AI大模型背后的数据生意：人类如何蒸馏自己？
蒸完人类上下几千年的数据之后，大模型开始 “蒸人”。 文丨高洪浩 陈佳惠advertisement 编辑丨高洪浩 黄俊杰 成都中和与天津侯台都是城郊结合处的老村镇。一群人在这里为大型互联网公司训练大模型，大多月薪不足 1 万元。 他们每天从阅读大模型生成的答案开始：核对事实，检查有没有答非所问，打分、比较优劣，有时还要亲手写一份示范。做完一条，再看下一条。模型要学的任务，从财务分析、修改程序，扩展到生物制药、芯片设计，人也得为这些任务准备示范和评分标准。 这些重复、琐碎的工作，构成了今天大模型训练中最重要的一环——数据生产。 “这家公司最大的创新就是数据。” 一位负责数据评测的人士这样评价 Anthropic。2025 年，当网上现成的文本越来越难满足训练需求，Anthropic 开始从人类的实际工作中收集数据：律师接到合同，先查哪些法规，修改哪些条款，改完如何复核——把过程记录下来，整理成训练数据，让模型学习。advertisement 中国模型公司在 2026 年初开始行动。腾讯混元负责人姚顺雨直接管理混元数据团队；阿里将千问的数据团队交给集团合伙人委员会成员范禹；字节在年中将 Seed 旗下 Global Data 团队升级为 AI 数据与安全部门，与 Seed 平行，服务所有大模型团队。 金融、法律、医疗，乃至核物理，模型公司很难只靠内部员工生产这些领域的数据。需求撑起了百亿美元级的公司：2025 年，《福布斯》估算 Surge AI 价值约 240 亿美元；同年 10 月，Mercor 融资估值达到 100 亿美元。有的创业公司只有两三个人，专为一个行业搭建强化学习环境，Anthropic 一单就能包下它们一整年的产能。 2026 年初以来，中国也出现了数十家数据供应商。UniPat 估值已达 30 亿美元。教授、科学家、投行和律所的从业者，开始兼职出题、写答案、演示操作、评价模型。参加出题的人，被戏称为 “人奸” 或 “碳奸”。 史无前例的自我 “蒸馏” 开始了。 注入模型的一条数据如何诞生advertisement 2026 年上半年，一家提供大模型 API 调用服务的创业公司，与一家头部云厂商谈合作。创业者想拿到更便宜的价格，对方答应了，条件是获得用户使用模型时产生的数据。 创业者算了一笔账：即使给每名用户免费提供价值 100 元的调用额度，只要能积累足够多的高质量数据，再卖给模型公司，仍然划算。同一时间，一家头部 AI 数据公司也向他发出了收购要约。 用户完成任务时留下的操作轨迹，成为模型训练最受重视的数据之一。一位互联网公司数据团队人士说，目前最迫切的需求是编程和工作两类。 编程数据有两种用途：练习评测集中的题目，在排行榜上拿高分；或学习实际任务，比如开发游戏、搭建 3D 模型。据我们了解，需求最旺盛时，一些模型厂每天在编程数据上的投入可以超过 1000 万美元。 工作数据则要还原办公过程：从文件里找资料、读懂邮件中的要求和期限，再往表格里填数字、编辑文档、查询网页和数据库、调用工具。一位数据服务商创始人说，金融和法律行业的经济价值高，大量任务在线上完成、以 Office 文件交付，是比较理想的训练环境。advertisement “我们参照真实数据，用大模型模拟了一份示例，包括任务、环境、操作过程和评分标准，不是任何公司的真实交付。示例中的题目共修改了 3 版。” 假设模型要学做杠杆收购测算表，帮助基金判断一笔收购划不划算、该出多少钱、如何借钱和还钱，准备数据就不只是找一张做好的表。 请投资并购专家提供完整的测算表、投资报告，以及当时用到的资料：收购双方的信息、被收购公司的经营数据、行业报告、借款条件和收购条款。以饮料公司为例，经营数据包括利润、经销商返利、销量、原料成本等。 专家要还原制作过程：读邮件，确认收购价格和回报要求；查经营资料，核对利润和返利支出；根据销量、原料价格估算收入与成本；把数字填进表格，计算借款、利息和还本金额；调整价格和经营预期，比较投资回报，最后提出建议。每一步都要说明查了什么、做了什么、为什么这样做。 专家还得写一份评分清单：哪些环节必须做好，哪些只是加分项，哪些错误会让整份作业不合格。advertisement 再请另一位专家复核，让模型试做：两位专家按同一清单评分，结果应基本一致，否则就要改标准；模型轻易拿满分的题，也会被筛掉。 