百億美元賽道開啟，AI數據服務迎來戰略拐點｜愛分析訪談

原創愛分析ifenxi 2026-08-03 08:00

瑞薩×物聯網：4 場直播，搞定全棧無線連接開發 汽車電子架構重構與智能連接革命

繼算力和基礎模型之后，數據正在成為大模型競爭的下一項關鍵投入。

隨著公開的預訓練語料逐漸枯竭，模型訓練開始更多轉向后訓練、強化學習和推理能力提升。模型公司需要的數據，也從通用文本語料擴展到思維鏈、任務軌跡和合成數據。特別是在AI Coding、多模態和具身智能等場景中，數據不再只是模型訓練前的準備工作，而是直接影響模型能力提升的重要變量。

這也在重新打開數據服務市場的市場天花板。過去，數據服務主要集中在金融、營銷等少數行業，數據標注則以標準化、重人力的任務為主。大模型出現后，數據需求開始覆蓋聚合、加工、合成和合規流通等更多環節，數據服務公司的技術門檻和交付方式都在發生變化。

TalkingData是AI數據服務領域的代表廠商。自2011年成立以來，TalkingData在移動互聯網、大數據應用和營銷科技等產業周期中積累了深厚的數據處理與合規經驗。進入大模型時代，公司將所有資源和能力戰略性聚焦于AI數據服務，定位為面向大模型和垂直應用的“新一代AI數據服務平臺”。

在TalkingData CEO崔曉波看來，大模型帶來的數據服務市場，可能達到傳統數據服務市場的十倍以上。模型公司需要的不再只是數據采集和標注，而是能夠直接服務于訓練、評測和能力提升的高質量數據，數據服務公司的市場空間和議價權在不斷攀升。

本次訪談中，愛分析與崔曉波圍繞AI數據服務市場為何快速增長、模型公司需要什么樣的數據、數據服務公司如何提升技術能力、FDE如何改變AI項目的交付方式，以及企業應用大模型將產生哪些新的數據需求等話題進行了深入交流。

核心觀點

大模型正在創造一個十倍于傳統數據服務的新市場。

傳統數據服務主要集中在金融、營銷等少數場景，市場邊界相對有限。大模型出現后，數據成為與算力、基礎模型并列的核心投入，需求也從預訓練語料擴展到推理數據、軌跡數據、評測數據和合成數據，并進一步覆蓋Coding、多模態、醫療和具身智能等場景。

數據像“礦”，離數據源越近、煉礦能力越強的公司，議價能力越強。

大廠擁有模型、算力和工程團隊，但未必擁有足夠豐富的外部軌跡和糾錯數據。第三方數據公司通過持續聚合、清洗和提煉數據，正在從單純供應商變成模型公司的關鍵協作方。

FDE（現場數據工程師）不是把售前/項目經理換個名字，而是直接對結果負責，創造新價值。

大模型降低了專業知識的學習門檻，也讓技術公司第一次具備了直接交付業務結果的可能。未來客戶更愿意為業務結果付費，而不是為一個難以衡量價值的平臺付費。

垂直模型價值度有限，新的機會更多存在于企業與模型之間的連接層。

大型企業會把知識庫和核心數據能力內化，但仍需要外部公司完成垂直應用、數據加工和模型連接，未來會出現更多連接企業數據與模型平臺的中間型數據公司。

以下為本次訪談實錄，在不改變原意基礎上略有修改。

大模型把數據服務的盤子放大了至少十倍

愛分析：你怎么看這一輪AI數據服務的市場機會，跟過往數據采集和數據標注有什么區別？

崔曉波：我覺得可以先把數據應用的脈絡梳理一下。第一代是2017年前，主要是互聯網公司使用數據，但基本都在自己的“圍墻花園”里，外部采購只是補充，用于游戲、電商、營銷等場景。

第二代是2018年前后起來的金融數據服務。互聯網金融和助貸公司沒有牌照，也無法直接使用傳統征信體系，所以在風控、信用評估、反欺詐等場景里產生了大量需求，催生了一批數據公司。后來隨著政策變化和持牌機構體系建立，這個市場的業務上限和資本天花板都受到了限制。

