百亿美元赛道开启，AI数据服务迎来战略拐点
来源：爱分析ifenxi
继算力和基础模型之后，数据正在成为大模型竞争的下一项关键投入。
随着公开的预训练语料逐渐枯竭，模型训练开始更多转向后训练、强化学习和推理能力提升。模型公司需要的数据，也从通用文本语料扩展到思维链、任务轨迹和合成数据。特别是在AI Coding、多模态和具身智能等场景中，数据不再只是模型训练前的准备工作，而是直接影响模型能力提升的重要变量。
这也在重新打开数据服务市场的市场天花板。过去，数据服务主要集中在金融、营销等少数行业，数据标注则以标准化、重人力的任务为主。大模型出现后，数据需求开始覆盖聚合、加工、合成和合规流通等更多环节，数据服务公司的技术门槛和交付方式都在发生变化。
TalkingData是AI数据服务领域的代表厂商。自2011年成立以来，TalkingData在移动互联网、大数据应用和营销科技等产业周期中积累了深厚的数据处理与合规经验。进入大模型时代，公司将所有资源和能力战略性聚焦于AI数据服务，定位为面向大模型和垂直应用的“新一代AI数据服务平台”。
在TalkingData CEO崔晓波看来，大模型带来的数据服务市场，可能达到传统数据服务市场的十倍以上。模型公司需要的不再只是数据采集和标注，而是能够直接服务于训练、评测和能力提升的高质量数据，数据服务公司的市场空间和议价权在不断攀升。
本次访谈中，爱分析与崔晓波围绕AI数据服务市场为何快速增长、模型公司需要什么样的数据、数据服务公司如何提升技术能力、FDE如何改变AI项目的交付方式，以及企业应用大模型将产生哪些新的数据需求等话题进行了深入交流。
核心观点
-
大模型正在创造一个十倍于传统数据服务的新市场。
传统数据服务主要集中在金融、营销等少数场景，市场边界相对有限。大模型出现后，数据成为与算力、基础模型并列的核心投入，需求也从预训练语料扩展到推理数据、轨迹数据、评测数据和合成数据，并进一步覆盖Coding、多模态、医疗和具身智能等场景。
-
数据像“矿”，离数据源越近、炼矿能力越强的公司，议价能力越强。
大厂拥有模型、算力和工程团队，但未必拥有足够丰富的外部轨迹和纠错数据。第三方数据公司通过持续聚合、清洗和提炼数据，正在从单纯供应商变成模型公司的关键协作方。
-
FDE（现场数据工程师） 不是把售前/项目经理换个名字，而是直接对结果负责，创造新价值。
大模型降低了专业知识的学习门槛，也让技术公司第一次具备了直接交付业务结果的可能。未来客户更愿意为业务结果付费，而不是为一个难以衡量价值的平台付费。
-
垂直模型价值度有限，新的机会更多存在于企业与模型之间的连接层。
大型企业会把知识库和核心数据能力内化，但仍需要外部公司完成垂直应用、数据加工和模型连接，未来会出现更多连接企业数据与模型平台的中间型数据公司。
以下为本次访谈实录，在不改变原意基础上略有修改。
01
大模型把数据服务的盘子放大了至少十倍
爱分析：你怎么看这一轮AI数据服务的市场机会，跟过往数据采集和数据标注有什么区别？
崔晓波：我觉得可以先把数据应用的脉络梳理一下。第一代是2017年前，主要是互联网公司使用数据，但基本都在自己的“围墙花园”里，外部采购只是补充，用于游戏、电商、营销等场景。
第二代是2018年前后起来的金融数据服务。互联网金融和助贷公司没有牌照，也无法直接使用传统征信体系，所以在风控、信用评估、反欺诈等场景里产生了大量需求，催生了一批数据公司。后来随着政策变化和持牌机构体系建立，这个市场的业务上限和资本天花板都受到了限制。
