 - 早期大模型主要依赖互联网新闻、书籍、百科、论坛、开源代码等语料，版权问题日益受重视后头部公司转向购买授权 [12] - OpenAI与News Corp达成多年内容合作，协议五年价值可能超过2.5亿美元，可使用《华尔街日报》《纽约邮报》等媒体内容 [12] - 第一类来源是专门生产AI训练数据的公司，包括Scale AI、Surge AI、Mercor、micro1等，负责组织标注人员和专业人才生产高质量答案、评测题目和复杂任务 [15] - Mercor在2026年上半年实现6.14亿美元总收入，约91%来自基础模型公司，包括OpenAI、Anthropic、Google DeepMind等 [16] - 第二类来源是拥有专业知识的人，2026年2月有数学家受邀为AI提供高难度评测问题，每题报酬约5000美元 [18] - 模型公司还需要工程师设计复杂编程任务、医生评估诊断推理、法律专家判断答案可靠性 [19] - 第三类来源是掌握真实业务数据的行业公司，Spirit Airlines破产后其约1亿封电子邮件、5亿条Microsoft Teams消息及大量电子表格和业务资料被Google开价1000万美元购买 [5] - 企业真实业务记录可还原供应商延期交货处理、客户投诉跨部门流转、员工计划调整等过程，互联网文章难以完整还原 [21][22] - micro1于10月9日宣布启动Company Data Partnerships计划，计划未来12个月投入10亿美元向企业购买或取得运营数据授权，转化为强化学习环境 [7][23] - 企业数据出售存在授权审查、隐私处理、任务提取和结果验证等障碍 [25] 数据投入成本与预算决策 - 模型公司很少完整公布数据账本，OpenAI、Anthropic等头部公司未将预训练语料、专家后训练、强化学习任务和评测数据支出逐项列明 [28] - 数据投入包括原始语料和版权授权购买、数据清洗去重质量审核隐私处理、专家示范答案和偏好判断、可执行环境和自动验证工具开发等 [29] - 2026年上半年智谱研发费用达21.31亿元人民币，同比增长33.6%；MiniMax研发费用约2.97亿美元，同比增长138.8% [30] - MiniMax招股书披露计划2026年至2030年每年投入约6490万港元用于数据采购、标注和合规，五年合计约3.25亿港元 [30] - 智谱2025年上半年研发技术服务及咨询费用约5221万元人民币，涉及数据清洗、模型评估及其他研发外包工作 [30] - Google曾计划一年向Scale AI支付约2亿美元，Mercor上半年数亿美元收入说明头部模型公司持续购买外部数据生产服务 [31] - 业内传言GPT-6 Astra的数据投入成本高达几十亿美元 [32] - 2026年3月发表于EACL Findings的《Rethinking Data Mixture for Large Language Models》系统梳理了固定计算预算下调整各类数据比例以改善模型表现的方法 [34][35] - 数据预算与下一代模型准备提升的能力、现有模型缺少的数据以及不同数据带来的额外收益相关，并非固定研发成本比例 [38] 数据价格分化与市场趋势 - Mercor招聘页面显示普通专业人员平均合同费率约每小时107美元，肿瘤学专家报价达350至450美元，机器学习专家为150至200美元，简单图片分类和文本标注成本可能低至几美分一项 [41] - Mercor公开招聘的放射科医生合同费率达每小时200至400美元，任务包括医学影像判读、撰写参考诊断报告和评估模型表现，部分肿瘤学专家时薪达450美元 [42] - 强化学习任务和可执行环境需求增长，成本包括编写任务、环境开发、规则设置、自动验证和反复测试 [42] - Human Archive等数据采集项目在30多个国家招募人员佩戴设备记录日常劳动，支付每小时1至30美元，相关真实世界数据需求一年内增长约十倍 [43][45] - 国内机器人企业DexForce利用虚拟仿真数据降低训练成本，真实操作数据需求扩大但仿真技术可能压低部分数据采集成本 [45] - 模型本身正成为数据生产者，对于答案可自动验证的数学、编程任务可批量生成问题并利用代码执行器筛选结果，采购预算将推向更难生成、缺乏可靠验证器或需要人类专业经验的材料 [45] - 数据已发展为成熟产业链，只要人类活动存在，这条链接人类与人工智能的产业链将持续成长 [48]