LLM | 大模型数据公司（Scale AI、Mercor、Surge AI 等）的由来、现状与演变

这篇博客介绍"给大模型提供数据的公司"，如 Scale AI、Mercor、Surge AI 等的由来、现状与演变。

某种意义上是给自己看的"科普"，也在博客存档。

0. 一个概括：这些公司具体做什么

大模型数据公司，向大模型厂商出售"人工判断"。具体的，这些公司组织人类（早期是普通标注员，现在更多是律师、医生、博士这类领域专家）去给模型的回答打分、排序、写示范答案，按工时或任务计费。交付物是产出的数据，这些数据可能不归买方独家所有，也就是说，可能比如同时卖给 OpenAI、Anthropic 和 Google Deepmind。

这个行业的规模上限在 2025 到 2026 年快速拉高。比如，最大的一家 Mercor 2026 年估值 200 亿美元（约 1.4×10¹² 人民币），2026 年上半年营收 6.14 亿美元。

为什么科普这个行业：这些公司所出售的专家数据，是模型能力提升的上游支撑；同样，在与大模型相关的资本市场、创投市场中，数据公司扮演着不可或缺的角色。

1. 大模型数据公司的商业模式

我们先看 Mercor 的财务结构，它能直接给出这种商业模式的初步说明。2026 年上半年，Mercor 收入的 91% 来自 OpenAI、Anthropic、Google DeepMind 这类基础模型公司；而在成本侧，Mercor 约三分之二的收入交付给专家。综合计算利润，毛利率 2025 年约为 27%，2026 年第二季度提升到 33%。因此，这是一个典型的人力密集型结构，而非软件公司那种一次做好产品、后续无限售卖的 "一本万利" 结构。

这些专家做的核心工作之一是 RLHF（Reinforcement Learning from Human Feedback，人类反馈强化学习）：模型对同一个问题生成多个回答，人类给这些回答排序或打分，模型据此学习 "如何去对齐人类偏好"。这类工作发生在模型预训练之后，是后训练的一部分。具体场景下，人类判断的门槛随任务难度上升，比如法律推理、医疗分析、代码生成这类场景，需要对应领域的从业者才能判断对错。

这里，我们区分一下两类相似的商业模式。一类是上面所说的生产、售卖专家数据的服务，组织人类为每一版新模型生产判断数据，人力密集，需求随模型迭代持续发生。另一类则是卖存量数据授权，比如 Reddit、Shutterstock 会把平台上已有的内容授权给 OpenAI、Google 用于训练，这个卖的是对平台现成内容的访问权，也不必为此雇用一批专家。授权这类模式，通常不是一次性买断，而是多年期的年费协议，比如 Reddit 和谷歌 2024 年 2 月公布的协议，价值是每年 6000 万美元。所以，两类模式都能带来可延续的收入，区别在成本结构：生产服务要把大部分收入交付给专家（比如 Mercor 是三分之二），授权方的内容则是现成的，边际成本低。

2. 主要公司盘点

头部：

• Scale AI ：前行业龙头。2016 年成立，长期为 OpenAI、Google、Microsoft 等服务。2025 年，Meta 向其投资约 143 亿美元、占股 49%，且创始人 Alexandr Wang 加入 Meta，受此影响，谷歌、OpenAI 等大客户在此后暂停了与它的合作。
• Surge AI：2020 年由前 Google / Meta 工程师 Edwin Chen 创立，专注高质量 RLHF 和专家偏好数据。成立五年没有外部融资，纯靠利润滚动，到 2024 年营收 12 亿美元，超过 Scale AI；2025 年才启动首轮融资，估值报道在 150 亿到 300 亿美元之间。在 2025 年，创始人 Edwin Chen 以约 180 亿美元身价成为福布斯最年轻亿万富翁。
• Mercor：2023 年由三名 00 后辍学生创立，起初是一个 AI 招聘平台，后来转型，组织领域专家为大模型公司做数据生产和模型评估。估值从 2025 年 2 月的 20 亿美元，经 2025 年 10 月 C 轮的 100 亿美元，到 2026 年报道的 200 亿美元；英伟达拟参投。

其他公司：

• Snorkel AI：斯坦福实验室出身，早期从事弱监督数据编程，近年转向专家数据服务。2026 年 9 月完成 3.5 亿美元 E 轮融资，估值 35 亿美元。
• Handshake AI：原先是美国大学生求职平台，手上本来就有覆盖美国高校的学生网络，就用这个网络招募学生来给模型生产数据、做评估，已被行业盘点列为与上述几家并列的玩家。
• Turing、Invisible Technologies、Labelbox：这三家也都在做专家数据业务。Turing 从远程开发者平台转型，Invisible 专注于数据训练加运营外包，Labelbox 是老牌标注平台。这三家的最新估值数字，公开报道中暂时没有查到可靠版本。

国内对照组：

• 海天瑞声 是 A 股唯一的纯数据标注上市公司，语音数据起家，机构预测其 2025 到 2027 年营收为每年 3 到 4 亿人民币；数据堂 是新三板（全国中小企业股份转让系统，门槛低于主板的股票交易市场）老牌公司，在转型做大模型语料和标注；整数智能 主打大模型 RLHF 数据，融资为数千万元人民币级；曼孚科技 从自动驾驶标注转大模型，2026 年 4 月完成数亿人民币 Pre-C 轮。
• 国内最大体量与美国头部差约两个数量级。原因主要有两个：1. 国内大模型厂商更倾向于自建标注团队 + 数据基地，第三方只能接到溢出需求；2. 国内标注人力成本低，因此客单价更低。