第三代是2020年以后，零售和消費品企業因為疫情把大量業務轉到線上，營銷、供應鏈、電商、內容等數據場景隨之出現。

第四代才是2023年以后由大模型帶來的這一波機會。它和前面幾波的勢能完全不一樣。

愛分析：你最早是什么時候意識到，這一輪的市場機會會明顯不同？

崔曉波：2023年已經有大模型公司和平臺廠商找我們，希望提供數據采集和標注服務。但我當時覺得，需求還是偏BPO，也就是人力外包型業務，沒有意識到市場會這么大。

真正的變化大概發生在2024年，那時候我開始看到，這個市場需求在明顯暴漲。到2026年，特別是4月以后，我們看到一線、二線模型公司的數據采購預算都在明顯上升。

AI的三個基礎要素是算力、基礎模型和數據。過去資本市場先看算力，后來關注基礎模型，接下來一定會更重視數據。

愛分析：為什么數據會在這個階段變得更重要？

崔曉波：一個直接原因是出現了Data Wall，也就是可用于預訓練的公開數據逐漸枯竭。預訓練方式仍然主要是Transformer 和scaling law，繼續堆算力、堆數據，但可以直接拿來用的高質量語料越來越少。

同時，模型訓練方法也變了。模型競爭從單純預訓練，轉向后訓練、強化學習和推理能力提升。這個階段需要大量思維鏈、推理過程和軌跡數據。很多真正有價值的數據并不存在于公開網頁里，它來自真實任務：哪里做錯了，怎么發現錯誤，又怎么一步步糾正。訓練方法一變，模型公司的數據需求也就變了。

愛分析：軌跡數據和傳統語料的價值差異在哪里？

崔曉波：傳統語料更多是告訴模型“正確答案是什么”，軌跡數據會把“怎么走到答案”也留下來。特別是在AI Coding場景里，成功的代碼有價值，錯誤以及糾錯過程同樣有價值。模型能看到一條路徑為什么失敗、后面怎樣調整，這本身就是很好的推理數據。

大廠內部當然有大量程序員和開發工具，也能產生數據。但內部數據更多集中在大廠自身的業務場景，天然缺乏來自不同行業、不同規模企業的多樣化軌跡。第三方平臺聚合的場景更豐富，模型看到的失敗模式和糾錯路徑也更多元。

愛分析：這種需求增長，已經形成多大的市場？

崔曉波：按我們的估算，只看AI Coding相關的軌跡、推理和評測數據，全球市場已經超過100億美元。當然，具體數字會隨著模型版本和采購周期波動，但方向很明確：數據成本在整個模型訓練成本里的占比持續提高。

從更大的范圍看，大模型帶來的數據服務市場，可能是傳統數據服務市場的十倍以上。過去金融數據服務已經算一個比較大的存量市場，營銷數據也很大，但往往和投流、運營業務綁在一起，很難單獨拆出來。現在Coding、多模態、醫療、具身智能等場景同時出現，市場邊界一下被打開了。

愛分析：模型公司的數據需求會持續、勻速地增長嗎？

崔曉波：不會，它更像跳躍式增長。某個模型在一個垂直場景突然領先，其他公司就會迅速追趕，形成一輪軍備競賽，對相關數據的采購需求會集中爆發。等大家能力拉齊，或者新的領先方向出現，需求又會轉移。因此模型之間的追趕，會持續制造新的數據需求。

愛分析：你怎么看中美模型能力的差異？

崔曉波：我不太認同簡單說“中國落后美國幾個月”。中美更像錯位競爭。美國在語言模型、編程等場景里基礎更強，語料和技術積累也更深；中國在多模態上有自己的優勢，因為上一代移動互聯網基礎設施不同，中國的短視頻、短劇、內容生產和分發都更發達，積累了大量相關數據。

所以模型不是勻速發展，也不是所有能力沿著一條線前進，而是一個垂直場景、一個垂直場景地突破。今天可能是Coding，明天可能是視頻、音樂，后天可能是輔助診療。每突破一個場景，都會帶來新一輪數據需求。

