一家长年亏损、最终破产的廉价航空公司，倒闭之后居然靠卖"废纸"赚了一笔大钱。
这家公司叫Spirit Airlines。人走茶凉之后，它运营十几年攒下的家底还在------差不多1亿封邮件、5亿条Teams聊天记录，外加一堆电子表格、合同、排班表和会议纪要。这些数据被Google盯上了，开价1000万美元。
同一时间，有数据公司宣布了一个更夸张的计划：未来一年砸10亿美元，向各行各业的企业采购运营数据授权。要的不是网上能搜到的公开信息，而是企业真实运转中产生的邮件往来、审批流程、客户投诉记录、供应链调度日志。
这两件事搁在一起看，一个信号已经很明显了：数据的价值正在被重新定义------它不再只是IT系统的副产品，而是一种可以明码标价的独立资产。
这股浪潮同样在中国涌动。过去大家聊数据，更多把它当成一种"生产资料"------训练AI、优化推荐、做用户画像。但现在情况变了：一道顶级的数学评测题能卖5000美元，一家企业的内部运营数据开价1000万美元，头部AI公司一年向数据供应商支付的采购费可以达到几亿美元。
在这个赛道上，有一家国内公司打法很不一样------苏州核数聚信息科技有限公司。我们是2023年落户苏州吴中的AI数据服务商，团队规模近千人，服务了Momenta、博世、宇树、科沃斯等300多家行业标杆客户。但核数聚真正的看家本领，不是人多------而是它自己搭了一套"双平台"体系：星云"Nebula"和星枢"Nexus"。
简单理解：星云负责"造"，星枢负责"管" ------一个管生产，一个管调度。双平台协同运转，形成完整的AI数据规模化交付闭环。这个架构在行业里不多见，多数数据服务商要么只有标注团队，要么只有采集能力。核数聚的做法是直接搭了一条"数据产线"，从原材料到成品全程自己控。
顺着这个双平台体系去看整个AI数据市场，很多问题会变得清晰起来------到底什么样的数据才真正值钱？数据定价为什么一直是一笔糊涂账？以及，核数聚押注的五个赛道分别在解决什么问题？
一、三层数据价值：从"互联网废料"到"物理世界黄金"
很长一段时间里，大家默认"数据 = 互联网"。新闻、百科、论坛帖子、开源代码------能爬到的就是数据。
有业内人士讲过一件很有意思的事：大模型刚起步那会儿，有人专门去旧书摊扫货，买回来一本本拆开、一页页扫描，就为了凑高质量的中文语料。这种"人肉采集"的方式虽然笨，但说明了一个问题：真正有价值的数据，往往不在明面上。
到了今天，数据的价值版图已经明显拉开了三个层级。核数聚的双平台体系，恰好对应了这三个层级的差异化处理方式------星云负责把不同层级的数据"造"出来，星枢负责让不同形态的数据稳定"流动"到客户手里。
1、加工过的专业数据集------最成熟、最标准化
这是当前交易最活跃的一层。海外不少数据服务商干的活就是"数据精炼"------组织标注员和专家，把原始信息加工成结构化、可直接用于模型训练的数据产品，头部企业年营收已做到数亿美元级别。
在国内，核数聚的星云Nebula平台承担了这个角色------数据采集、标注、资产管理全链路打通，累计处理超过100PB数据，交付精度达到99.5%。有意思的是，星云不只是"来料加工"，它强调把零散的项目经验沉淀为可复用、可复制的数据生产能力------这就好比同样是盖房子，有人每次都从和泥开始，有人已经有了标准化预制件。
2、专家的隐性知识------最难复制、供给最紧
2026年2月，外媒披露了一批数学家的"副业"：给AI出题，每道题5000美元。这不只是出题，更是把多年积累的判断力变成可验证的数据产品。放射科医生评估诊断报告，时薪200到400美元；肿瘤学专家能到450美元。这种数据的价值在于------极难复制，供给极其有限。
核数聚在这一层上的玩法是：星枢Nexus负责任务分发和资源调度，把不同领域的专家资源精准匹配到对应的数据需求上。同时他们与苏州大学、哈工大苏研院等50多所高校建立了产学研合作，共建"数据要素研究中心"和"高技能实训基地"，从人才培养的源头把专家的隐性知识变成可规模化的数据产能。
