大模型竞争进入下半场：高质量数据成AI领域硬通货
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。