公开语料2028年将耗尽，AI语料的“数据石油”故事能讲多大？

7月31日，A股AI语料板块全线爆发。东方财富(300059)Choice数据显示，AI语料板块指数报1009.16点，涨幅达7.77%，成交219.3亿元，换手率5.63%。

个股层面掀起涨停潮。中文在线(300364)报24.83元，录得20%涨停；昆仑万维(300418)报43.17元，涨19.92%；易点天下、荣信文化同样收获20%涨停；海天瑞声报101.50元，涨14.24%；中广天择(603721)、天娱数科触及涨停，普联软件、东方国信(300166)、深桑达A等跟涨。

资金面上，AI语料板块当日大单净流入6.598亿元，大单净占比3.01%。电子板块整体获超260亿元主力资金净流入。

国家数据局首提“词元交易”

7月28日，国家数据局副局长余英在新闻发布会上明确表示，国家数据局鼓励基于词元（token）应用的商业模式创新，探索词元交易等新型交易模式，培育“为优质数据付费”的市场共识。词元是AI大模型处理文本的最小单元，词元交易意味着语料的价值将被直接量化、定价和交易。这是语料从“免费抓取”走向“可定价资产”的制度性突破。

这一政策并非孤立事件。今年6月，国家数据局印发《关于推进行业高质量数据集建设行动的实施方案》，从国家层面首次对数据赋能人工智能发展作出系统性部署。截至2026年6月，全国已建成高质量数据集超12万个，总体量超过1565拍字节。国家数据集管理服务系统已认证各类供需主体578家，上架数据集1433个。

7月31日，MiniMax发布新一代多模态生成模型MiniMax H3，这是全球首款通用的全模态生成模型，具备对文本、图像、视频、声音组成的多模态上下文的统一理解能力，最高可支持15秒2K分辨率视频输出。H3的发布进一步验证了多模态大模型对高质量语料的刚性需求，模型的每一次代际升级，都意味着对语料质量和数量的更高要求。

此前，7月20日，2026世界人工智能大会（WAIC）语料创新论坛上，25位院士围绕“高质量垂域语料如何破解AI落地瓶颈”展开研讨。论坛发布《人工智能高质量语料生态共建行动暨产业路径图》，明确AI语料正从“规模竞争”转向“质量竞争”，高质量语料已从基础生产要素跃升为决定模型能力上限的战略资源。

公开文本语料将在2028年耗尽

AI语料板块行情的背后，是一场深刻的产业逻辑重构。

据Epoch AI测算，人类公开文本语料预计将在2028年（中位预测）耗尽，存量约300万亿token。这一“峰值数据危机”意味着，AI行业依赖“免费抓取互联网数据”训练大模型的时代正在走向终结。

2026年，人工智能三大底座的发展已从堆算力、拼算法，进入以数据语料支撑产业落地的新阶段。通用大模型在日常对话、通识问答中表现亮眼，但面对专业场景时，逻辑偏差、判断不准的问题仍频繁出现。行业的核心命题正由“数据规模”转向“数据质量、专业度与合规性”。

在WAIC论坛上，专家梳理出AI语料“一横一纵”两条路径——“一横”是以海量通用数据为核心的广度拓展，“一纵”是以垂直领域专家级数据为核心的深度深耕。二者互为补充，但要突破科学智能与产业智能的瓶颈，垂域高质量语料是核心刚需。

据市场研究报告，2026年全球人工智能训练数据集市场规模预计达39.6亿美元。全球AI训练数据市场年复合增速达20%至35%，其中合成数据赛道增速最快。

据机构预测，2026年全球人工智能训练数据市场规模预计达到55亿美元，到2034年将增长至227亿美元。用于大语言模型的合成预训练数据市场将从2025年的17.2亿美元增长到2026年的22.5亿美元，复合年增长率高达31.1%。

在中国市场，中文高质量训练语料占比不足1%，国产替代空间超百亿。2026年合成数据与高质量标注需求迎来双重加速。AI训练语料交易市场2025年全球规模达207亿元，2026至2032年复合增长率15.3%，2032年规模有望达566亿元。

此外，全球AI版权诉讼频发，合规语料价值凸显。全球AI版权诉讼已达51至166起。Anthropic支付15亿美元和解（美国史上最大AI版权和解案）。欧盟AI法案强制要求大模型披露训练数据来源。可审计、可溯源的合规数据正在获得结构性溢价，成为核心竞争壁垒。

从版权持有者到数据服务商

机构分析，从产业链受益顺序看，当前最确定的方向是拥有高质量、可确权、可规模化供给的版权语料资产方，以及具备平台化能力和合规数据服务能力的专业数据服务商。

版权与语料持有者是产业链的价值源头。中文在线拥有海量数字内容IP，正从“IP持有者”向“词元供应商”转型。2026年第一季度，公司AI漫剧产量同比增长超300%，Token消耗量快速攀升，周均调用规模环比增速超20%。公司预计到2026年末AI短剧年化产能有望达3000部，较去年同期呈现数倍增长。

数据服务商是语料加工的核心环节。海天瑞声2025年营收3.77亿元，同比增长59%；2026年一季度营收0.97亿元，同比增长39%，归母净利润同比暴增2161%。公司已在北京运营首个具身智能数据训练场，依托100余台机器人实现高效数据产出。

兴业证券研报指出，AI正在推动传媒内容产业从消费品转向“数据+IP资产”双重定价，传统出版与网文IP将同时受益于价值重估。传统出版版权因高质量语料稀缺、可确权、可持续更新，正从成本项转变为AI时代的重要生产资料。

国信证券此前研报指出，应重点把握AI漫剧、语料方向投资机会，从营销中介到优质语料、大模型平台有望持续受益。

不过，机构也指出，目前AI语料的商业模式仍在探索期，营收体量偏小。海天瑞声2026年一季度营收不足1亿元，中文在线一季度仍处亏损状态。板块的上涨更多反映的是对未来数年产业化的预期，而非已兑现的业绩。

此外，版权合规风险尚未完全消除。全球AI版权诉讼已达51至166起，Anthropic支付15亿美元和解。国内AI语料的确权、定价、交易等制度框架仍在建设中。若版权纠纷持续发酵，可能对部分语料供应商的商业化进程造成冲击。

同时，“为优质数据付费”的市场共识培育需要时间，词元交易作为新型交易模式，其定价机制、交易规则、结算体系等均需在实践中探索完善。从政策表态到市场成熟，存在较大的时间差。