推荐语
过去一年，AI数据市场经历了几轮剧烈的主题切换：从标准Coding到垂直行业，从合成蒸馏到真实场景，从任务够长就是好数据到什么任务值得解。需求每两个月刷新一次，供给侧的生存法则也在同步重写。在这个过程中，一些原本隐身于产业链深处的角色开始浮出水面——数商，就是其中之一。
王泉是这个群体里一个非典型的样本。他出身网络安全，团队核心成员来自中国第一代安全极客社区“乌云”，公司取了个拉丁文名字Efflora，中文名叫“平等智能”。今年年初，团队完成了过千万元种子轮融资，由Lollapalooza Capital（王慧文家办） 领投、蔚来资本跟投。拿到钱之后，这支不到十人的团队把自己定位成“真实世界的采样器”——在合成数据之外，也更专注于采集真实应用的环境与任务，做成模型公司强化学习需要的专属数据，卖给模型公司做强化学习。用王泉自己的话说，真实世界有无限的分辨率，采样精度高，看到的就是4K；做得粗，可能只有720P。
在这次访谈中，王泉拆解了当前数据市场的真实交易结构：一些头部厂商倾向于内部完成标准化数据生产，外部采购需求更多集中在非标场景；蒸馏和合成也正在收归模型公司内部，真正的窗口属于那些产出周期最长、场景定义最难的非标数据。他也给出了一个尖锐的判断——训下一代模型本质上不是research问题，甚至不是工程问题，而是一个go-to-market问题：你的token卖给谁，决定了你需要什么数据，也决定了你能不能转起数据飞轮。卖不出token，致命之处不在收入，在于收不回用户数据。
关于为什么押注网络安全数据，王泉的解释层层递进，但最打动人的是最后一层：安全攻防天然沉淀了一类极其稀缺的决策数据——在充满迷雾和噪声的环境中综合判断、排兵布阵，而这恰恰是当前AI最薄弱的能力。没有人能给AI搭一个“如何开公司”的训练环境，但安全领域里，这样的环境每天都在真实发生。
访谈末尾，话题从商业滑向了更远的地方。AI用人类几千年的公共知识训练而成，生产力的提升却不会自动惠及每个人。王泉把那种默认“技术红利自然下沉”的乐观叫作“生产力的便车”。他做了几年文学播客，常和朋友聊一个问题：当下整个世界的结构，正在面临着巨变。而他现在想做的事情，某种程度上就是对这个问题的一个回应——在数据这一环，就开始回答：我们到底想要什么样的 AI。
Z Highlights
- 蒸馏和合成数据未来基本会收归到模型公司内部；真正的窗口期是真实的非标场景数据——它产出周期最长，因为场景和环境一开始根本没被定义好，你得先找上游真实用户，一起把场景慢慢定义清楚才能产出。也正因为它门槛高、周期长、别人一时半会做不了，反而给了我们更长的窗口。
- 市场原本的共识是，要真正达到AGI一定不能靠蒸馏、得靠RL，这个共识其实对我们做数商最有利。但我越想越觉得：如果领先模型对普通用户已经接近无感，那单靠蒸馏蒸出一个八九十分的AGI，是真有可能的——当然前提是让不让蒸。
- 大家对“做下一代模型是什么问题”的认知一直在升级：最开始以为是research问题，后来共识说它是工程问题，是infra和data。但我觉得它本质上是一个go-to-market问题——要么你全方位SOTA，要么你极致性价比，否则哪怕是第二名、第三名，token都卖不出去，这非常残酷。
- 最开始判断数据好不好，标准很简单：任务足够长、步数足够多、reward稳定客观，但那个标准里从没提这个任务“是什么任务”。现在光长已经不够了，更重要的是它得是一个“值得解”的任务——甚至也不能靠专家直接标，因为哪怕是专家，他访谈时说出来的任务，和他实际做事过程中产生的任务，往往完全不一样。评判标准，从供给侧转到了需求侧。
- Grok买了Cursor之后推理能力突然上了一大截——因为Cursor里有大量用户的真实场景和数据。你反过来想，Cursor凭什么值那么多钱？产品的壳不值钱，它自己训的模型也不值钱，真正值钱的是用户的真实数据。
- 手工做数据谁都能做，招几个人就能做出几条来；但一旦要大量的、高质量的数据就非常难。所以我们把自己定位成“真实世界的采样器”，本质是因为做数据的核心难点就是scaling。
- 真实世界有无限的分辨率——分辨率取决于你用什么角度去采样：采样精度高、任务做得真实，看到的世界就是4K的；做得不好，可能就是720P。更关键的是，真实世界让verify变得可规模化：真实的淘宝就摆在那，模型做得对不对，拿去和真实淘宝比一下就知道了。
- 搞安全的人最大的特点是特别擅长reward hacking——这本身不是好事，但它意味着你习惯用非常规的、有点奇技淫巧的办法解决问题，而不是走大家都会走的常规路径。这也是我们敢去讲、去探索这个新范式的原因——它本来就是一件跳出常规的事。