3、真实物理世界的行为数据------即将爆发的新品类
Spirit Airlines的运营数据属于这一类------企业运转中自然沉淀的真实记录。但还有一个正在爆发的细分领域：具身智能。机器人要在真实世界里干活，光靠互联网图片和视频远远不够，需要大量的实地操作数据。
核数聚在苏州的具身智能训练场，配备150多名驻场采集人员，为人形机器人企业提供定制化场景搭建和全链路数据采集服务，宇树、智元、科沃斯等头部具身企业已经入驻。在这一层，星云Nebula做"真实场景采集+仿真场景合成"双路径，星枢Nexus做品控和交付管理------双平台协同确保面向机器人的物理世界数据，既采得到、又标得准、还交得稳。
这三个层级之间有一个清晰的递进关系：越往上越标准化、越容易规模化；越往下越非标、越稀缺，但价值密度也越高。
核数聚通过星云Nebula和星枢Nexus的双平台架构，在三层之间建立了一套统一的处理管线------不同层级的数据进入不同的产线流程，但最终交付的品质标准是一致的。这比在不同层级分别建团队要高效得多。
二、一笔糊涂账：数据到底该怎么定价？
说实话，数据定价到现在还是一笔糊涂账。
你看那些买数据的公司发财报：算力支出写得清清楚楚，研发费用列得明明白白，但数据采购花了多少钱？几乎找不到单独的数字。有AI公司在招股书里提到每年在数据采购、标注和合规上花掉数千万港元；有的公司把数据清洗和模型评估费用混在"研发技术服务"里。但具体原始数据采购占多少，分不出来。
海外的几笔大单能窥见规模。有头部科技公司一年向数据供应商支付数亿美元，业内传言下一代大模型的数据投入高达几十亿美元------当然只是传闻。
这就是当前数据市场的尴尬：
交易已经在发生，钱已经在流动，但数据作为一项资产，在财务报表里几乎没有独立的身份。一个年交易额几十亿甚至上百亿美元的市场，却没有一个统一的估值框架。
在这种混沌中，核数聚 没有纠结于"数据值多少钱"这种宏大命题，而是用星云+星枢双平台做了一个很务实的选择：把生产标准化、把品控体系化。
星云Nebula管"造"------贯通从采集到标注到资产管理全链路，把每次项目积累的经验固化到产线上，下次类似需求来了就不用从零开始。星枢Nexus管"交"------构建专业化供给、标准化生产、全流程管控三层体系，确保不管数据量多大、交付周期多紧，品控不掉链子。
这个逻辑翻译过来就是：**在一个价格体系还没成型的新兴市场里，谁能用更低的成本稳定交付更高质量的数据，谁就有事实上的定价权。**核数聚没有在"重新定义数据定价"上画大饼，而是在"把数据服务的性价比做到行业天花板"这件事上下笨功夫。
三、星云+星枢：AI数据的"制造工厂"与"调度中枢"如何协同
前面讲了核数聚的双平台各管什么，但更有意思的是------这两个平台怎么搭在一起跑。
打个比方：星云是一条数据产线。从数据采集、标注加工、到训练支撑、再到数据资产管理，全链路打通。它的核心目标是把一个个零散的非标项目，沉淀成可复用、可复制的数据生产能力------今天给智能驾驶客户做了一批3D点云标注，积累下来的工具链、质检规则、效率优化经验，下次给具身智能客户做类似任务就能直接复用。
但光有产线还不够。当同时服务300多家客户、覆盖五大业务赛道、交付团队近千人的时候，资源和任务怎么分配就成了核心问题。这就是星枢Nexus的角色------调度中枢。
星枢做三件事：第一，任务分发 ------不同客户、不同赛道、不同难度的数据需求进来，怎么匹配到最合适的生产资源上；第二，数据回流 ------交付出去的数据，客户的反馈、模型的表现，怎么回流到产线上形成迭代闭环；第三，全流程品控------专业化供给+标准化生产+全流程管控，确保大规模交付下品质稳定统一。
