AI 训练数据市场规模到底多大？三个口径差六倍

同一句「AI 训练数据市场」有三个数：63 亿美元（2026 年，采集与标注服务费）、229 亿美元（2025 年，标注解决方案与服务，含企业内部人力与软件）、35.9 亿美元（2025 年，成品数据集）。最大与最小差约 6.4 倍，不是谁算错，是算的东西不同。本文自下而上估算：中国以外的人类数据服务约 35–39 亿美元（net），加逐笔可核的版权交易约 3.5 亿美元，得中国以外可核下限约 38–43 亿美元。中国 2025 年另计约 16 亿美元，单列。两者相加是全球可核下限约 55–59 亿美元（与 01 篇同口径）。另有未披露的版权交易，金额无法核，60–75 亿美元只作含未披露交易的方向性区间，不能当总量使用。

三个数分别在算什么

（来源：Grand View Research，2025–2026；第三方汇编 2026，机构未披露。三者口径不同，不可直接比较。）

三个数分别回答：外部服务花多少、整个标注活动值多少、买现成数据集花多少。第三个数的口径未披露：若该汇编按成品数据集采购口径统计，才对应最后一问。

差六倍，差在三条边界

第一，企业内部人力算不算。 一家银行整理自己的客服记录去微调内部模型，在会计上是 IT 支出，不构成外部市场。229 亿把这部分折了进去，意味着一大块钱从来没有离开买方的资产负债表。它能说明「标注总共消耗了多少资源」，不能说明「谁靠这个赚到了钱」。

第二，软件工具算不算。 229 亿把标注软件许可也装了进来。软件边际成本近零，和按人时计价的服务混在一起，利润率结构完全不同。

第三，卖成品还是卖定制。 63 亿按服务合同计，其中包含为交付成品数据集而发生的标注劳务；35.9 亿若按成品商品的采购额计，则覆盖范围较窄，不含定制服务（口径未披露）。两者在「成品数据集」这一块可能重复计算，重复额没有公开拆分，所以既不能相加，也不能相减；年份也不同（2026 对 2025）。

自下而上：把可核的公司收入加起来

第一步，先只加中国以外的六家：8.4–20＋14＋10＋10＋5＋2.7–3.0＝50–62 亿美元。中国 16 亿单列，不进入这一步。这个结果不能直接用：三家报 gross（流经平台的交易额），三家报自有收入。

第二步，只把抽成市场型的三家折成 net，统一按 35% 抽成：（8.4–20＋10＋5）×35%＝8.2–12.3 亿美元；另外三家（Surge、Scale、Appen）报的是自有收入，再折是重复打折：14＋10＋2.7–3.0＝26.7–27.0 亿美元。合计 34.9–39.3 亿美元（约 35–39 亿）。中国 16 亿仍单列。

第三步，补上可核的版权授权。公开可逐笔核对的六笔年度交易合计约 3.5 亿美元（本文逐笔加总：News Corp 0.5、Reddit×OpenAI 0.7、Reddit×Google 0.6、Amazon×纽约时报 0.2–0.25、Axel Springer 0.13、Shutterstock 1.38）。其余版权交易没有公开金额，本文既不估算、也不给区间，只计可核部分。加上人类数据服务，得 38–43 亿美元。

本文的中国以外下限取 38–43 亿美元，是可核下限，不是精确测算，也不等于版权授权全市场。把中国 16 亿并入，全球可核下限约 55–59 亿美元（与 01 篇同口径）；未披露的版权交易无法核，60–75 亿美元只作含未披露交易的方向性区间，不能当全球总量或全球份额的分母。

估算有四处误差，三处方向一致、都使结果偏低：Surge 用 2025 年数，其余用 2026 年数，市场高速增长；Turing、Invisible、Centific、iMerit 等中型服务商未计入；未披露的版权交易未计入。第四处是 Mercor 的 8.4 亿（2025-10 倒推）与 20 亿（2026-06 媒体值）两个不同时点口径，它是区间宽度的主要来源。Mercor 的 8.4 亿是按下限倒推：2025-10 报道的日均支付约 150 万美元，按专家分成 65% 折回 gross，150 万÷65%×365≈8.4 亿；20 亿是 2026-06 的媒体口径，两者相差约八个月。中国 16 亿是 2025 年、服务收入口径，单列在表内；中国以外的合计不含它，只有明确标注「含中国」时才是 55–59 亿，不能拿 38–43 亿当全球总量，也不能把 16 亿重复加一次。35% 抽成按行业通行 30–40% 取中值。

用买方预算做一次交叉检查

OpenAI 2026 年算力支出预计约 500 亿美元。若数据支出占算力支出的 3–8%（这是本文的假设，不是观测值），单是 OpenAI 一家的年度数据支出就在 15–40 亿美元。但供给端反推，流向前沿实验室的 net 支出合计只有约 32–36 亿美元；按 8% 算出的 40 亿美元已经超过所有实验室的合计；但按现有供给端样本与 net 口径，尚不能验证 OpenAI 的实际数据支出比例，买方全额支出与供给端净收入统一口径、补齐覆盖范围后才能交叉核对。按合计 32–36 亿、前沿实验室算力支出千亿美元量级粗算，比例约 3–4%，但这是全行业对全行业的粗算，不是 OpenAI 一家的比例。两条测算不互相验证：一条是未经验证的假设区间，另一条只给出量级。

数据支出只是算力支出的零头。追能力时，数据最容易追加预算，因为便宜；收紧时，若某类数据投入对短期产品效果的贡献难以证明，也可能更易被削减。

一个总数盖住了三门生意

38–43 亿美元里，人类数据服务约 35–39 亿（net），可核版权交易约 3.5 亿；版权授权里未披露的部分没有计入，所以这个总数只覆盖可核交易，不代表版权授权全市场。中国 16 亿单列，不在这个总数里。五条通路里，公开抓取与合成数据不以数据本身收费；真正形成生意的是版权授权、人类数据服务、RL 环境。三者利润率、壁垒和终局不同，用一个总数估值某家公司，几乎一定会错。

最典型的是 gross 与 net 混用。一家抽成 35% 的市场型公司报「20 亿美元收入」，对应平台实际确认的收入约 7 亿美元；把它和软件公司的 20 亿美元 ARR 并列，等于把差三倍的东西当成同一种。媒体报道里的「收入」几乎全是 gross 口径。

看到任何一个数，先问三件事

一，含不含企业内部人力；二，gross 还是 net；三，哪一年、哪段业务。

按三问回看：229 亿不能判断「谁在赚钱」；35.9 亿若按成品数据集采购口径统计，则覆盖范围较窄（口径未披露）；63 亿最接近外部服务，但年份与范围不同。本文的 38–43 亿美元（中国另计、只含可核版权交易）适合判断量级与结构，不适合拿来给单家公司算市销率，也不能当作版权授权市场的总量。

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的系列报告[R]. 2025–2026.（题名待替换）
2. 智研咨询. 中国数据标注市场规模统计[R]. 2026.（题名待替换）
3. 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：中国数据标注市场：117.53 亿元是谁的钱 · 海天瑞声：营收涨 59%、毛利率降 18 个点说明什么 · 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。