AI Pulse

公司数据卖给AI实验室,转成训练环境能卖原价5到10倍

公司数据卖给AI实验室,转成训练环境能卖原价5到10倍

最近有人跟我提到,他对授权自己公司的数据感兴趣。我对这个领域了解不多,自己也很好奇,于是把这个问题抛到了 X(推特)上。

结果收到的回复远超预期。随后的一周里,我和许多买家、中间商以及把数据转化成训练环境的人打了大量电话,信息量大到像消防水管直接往嘴里灌。这里想把我学到的东西记下来,供其他想了解这个领域的人参考。

谁在买数据?

先了解这个领域的不同买家会很有帮助:

前沿 AI 模型实验室(如 Anthropic、OpenAI)

它们是 AI 数据供应链上的顶级买家。

每个数据供应商都最想接触的人是 AI 研究员。他们决定研究方向,也决定需要什么样的训练数据。

在 OpenAI 或 Anthropic 这样的大实验室里,通常会有采购负责人(procurement leads)作为研究员训练数据需求与数据供应商之间的桥梁。

如果是规模较小的模型实验室,你可能更容易直接联系到研究员。

数据实验室(如 Mercor、Handshake)

像 Scale、Mercor、Handshake、Micro1 这样的数据实验室,会收集公司数据,与领域专家合作,构建任务和环境,再卖给前沿 AI 模型实验室。

如果想把数据卖给他们,你需要对接的角色通常叫做“数据合作”(data partnership)。

RL 环境创业公司

还有一些专门构建这些环境的创业公司。它们也是原始数据的买家。

很多时候,这些创业公司本身就与前沿 AI 实验室有直接合作关系。它们购买原始数据,将其转化为强化学习(RL,Reinforcement Learning)环境,然后卖给前沿实验室。

它们通常能以原始数据成本的 5 到 10 倍价格出售这些 RL 环境。

由于它们比大型数据实验室小,你往往可以直接和创始人或他们的数据合作负责人沟通,他们的决策速度也更快。

数据中间商

数据中间商专注于数据采购和转售给更大的买家。他们一般不会构建像 RL 环境这样的数据产品。

有些中间商直接与前沿 AI 实验室有联系,但很多时候他们也会把数据卖给 Mercor、Handshake、Micro1 这类数据实验室。

数据中间商通常会买下你的数据,放在库存里,自己做完去标识化处理,再卖给下一个买家。

数据中间商的“下线”

有必要区分一下数据中间商和数据中间商的“下线”(affiliates)。很多时候,人们在 X 上讨论数据中间商时,实际上说的是这些下线。

下线并不会真的花钱从你这里买数据。相反,他们会把你介绍给买家,由买家来做尽调并最终为你的数据付费。

如果交易达成,他们会从买家那里赚取介绍费。这是进入数据领域门槛最低的方式,所以 X 上能看到很多这样的下线。

有些下线会更深入参与,提供增值服务。他们帮卖家整理数据清单、寻找买家、协商条款、协调交付,并收取一定费用,通常是总交易额的 15% 到 40%(据我所知)。

如何找到数据买家?

一开始我会在 X/Twitter 上发帖或搜索,看看谁在讨论购买数据,然后参与对话,或者直接私信告诉他们你有什么数据。

相信我——他们非常愿意跟你聊。这里我主要指数据实验室、数据中间商和 RL 环境创业公司。

但要联系上前沿模型实验室的研究员或数据采购负责人,完全是另一回事。这需要大量的 hustle(积极开拓)、人脉,以及能提供非常独特的东西。这个话题改天再单独说。

我还发现了一些汇总买卖数据公司的列表:

- https://pavlovslist.com/
- https://whosellsdata.com/

数据合作页面示例

几乎每个数据实验室和中间商都会有一个数据合作申请页面。这里分享几个,让大家感受一下长什么样:

- https://www.mercor.com/data/
- https://joinhandshake.com/ai/data-partnerships/license
- https://www.micro1.ai/data-partnerships

关于预训练与后训练的快速说明

有一个概念帮助我理解了整个市场:数据被用在训练的哪个阶段。

预训练(pre-training) 构建模型的一般知识和能力。买家需要大量文本、代码、图像和专业记录。

后训练(post-training) 提升特定技能和行为。买家需要专家示范、对模型回复的反馈,以及带有成功评分方式的任务或 RL 环境。

同一个代码库可以同时服务于两个阶段。代码文件本身是预训练材料;加上 bug 报告和验证修复的测试,就变成了后训练任务。

他们买什么数据?