愛分析：除Coding和多模態外，你更看好哪些增量場景？

崔曉波：醫療是我們比較看好的方向。醫療數據本身價值密度高，新藥研發、診療、影像、病例等場景都需要專業數據。我判斷醫療數據服務的市場規模很快會超過傳統金融數據服務。

具身智能也是增量市場，但現階段盤子還沒有外界想象得那么大。它需要世界模型、物理引擎和模擬仿真環境，方向是成立的，但真實出貨量、標準和應用場景還在形成。我們不會因為資本市場熱就盲目判斷，而是看數據最終用在哪里、誰愿意持續付費。

離“礦”越近的公司優勢越明顯

愛分析：隨著數據服務需求改變，AI數據服務公司的能力結構會怎么調整？

崔曉波：以前大家一提AI數據服務，首先想到的就是標注公司，但現在供給端（AI數據服務公司）已經明顯分層。

第一類是BPO（業務流程外包）類公司，適合承接標準化、重人力的任務，比如大量重復的框選、分類和審核。第二類是算法模型類公司，不只是給客戶交數據，還要理解模型訓練，能做數據清洗、轉換、評測和合成。第三類是數據流通平臺，解決數據采購的溯源、合規和流通問題。

未來真正有價值的公司，往往不是只占其中一層，而是把數據聚合、算法加工、模型驗證、合成環境和合規流通結合起來。

愛分析：傳統BPO類公司能升級成算法模型類公司嗎？

崔曉波：很難。傳統標注公司主要是運營型組織，擅長管理大量人員、控制成本、保證標準化交付。算法模型公司需要真正做過預訓練、后訓練或強化學習的人，人才結構和成本結構完全不同。

如果團隊自己不做模型訓練，很多軌跡和推理數據加工完以后仍然不可用，客戶拿回去還要大規模二次清洗，效率很低。現在大廠越來越傾向于要求供應商先建立自己的模型和評測標準，把數據跑一遍，再進入客戶的質量控制流程。同時，供應商最好能夠提供合成數據算法和仿真環境。

愛分析：大廠為什么不把這些能力全部留在內部？

崔曉波：大廠過去確實把大量預算花在內部構造數據上，外部采購占比并不高。但現在一個明顯趨勢是，內部的數據生成模型、模擬仿真環境和加工任務也開始外包。原因不是簡單算人力成本，而是外部公司離數據源更近。

如果大廠只靠自身場景產生的數據就能把模型訓好，它當然不會外包。問題是，實踐已經證明，來自第三方的多源軌跡和糾錯數據對模型提升很有效。大廠有模型能力，但不可能持續覆蓋外部無數細碎場景，也不適合長期做這些聚合、清洗和加工工作。

愛分析：有數據源的公司看起來像是“礦產公司”？

崔曉波：對，這個業務越來越像挖礦和煉礦。第一，你要有“原礦”，也就是能持續聚合數據；第二，你要有“煉礦”能力，把雜亂數據清洗、加工成模型能用的高質量數據；第三，你還要能合成數據，構造真實世界里難以直接獲得的場景。

在這個鏈條里，離“礦”越近的公司越占便宜。它把分散的礦收進來，煉成高純度的“稀土”，模型公司要不要買？只要這種數據能明顯提升模型效果，數據公司就不再是被動接單的一方，議價能力會越來越強。

在這個鏈條里，TalkingData的定位是“煉礦平臺”，既擁有海量多模態數據資產，也能持續聚合多源數據，通過算法加工、合成與合規流通，煉成模型可直接使用的高質量數據集。

愛分析：TalkingData在這個鏈條里的核心能力是什么？

崔曉波：數據服務公司還是要有自己的基因。TalkingData做了這么多年數據業務，合規怎么做、數據怎么聚合、怎么清洗加工，這些基礎能力一直都在。只是過去場景不夠大，空有能力也沒有那么多收入空間，現在大模型把這些能力放大了。

我們前幾年開始把資源集中到數據和模型相關的事情上，也參與可信數據空間等基礎設施建設。模型公司采購數據時，不只要求數據質量，還要能說清楚來源、授權、加工和流通鏈路。我們的定位不是單純過一筆交易，而是讓數據在合規流通的同時，完成加工、評測和交付。

