AI news

数据公司一个个都太神了

By elsewhere别处发生1 viewsSource: elsewhere别处发生
数据公司一个个都太神了

去年此时,有些应用的明星公司被盯得很紧,那时大家觉得它们飞黄腾达得太快,成立一年多就估值几亿美金,好夸张。 但在今年,只能说这些公司瞬间眉清目秀了起来。一批数据公司成立不满一年,就已经诞生了

The full text has not been translated yet. The Chinese original is shown below.

文章配图

@吴睿睿

去年此时,有些应用的明星公司被盯得很紧,那时大家觉得它们飞黄腾达得太快,成立一年多就估值几亿美金,好夸张。

但在今年,只能说这些公司瞬间眉清目秀了起来。一批数据公司成立不满一年,就已经诞生了25亿美金的 UniPat ,和若干家估值3-8亿美金的公司。

过去几个月,无论AI应用、硬件、具身,还是世界模型,我都在许多个小范围讨论里感受到了一丝过气。但有一个领域,所有人一提起就都来了兴趣——就是数据公司。

各种都市传说满天飞。这个等有公司拿到了更大的结果,我们再来具体说说。

这些故事总会在每一轮的创投风口轮回上演。不过和以往的创投明星不同,这批数据公司和创始人,是真的渴望低调。

据说 founder 们曾达成过一个默契:只PR技术实力,对团队和业务进展保密。他们对媒体的主要诉求也是求别写。

这行业的确来钱快啊。到处流传着造富美谈,不是二线数商月入400w美金,就是在校生喜提10w月薪。很多数商都在各种场合流露过,拿融资也不是真需要钱,只是要基金的名号吸引人才和客户,要VC里的大哥大姐提供庇护和帮助。当你发现了不为人知的宝藏,当然要衣锦夜行。

这大概也是一级市场最快速的估值增长记录。相比一下, Kimi 是在成立一年时才到达25亿美金;陈冕勤勤恳恳地干了三年,最近才快要完成30亿美金估值融资。

一些数据公司很多会用“连接智能与现实”、“加速 AGI 进程”的大词来阐释业务,但其实一句话就可以概括:给模型制作练习题。有点类似于:AI时代的猿辅导。

而预训练吃的是互联网上公开、静止的数据,但到了一些真实工作场景,模型还做不到优秀打工人的水平,要跟各行各业的专家学,或者做足够的练习。数商做的事就是找问题、想解法、搭环境。要么给模型找名师——采集领域专家的真人解题轨迹,要么给模型出习题——一套包含任务、运行环境和评分准则的 RL environment 。然后交给模厂,用来做单科专项训练。

中国数商还有个较为创新的做法:发 bench 。但此 bench 非彼 bench ,你基本可以理解成一种对模厂的 marketing 手段:你家孩子这门课考得不行哈,你看隔壁家那谁谁是第一名,就是因为做了我们家的练习题。

过去两年,模型公司比的是算力和算法,到了今年,这两件事的边际收益在下降。当流水线已经建成,剩下的区别只在原料——也就是数据,这几乎就是模型此刻唯一重要的事。美国的 Scale AI 和 Surge AI 也是这么火起来的。

这是数据公司估值膨胀到这么夸张的一个原因。但如果只是数据,这些公司也不大可能值这么多钱。

一些数据公司也在讲 Neo Lab 、甚至是一个可能的模型故事:当有了足够多的钱和足够好的 researcher 、能快速补上算法和算力,数商有没有可能成为新的模厂?或者至少,成为模厂分封在某个垂直领域的诸侯?相比一些正在被模型吞吃的应用,这个上限和下限似乎都高多了。

很神奇。几年的时间、上百亿美金的投入,在这个叙事中,模厂的所有积累似乎都可以被轻松跨越。

除去所有故事和技术神秘主义,数据其实更像是一门野生野长的 ToB 生意,数商就像各拼手艺的工作室,还没拉开明显差距。关系,尤其是跟顶级模厂的关系,才是最核心的关窍。

这是一个信任市场,至今没有公认的验收标准。因为专业度高、数量太大,前期模厂基本只能靠抽检。比较靠谱的方法是后验:扔到模型里跑一轮,看表现有没有提升。但也发生过这样的事:一个数商把同一批数据交给两家模型公司,一家的模型明显进步,另一家区别不大。