3. 由来、现状与演变

这个行业的需求形态，随大模型训练方式的变化而演变：

• 预训练时代（2022 年之前） 。在这个阶段，模型训练主要使用互联网公开文本，人工参与的部分是图像框选、语音转写这类基础标注，需要大量标注数据，数据单价低。这一阶段的代表是 Appen 这类众包标注公司，它们后来在专家化趋势中衰落。
• SFT 和 RLHF 阶段（2022 到 2023 年）。RLHF 路线由 OpenAI 2022 年的 InstructGPT 论文确立。ChatGPT 的出现与技术路线，让 "教模型像人一样回答" 成为必需环节。对于 SFT，需要人类写示范回答；对于 RLHF 阶段，则需要人类给多个回答排序。这一阶段需要会写字、有常识判断的人，但还不需要领域专家。Scale AI 在这一阶段成为龙头。
• 推理模型阶段（2024 年起）。这一阶段的时间锚点是 OpenAI 2024 年 9 月发布的 o1，使用强化学习来训练模型的推理能力，模型能力的进化转向复杂推理能力。在比如法律推理、医疗分析、代码生成这类训练场景里，只有律师、医生、专业程序员能判断模型回答的对错，因此，专家标注时薪从几美元上升到几百美元（公开报道中有律师 400 美元/小时的例子），Surge、Mercor 这类主打专家数据的公司也在这一阶段兴起。

在这些需求之外，海外大模型数据公司的格局，在 2025 年被一次收购重新洗牌。具体的，在 Meta 入股 Scale AI 近半股份后，Google、OpenAI 担心自家数据经由 Scale 流向竞争对手，因此暂停合作，订单转向 Surge、Mercor 这类中立供应商。此后，"中立性"成为这个行业的核心竞争力之一：头部客户买的不只是质量，还有"我的数据不会沾对手的手"。

4. 对商业模式的分析：潜在问题与后续发展方向

我们分析目前大模型数据公司的商业模式，讨论一些可能的问题：

1. 客户集中：比如 Mercor 91% 的收入来自基础模型公司，且 Meta 曾因一起安全事件暂停与其合作。
2. 人力密集：比如 Mercor 毛利率仅达到 33%，三分之二的收入需要交付给专家。
3. 自我替代的可能：Mercor 在 2026 年 7 月收购了做强化学习环境的初创公司 Deeptune。具体的，Mercor 现在卖的是人工反馈，也就是组织人类给模型的回答打分；强化学习环境则提供了另一条路：让模型在可以自动验证对错的环境里自己试错、拿奖励，整个过程不需要人参与打分。如果这类环境覆盖的任务足够多，人工反馈的需求就会下降，因此在某种程度上，Mercor 买入的正是可能替代它主业的技术。

参考材料

• Mercor 财务结构、客户集中度、收购 Deeptune：智东西编译 The Information（2026-07-22）https://zhidx.com/p/578568.html
• 英伟达拟参投 Mercor、估值 200 亿美元：网易（2026-08-20）https://www.163.com/dy/article/L4OVBIH805566WVY.html ；东方财富（2026-08-21）https://caifuhao.eastmoney.com/news/20260821165814175220260 ；新浪财经（2026-08-20）https://finance.sina.com.cn/stock/hkstock/hkstocknews/2026-08-20/doc-ininxzpp6690848.shtml
• Mercor C 轮估值 100 亿美元（2025-09-11）https://www.360kuai.com/pc/9ac77a1b30ad10f6e ；B 轮估值 20 亿美元（2025-02-21）https://www.163.com/dy/article/JOU0UR2L0514CAMJ.html
• Surge AI 2024 年营收 12 亿美元、首轮融资：新浪财经（2025-07-03）https://finance.sina.com.cn/stock/t/2025-07-03/doc-infeeerr3635505.shtml
• Edwin Chen 身价约 180 亿美元：搜狐转福布斯（2025-09-25）https://www.sohu.com/a/938606513_701814
• Snorkel AI 完成 3.5 亿美元 E 轮、估值 35 亿美元：新浪财经（2026-09-23）https://finance.sina.com.cn/cj/2026-09-23/doc-inisusyi5293287.shtml
• 海天瑞声 2024 年营收增四成：网易 https://www.163.com/dy/article/K1AIMP660519D4UH.html ；AI 数据卖水人、机构营收预测：雪球 https://xueqiu.com/6047642735/372552281
• 整数智能融资：网易 https://www.163.com/dy/article/J9DC4BD705532TJY.html ；艾媒网 https://www.iimedia.cn/c1064/93590.html
• 曼孚科技 Pre-C 轮数亿人民币：界面新闻 https://m.jiemian.com/article/14220113_ttkx.html ；证券之星 https://stock.stockstar.com/RB2026040800033128.shtml
• Reddit 与谷歌每年 6000 万美元数据授权协议（2024-02-28）：澎湃·新智元 https://m.thepaper.cn/newsDetail_forward_26491697
• RLHF 路线的确立：Ouyang et al., Training language models to follow instructions with human feedback, arXiv:2203.02155（2022，即 InstructGPT 论文）https://arxiv.org/abs/2203.02155
• 推理模型 o1：OpenAI, Learning to Reason with LLMs（2024-09-12 官方公告）https://openai.com/index/learning-to-reason-with-llms/
• Shutterstock 向 OpenAI 授权图库训练数据：Shutterstock 官方新闻稿 Shutterstock Expands Partnership with OpenAI, Signs New Six-Year Agreement（2023-07-11 官方新闻稿）https://news.futunn.com/post/29464339/shutterstock-expands-partnership-with-openai-si