愛分析：這是否意味著“數據流通平臺”不能只做一個交易通道？

崔曉波：對。純交易通道的問題是沒有服務，只是過賬。模型公司會覺得，你除了提供合規憑證，沒有幫我降低內部加工成本。

真正有價值的平臺，既要有合規流通能力，也要有模型能力。數據進來以后，要幫客戶做清洗、加工、質量驗證，最好還能構造合成環境。客戶拿到的不是一塊硬盤，而是一套可追溯、可驗證、能直接進入訓練流程的高質量數據集。

愛分析：在醫療、金融等高敏感場景里，數據不方便直接流通，怎么解決？

崔曉波：主要采用“數據可用不可見”的方式。比如在醫療場景中，我們嚴格遵循醫院的數據安全管理制度，在合規框架內配合院方完成數據的整理與標注工作。同時，在不接觸原始病例的前提下，基于脫敏后的真實數據構造合成數據層，模擬出更多統計意義上有效的數據樣本。

模型的訓練和驗證可在數據授權范圍內完成，最終交付的是模型參數或評測結果，而非原始病例數據。這樣既能利用數據價值，又能降低敏感數據外流風險。醫療、金融以及具身智能里的模擬仿真，未來都會大量采用類似方式。

愛分析：你為什么強調TalkingData必須離模型公司很近？

崔曉波：認知來自一線。如果只是站在外面看，很難知道下一代模型到底在攻什么、需要什么數據。我們這兩年很低調，但和頭部模型公司的算法、工程和平臺團隊保持高頻溝通，他們第一手需求會直接提給我們，我們也會討論下一代模型的方向和戰略。

離客戶近，不只是為了拿訂單，而是為了提前看到需求怎么變。看得更深以后，組織和資源才能更堅定地往一個方向壘起來，形成正向循環。

FDE不是駐場售前，而是創造新的價值

愛分析：TalkingData是一家成立時間較長的公司。面對這輪AI變化，老公司的歷史包袱會不會更重？

崔曉波：會有一些。去年我們和資本市場溝通時，大家一說TalkingData，就覺得你還是一家做營銷技術或者傳統數據服務的老公司。后來我們花了很長時間調整業務，現在對外定位很簡單：我們是一家AI數據服務平臺，愿景是給AI大模型提供所需要的一切數據，核心產品是高質量數據集及相關服務。

我們在幾年前就把原來很多軟件和營銷技術業務逐步停掉，把資源集中到數據和模型上，組織也調整到現在的兩三百人。這個過程很痛苦，因為老客戶、合同和團隊都要逐步消化，但調過來以后，反而像一家沒有歷史包袱的新公司，同時保留了合規、牌照、基礎設施、品牌和核心人才。

愛分析：為什么你認為很多公司即使現在想明白了，也很難馬上轉過來？

崔曉波：認知想明白只是第一步，組織能力調整不過來，也只能干看著。特別是五百人以上的公司，原來幾百人都是做軟件、項目和交付的，你不可能一夜之間把人才結構換掉；原有客戶和合同也不能說停就停。

很多創始人會糾結：原來的盤子還在，故事也一直這么講，新業務要不要全力投入？我們前幾年已經把這些最頭疼的事情處理掉，所以新機會來的時候，沒有太多包袱，可以直接把錢、人和品牌砸進去。這種組織上的提前量很重要。

愛分析：你怎么看基礎模型的終局？通用AGI會很快到來嗎？

崔曉波：我覺得AGI還有一段距離。通用模型競爭會長期持續，因為它沒有一個一勞永逸的護城河。現在真正跑通的，還是少數垂直場景。后面也會是一個場景一個場景地攻克。

智能體大概會形成三類：第一類是生活助手，入口和生態非常重要；第二類是辦公和效率型智能體，美國市場更容易跑出模式，中國會有很多跟隨者，但市場和付費基礎不一樣；第三類是高度垂直的智能體。大廠很難長期在每個細分行業投入資源，這反而會給創業公司留下機會，而且越垂直，機會可能越清晰。

愛分析：從通用模型走向垂直行業，FDE為什么會變得重要？

崔曉波：垂直領域最大的難題，往往不是模型，而是專業知識和業務語言不通。比如新藥研發團隊提出需求，需要的卻是醫院里的診療數據。藥廠和醫院看起來都在醫療行業，實際上是兩套知識結構和話語體系，過去兩邊很難高效對話。

