在模型层之外，2026 年上半年在硅谷增长最快的赛道之一是数据：Mercor 的 run rate 从去年下半年的 5 亿美元涨到今年年中的 20 亿美元；Handshake 转型 human data 后，run rate 在年初三个月内从 5.5 亿美元冲到 10 亿美元；RL 环境公司 Fleet 则在半年内从百万美元级别做到 6000 万美元 run rate，并且已再次翻倍。在成长期公司里，数据是极少数增速能接近 frontier labs 的赛道。一定程度上，数据就是模型层竞争烈度的体现。
但这门生意的另一面同样刺眼：买家集中在几家 frontier lab，收入缺少 recurring 属性，品类每两三年就轮换一次，静态交付的数据资产贬值极快。数据生意对想构建传奇公司的创始人来说更像“甜蜜的毒药”：它非常适合冷启动一家公司，但能长期独立存活的数据公司，终局商业模式一定不会是卖数据。
过去几个月，我们在硅谷密集访谈了这个赛道的从业者，把 human data、RL 环境、RLaaS 和真实世界数据放在同一条 post-training 供应链里做了一次系统梳理。本文试图回答几个关键问题：
•头部 labs 每年数十亿美元量级的外部数据预算到底在买什么？为什么当前市场“缺高质量供给不缺预算”？
•Long-horizon agentic 时代，为什么“演”出来的数据会系统性失效，真实世界数据成为最新的争夺点？
•Human data 巨头、RL 环境、RLaaS、真实世界数据四个细分方向，各自的格局和投资判断是什么？
•品类快速轮换之下，什么样的团队能穿越周期？数据公司的终局和退出路径在哪里？
01.
核心投资判断
我们对广义的 human data 与 training signal 赛道（下文简称为“数据”）的 TAM 和增长有很深的 conviction，但当前这个行业 beta 的确定性高于单家公司 alpha。这是一门总量确定增长、但每家公司单点位置极不稳定的生意。展开来讲，我们有以下判断：
1.数据已经成为 Inputs of ASI 的一个长期重要元素。如果 Flapping Airplanes、SSI 等探索 sample efficiency 方向的 neolab 没有重大突破，行业沿着当前 Transformer 架构继续发展，模型要进步，SFT、RLHF、专家数据、agentic RL 环境、真实世界数据等数据需求就会持续存在和扩大。但这里需要区分 training signal 的 TAM 与外部数据供应商的可获取市场。模型需要更多训练信号，不代表 labs 会以同样速度增加外部采购。上一代模型生成下一代训练数据、self-play / synthetic data、内部 production traces，以及 labs 自建 environment harness，都可能在扩大训练信号总量的同时压低 vendor take rate。我们对“数据长期重要”的 conviction，严格来说是对 training signal 的 conviction，而不是对当前外部数据公司收入份额的线性外推。
2.数据是一个持续有新机会的创业赛道，背后机制是模型的存量 failure modes 和 N+1 进步。只要有模型能力边缘之外的任务（模型还做不到、用户不会去试、labs 自己的使用数据里根本不存在），就有新的数据品类和供应商机会。过去 3 年来看，模型能力边界往前移，就会催生新品类，最新的品类是真实世界数据。
3.最新的机会在真实世界数据和行业的质检基础设施。随着 RL 环境供应商生态的成熟和 frontier lab 对于 agentic long-horizon 进步的持续追求，非人造的真实过程数据因为其结果自带答案、分布天然真实而越来越被重视。此外，基于整个硅谷生态对于 verifier 和 grader 的基础设施以及人类专家标注行为质量的集体反思，行业的质检基础设施价值也在增长。
4.当前的数据公司、RLaaS 乃至 neolab 将在未来一两年迎来大量 M&A 整合。随着头部的数据平台、neolab 和 neocloud 玩家开始进行 TAM Expansion，当前数据和 RLaaS 各自有几十上百家公司的分散局面将迎来整合，例如 Mercor 已在近期收购 Deeptune。因为客户集中度和订单可持续性问题，小玩家也的确有动力出售自己。
5.能长期独立存活的数据公司终局商业模式不会是卖数据。数据生意对于想构建传奇公司的创始人来说是甜蜜的毒药，它适合冷启动一家公司，但有人力产能瓶颈、数据资产贬值周期短、客户仅限于几家 frontier lab 等问题。有野心的创始人往往在早期就尝试拓展企业客户、储备资源向 neolab 转型、或者将内部 infra 产品化。
02.
