全球大模型数据白皮书速览:语料快吃完了,钱才开始赚
2026-06-07 19:39
全球大模型数据白皮书速览:语料快吃完了,钱才开始赚
公开文本语料预计在
2026–2032 年耗尽，中位估值是 2028 年。大模型还没把人类知识吃完，但「好菜」已经不多了。
最近艺恩数据发了一份《全球大模型数据市场白皮书》，把数据这个「AI 时代的石油」从规模到价值链到资本到合规到未来趋势，扒了个底朝天。
废话不多说，直接上硬核速览。
? 三个结构性信号峰值数据逼近公开人类文本语料2026–2032年耗尽（中位约2028年）资本空前涌入Meta 143亿美元入股Scale AI（估值290亿）；Surge、Mercor估值飙升合规成为护城河诉讼频发 + 欧盟透明度义务 → 合规数据获显著溢价翻译一下：数据不是越来越不值钱，而是越来越值钱。
市场到底多大？看你问的是谁
? 市场规模：狭义 vs 广义狭义广义仅Scale、Surge、Mercor三家公司2025年毛收入合计约42亿美元，已超狭义全球市场。价值链：八层鄙视链，越专业越贵
白皮书把 AI 数据价值链分了八层：
低价值 ←——————————————→ 高价值预训练语料 → SFT → RLHF → AI 反馈 → 专家数据 → 评测数据 → 合成数据 → 多模态数据
核心规律很简单： 越靠近"专家级、可验证、多模态"一端，单位价值越高、可复制性越低。
同一份标注，通才来干和专家来干——价差可达数十倍。
? 资本狂飙：估值以真金确认稀缺Scale AISurge AIMercorRedditAI引用量达Wikipedia 3倍，Google+OpenAI年授权费超1.3亿美元连锁反应：Meta入股Scale后，Google、OpenAI等因数据机密顾虑转投Surge、Mercor → “中立性”本身即核心资产。⚖️ 合规护城河：从成本项到定价项全球AI版权诉讼追踪2、美国法院已区分"合法获取”（可能合理使用） vs "盗版内容"（不宽宥）
欧盟《AI法案》硬约束1、第53条(1)(d)：须公开训练数据“充分详细摘要”（含版权数据来源及前10%域名）2、2025/8/2起适用，2026/8/2全面适用3、合规数据供应商可凭可审计、可溯源获得结构性溢价
???? 中美双核：两套逻辑驱动头部估值政策7大国家标注基地 + 数据资源入表（2024/1起）模型数量日均Token消耗中国数据标注产业规模（2024）：约120亿元，核心企业超600家。? 未来趋势（白皮书判断）合成数据走向主导 — Gartner预测2030年合成数据占比超真实数据专家/前沿人类数据崛起数据飞轮成护城河具身AI与世界模型成增长极中美双核持续
? 一句话总结公开语料枯竭不是终点，而是数据价值化的起点。
胜负手正从“更多算力”转向 "更优质、更合规的数据"。全球大模型数据市场白皮书.pdfhttps://www.runwsh.com/upload/%E5%85%A8%E7%90%83%E5%A4%A7%E6%A8%A1%E5%9E%8B%E6%95%B0%E6%8D%AE%E5%B8%82%E5%9C%BA%E7%99%BD%E7%9A%AE%E4%B9%A6.pdf
本白皮书由艺恩数据（ENDATA·NEEQ 871430）发布，基于公开权威研究编撰，不构成投资建议。? 「小藕同学」精选，觉得有用点个在看 ?