我們后來在藥廠和醫院兩側各派一組既有技術背景、又能快速學習專業知識的人。大模型把知識學習門檻拉低了，兩三周以后，他們就能和研發人員、醫生進行專業溝通。兩組人上午確認需求，下午就能在醫院側提取和構造數據。過去這條鏈路可能兩個月都跑不下來。

愛分析：這和傳統售前、項目經理駐場有什么本質區別？

崔曉波：不是把售前或項目經理換一個名字，就叫FDE。關鍵是這個人在現場創造了什么新價值。他要同時具備專業知識、技術背景和解決客戶問題的能力，能把原來斷開的需求、數據和模型連接起來。

如果駐場以后做的還是需求溝通、項目協調和平臺售賣，那和以前沒有區別。FDE應該讓客戶獲得以前得不到的結果，比如把兩個月的鏈路壓縮到一天，或者把原本不能直接使用的數據變成可訓練、可評測的數據集。

愛分析：你剛才提到“結果”，這會改變AI公司的商業模式嗎？

崔曉波：會。以前技術公司喜歡賣平臺、工具和軟件許可，但客戶越來越難接受。客戶會問：你這個平臺和我直接調用同一個基礎模型有什么區別？底層模型大家都能用，你憑什么收一筆很高的平臺費？

大模型出現以后，技術公司第一次可以直接交付結果。比如客戶需要廣告素材，我們不一定賣給他一個素材生成平臺，而是每天交付多少條合格素材，根據質量和轉化效果結算。客戶要的就是素材，不是一個還需要自己運營的平臺。

愛分析：但很多公司仍然希望通過FDE先做項目，再把平臺賣進去。這個邏輯還能成立嗎？

崔曉波：會受到兩層壓力。第一層來自客戶。現在生意難做，客戶更愿意說，你幫我賺十塊錢，我分你一塊；或者你幫我省十塊錢，我分你一塊。除此之外，價值不可衡量的平臺，客戶不愿意輕易付錢。

第二層來自模型和云廠商。你做的腳手架、編排工具和中間層，很容易被底層模型一次版本升級替代。最后要么被大廠碾壓，要么被客戶拋棄。

更穩定的位置是對結果負責：把大廠供給當作工具，自己成為業務價值的創造者和分配者。只要你能持續為客戶創造可衡量的結果，這個關系就不會因為某個模型升級而消失。

企業會內化核心數據能力，第三方機會在連接層

愛分析：站在國家數據要素視角，國家數據局在這一輪AI數據服務產業發展中會扮演什么角色？

崔曉波：我們接觸比較多。我理解國家數據局現在主要抓三類事情。第一是數據基礎設施，包括可信數據空間等建設；第二是高質量數據集，重點服務大模型訓練、后訓練和應用；第三是逐步把產業促進、標準和監管能力整合起來。

過去數據交易更多停留在“有沒有交易場所”，現在開始轉向“數據能不能圍繞AI場景真正用起來”。高質量數據集不是把原始數據簡單堆在一起，而是要有專家知識、推理邏輯、質量標準和可追溯鏈路。

愛分析：這些基礎設施會給民營數據公司留下什么空間？

崔曉波：公共數據和重要數據資產可以由地方數據集團等國有主體持有，民營企業不一定要擁有數據，而是可以做應用、加工和運營。對數據公司來說，能合法使用、加工并創造價值，比擁有數據本身更重要。數據拿在自己手里，責任和風險反而更大。

可信數據空間、數據權益分置等制度思路，本質上是在逐步明確邊界：誰持有、誰使用、誰加工、誰運營。邊界清楚以后，創業公司才知道什么能做，客戶也敢把業務交出來。

愛分析：企業未來會不會擁有一套獨立生長的“企業AGI”，怎么看待垂直模型的機會？

崔曉波：我覺得大多數企業不會自己訓練基礎模型。我們和一些全球品牌討論過，他們的選擇很明確，基礎模型會從微軟、海外模型廠商或國內大廠接入，不會在每個國家、每個業務單元都建一套。