数据公司的增长与难题
在拾象，我们持续押注 foundation model 层公司，同时持续寻找增速能超过它们的成长期新方向 —— 数据是少数接近达成这个目标的赛道，这也是吸引我们关注这个方向的原因之一。一定程度上，数据是模型层竞争烈度的体现。
以这些头部玩家为例（以下数据均来自媒体公开报道）：
•从 AI 招聘成长为 human data 平台的 Mercor Run Rate 从去年下半年的 5 亿美元，提升至 26 年年中的 20 亿美元
•Handshake 从校园招聘转型 human data 后 Run Rate 在 26 年 1 月达到 5.5 亿美元，在 4 月提升至 10 亿美元
•领先的 RL 环境公司 Fleet Run Rate 从 25 年 10 月的 100 万美元迅速在 26 年 4 月突破 6000 万美元，并且目前已经再次翻倍
这些头部玩家在 26 年第一季度都大体持平或跑过了 frontier labs 的加总 ARR 增速。但考虑到 frontier labs 在第二季度 Net New ARR 继续加速，数据的大公司们在上半年增长略输于 frontier labs。不过它们仍然是成长期少数能接近 frontier labs 增速的公司。
和数据公司处于相近增速水平的是 Fireworks、Baseten、Together 等推理服务商。按照 Fireworks 公开披露的数据，它的 ARR 在上半年从 3 亿美元出头增长到了 10 亿美元以上。
由于在 TAM 潜力、客户集中度、收入的可预测性等方向的担忧，目前美国投资市场给数据公司的定价低于 frontier labs 以及推理服务商。这些头部成长期数据公司都在面临相似的题目：如何与市场沟通并说服大家自己的终局商业模式不仅仅是给 frontier labs 卖数据。
03.
需求拆解：买家结构与采购行为
Labs 侧
买家分层：
•根据我们的访谈，不同 lab 的 sophistication 程度排序：Anthropic >= OpenAI > GDM > 其他。Anthropic 及 OpenAI 需要强定制和服务，而其他 lab 购买 OTS 供给的可能性显著更高
•Anthropic 是市场话语权最高的买家，对于研究型服务的程度和独家供给的要求显著更高
•头部 frontier lab 买什么，如果没有独家限制，同样的 OTS 供给可以在数个月后进入其他追赶型 lab 的采购清单
•此外，一些人力和研究资源有限的 lab 及 neolab 更愿意购买 environment、recipe、rollout 和 compute 的整套交付
采购形态演进：
•大的形态 1-2 年有明显演进，比如从 RLHF 到专家 SFT 再到 RL 环境，同时小的主题每数月就会转换，比如从 computer use、coding 到 auto research 等
•垂类主题也有类似的演进，比如 Anthropic 今年 1 月大量采购网络安全数据，3 月和 4 月大量采购生物相关数据
•目前美国的数据加工中间环节已经实现 Infra 和知识的相对公开化，比如大家跑 rollout 都通过 Harbor Framework，因此缺乏研究闭环的低质量加工环节价值贬值很快
我们判断虽然 Labs 侧的买家相对集中，但需求会持续存在并且持续出现新机会。每个阶段新的外部数据增量需求对应模型 N+1 要进步的能力。除了能否跟上 N+1 的新需求，要判断一家公司的长期价值，还要看：信号能否持续更新，rights 是否允许训练和跨客户复用，质量判断是否可积累，以及边界移动后该公司能否从一次性 dataset 迁移为 evergreen pipeline。
企业侧
采购现状及挑战：
•主流企业的 eval/数据采购单笔通常不到 100 万美元，且 ROI 很难计算清楚，外部 eval 和数据预算随时被砍，离稳态还很远
•对于数据公司来说，目前企业客户的订单还不能很好地 scale，根因是每单都要进行咨询和定制，无法产品化复制或者进行非独家销售
•企业销售侧还有一层结构性摩擦，即企业内部对于 build vs buy 的持续辩论。比如大量企业都有自己的 applied ML 负责人，他们还没有建立起对小型 RLaaS 创业公司的深度信任
买家分层：
•AI 应用公司，Decagon、Sierra、Ramp 这类内设 Labs 团队的应用层玩家是数据和 post-training 市场上重要的企业买家。在今年 model routing 降本的大趋势下，它们买垂直数据、自训小模型（Ramp 用 frontier 模型做规划 + 自训小模型做检索）、做公开 post-training 实验，有中短期内大量的 eval 和数据需求
•高单位人力成本的受监管行业（金融、法律、医疗）。只有这里的白领工作单价高到能覆盖 FDE 驻场交付的成本，所以目前 RLaaS 的高价值合同集中在这类客户
•极少数有清晰 KPI 的运营型公司。比如 DoorDash，配送费优化目标明确，但它同时是所有供应商的客户，逐家做小额 pilot，而且已经收购了 RLaaS 公司 Metis，也在探索自建
企业侧需求的动机和走向推演：
•企业的动机是“拥有自己的 specific intelligence”，对冲被 frontier labs 蒸馏（企业用 Claude/Codex 越深，流程和经验被吸走越多，反向就有动机把 frontier 能力沉淀成自己的模型和 SOP），叠加成本与延迟（在固定智能水平下要便宜得多的模型）
•走向有三个变量在同时推进：a) post-training 自助工具（Tinker、Prime Intellect、CGFT 等服务）在快速压低边际成本；b）Frontier labs 自己进军企业服务反而在帮整个 RLaaS 品类做市场教育；c）Labs 之间的持续竞争保证了企业不会被单一生态锁死，同时企业本身有很强的 model-agnostic 需求
我们判断企业今天不是数据/eval 的高成熟度好买家，但随着开源模型进步和 post-training 各方面成本继续下降，中端市场可能会在 12–24 个月内从“高度咨询和定制、FDE 不经济”变为一个可服务的赛道。
04.
