跳转至

AI 训练数据提供商：Scale · Surge · Snorkel · LabelBox

最后更新：2026-04-24

"数据是新石油"在 AI 时代从隐喻变成基础设施。从 RLHF 人工标注（Scale AI）到合成数据（Snorkel）再到数据整合（Databricks + Tabular），"数据供给"已经是独立的百亿美元产业。本文梳理核心玩家与格局。

一句话结论

AI 训练数据产业分两大阵营：人工标注 + RLHF 反馈（Scale AI、Surge HQ、Mercor）和合成 / 程序化（Snorkel、Scale 自家的合成数据）。2025 Scale AI 被 Meta $14.8B 大单收购部分团队是关键拐点——标志着数据供给已走到"大厂内部化"阶段。

三条关键要点

  1. Scale AI 是最大赢家但 2025 被 Meta 拆分：创始人 Alexandr Wang 进入 Meta 超级智能实验室，Scale 剩余业务分给 Thomson Reuters 等
  2. RLHF 对齐数据 是真正的 cornered resource——头部 AI 公司都自建（OpenAI / Anthropic）+ 采购（Scale / Surge）
  3. 合成数据（Phi / Gemma / DeepSeek 都在大量使用）正在冲击传统人工标注市场

主要玩家

Scale AI（已部分被 Meta 内化）

  • 创立：2016，Alexandr Wang（MIT 辍学）
  • 主营：人工标注 + RLHF 反馈 + 政府 / 国防（Scale Defense）
  • 客户曾覆盖：OpenAI、Anthropic、Meta、Google、DoD
  • 估值峰值：$13.8B（2024 Series F）
  • 2025-06 转折：Meta 以 $14.8B 向 Scale "部分投资 + 人才收购"，Alexandr Wang 成为 Meta 新 "Chief AI Officer" 级职务，带团队进入 Meta 超级智能实验室
  • Scale 剩余业务：Scale Defense、Data 产品线，与 Thomson Reuters 等深化合作

Surge AI

  • 创立：2020，Edwin Chen
  • 定位：高端 RLHF / 对齐数据 的"瑞士"，多位 AI 大厂的独立供应商
  • 独特：不靠廉价劳动力，全部用高素质美国标注员
  • 估值：未公开，传闻 $2B+
  • 客户：Anthropic（深度合作）、Google、Meta、OpenAI

Snorkel AI

  • 创立：2019 Stanford AI Lab 拆分
  • 技术：Programmatic data labeling（用规则 + 模型自动生成标签）
  • 商业模式：SaaS + 专业服务
  • 估值：~$1B（2023 Series D）
  • 客户：大企业 + 国防

LabelBox

  • 创立：2018
  • 产品：多模态数据标注平台
  • 竞品 / 相似：SuperAnnotate、V7、Encord

Mercor

  • 创立：2023
  • 独特：标注员人才市场——AI 公司发需求，Mercor 匹配高水平专家（PhD / 医生 / 律师）做标注
  • 估值：~$250M-500M（2025）
  • 快速增长：RLHF 需要越来越专业的标注员

中国玩家

  • 海天瑞声（A 股上市）：语音 / 图像数据
  • 数据堂 / 云测数据：综合
  • 智能语音数据服务商：百度 / 腾讯 / 阿里内部 + 外包

数据类型与供应商分布

数据类型 典型供应商 典型价格
图像标注（分类 / 边界框） LabelBox、Scale、Mercor $0.05-1/label
视觉语义分割 Scale、V7 $1-5/image
语音转录 Rev、Deepgram $1/min
RLHF 对齐反馈（文本） Surge、Scale、Mercor $20-100/hour
RLHF 对齐（专业领域） Surge、Mercor $100-500/hour
合成数据 Snorkel、自研 算力 + 验证成本
专家级标注（PhD、医学） Mercor、专业机构 $200-800/hour

合成数据的冲击

Microsoft Phi 系列 开创了"合成教科书级数据"路径： - 用 GPT-4 生成高质量语料 - Phi-3 用这种语料训练，benchmark 对标 Llama 3 70B - 证明"数据质量 > 数据数量"

影响： - 传统大规模爬取 + 人工标注部分被合成数据替代 - 但 RLHF（对齐）阶段仍需人工——合成数据无法替代 - 顶级 AI 公司纷纷自研合成数据管道

用 Commoditize Your Complement 框架 看

AI 基础模型公司的 complement 是"数据"： - Meta 2025 收购 Scale AI → 把数据层纳入内部（防止被 Scale 卡脖子） - OpenAI / Anthropic 自建标注团队（不完全依赖外部） - 这削弱了独立数据供应商的定价权

用 VRIO 框架 看 Scale AI 的护城河

资源 V R I O
全球标注员网络（数万人） ✅ ✅ 🟡 ✅
国防 / 政府关系（Scale Defense） ✅ ✅ ✅ ✅
客户关系（所有大 AI 公司都是客户） ✅ ✅ 🟡 🟡
Alexandr Wang 个人品牌 ✅ ✅ ✅ ✅

最大隐忧：客户最终会自己做（Meta 2025 的 $14.8B 证明了）。

2026 关键变量

  1. Scale AI 剩余业务去向：Defense + Data 能否独立存活
  2. Surge 能否抓住 Scale 空缺：成为头部独立数据供应商
  3. 合成数据进展：是否进一步挤压人工标注市场
  4. 中国数据供应商国际化：数据合规允许的前提下
  5. Mercor 模式：专业标注员市场是否成新一代 GIG 平台

我的判断

我的看法：

  1. 独立 AI 数据供应商长期艰难——头部 AI 公司的内化是不可逆趋势
  2. Surge / Mercor 在专业标注的 niche 可存活，但规模有限
  3. Snorkel 的合成数据路线是未来最大机会，但商业化节奏慢
  4. 中国数据供应商 在中国市场可能成立，出海困难

我可能错在哪里： - RLHF 阶段人工标注永远不可替代 → 独立供应商稳定存在 - Meta 吸收 Scale AI 后产能不足，反而给了其他供应商窗口 - 合成数据反复被证明有局限，人工标注需求回升

延伸阅读