任务邮件、原始资料、参考测算表和报告、操作记录、评分清单，共同构成一条训练数据。 难的是还原真实工作。一位数据服务商说，报告往往边写边改，中途会有新材料、新要求。有些修改依据留在邮件和聊天记录里，有些只是专家凭经验作出的判断，没有记录。 拿最终报告给模型出题，得先还原当时的材料和要求。信息不全，模型做不出，未必是能力不够；把信息一次给齐，它又学不到如何应对变化。 “越贴近真实工作、没有唯一答案的任务，数据需求越大。” 前述服务商说，同样的材料，不同的人会写出不同的分析，模型还不擅长处理这类任务。数学、物理等有标准答案的数据仍用于探索能力上限，但 “收不了太多钱”。advertisement 专家经验一条从几百到几万，再由模型批量扩写 一条人工数据售价从几百元到上万元不等，一批通常至少 1000 条。海外报价的数字相近，单位则换成美元。 任务越复杂，价格越高。一份投资机构的完整尽调案例，包括投资意见底稿、财务模型和被投公司经营数据，报价可达 5 万元。核物理、芯片设计等小众领域的数据更稀缺，市面上一出现就会被抢走。 一位接近月之暗面的人士说，公司训练 K3 时，在海外买了一批用于芯片设计的电子设计自动化（EDA）数据，“价格在数百万美元左右”。K3 技术报告也展示了相关探索，但官方将其定位为早期概念验证，披露的是仿真结果。 早期的数据生产没这么专业。字节刚训练大模型时，从内容审核团队抽人，还付钱请正式员工下班后写数据，内部戏称为 “众包”。advertisement 一位 Seed 后训练团队人士说，员工为 AI 陪伴产品猫箱编写对话，用户说一句、模型回复一次算一轮。一条长数据有 100-200 轮，审核通过后报酬基本能上千元。参与者有编剧、文学创作者，也有审核和编辑人员。“有的人一个月就能拿上万元。” 如今，字节通过 Xpert 平台招募专家，Seed STEM 科学家计划邀请了 100 位前沿科学领域的学者。数据创业公司也搭起平台，请各行业的人把工作经验做成数据。 Mercor 曾花费超过 50 万美元，请金融、法律、医疗和管理咨询等领域的专业人士制作 200 道任务，平均每道开发成本超过 2500 美元。出题者有人曾在高盛、摩根大通和麦肯锡工作。Surge AI 则有超过 400 人的专家顾问团。 中国专家数据平台 Humanlaya 聚集了约 300 个行业和学科的超过 10 万名专家，2026 年获得高瓴、红杉中国、今日资本等机构投资，估值接近 10 亿美元。 一位在 AI 数据平台兼职的法律行业人士说，她每月交付约 40 条数据，拿到 2 万多元，平均每条约 600 元。第一次做一条花了 75 分钟，熟悉后约半小时。advertisement 专家的头衔不等于数据质量。许多教授不亲自做实验，难以还原硕士生、博士生的一线操作。平台因此雇用既懂行业又懂算法的全职员工，检查数据，并挑出可以重复使用的出题方法。10 位专家交来的方案，如果有 5 种能换材料、换条件继续出题，就安排算法人员扩成 50 条、500 条。 有的公司更依赖自己合成数据。UniPat 超过半数员工是大模型研究员，公司自己做模型、开发评测基准，也与大厂联合研究，借此预判需求，提前生产数据。 数据能批量生产，也会很快过时。一家大厂订购教模型修复代码错误的数据，还没交付，模型已经从其他数据学会了；任务执行系统更新，也可能让修复代码变得更容易。这批数据就不值原来的价钱了。 不过，总有人接手。一位供应商说，除大厂和头部创业公司，小红书、米哈游、京东、九坤、蚂蚁等也有需求。各家进度不同，别家用过的数据，起步晚的团队可能还用得上。 还有一些交易不在明面上。创业公司攒下一批模型厂商账号，转卖 API 调用服务，再出售调用产生的数据。另一些公司从模型公司内部人员手里买数据，转卖给同行；经手人可能在算法、工程、基础设施或采购岗位。部分交易靠回扣维系，单笔合同数百万元乃至上千万元，内部人员从中分成。advertisement “每天就像是在捡钱。” 一位数据供应商说。 大厂高价买断数据，但买家仍得知道自己要什么 模型公司很难全靠自己生产数据。 一位月之暗面研究员说，编程任务分修复错误、开发功能、编写测试、重构代码、优化性能等方向。先做什么、怎样搭环境和验证结果，团队起初没经验，人手又少，“很多数据其实都是实习生自己拍脑袋做的，很粗糙”。 公司开发编程命令行产品时，也想先让同事使用、积累反馈，但内部真正用得上的不足 50 人。即使开放给付费用户，高质量样本也未必多。