Scale AI年收入从8000万美元跃升至8.7亿美元仅用了3年——这不是偶然的业绩爆发，而是全球大模型数据市场正在经历的结构性变革的缩影。艺恩数据这份白皮书揭示了AI训练数据市场的真实规模：广义口径2024年约60-90亿、2025年约100-160亿美元，年复合增速达20%-35%。核心判断是：当公开语料枯竭（预计2028年），谁掌握了高质量、合规、专业化的数据资产，谁就掌握了AI时代的定价权。
市场规模的真实全景
常被引用的“AI训练数据集”狭义口径仅约28-32亿美元，严重低估了真实市场。真实支出多在标注、RLHF/专家数据服务中，而非打包数据集。Scale（约20亿）+Surge（约14亿）+Mercor（约7.6亿）2025年毛收入合计约42亿美元，已超过整个“训练数据集”的全球估值。本白皮书采用广义口径（数据集+采集标注+RLHF/专家数据+合成数据），自下而上测算2024年约60-90亿、2025年约100-160亿美元。不同细分赛道高速增长共振：训练数据集、采集与标注、RLHF/专家数据、合成数据四个赛道均在扩张。NVIDIA于2025年以约3.2亿美元收购合成数据公司Gretel.ai，标志头部算力厂商正式将合成数据纳入战略版图。Stanford HAI《2025 AI Index》指出：训练计算量每5个月翻倍，数据集规模每8个月翻倍——数据需求的指数级膨胀是各赛道高增速的根本驱动。
公开语料枯竭——“数据墙”逼近
Epoch AI（经ICML 2024同行评审）测算，可用人类公开文本存量约300万亿token，训练数据集规模预计在2026-2032年间与之持平，中位数预测约2028年。Common Crawl约130万亿、索引网络约510万亿token，但高质量部分远小于此。过度训练加速耗尽——Llama 3过度训练约10倍。行业领袖的判断印证了这一趋势：Elon Musk表示“人类知识的累积总和已基本在AI训练中被耗尽——大体上去年就发生了”；Sam Altman指出核心问题是“如何从更少的数据中学到更多”。四条出路正在成型：多模态扩容、合成数据、数据效率与策展、高质量/专家数据。
八层价值链——价值递进与溢价分布
数据价值链从底层到顶层呈现清晰的价值递进。预训练语料（web/书籍/代码）是规模化基础，边际价值随枯竭下降；SFT指令微调数据对齐任务格式，塑造可用性；RLHF/偏好数据对齐人类偏好，决定“好用”程度；RLAIF/AI反馈数据降低人工成本规模化对齐；专家/领域数据（PhD级）突破专业能力天花板，溢价最高；评测/基准数据是能力度量与迭代方向的标尺；合成数据是缓解数据墙、增速最快的新供给；多模态数据（图像/视频/4D）最稀缺、溢价最高。越靠近“专家级、多模态、可验证”的一端，单位价值越高、可复制性越低。业界观察表明，模型性能提升中归因于数据质量（而非架构）的比例超过70%。同一份标注，随专业度上升（通才→专家）价差可达数十倍。
合规溢价与市场格局
截至2025年10月，全球追踪到的AI版权诉讼达51-166起。法院核心分野正在形成——“合法获取”可能构成合理使用，“盗版内容”则明确不被宽宥。美国已有3位法官就AI训练合理使用裁决（2支持训练方、1反对），均强调训练“高度转化性”，但严格区分内容获取来源是否合法。欧盟《AI法案》Article 53(1)(d)要求按AI Office模板公开训练内容“充分详细摘要”。可审计、可溯源的合规授权数据获得结构性溢价，合规从“成本项”转为“定价项”。
美国前沿数据公司估值已达软件级：Scale AI≈290亿、Surge AI≈250亿、Mercor≈100亿、Turing≈22亿、Snorkel AI≈13亿。中国玩家则多为“盈利但体量小”的上市/挂牌企业：海天瑞声2025年营收3.77亿元（+59%）、数据堂3.62亿元（+49.2%）、澳鹏中国约7.3亿元（+74.8%）、艺恩数据营收+49.86%。中国已发布大模型1509个，全球第一，日均Token消耗达140万亿。六大趋势：合成数据走向主导、专家人类数据崛起、数据飞轮成护城河、从规模转向质量专业化、具身AI与世界模型成增长极、中美双核两套路径。