第三代是2020年以后，零售和消费品企业因为疫情把大量业务转到线上，营销、供应链、电商、内容等数据场景随之出现。
第四代才是2023年以后由大模型带来的这一波机会。它和前面几波的势能完全不一样。
爱分析：你最早是什么时候意识到，这一轮的市场机会会明显不同？
崔晓波：2023年已经有大模型公司和平台厂商找我们，希望提供数据采集和标注服务。但我当时觉得，需求还是偏BPO，也就是人力外包型业务，没有意识到市场会这么大。
真正的变化大概发生在2024年，那时候我开始看到，这个市场需求在明显暴涨。到2026年，特别是4月以后，我们看到一线、二线模型公司的数据采购预算都在明显上升。
AI的三个基础要素是算力、基础模型和数据。过去资本市场先看算力，后来关注基础模型，接下来一定会更重视数据。
爱分析：为什么数据会在这个阶段变得更重要？
崔晓波：一个直接原因是出现了Data Wall，也就是可用于预训练的公开数据逐渐枯竭。预训练方式仍然主要是Transformer 和scaling law，继续堆算力、堆数据，但可以直接拿来用的高质量语料越来越少。
同时，模型训练方法也变了。模型竞争从单纯预训练，转向后训练、强化学习和推理能力提升。这个阶段需要大量思维链、推理过程和轨迹数据。很多真正有价值的数据并不存在于公开网页里，它来自真实任务：哪里做错了，怎么发现错误，又怎么一步步纠正。训练方法一变，模型公司的数据需求也就变了。
爱分析：轨迹数据和传统语料的价值差异在哪里？
崔晓波：传统语料更多是告诉模型“正确答案是什么”，轨迹数据会把“怎么走到答案”也留下来。特别是在AI Coding场景里，成功的代码有价值，错误以及纠错过程同样有价值。模型能看到一条路径为什么失败、后面怎样调整，这本身就是很好的推理数据。
大厂内部当然有大量程序员和开发工具，也能产生数据。但内部数据更多集中在大厂自身的业务场景，天然缺乏来自不同行业、不同规模企业的多样化轨迹。第三方平台聚合的场景更丰富，模型看到的失败模式和纠错路径也更多元。
爱分析：这种需求增长，已经形成多大的市场？
崔晓波：按我们的估算，只看AI Coding相关的轨迹、推理和评测数据，全球市场已经超过100亿美元。当然，具体数字会随着模型版本和采购周期波动，但方向很明确：数据成本在整个模型训练成本里的占比持续提高。
从更大的范围看，大模型带来的数据服务市场，可能是传统数据服务市场的十倍以上。过去金融数据服务已经算一个比较大的存量市场，营销数据也很大，但往往和投流、运营业务绑在一起，很难单独拆出来。现在Coding、多模态、医疗、具身智能等场景同时出现，市场边界一下被打开了。
爱分析：模型公司的数据需求会持续、匀速地增长吗？
崔晓波：不会，它更像跳跃式增长。某个模型在一个垂直场景突然领先，其他公司就会迅速追赶，形成一轮军备竞赛，对相关数据的采购需求会集中爆发。等大家能力拉齐，或者新的领先方向出现，需求又会转移。因此模型之间的追赶，会持续制造新的数据需求。
爱分析：你怎么看中美模型能力的差异？
崔晓波：我不太认同简单说“中国落后美国几个月”。中美更像错位竞争。美国在语言模型、编程等场景里基础更强，语料和技术积累也更深；中国在多模态上有自己的优势，因为上一代移动互联网基础设施不同，中国的短视频、短剧、内容生产和分发都更发达，积累了大量相关数据。
所以模型不是匀速发展，也不是所有能力沿着一条线前进，而是一个垂直场景、一个垂直场景地突破。今天可能是Coding，明天可能是视频、音乐，后天可能是辅助诊疗。每突破一个场景，都会带来新一轮数据需求。