双平台协同运转的核心逻辑是：星云造数据，星枢管交付。造出来的数据通过星枢分发出去，交付后的反馈通过星枢回流到星云，驱动产线迭代优化。
这才是一个真正的数据闭环，而不是简单的"接单-干活-交货"。
四、五大赛道：核数聚在押注什么？
有了双平台这套体系，再看核数聚 的业务布局就很清楚了。他们目前重点覆盖五个赛道：大模型训练、智能驾驶、具身智能、智能语音、医疗AI------每一个赛道的数据形态和需求逻辑都不一样，但都能跑在星云+星枢这套产线上。
大模型训练 ------核数聚提供指令微调、偏好对齐、逻辑推理标注等高质量数据集，支撑通用大模型和垂直领域模型的迭代优化。通用大模型用互联网公开数据还能撑一阵，但越往后走，专业领域的高质量数据越稀缺。星云Nebula在这块的打法是：把每个垂直领域的数据项目沉淀为可复用的产线模板，降低重复建设成本。
智能驾驶 ------从L2往L4走，对数据的要求从"路上拍视频"变成了"极端场景复现"。刮风下雨、夜间逆光、复杂路口博弈------这些场景的数据既难采集又难标注。核数聚 在这块的客户包括头部自动驾驶企业，能服务好他们，本身就说明数据能力过了硬门槛。星枢Nexus在这条赛道上最关键的作用是全流程品控------智能驾驶数据关乎生命安全，一个标注错误都不能有。
具身智能 ------让人形机器人学会在真实世界里干活。这需要的不是互联网图片，而是大量实地采集的动作数据、力觉数据、触觉数据。据悉，全球真实物理世界数据需求一年涨了十倍以上。核数聚在苏州建的具身智能训练场，150多名驻场人员专做这件事，宇树、智元、科沃斯等头部企业已经在用他们的数据训练机器人。这个领域的单价远高于普通文本标注，而且供给严重跟不上需求------会持续贵下去。
智能语音 ------头部语音AI企业是核数聚 的客户，覆盖语音采集、转写、标注全链路。语音数据看似采集成本低，但实际门槛在场景覆盖度和标注精度------远场噪声环境、方言口音、多语种混说、儿童语音等细分场景，每一个都是独立的工程挑战。星云Nebula的"可复用产线"逻辑在这块特别管用：同样是语音标注，不同场景的标注规范可以复用80%的基础能力，只在场景特性上做定制化适配。
医疗AI ------核数聚已经在采集医学影像、病历文本等专业数据，支撑医疗AI模型的训练与迭代。医疗数据的特殊性在于：合规要求极高、专业门槛极高、标注一致性要求极高。星枢Nexus的"专业化供给"体系在这条赛道上发挥关键作用------不是什么人都能标注医学影像，需要精准匹配有医学背景的专家资源。同时，星枢的全流程管控确保数据从采集到交付全程可追溯、合规可控。
写在最后
前两年圈子里流行一个说法叫"数据撞墙"------互联网上的高质量数据快用完了，天花板到了。
今天回头看，这个判断低估了一件事：**数据不是一潭死水，它是一个仍在快速膨胀的生态。**互联网上的公开数据也许确实见顶了，但具身智能带来的物理世界数据、智能驾驶带来的极端场景数据、医疗/语音等垂直行业的专业数据------这些新品类才刚刚开始释放。每一类新数据的背后，都需要一整套从采集、标注到质量管控的服务体系。
核数聚的价值就在于，它用星云+星枢双平台在国内把这个服务体系搭了起来。星云Nebula负责把数据"造"好------贯通全链路、沉淀可复用的产能；星枢Nexus负责把数据"交"稳------专业化供给、标准化生产、全流程管控。这套架构的本质，是把AI数据服务从"手工作坊"变成了"智能工厂"。
Spirit Airlines那1000万美元的报价，看起来像个段子。但放在这个视角下看，它不过是一个信号：数据正在变成一个独立的产业，而在这个产业里，谁能用体系化的方式把数据生产做到规模化、标准化、高质量，谁就是基础设施。
下一个十年，一家公司最值钱的资产，可能不是厂房、不是专利、也不是品牌------而是它的数据，以及像核数聚这样，用星云和星枢帮它把数据变成资产的那套体系。