AI 训练数据是什么？为什么不能把它当成一个市场来研究

先说结论：AI 训练数据不能当成一个经济性一致的单一市场来研究，它是五条互相替代的供给通路共用的一个名字——公开抓取、版权授权、人类数据服务、合成数据、强化学习环境。五条路里只有三条已出现独立收费：版权授权、人类数据服务、RL 环境；前两条是成熟生意，RL 环境刚刚起步。它们的成本结构、边际成本、卖方集中度和终局没有一项相同。所以「AI 训练数据市场有多大」这个问题，用任何一个单一数字回答都会错，因为几个主流口径在算三样不同的东西。

一、五条通路，各自往模型里送什么

五条通路不是一条链上的五个环节，而是五种拿到训练数据的办法。同一家实验室可以同时走五条，也可以只走其中一条。

通路一常被误认为「免费、没有卖方」。卖方真实存在，只是赚的不是数据的钱：代理与抓取服务商按流量和成功率收费，CDN 与抓取控制层按抓取收通行费，开放语料的加工托管方多数是非营利机构或平台的获客投入。同一套代理网络卖给价格比对、广告核查、风控客户，和卖给模型公司没有区别，所以这一层高度分散、毛利偏低，收入与训练数据需求只弱相关。

通路四更彻底：在本文统计的外部训练数据交易范围内，合成数据基本由实验室自己生成，独立卖方不构成主要供给。例外是提供蒸馏与仿真工具的供应商，它们卖的是工具和算力，不是成品数据；这也不排除未来出现专门的合成数据供应商。通路五刚刚起步，卖的是能反复运行的代码环境，不是一次性交付的数据集。

二、为什么把它画成一条链会误导

一个产业该画成线性链还是网络图，看三条：环节之间是不是单向的先后关系，有没有回路，数据的生产者与付钱的人是不是同一批。训练数据产业三条都不满足。

有回路。 模型的输出被用来生成下一代模型的训练数据，模型也被用来给人类标注做预标注。产出回流成投入，这是网络特征，不是链特征。

付钱的和产生数据的不是同一批人。 一个 Reddit 用户写下的回答，由 Google 付钱给 Reddit，用户本人不在交易结构里。数据的所有者、生产者、付费者被拆成了三方。

并行通路各自成立。 一家实验室可以完全不买授权语料，只靠爬取加合成；也可以完全不做人工标注，只做可验证奖励的环境。这些路不是先后关系，是替代关系。

替代关系带来一个直接后果：五条通路争抢同一份预算。一个实验室今年多花 10 亿美元在 RL 环境上，这 10 亿大概率不是新增预算，而是从人类偏好标注的预算里挪过来的。这是本文的机制判断，没有实验室预算表可以核对，但它能解释一个表面矛盾——行业整体高速增长，个别头部玩家的增长却归零、市场预期腰斩：不是需求消失了，是钱换了通路。这里归零的是增长，不是收入；Scale AI 的收入并未腰斩，腰斩的是市场预期，详见本组《Scale AI 是什么公司》。

三、三门生意，三种完全不同的经济性

已出现独立收费的是版权授权、人类数据服务、RL 环境，其中前两条是成熟生意，RL 环境刚刚起步。把它们并排看，会发现它们几乎在每一个维度上都相反。

这张表最重要的一行是边际成本。

版权授权是「合同期内一次付费、可反复使用、许可方追加交付的边际成本近零」，期限与续约依合同而定，结构上是最好的生意；但卖方是数百万权利人，极度分散，单个卖方拿不到定价权。人类数据服务正相反：持续付费、按量计价、边际成本刚性，结构上是最差的生意；可它的供给侧集中度更高，反而长出了百亿美元估值的公司。结构最好的环节，利润被分散化稀释；结构最差的环节，却出现了最贵的公司。 这个错配是理解本行业估值的关键。

人类数据服务的规模经济为什么有限？因为多做一倍的标注，就要多雇一倍的人。直接人工成本随工作量线性增加，规模带来的成本摊薄空间有限；仍存在采购议价与管理效率的边际改善。这一条的完整拆解在本组另一篇《数据标注公司怎么赚钱》，那篇会把它算到每一块钱。