爱分析：除Coding和多模态外，你更看好哪些增量场景？
崔晓波：医疗是我们比较看好的方向。医疗数据本身价值密度高，新药研发、诊疗、影像、病例等场景都需要专业数据。我判断医疗数据服务的市场规模很快会超过传统金融数据服务。
具身智能也是增量市场，但现阶段盘子还没有外界想象得那么大。它需要世界模型、物理引擎和模拟仿真环境，方向是成立的，但真实出货量、标准和应用场景还在形成。我们不会因为资本市场热就盲目判断，而是看数据最终用在哪里、谁愿意持续付费。
02
离“矿”越近的公司优势越明显
爱分析：随着数据服务需求改变，AI数据服务公司的能力结构会怎么调整？
崔晓波：以前大家一提AI数据服务，首先想到的就是标注公司，但现在供给端（AI数据服务公司）已经明显分层。
第一类是BPO（业务流程外包）类公司，适合承接标准化、重人力的任务，比如大量重复的框选、分类和审核。第二类是算法模型类公司，不只是给客户交数据，还要理解模型训练，能做数据清洗、转换、评测和合成。第三类是数据流通平台，解决数据采购的溯源、合规和流通问题。
未来真正有价值的公司，往往不是只占其中一层，而是把数据聚合、算法加工、模型验证、合成环境和合规流通结合起来。
爱分析：传统BPO类公司能升级成算法模型类公司吗？
崔晓波：很难。传统标注公司主要是运营型组织，擅长管理大量人员、控制成本、保证标准化交付。算法模型公司需要真正做过预训练、后训练或强化学习的人，人才结构和成本结构完全不同。
如果团队自己不做模型训练，很多轨迹和推理数据加工完以后仍然不可用，客户拿回去还要大规模二次清洗，效率很低。现在大厂越来越倾向于要求供应商先建立自己的模型和评测标准，把数据跑一遍，再进入客户的质量控制流程。同时，供应商最好能够提供合成数据算法和仿真环境。
爱分析：大厂为什么不把这些能力全部留在内部？
崔晓波：大厂过去确实把大量预算花在内部构造数据上，外部采购占比并不高。但现在一个明显趋势是，内部的数据生成模型、模拟仿真环境和加工任务也开始外包。原因不是简单算人力成本，而是外部公司离数据源更近。
如果大厂只靠自身场景产生的数据就能把模型训好，它当然不会外包。问题是，实践已经证明，来自第三方的多源轨迹和纠错数据对模型提升很有效。大厂有模型能力，但不可能持续覆盖外部无数细碎场景，也不适合长期做这些聚合、清洗和加工工作。
爱分析：有数据源的公司看起来像是“矿产公司”？
崔晓波：对，这个业务越来越像挖矿和炼矿。第一，你要有“原矿”，也就是能持续聚合数据；第二，你要有“炼矿”能力，把杂乱数据清洗、加工成模型能用的高质量数据；第三，你还要能合成数据，构造真实世界里难以直接获得的场景。
在这个链条里，离“矿”越近的公司越占便宜。它把分散的矿收进来，炼成高纯度的“稀土”，模型公司要不要买？只要这种数据能明显提升模型效果，数据公司就不再是被动接单的一方，议价能力会越来越强。
在这个链条里，TalkingData的定位是“炼矿平台”，既拥有海量多模态数据资产，也能持续聚合多源数据，通过算法加工、合成与合规流通，炼成模型可直接使用的高质量数据集。
爱分析：TalkingData在这个链条里的核心能力是什么？
崔晓波：数据服务公司还是要有自己的基因。TalkingData做了这么多年数据业务，合规怎么做、数据怎么聚合、怎么清洗加工，这些基础能力一直都在。只是过去场景不够大，空有能力也没有那么多收入空间，现在大模型把这些能力放大了。