- 现在很多团队会默认，只要把生产力提上去，大众自然就能享受红利，我把它叫“生产力的便车”。但今天AI取代工作、裁员都在发生，生产力提升并不会让所有人都搭上便车。所以我们常说：你想要什么样的AI，就做什么样的数据。
01 蒸馏和合成正在收归内部，留给外部数商的窗口越来越窄
ZP：从你这一年的观察来看，模型公司对数据的需求到底在发生什么变化？
王泉：变化非常快，基本每两个月就有一次比较大的变化。但要看清楚，得先理解需求正在分层：一头是还在大量采购的标准化Coding数据——给一个需求，怎么写feature、怎么fix bug；另一头是越来越多厂商开始要的真实、完整的环境数据，同样是Coding，他们关心的是这个需求怎么来的？这个软件的整个供应链、整个生命周期是怎样的？你最开始和客户谈了什么合同、聊天记录是什么、需求怎么讨论、怎么开发，开发完客户到底验收不验收、买不买单、结果好不好。在我们接触的范围内，后一类需求目前仍集中在少数先锋厂商，大多数客户还没进入这个阶段——因为它是非标数据，得我们和模型厂商一起去定义数据的标准、格式，以及怎么定义场景和任务。
如果把过去半年的节奏捋一遍，是这样一条演进线：Coding一直都要，但难度、长度、复杂度在不断往上走；最近几个月开始冒出垂直行业的诉求，比如法律、金融、医疗这些信息化程度高、数据比较好弄的领域；再到现在出现了 Agent和AI for Science的需求。最近新一代模型出来后，GUI很可能又要火起来。所以这个市场不是线性增长，而是一直在换主题。
ZP：那从整个市场来看，现在交易的数据主要是哪几类？分布是怎样的？
王泉：我不确定大家是否了解这个市场的真实结构。过去一段时间，比如过去三个月，市场上交易额的大头其实是那些可被规模化复制、边际成本较低的数据——单笔订单金额比我们这种环境数据大得多，一笔就非常高；我们这种数据单个项目的价格没那么高，但单条价格会很高。
还有一个也许大家不太了解的点：不同厂商对外采数据的态度差别很大。有些团队已经把标准化数据生产内部化，自己搞定大部分常规需求；但对真实环境、尤其是非标场景数据，往往需要跟外部一起定义场景、共建环境。Efflora之所以坚持做真实环境，是因为在我们看来，真实世界的reward是合成不出来的。比如一个真实软件供应链的数据、一个软件做出来客户到底下不下单，这种信号只可能来自真实世界。
ZP：那把数据分类拆开看，未来这个分布会怎么变？哪一类才是真正的窗口期？
王泉：我把数据分成三类来看：合成数据、专家数据、真实的非标场景数据，这三类的命运完全不同。
先说会收缩的。蒸馏数据会越来越少，现在已经在减少了；合成数据也在减少——一是它对模型的边际提升在变弱，二是厂商自己就会合成。所以蒸馏和合成，未来基本会收归到模型公司内部。
再说会长期存在的。专家数据一定持续需要，但越来越难做：现在说的“专家”打引号，其实是各行业入行两三年的一线人员；下个阶段就得要五六年、七八年经验的人去做更复杂的问题，项目难度和成本都越来越高。
而真正的窗口期，是第三类——真实的非标场景数据。它的产出周期最长，因为场景和环境一开始根本没被定义好，你得先投入资源、找上游的真实用户，一起把场景和环境慢慢定义清楚，才能产出数据。专家数据和真实数据解决的是不同的问题，可以这么粗暴地划分。也正因为它门槛高、周期长、别人一时半会做不了，反而给了我们这样的团队一个更长的窗口。
ZP：既然一线厂商很多东西自己做，那用蒸馏这条路还能走多久？
王泉：这个很难说。市场上原本有个共识：真正要达到AGI或SOTA，一定不能靠蒸馏，蒸馏顶多是冷启动，甚至完全不蒸、尽量做RL，像字节Seed就不蒸馏。如果这个共识成立，其实非常有利于我们这种做数商的。
但我最近跟很多朋友聊下来，意识到一个反共识的可能：蒸馏会不会是可以永远蒸下去的？也就是说，不靠RL、单靠蒸馏达到AGI，有没有可能？我觉得不能排除，它真的有可能。这取决于怎么定义AGI。我的定义是：对一个普通用户来说，模型几乎能让他无感使用、能回答他几乎所有问题——除非他是某个领域的专家、问特别复杂的问题，否则日常大部分需求都能解决，我就认为它基本到 AGI了。按这个标准，ChatGPT对普通用户可能已经八九十分了。那如果领先模型已经到这个水平，再过半年对普通人基本无感，去蒸馏它、蒸出一个八九十分的模型，是真有可能的——当然前提是让不让蒸。
ZP：需求这么快地变，头部公司对高质量数据的定义，是不是也在变？