四、需求还分三段，采购行为完全不同

模型训练在工程上分预训练、后训练、评测三段。三段要的数据、单价、采购方式都不同，混在一起谈就会得出错误结论。

最要紧的差别在采购形态。预训练数据是脉冲式采购：训一个新基础模型时集中买，训完就停。后训练数据是流量式采购：只要产品还在迭代，就要持续买人时。这决定了两类生意的收入形态不同：语料授权里有一部分是多年期许可（本组另一篇列出的交易有 5 年期、3 年期），不是训完就停的一次性采购，但每一轮续约都要重新面对替代成本，所以它的收入是「合同期内稳定、续约时跳变」，而不是持续增长；后训练人类数据是按周结算的人力流，只要产品还在迭代就会持续发生，连续性明显更好。也正因如此，本组写到的估值最高的公司——Scale AI、Mercor、Surge AI——都长在人类数据服务这一侧；这里的估值口径是媒体报道的最近一轮融资估值，不是收入或利润倍数。

五、三个市场规模，为什么能差六倍

搜「AI 训练数据市场规模」，会同时撞见三个互相矛盾的数字。它们不是谁算错了，是在算不同的东西。

（来源：Grand View Research 行业报告 2025–2026；第三方汇总，机构未披露。三个口径统计对象不同，不可直接比较。）

差异全部来自边界。63 亿是外部采购的服务；229 亿含两部分——企业内部标注人力的折算，和软件工具许可。前者从来没有离开买方的资产负债表，对判断「谁在赚钱」没有用；后者是付给外部供应商的费用，会离开买方，只是它不是数据本身的交易额。35.9 亿只是现成的数据集商品，不含定制服务。

本文换了一个做法：从有公开收入数字的公司自下而上加总、把报 gross 的抽成平台折成 net，得约 51–55 亿美元（net 口径，其中中国约 16 亿美元）；再加逐笔可核的版权授权年费约 3.5 亿美元，得全球已披露样本合计约 55–59 亿美元；若只算中国以外，同一口径约 38–43 亿美元。另有未披露的版权交易，总额无法核，60–75 亿美元只作含未披露交易的方向性区间。这是方向性估算，不是精确测算：若干没有可核收入的中型服务商未计入，合计口径上低于全市场实际；跨年份加总部分按已披露样本的跨期加总参考值表述，不单独作为下偏理由。区间的宽度主要来自 Mercor 8.4 亿美元（2025-10 倒推）与 20 亿美元（2026-06 媒体值）两个不同时点口径的并列采用。它显著低于 229 亿美元的咨询口径，也高于 2026 年 44.4 亿美元的成品数据集口径。

六、看到「AI 训练数据」四个字，先问三个问题

第一，哪条通路。 是版权授权、人类数据服务，还是 RL 环境？三条路的毛利、壁垒、客户和风险完全不同，不能用一个倍数估值。

第二，哪个训练阶段。 预训练、后训练还是评测？阶段决定采购是脉冲式还是流量式，也决定收入能不能持续。

第三，什么口径。 是 gross（流经平台的交易额）还是 net（平台确认的收入）？含不含企业内部人力？哪一年、哪家公司？三个市场规模数字差六倍，多数时候差的就是这三件事。

把这三问问清，就不会把五条通路当成一条链、把三门生意当成一门，也不会拿一个行业规模数字去给某家公司定价。

资料来源

1. Grand View Research. 数据采集与标注、标注解决方案与服务市场规模报告[R]. 2025–2026.（题名待替换）
2. 诺辉投资研究部. AI 训练数据与语料 · 行业认知研究报告[R]. 2026-09.

数据截止 2026-09　|　相关：数据标注是做什么的？标注员到底在标什么 · 数据标注公司怎么赚钱？项目制和抽成市场差在哪 · AI 训练数据与语料 · 行业认知研究报告

编写依据

本文依据本赛道研究报告及用户授权的成品库 Markdown 摘编，素材获取于 2026-10-30。原文所列资料时点、出处及核验边界按提供稿保留；本轮未逐条回溯外部来源。