我们前几年开始把资源集中到数据和模型相关的事情上，也参与可信数据空间等基础设施建设。模型公司采购数据时，不只要求数据质量，还要能说清楚来源、授权、加工和流通链路。我们的定位不是单纯过一笔交易，而是让数据在合规流通的同时，完成加工、评测和交付。
爱分析：这是否意味着“数据流通平台”不能只做一个交易通道？
崔晓波：对。纯交易通道的问题是没有服务，只是过账。模型公司会觉得，你除了提供合规凭证，没有帮我降低内部加工成本。
真正有价值的平台，既要有合规流通能力，也要有模型能力。数据进来以后，要帮客户做清洗、加工、质量验证，最好还能构造合成环境。客户拿到的不是一块硬盘，而是一套可追溯、可验证、能直接进入训练流程的高质量数据集。
爱分析：在医疗、金融等高敏感场景里，数据不方便直接流通，怎么解决？
崔晓波：主要采用“数据可用不可见”的方式。比如在医疗场景中，我们严格遵循医院的数据安全管理制度，在合规框架内配合院方完成数据的整理与标注工作。同时，在不接触原始病例的前提下，基于脱敏后的真实数据构造合成数据层，模拟出更多统计意义上有效的数据样本。
模型的训练和验证可在数据授权范围内完成，最终交付的是模型参数或评测结果，而非原始病例数据。这样既能利用数据价值，又能降低敏感数据外流风险。医疗、金融以及具身智能里的模拟仿真，未来都会大量采用类似方式。
爱分析：你为什么强调TalkingData必须离模型公司很近？
崔晓波：认知来自一线。如果只是站在外面看，很难知道下一代模型到底在攻什么、需要什么数据。我们这两年很低调，但和头部模型公司的算法、工程和平台团队保持高频沟通，他们第一手需求会直接提给我们，我们也会讨论下一代模型的方向和战略。
离客户近，不只是为了拿订单，而是为了提前看到需求怎么变。看得更深以后，组织和资源才能更坚定地往一个方向垒起来，形成正向循环。
03
FDE不是驻场售前，而是创造新的价值
爱分析：TalkingData是一家成立时间较长的公司。面对这轮AI变化，老公司的历史包袱会不会更重？
崔晓波：会有一些。去年我们和资本市场沟通时，大家一说TalkingData，就觉得你还是一家做营销技术或者传统数据服务的老公司。后来我们花了很长时间调整业务，现在对外定位很简单：我们是一家AI数据服务平台，愿景是给AI大模型提供所需要的一切数据，核心产品是高质量数据集及相关服务。
我们在几年前就把原来很多软件和营销技术业务逐步停掉，把资源集中到数据和模型上，组织也调整到现在的两三百人。这个过程很痛苦，因为老客户、合同和团队都要逐步消化，但调过来以后，反而像一家没有历史包袱的新公司，同时保留了合规、牌照、基础设施、品牌和核心人才。
爱分析：为什么你认为很多公司即使现在想明白了，也很难马上转过来？
崔晓波：认知想明白只是第一步，组织能力调整不过来，也只能干看着。特别是五百人以上的公司，原来几百人都是做软件、项目和交付的，你不可能一夜之间把人才结构换掉；原有客户和合同也不能说停就停。
很多创始人会纠结：原来的盘子还在，故事也一直这么讲，新业务要不要全力投入？我们前几年已经把这些最头疼的事情处理掉，所以新机会来的时候，没有太多包袱，可以直接把钱、人和品牌砸进去。这种组织上的提前量很重要。
爱分析：你怎么看基础模型的终局？通用AGI会很快到来吗？
崔晓波：我觉得AGI还有一段距离。通用模型竞争会长期持续，因为它没有一个一劳永逸的护城河。现在真正跑通的，还是少数垂直场景。后面也会是一个场景一个场景地攻克。
