高质量数据成AI领域硬通货

来源：科技日报

科技日报记者 姚易安

近期，两笔横跨不同赛道的融资，透露出AI产业底层逻辑的悄然转向。一边是大模型数据服务商Snorkel AI完成新一轮融资后估值突破35亿美元，一年内实现三倍增长，营收暴涨18倍；另一边是人形机器人数据企业Mecka AI拿下红杉资本领投的6000万美元B轮融资，成立仅两年估值达5亿美元。两家企业业务领域不同，却遵循同一条成长逻辑：不做终端AI产品，专注生产高质量训练数据。

可用性不足制约发展

《2026年国际AI安全报告》指出：“前沿人工智能的发展由三个方面驱动：计算能力、算法进步和数据。”报告中还指出，高质量的语言数据是有限的，这意味着未来的发展可能会因数据可用性不足而受到限制。

值得关注的是，Snorkel AI的发展路径正在成为行业缩影。过去，它主要向开发者售卖数据标注工具；如今，企业彻底转型，直接为科研机构、科技巨头、医药企业提供“现成可用”的高质量训练数据集。简单来说，以前企业自己做数据，现在直接买高质量数据。

这一变化背后，藏着AI产业最真实的趋势：当算法框架日趋成熟、算力资源持续扩容，训练数据的质量、精度和专业性，正在成为拉开大模型之间差距的关键变量。

摩根大通首席执行官杰米·戴蒙曾表示，AI最困难的环节并非算法模型本身，而是数据，包括数据整合、预处理及治理，以训练并喂养AI/ML模型。

虽然现有互联网信息海量充盈，但对于大模型而言，网上的数据已经不够“好用”，也不够“安全”。数据的质量、丰富度、精准度，直接决定大模型最终好用与否。随着互联网公开优质文本资源逐步枯竭，合规、专业、可溯源的高质量训练数据，已成为AI领域的硬通货。

公开数据红利消失

早期大模型的快速成长，高度依赖网络公开爬虫数据。以GPT-4为例，其训练数据规模达到万亿token量级，若暂不考虑版权边界，这一体量几乎相当于将人类有文字记录以来的知识积累悉数摄入。但经过多年大规模抓取，免费、合规、高质量的公开文本资源正在快速减少。

行业研究机构Epoch AI测算，按照当前的训练消耗速度，适合训练通用大模型的优质公开人类文本将在2026—2032年间接近枯竭。当通用数据的增量红利消失，单纯堆砌参数和算力已经难以带来模型能力的线性提升。

更突出的问题是公开数据“专业度严重不足”。日常网络内容大多偏向生活化、娱乐化、大众化，缺少医疗、工业、法律、精密制造等领域的专业知识体系。这也是为什么通用大模型日常对话流畅自然，但面对专业问诊、设备运维、法律研判等场景，就容易出现漏洞。

同时，大模型与各类生成式AI产出的合成内容正在海量涌入线上内容生态，持续污染公开数据环境。这给未来的AI训练工作埋下了显著风险，也就是业内所称的“模型坍缩”效应：用掺杂大量合成内容的数据反复训练新一代模型，会导致事实偏差与逻辑错误持续累积放大，最终模型的输出会越来越脱离真实认知，内容质量与实用价值不断下降。

企业革新传统数据生产方式

在这样的大背景下，以Snorkel AI为代表的新模式快速走红。不同于传统人工标注的廉价流水线作业，也不同于纯机器生成的粗放模式，它采用的是一套“专家主导、人机协同、可控合成”的新型数据生产方式。

通俗来讲，就是让行业专家先建立专业标准，再结合少量真实脱敏样本，通过程序规则批量生成标准化数据，最后辅以可控AI合成内容，打造出一套干净、规范、精准、可溯源的专属数据集。

在医疗领域，这套模式已经落地验证。美国纪念斯隆-凯特琳癌症中心曾联合Snorkel AI构建HER-2阳性患者筛选AI模型：由临床生物信息专家结合诊疗规范制定8项病历分类规则，以3200份专家人工标注的真实病历作为验证集迭代优化标注逻辑。最终模型对HER-2分型识别的整体准确率达到93%，效率远超传统纯人工标注模式，该系统已正式用于临床试验受试者的快速筛查。还有Scale AI与梅奥诊所合作的10亿美元F轮融资、FDA监管的注释合作，涵盖了150万次超声心动图。每个FDA批准的算法都必须在严格策划的数据集上训练，这些数据集可追溯到认证专家。

与此同时，数据赛道的热度正从大模型快速向更多AI领域蔓延。在人形机器人赛道，真实、精细的人类动作数据同样是训练核心资源。Mecka AI通过招募普通人佩戴体感设备、使用手机记录日常生活动作，比如冲咖啡、修理器械，再将这些真实人体运动数据处理成标准化数据集，供给人形机器人企业用于运动控制训练。

监管趋严倒逼训练数据升级

市场需求之外，全球AI监管规则的收紧，正在从政策端倒逼训练数据向高质量、可溯源方向升级，数据质量不再只是企业的技术选择，更成为合规层面的硬性要求。

欧盟《人工智能法案》第10条明确规定，高风险AI系统的训练、验证、测试数据集必须符合严格质量标准：具备相关性、代表性、无错误，能有效避免偏见，且数据来源和处理过程必须透明可追溯。这套规则2027年正式实施后，不合规的低质量数据将无法用于医疗、教育、安防等重点领域的AI系统。

美国国家标准与技术研究院也更新了AI风险管理框架中的数据质量标准，对数据集的标注规范、溯源记录、偏见检测提出明确要求，成为美国政府AI项目采购的硬性门槛。

中国国家数据局也在今年出台相关方案，完善国家级AI数据资源体系。

眼下，全球AI治理规则持续分化，粗放式爬取、无规范标注、低质数据堆砌的发展模式，已经走到尽头。未来的AI迭代，必然建立在高质量、合规化、专业化的数据体系之上。

从拼算力、拼参数，到拼数据、拼精度、拼合规，大模型的竞争下半场已然开启。