王泉：变化很大，而且方向很关键。最开始大家判断数据好不好，标准很简单：任务足够长、步数足够多，reward稳定客观，就是好数据。因为长程推理是过去半年大家一直在攻克的点，有些厂商到现在都还做不到。
但你注意，那个标准里没有提这个任务“是什么任务”。现在越来越发现，光长已经不够了——海外SOTA模型现在又快又好，你看Codex、Claude实际用起来非常快，一会儿代码就写好了，想找到足够长的任务反而不容易。所以除了长，更重要的是这个任务本身得是一个“值得解”的任务。什么样的任务值得解，是个很有意思的问题。大家希望从真实世界的应用环境里去找任务，而不是靠合成，甚至也不是靠专家直接标——因为哪怕是专家，他访谈时说出来的任务，和他实际做事过程中产生的任务，往往完全不一样。换句话说，评判标准从供给侧转到了需求侧。
这里还有个关键差别：已经有产品化Agent的厂商，能从真实使用里搜集任务和场景，逐渐形成数据飞轮；但不少团队还没形成稳定的真实用户数据回流机制，所以他们其实很难判断什么任务是好任务、什么场景值得解。
ZP：顺着什么任务值得解，其实引出另外一个本质问题，训模型到底是个什么问题？
王泉：对，这是我经常跟人讲的一个判断。大家对“做下一代模型是什么问题”的认知一直在升级：最开始以为是research问题，是训练算法、预训练、后训练的问题；后来形成共识，说它是工程问题，核心是infra和data，数据质量够高、infra够好，就有理由做出好模型。
但我觉得它甚至不是工程问题，本质上是一个go-to-market问题。因为要么你全方位SOTA，要么你极致性价比，否则哪怕是第二名、第三名，token都卖不出去，这非常残酷。国产模型以前打性价比，但现在DeepSeek谁都比不过，其他厂商就得想清楚：我凭什么卖token、别人为什么用我？比如某个模型做网页前端效果特别好，在新一代通用模型出来前它就是最好的，那想创业的独立开发者就都愿意用它，因为大家创业第一步不是做App就是做Web，都想把页面做漂亮。它在“做漂亮页面”这个场景是SOTA，token就卖得出去。
而卖不出去token，还有个更致命的问题：不是收入多少，而是你收不回用户数据。某个模型在某个场景最好→更多人用→数据回流更多→这个方向更领先，这就是数据飞轮。所以训下一代模型，得先想清楚token卖给谁、要解决什么问题；想清楚要解决什么问题，才知道需要什么数据。
这正是我们作为数商的位置。我们的方法是反过来的：先从真实世界找到AI真正的应用场景，不管是垂直领域的企业侧，还是有大量真实用户的AI应用侧，从这些场景拿到真实数据，再倒推去定义rubrics（评分标准）、把它变成可评估、可验证、可训练的环境。因为AI最终一定会落到这些场景里。现在模型厂商的市值虽然锚定的是模型能力而不是收入，但能力也好、落地也好，终点都在具体场景里。我们干的这一环，就是“从场景到环境、到数据”；接上厂商那一环，就是“从数据到模型、再让应用变好、用户变好、数据继续回流”。这个闭环一旦转起来，就是模型在某个场景持续摸高的飞轮。
02 真实世界的reward无法合成，数商的第一性原理是规模化
ZP：你为什么会从一个安全的人，跳到做AI数据？
王泉：有两个触发点。一个很现实：24年开始跟企业客户聊，我明显感觉大家 IT和安全的预算越来越少，同时都想做AI转型却不知道怎么转，我就开始琢磨 AI到底怎么在企业侧落地。另一个偏价值判断——我平时看书多，还做过几年文学、哲学、社科的播客，在那个过程里想清楚了一件事：现在很多硅谷和国内团队会默认，只要把生产力提上去，大众自然就能享受红利，我把它叫“生产力的便车”。但今天你看，AI取代工作、裁员都在发生，生产力提升并不会让所有人都搭上便车。真正要让AI惠及普通人，需要从业者有意识地去影响行业方向。所以我们常说一句话：你想要什么样的AI，就做什么样的数据——这就是我们做数商的初心。
ZP：请你介绍一下Efflora，公司现在主要在做什么？
王泉：Efflora是个拉丁文名字，意思是涌现、涌现生长。
我们核心做AI的数据，尤其是后训练数据。我们不做蒸馏数据，做的基本都是 To B的环境和任务。数据方向很多，我们主要聚焦三块：一是Coding，因为市场需求量最大，也最适合我们做；二是Cyber，就是网络安全数据，它是AI摸高绕不开的高地，至于AI for Science那块不太适合我们团队；三是多模态，因为我们本身一直在做GUI。除此之外，我们也在探索真实场景数据，比如企业端B 端、C端的真实数据。
客户主要两类。一类是各种模型公司和实验室，这是主力；另一类是垂直行业的应用厂商，现在有些垂直领域的公司想训自己的模型。不过我