智能体大概会形成三类：第一类是生活助手，入口和生态非常重要；第二类是办公和效率型智能体，美国市场更容易跑出模式，中国会有很多跟随者，但市场和付费基础不一样；第三类是高度垂直的智能体。大厂很难长期在每个细分行业投入资源，这反而会给创业公司留下机会，而且越垂直，机会可能越清晰。
爱分析：从通用模型走向垂直行业，FDE为什么会变得重要？
崔晓波：垂直领域最大的难题，往往不是模型，而是专业知识和业务语言不通。比如新药研发团队提出需求，需要的却是医院里的诊疗数据。药厂和医院看起来都在医疗行业，实际上是两套知识结构和话语体系，过去两边很难高效对话。
我们后来在药厂和医院两侧各派一组既有技术背景、又能快速学习专业知识的人。大模型把知识学习门槛拉低了，两三周以后，他们就能和研发人员、医生进行专业沟通。两组人上午确认需求，下午就能在医院侧提取和构造数据。过去这条链路可能两个月都跑不下来。
爱分析：这和传统售前、项目经理驻场有什么本质区别？
崔晓波：不是把售前或项目经理换一个名字，就叫FDE。关键是这个人在现场创造了什么新价值。他要同时具备专业知识、技术背景和解决客户问题的能力，能把原来断开的需求、数据和模型连接起来。
如果驻场以后做的还是需求沟通、项目协调和平台售卖，那和以前没有区别。FDE应该让客户获得以前得不到的结果，比如把两个月的链路压缩到一天，或者把原本不能直接使用的数据变成可训练、可评测的数据集。
爱分析：你刚才提到“结果”，这会改变AI公司的商业模式吗？
崔晓波：会。以前技术公司喜欢卖平台、工具和软件许可，但客户越来越难接受。客户会问：你这个平台和我直接调用同一个基础模型有什么区别？底层模型大家都能用，你凭什么收一笔很高的平台费？
大模型出现以后，技术公司第一次可以直接交付结果。比如客户需要广告素材，我们不一定卖给他一个素材生成平台，而是每天交付多少条合格素材，根据质量和转化效果结算。客户要的就是素材，不是一个还需要自己运营的平台。
爱分析：但很多公司仍然希望通过FDE先做项目，再把平台卖进去。这个逻辑还能成立吗？
崔晓波：会受到两层压力。第一层来自客户。现在生意难做，客户更愿意说，你帮我赚十块钱，我分你一块；或者你帮我省十块钱，我分你一块。除此之外，价值不可衡量的平台，客户不愿意轻易付钱。
第二层来自模型和云厂商。你做的脚手架、编排工具和中间层，很容易被底层模型一次版本升级替代。最后要么被大厂碾压，要么被客户抛弃。
更稳定的位置是对结果负责：把大厂供给当作工具，自己成为业务价值的创造者和分配者。只要你能持续为客户创造可衡量的结果，这个关系就不会因为某个模型升级而消失。
04
企业会内化核心数据能力，第三方机会在连接层
爱分析：站在国家数据要素视角，国家数据局在这一轮AI数据服务产业发展中会扮演什么角色？
崔晓波：我们接触比较多。我理解国家数据局现在主要抓三类事情。第一是数据基础设施，包括可信数据空间等建设；第二是高质量数据集，重点服务大模型训练、后训练和应用；第三是逐步把产业促进、标准和监管能力整合起来。
过去数据交易更多停留在“有没有交易场所”，现在开始转向“数据能不能围绕AI场景真正用起来”。高质量数据集不是把原始数据简单堆在一起，而是要有专家知识、推理逻辑、质量标准和可追溯链路。
爱分析：这些基础设施会给民营数据公司留下什么空间？
崔晓波：公共数据和重要数据资产可以由地方数据集团等国有主体持有，民营企业不一定要拥有数据，而是可以做应用、加工和运营。对数据公司来说，能合法使用、加工并创造价值，比拥有数据本身更重要。数据拿在自己手里，责任和风险反而更大。