到了AI時代，大型跨國企業反而更傾向于全球一套能力。過去信息化可以美國一套、中國一套，現在因為基礎模型投入太大，算法和模型團隊會向歐美總部集中。對中國市場來說，這未必是好事，本地團隊在模型和平臺層面的自主空間會變小。垂直模型如果只是“在開源模型上微調”，價值確實有限。

但如果垂直模型疊加了行業專有的數據飛輪和場景閉環，護城河會明顯更深。不過從更大的機會來看，我們判斷企業與模型之間的連接層——也就是數據聚合、加工、評測和合規流通——會形成一個比垂直模型本身更可持續的市場。

愛分析：既然企業不自己訓練基礎模型，第三方AI公司還能進入企業內部嗎？

崔曉波：能進入，但空間可能比很多人想象的小。大型企業會把知識庫和核心數據能力留在自己手里。他們會說，我連基礎模型都交給大廠了，知識庫如果再交給第三方，那核心能力還剩什么？所以知識庫、核心業務數據和統一AI平臺，很可能被企業內化。

外部公司更適合做垂直應用、效率工具和明確可交付的業務結果。你不能只講一個宏大的企業AI平臺，而要回答在哪個業務環節，我能幫客戶多賺多少錢、少花多少錢、縮短多少時間。

愛分析：那企業側的數據服務需求會不會長期只剩基礎模型公司這一類大客戶？

崔曉波：不一定。企業內部訓練大模型的需求可能有限，但企業與模型之間會產生新的數據服務需求。

比如模型和搜索平臺會規定一套元數據格式，企業需要把產品、內容和業務信息整理成模型能正確抓取和理解的結構。中間會出現專門的數據公司，幫助企業優化網站和數據，按照不同模型平臺的要求加工，再提交給模型或搜索平臺。這類公司不是跑進企業內部訓模型，而是連接企業和模型。

愛分析：這種“連接層”的市場機會有多大？

崔曉波：我覺得會形成一個很大的市場，但它不會以單一產品或平臺的形態出現，而是分散在不同企業、行業和業務場景里。

基礎模型越強，企業內部的通用能力越容易由大廠或企業自己完成。但不同企業的數據結構、產品信息和業務語義都不一樣，這些內容不會自動變成模型能夠理解和使用的格式，模型廠商也不可能逐家解決這些長尾問題。

所以，未來會出現大量中間形態，包括Search、GEO、數據結構優化、模型接入和垂直場景的數據加工。它們一端連接企業，一端連接模型平臺，幫助企業把產品、內容和業務信息整理成模型能夠正確理解、抓取、調用和轉化的結構。

這個市場的機會不在于再做一個基礎模型，而在于服務數量龐大的企業和應用場景。企業與模型之間需要連接和加工的環節越多，這一層的市場空間就越大。

愛分析：TalkingData接下來重點工作有哪些？

崔曉波：我們就是一家AI數據服務平臺，給AI大模型和垂直應用提供所需要的數據。核心產品是高質量數據集及相關服務。

具體來說，就是持續做好幾件事：首先是靠近數據源，聚合更多“原礦”。其次是用算法和模型把數據煉出來。第三是構造合成數據和仿真環境，再通過合規基礎設施把數據安全地流通出去。以前場景小，這些能力沒有被充分放大；現在場景來了，我們要做的就是把多年積累重新組織起來，抓住這一輪機會。

注：點擊左下角“閱讀原文”，查看更多洞察內容。

登錄閱讀全文



免責聲明：該內容由專欄作者授權發布或作者轉載，目的在于傳遞更多信息，并不代表本網贊同其觀點，本站亦不保證或承諾內容真實性等。若內容或圖片侵犯您的權益，請及時聯系本站刪除。侵權投訴聯系：? nick.zong@aspencore.com！

愛分析ifenxi 愛分析ifenxi是專注于AI市場的研究咨詢機構

進入專欄

評論

愛分析ifenxi 愛分析ifenxi是專注于AI市場的研究咨詢機構

文章：1223篇粉絲：15人

 私信

百億美元賽道開啟，AI數據服務迎來戰略拐點｜愛分析訪談

核心觀點

最近文章

熱門文章

推薦

最新資訊