最新需求侧趋势：真实世界数据
真实世界数据的定义：它是指真实经济活动中自然产生（而非为训练专门生产）的完整过程数据，最好记录了从最开始任务意向到最终创建完成交付物的全套轨迹，载体包括企业私有代码库、真实员工的 browser-use 轨迹、Slack/ERP 操作记录、医疗诊断的全程记录等。
Standard Data 的创始人 Sean Cai 是最早关注到真实世界数据的意见领袖之一，他将这个需求的兴起总结为两点：
•互联网天然只沉淀 State（代码、报告、文档等最终产物），不沉淀 Process（如何理解模糊的 intent、寻找 context、犯错和恢复）。Coding 是唯一例外，因为 GitHub 通过 commit/PR/issue 恰好完整记录了程序员的工作过程，这直接解释了为什么 coding 最先被攻克；其他领域没有 GitHub，真实过程数据的采集权因此成了新的争夺点
•long-horizon agentic 时代人造数据有明显局限，这让 Real-world data 越来越重要：
行业里把训练数据分成两类：
1.Type 2 是“演”出来的数据：雇专家按照 spec，在人为搭建的场景里生产任务、示范和答案。过去三代数据品类（专家标注、RLHF、RL Environment）本质都是 Type 2，区别只是演得越来越像；
2.Type 1 是“记录”下来的数据：直接观测真实工作中自然发生的过程，从行为里推断什么算做得好。最纯粹的形态是精确到每次点击的 session replay
任务短或好验证的时候，两类数据差别不大（比如 Coding、Math 这类容易验证的领域），Type 2 至今好用。但任务一长，Type 2 会在三个环节上系统性失效：
1.Reward 造不出来：长任务的最终 reward 稀疏，设计者只能人为插入中间 reward。而每一个人为设计的中间 reward 都是模型的攻击面，reward hacking 防不胜防。真实工作里不需要设计 reward：客户签没签、bug 修没修、报告被不被采纳，结果自带答案
2.任务分布造不像：专家“演”任务时，演的是他想象中的工作，不是工作本身。真实工作里的信息残缺、工具卡顿、中途改需求、错了再返工，这些恰恰是模型最需要学的部分，也恰恰是人造场景最先省略的部分
3.边界任务造不出来：当模型逐渐超过普通从业者后，人类越来越难持续生产位于模型能力边缘之外、同时又有可靠答案的任务。Coding 已经开始出现这一问题：普通程序员能够设计的任务迅速被模型吃掉，剩余需求向数据库工程、Kubernetes、复杂分布式系统等更窄、更高专家门槛的领域迁移。
不过真实过程数据不等于低噪声 reward：最终结果可能受大量外生变量影响，也未必能够准确归因到中间的某一次行动。真实世界数据解决的是 fidelity 问题，仍然需要专家、grader 和训练验证把原始轨迹转化为可用的 training signal。Type 1 与 Type 2 更像数据来源的光谱，而不是非此即彼的替代关系。Type 2 适合把模型从“不会”带到“初步会做”，Type 1 则帮助模型接近真实工作分布。近期最可行的产品形态可能是 Type 1.5：从真实工作中获取任务、失败模式和过程结构，再由专家进行意图补全、reward shaping、分层质检和反 reward-hacking 设计。
根据我们在硅谷的调研，Real-world data 获取路径已经跑出四种具体做法：
•买死公司：收购破产或停运科技创业公司的数据资产。完整的 Slack / Email / Drive / Workflow 数据可以被整体买断，放入复刻环境后成为高保真的 RL gym；已经有专门从事清算撮合的渠道批量供给这类资产
•向应用公司采购：一般向 AI 应用公司购买其拥有的 Agent 对话 trace 和 failure mode
•购买企业 post-training 的数据冗余：部分企业会自行采集数据做 post-training，但只能消化很小一部分，同时也希望收回成本，因此也会考虑将数据出售给外部 Lab
•共建：Frontier Lab 与垂直应用公司做 revenue sharing 或共建 eval，换取真实用户任务的持续接入
05.
供给侧 Mapping：玩家地图与细分判断
美国的投资同行们做了很好的 mapping 工作，我们就不重复造轮子了，在此引用他们的成果。
下图是 Menlo Ventures 的 Deedy 按 ARR 规模分层总结的玩家列表：