事实上,各类数据可能都有需求,但我只重点说一下这次短暂探索中听到最多的几类。

公司运营数据

这可能是最常见、最受欢迎的一类。运营数据通常是邮件、日历、Slack、CRM、ERP 的混合体。真正有趣的是这些数据如何组合在一起。比如,一封邮件可能解释了为什么发货被更改,ERP 记录则显示某人实际做了什么。

什么让一家公司的数据有吸引力?

对于运营数据,买家通常偏好 30 人以上、有多年经营历史的公司。

员工人数往往意味着更复杂的工作流,经营年限则意味着更多关于工作如何完成的记录。

美国公司的英语数据通常更受欢迎,不过具体要求因买家而异。跨多个系统的数据(如邮件、Slack、CRM、ERP)尤其有用,因为它能反映更完整的工作流。规模很重要,但数据的质量和独特性同样关键。

CAD 数据

CAD 数据在我的对话中被频繁提及。包括机械工程、制造、建筑、施工等领域的 CAD 数据。

特定领域数据

特定领域的数据,如金融、法律、医疗、生物、制药,看起来也很有需求。

物理 AI / 机器人数据

物理 AI 数据的需求也很大。第一人称视角(ego-centric)数据可能是这类中最常见的。

买卖流程是什么样的?

如果买家对你的数据感兴趣,他们通常首先会要一份数据样本。

如果匹配,你们就协商包含哪些内容、价格,以及许可是否独家。独家交易可以换来更高的前期费用;非独家许可则让你可以自由卖给其他买家。

如果买家真的想要你的数据,他们会出价,然后由你决定是否接受。

通用的最佳实践似乎是:从多个不同买家那里获取报价来比较。但也不能过于激进地让他们互相竞价,以免他们失去兴趣。这里需要很好的平衡。

之后就是数据集传输和验收。

我之前没意识到的是,从接受到实际收到钱可能需要很长时间。在我听说的一些交易中,买家可能在交付后需要约一个月来审查数据,验收后再过 30 到 60 天付款。从接受报价到真正收到钱,中间有很长的延迟。

数据业务的融资结构

这个数据领域发展非常快。现在肯定有钱可赚,但我们很难预测一年(甚至六个月)后这个领域会是什么样子。

大量预算最终来自少数几个模型实验室,而他们的研究优先级可能快速变化。

由于这些数据公司的终局价值存在很大不确定性,有人提议把这些公司作为现金流/分红业务来融资和经营,而不是作为风险投资式的股权业务。

Gokul Rajaram 有一篇不错的文章,讲了这个问题。

数据公司的演进

向 AI 实验室出售数据的另一面,是帮助企业部署 AI。如果你已经足够了解一个企业的数据,能把它的某个工作流转化为实验室的任务,那你也可以用同样的工作来评估和部署该企业内部的 AI。

Mercor、Handshake、Scale 以及一些数据/RL 创业公司已经在做这件事了。

Yoni Rechtman 写了一篇不错的文章,讲述更多数据公司如何演进为部署公司。

感谢

感谢所有主动联系我、帮助我了解数据领域的人。

在这里分享我的学习心得,希望也能帮助其他想了解这个领域的人。

我对这个领域仍然很新,所以请对我说的所有内容持保留态度。也欢迎更有经验的朋友提出反馈。

希望这些内容对你有用。

阅读原文
📚 相关主题 商业化实操指南

订阅 AI Pulse

每天 08:00 · 12:30 · 18:30 · 23:50 更新