所以模厂对数商的信任是慢慢建立的。先从几十万人民币的小单做起,靠谱再慢慢往上加。行业里疯传的上亿美金大单,其实都是年框合同,分批采购验收,不合格是会被打回的。

不过比起质量,模厂此刻更在意速度和数量。一个共识是:谁能拿到最多数据,谁就能占领更多的垂直领域,这对应的是一个垂直市场的商业价值。宁可泥沙俱下,不可放过错过。于是所有人都在赶时间,一类数据往往不到三个月就会过时;需求文档今天发下来,数商后天就要交货。甚至一些珍贵的、但此刻还不需要的数据,模厂也会愿意买走囤积,以防被对手占领。

这也是一个信息市场,实力硬不如消息灵。什么时候需要什么数据的判断,是从金字塔的顶端一层层向下传导的:国内的一线模厂跟着 OpenAI 和 Anthropic 走,二线模厂再跟着一线模厂走。数商如果能比别人更早、更准地获取这些信息,就相当于在股市里获得了内部消息。

比如, GPT-6 Astra 是9月发出来的,但从6月起,就已经有数商在到处打听能搞到 CAD 图纸的门路——他们已经从海外或国内的顶级模厂知道了这个消息,开始准备囤货了。后来 Astra 爆火,建模数据果然也变得昂贵。

这更是一个油水很足的市场。愿意给数据预算的模厂里,第一梯队是字节,相传有十几亿美金;阿里、腾讯次之。焦虑落后的蚂蚁、小红书、美团、滴滴们也都有买行业数据的需求。

我曾问一个数商朋友,做好数商最关键的是什么?他毫不犹豫:当然是跟模厂搞好关系。听起来跟 SaaS 这种吃销售的行业很像。但他对此有一个比喻:AGI是神,模厂的 researcher 们是祭司,因为他们掌握着圣经的解释权,所以我等凡人要交什一税,换取他们多透露天机。

这么说我就懂了,数商就是身披神圣祭袍的金牌销售。

围绕着 researcher 的是一个很小的圈子。模厂内部的 researcher 们基本上来自北大、清华、港科、北航……几个定点高校,师兄弟姐妹互相提携。数商和模厂之间,常常就是前同事、同门、同学。这也解释了为什么头部数商的创始人多半出身模厂。

这些看上去如此技术驱动的公司, founder 却往往很有 street smarts 。

江湖传闻中,有邀请众 researcher 看演唱会的;有陪模厂的数据采购人出去游山玩水一个月的;有如 Surge AI 和 Mercor ,请来大量美女销售跟 researcher 打交道的。

信任,当然不止酒肉朋友这么简单。一些没有顶级研究能力的数商之于模厂,理论上还可以扮演另一个角色——体外的自由分身,帮主体承担一些不能、也不便承担的风险。

让我们来做两个假设。

假设你是模型公司,你想蒸馏 OpenAI 和 Anthropic 的模型。但这样合规风险和舆论风险都很大。这时有一个安全的方法:找一个靠谱的小弟,你告诉他数据管线怎么搭,由他 OpenAI 和 Anthropic 的模型跑一遍,再把跑出来的数据返回来。过了一道手,数据就白了。

假设你是一家拥有应用产品的模型公司。这个应用看起来是你的,但把用户数据拿来训模型是违反用户条款的。这时又出现了一个安全的方法:再找一个靠谱的小弟,让他按照你的要求把产品数据爬出来,甚至帮你再清洗一遍,你再去训练。按照你们之间签订的合同,你可以默认对方给到的数据是解决了版权和合规问题的。

这也部分解释了数商们的神秘和顾左右而言他。

Neo Lab 与 street smarts 并存,明星项目和水下交易齐飞,数据真是我见过(除具身外)精彩故事最多的赛道。

不过更精彩的部分倒不在创投和模型公司这两个小圈子里。在堪比石油的数据行业,还有一张更庞大的暗网存在。这个我们节后再说。

封面来源:Edgar Degas, A Cotton Office in New Orleans, 1873, Musée des Beaux-Arts de Pau

文章来自于微信公众号 “elsewhere别处发生”,作者 “elsewhere别处发生”

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)