来源：徽声在线科技频道

记者 姚易安

近期，AI领域发生了两笔引人注目的融资事件，它们虽分属不同细分赛道，却共同揭示了AI产业底层逻辑的深刻变革。一边，大模型数据服务商Snorkel AI在完成新一轮融资后，估值飙升至35亿美元，一年内实现估值三倍增长，营收更是激增18倍；另一边，人形机器人数据企业Mecka AI则获得了红杉资本领投的6000万美元B轮融资，成立仅两年估值便已达到5亿美元。这两家企业虽业务领域各异，但均遵循着同一条成长路径：即不直接涉足终端AI产品的开发，而是专注于生产高质量的训练数据。

数据可用性不足成AI发展瓶颈

据《2026年国际AI安全报告》指出，前沿人工智能的发展主要依赖于三大支柱：计算能力、算法进步以及数据质量。报告特别强调，高质量的语言数据资源正日益稀缺，这预示着AI的未来发展可能会因数据可用性不足而受到严重制约。这一论断，无疑为当前AI产业敲响了警钟。

Snorkel AI的发展轨迹，正是这一趋势的生动写照。过去，该公司主要向开发者提供数据标注工具；而今，它已彻底转型，直接为科研机构、科技巨头以及医药企业等提供“现成可用”的高质量训练数据集。这一转变，意味着企业不再需要自行处理繁琐的数据标注工作，而是可以直接购买到符合需求的高质量数据，从而大大提升了研发效率。

这一变化的背后，隐藏着AI产业最真实的趋势：随着算法框架的日益成熟和算力资源的持续扩容，训练数据的质量、精度以及专业性，正逐渐成为决定大模型性能优劣的关键因素。正如摩根大通首席执行官杰米·戴蒙所言，AI最困难的环节并非算法模型本身，而是数据的整合、预处理以及治理，这些环节对于训练并优化AI/ML模型至关重要。

尽管互联网上的信息浩如烟海，但对于大模型而言，这些数据却往往不够“好用”也不够“安全”。数据的质量、丰富度以及精准度，直接决定了大模型的最终性能。随着互联网公开优质文本资源的逐渐枯竭，合规、专业且可溯源的高质量训练数据，已然成为AI领域的稀缺资源，被誉为“硬通货”。

公开数据红利逐渐消退

早期大模型的迅速崛起，在很大程度上得益于网络公开爬虫数据的丰富性。以GPT-4为例，其训练数据规模达到了惊人的万亿token量级，几乎涵盖了人类有文字记录以来的所有知识积累。然而，经过多年的大规模抓取，免费、合规且高质量的公开文本资源正在迅速减少，这一趋势不容忽视。

行业研究机构Epoch AI的测算显示，按照当前的训练消耗速度，适合训练通用大模型的优质公开人类文本将在2026至2032年间接近枯竭。这意味着，当通用数据的增量红利消失殆尽时，单纯依靠堆砌参数和算力已经难以带来模型能力的线性提升，AI发展将面临新的挑战。

更为突出的问题是，公开数据在“专业度”上存在严重不足。日常网络内容大多偏向生活化、娱乐化以及大众化，缺乏医疗、工业、法律以及精密制造等领域的专业知识体系。这也是为什么通用大模型在日常对话中表现流畅自然，但在面对专业问诊、设备运维以及法律研判等场景时，却容易出现漏洞和错误。

同时，大模型与各类生成式AI产出的合成内容正在大量涌入线上内容生态，这进一步加剧了公开数据环境的污染。这给未来的AI训练工作埋下了显著风险，即所谓的“模型坍缩”效应：用掺杂大量合成内容的数据反复训练新一代模型，会导致事实偏差与逻辑错误持续累积放大，最终使得模型的输出越来越脱离真实认知，内容质量与实用价值不断下降。

企业探索新型数据生产方式

在这样的背景下，以Snorkel AI为代表的新模式迅速走红。不同于传统人工标注的廉价流水线作业，也不同于纯机器生成的粗放模式，它采用了一套“专家主导、人机协同、可控合成”的新型数据生产方式，为AI产业带来了新的希望。

具体而言，这种新型数据生产方式就是让行业专家先建立专业标准，再结合少量真实脱敏样本，通过程序规则批量生成标准化数据，最后辅以可控AI合成内容，从而打造出一套干净、规范、精准且可溯源的专属数据集。这种数据集不仅质量上乘，而且能够满足不同领域、不同场景下的AI训练需求。

在医疗领域，这种新型数据生产方式已经得到了落地验证。美国纪念斯隆-凯特琳癌症中心曾联合Snorkel AI构建HER-2阳性患者筛选AI模型：由临床生物信息专家结合诊疗规范制定8项病历分类规则，以3200份专家人工标注的真实病历作为验证集迭代优化标注逻辑。最终，该模型对HER-2分型识别的整体准确率达到了93%，效率远超传统纯人工标注模式。该系统已正式用于临床试验受试者的快速筛查，为医疗AI的发展提供了有力支持。此外，Scale AI与梅奥诊所的合作也取得了显著成果，其10亿美元F轮融资以及FDA监管的注释合作涵盖了150万次超声心动图，每个FDA批准的算法都必须在严格策划的数据集上训练，这些数据集可追溯到认证专家，确保了数据的质量和合规性。

与此同时，数据赛道的热度正从大模型领域快速向更多AI领域蔓延。在人形机器人赛道，真实、精细的人类动作数据同样是训练核心资源。Mecka AI通过招募普通人佩戴体感设备、使用手机记录日常生活动作，如冲咖啡、修理器械等，再将这些真实人体运动数据处理成标准化数据集，供给人形机器人企业用于运动控制训练。这种新型数据生产方式不仅提高了数据的质量和精度，还降低了数据获取的成本和时间。

监管趋严推动训练数据升级

除了市场需求之外，全球AI监管规则的收紧也在从政策端倒逼训练数据向高质量、可溯源方向升级。数据质量不再只是企业的技术选择，更成为合规层面的硬性要求。这一趋势对于AI产业的健康发展具有重要意义。

欧盟《人工智能法案》第10条明确规定，高风险AI系统的训练、验证、测试数据集必须符合严格质量标准：具备相关性、代表性、无错误，并能有效避免偏见。同时，数据来源和处理过程必须透明可追溯。这套规则将于2027年正式实施，届时不合规的低质量数据将无法用于医疗、教育、安防等重点领域的AI系统，从而确保AI技术的安全可靠应用。

美国国家标准与技术研究院也更新了AI风险管理框架中的数据质量标准，对数据集的标注规范、溯源记录以及偏见检测提出了明确要求。这些要求已成为美国政府AI项目采购的硬性门槛，推动了AI产业数据质量的整体提升。

中国国家数据局也在今年出台了相关方案，旨在完善国家级AI数据资源体系。这一举措将有助于推动中国AI产业数据质量的提升和合规化发展，为AI技术的广泛应用提供有力保障。

眼下，全球AI治理规则持续分化，粗放式爬取、无规范标注、低质数据堆砌的发展模式已经走到尽头。未来的AI迭代，必然建立在高质量、合规化、专业化的数据体系之上。这是AI产业发展的必然趋势，也是保障AI技术安全可靠应用的关键所在。

从拼算力、拼参数到拼数据、拼精度、拼合规，大模型的竞争下半场已然开启。在这场竞争中，谁能够掌握高质量、合规化、专业化的数据资源，谁就能够在AI领域占据先机，引领未来科技的发展潮流。