可信数据空间、数据权益分置等制度思路，本质上是在逐步明确边界：谁持有、谁使用、谁加工、谁运营。边界清楚以后，创业公司才知道什么能做，客户也敢把业务交出来。
爱分析：企业未来会不会拥有一套独立生长的“企业AGI”，怎么看待垂直模型的机会？
崔晓波：我觉得大多数企业不会自己训练基础模型。我们和一些全球品牌讨论过，他们的选择很明确，基础模型会从微软、海外模型厂商或国内大厂接入，不会在每个国家、每个业务单元都建一套。
到了AI时代，大型跨国企业反而更倾向于全球一套能力。过去信息化可以美国一套、中国一套，现在因为基础模型投入太大，算法和模型团队会向欧美总部集中。对中国市场来说，这未必是好事，本地团队在模型和平台层面的自主空间会变小。垂直模型如果只是“在开源模型上微调”，价值确实有限。
但如果垂直模型叠加了行业专有的数据飞轮和场景闭环，护城河会明显更深。不过从更大的机会来看，我们判断企业与模型之间的连接层——也就是数据聚合、加工、评测和合规流通——会形成一个比垂直模型本身更可持续的市场。
爱分析：既然企业不自己训练基础模型，第三方AI公司还能进入企业内部吗？
崔晓波：能进入，但空间可能比很多人想象的小。大型企业会把知识库和核心数据能力留在自己手里。他们会说，我连基础模型都交给大厂了，知识库如果再交给第三方，那核心能力还剩什么？所以知识库、核心业务数据和统一AI平台，很可能被企业内化。
外部公司更适合做垂直应用、效率工具和明确可交付的业务结果。你不能只讲一个宏大的企业AI平台，而要回答在哪个业务环节，我能帮客户多赚多少钱、少花多少钱、缩短多少时间。
爱分析：那企业侧的数据服务需求会不会长期只剩基础模型公司这一类大客户？
崔晓波：不一定。企业内部训练大模型的需求可能有限，但企业与模型之间会产生新的数据服务需求。
比如模型和搜索平台会规定一套元数据格式，企业需要把产品、内容和业务信息整理成模型能正确抓取和理解的结构。中间会出现专门的数据公司，帮助企业优化网站和数据，按照不同模型平台的要求加工，再提交给模型或搜索平台。这类公司不是跑进企业内部训模型，而是连接企业和模型。
爱分析：这种“连接层”的市场机会有多大？
崔晓波：我觉得会形成一个很大的市场，但它不会以单一产品或平台的形态出现，而是分散在不同企业、行业和业务场景里。
基础模型越强，企业内部的通用能力越容易由大厂或企业自己完成。但不同企业的数据结构、产品信息和业务语义都不一样，这些内容不会自动变成模型能够理解和使用的格式，模型厂商也不可能逐家解决这些长尾问题。
所以，未来会出现大量中间形态，包括Search、GEO、数据结构优化、模型接入和垂直场景的数据加工。它们一端连接企业，一端连接模型平台，帮助企业把产品、内容和业务信息整理成模型能够正确理解、抓取、调用和转化的结构。
这个市场的机会不在于再做一个基础模型，而在于服务数量庞大的企业和应用场景。企业与模型之间需要连接和加工的环节越多，这一层的市场空间就越大。
爱分析：TalkingData接下来重点工作有哪些？
崔晓波：我们就是一家AI数据服务平台，给AI大模型和垂直应用提供所需要的数据。核心产品是高质量数据集及相关服务。
具体来说，就是持续做好几件事：首先是靠近数据源，聚合更多“原矿”。其次是用算法和模型把数据炼出来。第三是构造合成数据和仿真环境，再通过合规基础设施把数据安全地流通出去。以前场景小，这些能力没有被充分放大；现在场景来了，我们要做的就是把多年积累重新组织起来，抓住这一轮机会。