一位大厂办公 Agent 产品经理说，产品用的模型不是最顶级的，用户任务也不一定复杂，“有的时候，几万条里才可能用到几条”。涉及工作文件和隐私，数据使用也更谨慎。advertisement 靠招人补齐能力同样困难。外部出现更强模型，团队就倾向于用其输出训练自己的模型，减少人工数据生产；蒸馏难以继续带来提升，人工需求又会上升。 一位独立模型厂人士测算，高峰期可能需要 6000 人生产数据，低谷期连 2000 人都用不上。总共只有几百人的模型公司，不可能长期养着这样一支团队。 外部供应商愿意一份数据卖多家。但大厂则普遍愿意支付 3-4 倍溢价，永久买断或限时独占。今天合格的训练数据，半年后可能只剩一成有用。等竞争对手能买到，价值已经不同了。 预算之外，买家还得知道自己需要什么。 蚂蚁买金融数据时，会把一个投研报告类需求拆成上百个案例、十多个子类，写清每类多少篇、案例什么样。“做蚂蚁的项目很多时候是亏钱的。” 一位服务商说，细致的要求增加了交付难度。advertisement 验收先看合规，再看质量。比如字节明确禁止蒸馏和使用非法 API。买家通常逐条读样本，检查结论是否深入、输入文件是否有错、有没有空白文档。一家模型公司的一号位曾问供应商：“文件格式名里多了一个空格，prompt 里没写这个空格，训给模型会不会有问题？” 另一个办法是拿去训练，看评测能否涨分。不涨，通常就不会继续采购。 月之暗面拒绝过 Surge AI 提出的深度独家合作。知情人士说，他们认为供应商规模大了，交付会更多集中于通用任务，很难持续提供细分、长尾数据。 “拒绝的前提是知道自己要什么、对数据有足够高的敏感度和品味。差距也从这里拉开。” 一位数据供应商说。 训练模型的人也准备把工作交给它advertisement 在 DeepSeek，绝大多数员工从事数据相关工作。“梁文峰偶尔也会参与数据标记。” 一位 DeepSeek 人士说。姚顺雨接手混元后，重新清洗已有数据、迭代基础设施，让混元 3 Preview 明显超越前代；正式版再优化后训练数据、扩大强化学习规模，能力又有提升。 但做数据的人，收入不一定跟着模型能力涨。一位头部互联网公司的研究员说，公司一支团队做了 1 万条数据，训练效果很好。很多参与者月薪只有 8000-9000 元，按 18 薪算，一年不到 20 万元。同一公司的算法人员，年薪包则在 1000 万元左右。效果上去了，奖励主要给算法团队；数据做得好坏，员工到手的钱差别不大。 履历耀眼的算法研究员，如今也把大量时间花在清理样本、调整数据配比、编写评分规则上。 这与他们入行时的期待不同。大语言模型刚兴起时，他们追逐的是新算法、新架构。2024 年 9 月 OpenAI 发布 o1，2025 年 1 月 DeepSeek 发布 R1，强化学习让模型在反复尝试中，根据得分调整解题方式。数学有答案，编程能测试，研究员期待模型从中学到推理，再用到其他领域。 但会写报告、回客户邮件的好坏评判不像解题、编程这么容易。模型还可能为拿奖励而 “钻空子”：编造看似合理的过程，骗过负责评分的模型。研究员只好回来改数据、改评分规则、补漏洞。advertisement 竞争还压缩了他们的时间。最近一年，多个公司的后训练团队往往每一两个月就要发一个版本，研究员从早上 10 点半工作到深夜，休假也带着电脑。 “本质上大家在技术路径、数据处理和质量上都拉不开代差，就看谁先发出来。” 一位后训练研究员说，“很多事拖个两三个月，做出来也没了意义。” 为了赶上进度，他们指挥模型批量收集、修改数据，让更强的模型检查结果，自己盯着过程、处理问题。模型越强，能接手的步骤越多，下一轮训练也能更快开始。 2026 年，OpenAI 在一篇介绍内部研发变化的文章里说，编程 Agent 已深度参与研究员的日常：写实验代码、跑测试、排查基础设施故障。 Anthropic 也披露了类似的工作状态：一次常规升级导致数万个训练任务崩溃。工程师把故障信息和集群访问权限交给 Claude。模型逐项测试环境设置，找出引发故障的调试开关，复现问题并验证修复。公司称，这项通常需要人做两三天的工作，模型用了约 2 小时。一位工程师形容，工作就是 “面对一群 Claude，每一个都在争夺他的注意力。”advertisement 研究员把各行业专家的知识、经验和判断做成数据，训练模型接手他们的工作。现在，模型要学的，也包括研究员每天正在做的事。
