这份白皮书核心结论：算力见顶、公开文本语料即将枯竭，数据从廉价原料变为 AI 时代核心稀缺生产要素，行业从 “拼规模” 转向 “拼质量、专业度、合规与多模态”，全球形成中美双核的差异化数据生态。
一、市场与拐点：公开语料见顶，市场规模高速增长
市场规模
狭义口径（仅打包数据集 + 标注软件）：2024-2025 年约 28-32 亿美元，严重低估真实市场。
广义口径（数据集 + 采集标注 + RLHF / 专家 + 合成数据）：2024 年 60-90 亿美元，2025 年 100-160 亿美元。
全球 AI 训练数据市场年复合增速20%-35%，合成数据赛道增速最快。
峰值数据危机
Epoch AI 测算：2028 年（中位）人类公开文本语料将耗尽，存量约 300 万亿 token，过度训练会加速枯竭。
行业范式转移
从 “更多数据” 转向 “更对的数据”，出路：多模态扩容、合成数据、数据效率策展、高质量专家数据。
二、价值链与资本：八层价值链，质量与稀缺性决定溢价
八层数据价值链（价值从低到高）
预训练语料→SFT 指令微调→RLHF 偏好→RLAIF 反馈→专家 / 领域数据→评测数据→合成数据→多模态数据（最稀缺、溢价最高）。
质量溢价显著
标注单价随专业度提升价差达数十倍，医生 / 资深专家标注溢价远高于通用标注。
模型性能提升 **70%+** 源于数据质量而非架构。
资本与授权
头部数据公司估值飙升：Scale AI（290 亿美元）、Surge AI（250 亿美元）、Mercor（100 亿美元）。
行业从 “免费抓取” 转向付费授权，OpenAI、Google、Meta 等大厂重金拿下新闻、社交、影视内容授权，Reddit 成 AI 第一大被引来源。
厂商格局
全球分三梯队：专家 / 多模态头部（高溢价）、平台工具、传统众包（承压）。
中国厂商：海天瑞声、数据堂、澳鹏中国等聚焦多模态与垂直领域。
三、合规与监管：合规成护城河，出海风险凸显
版权诉讼频发
全球 AI 版权诉讼 51-166 起，Anthropic 支付15 亿美元和解（美国史上最大），NYT 诉 OpenAI 等案件持续推进。
司法核心：合法获取 = 合理使用，盗版内容不被认可。
欧盟 AI 法案硬约束
强制要求大模型披露训练数据来源、版权等详细信息，合规从可选项变为法定义务。
中国出海风险
MiniMax 遭迪士尼等 12 家公司起诉，国内已确立 AI 生成内容版权与侵权裁决标准。
合规价值
可审计、可溯源的合规数据获得结构性溢价，成为核心竞争壁垒。
四、全球格局：中美双核，多模态成竞争前沿
多模态成为核心战场
文本见顶后，视频、4D 多视角、具身数据成最稀缺 “黄金数据”，Sora、Veo 等视频模型高度依赖独家高质量语料。
世界模型与具身 AI 受限于配对多视角数据稀缺，中国在真机数据与合成数据集已实现突破。
中国市场特色
国家 “数据要素” 战略驱动，7 大国家数据标注基地，2024 年标注产业规模120 亿元。
大模型数量1509 个（全球第一，占比约 40%），呈 “多头并进” 格局，生成式 AI 市场 2029 年预计达 98 亿美元。
中美生态差异
美国：前沿实验室拉动、专家数据高溢价、VC 催化、头部公司估值极高。
中国：国家战略统筹、垂类模型驱动、要素流通市场成熟、企业盈利但体量偏小。
五、未来趋势：数据质量与专业化成胜负手
2030 年合成数据占比超真实数据，成为主流供给。
专家 / 前沿人类数据、数据飞轮（交互 - 数据 - 模型迭代）成核心护城河。
行业从通用大模型转向垂直专业数据，具身 AI 与世界模型成增长极。
全球维持中美双核，各自沿差异化路径发展。
