核心观点与关键数据
公开语料趋于枯竭，价值范式转移
- 公开人类文本存量约300万亿token，预计2028年耗尽，迫使行业从「数据规模」转向「质量、专业度与多模态扩容」。
- 数据需求指数级膨胀：训练计算量每5个月翻倍，数据集规模每8个月翻倍。
市场规模与增长
- 广义口径：2024年约60-90亿美元，2025年约100-160亿美元（毛口径买方支出）。
- 狭义口径失真：真实支出多在标注与RLHF/专家数据服务，而非打包数据集。
- 细分赛道高速增长：
- 合成数据（最快）：CAGR 35.3%，2025年32亿美元，2030年171亿美元。
- 标注工具：CAGR 28.4%，2025年32亿美元，2030年343.8亿美元。
- 采集与标注：CAGR 28.1%，2025年2.18亿美元，2030年17.88亿美元。
价值链与资本
- 八层结构：越靠近「专家级、多模态、可验证」的一端，单位价值越高。
- 估值狂飙：ScaleAI被Meta投资143亿美元估值290亿，SurgeAI估值超250亿美元。
- 内容授权走向规模化：早期34笔交易总承诺约29.2亿美元。
合规与监管
- 版权诉讼频发：截至2025年10月达51-166起，合规数据获显著溢价。
- 欧盟AI法案：要求训练数据透明度，将「合规」从自愿变为法定义务。
- 中国AIGC版权裁决：首例AI生成图片版权案（迪士尼案）、GenAI输出侵权裁决（奥特曼案）。
全球格局与中美双核
- 美国前沿数据公司估值达软件级，中国玩家多为「盈利但体量小」的上市/挂牌企业。
- 中国进展：合成灵巧抓取数据集达10亿规模，头部具身公司部署百台机器人。
- 中美数据市场驱动逻辑不同：
- 美国：前沿实验室拉动+专家数据溢价+VC催化。
- 中国：「数据要素」国家战略+垂类模型驱动。
未来趋势
- 合成数据走向主导：预计2030年占比全面超越真实数据。
- 专家/前沿人类数据崛起：5具身AI与世界模型成增长极。
- 数据飞轮成护城河：美国前沿实验室+专家数据溢价，中国数据要素战略+垂类落地。
研究结论
胜负手正从「更多算力」转向「更优质、更合规的数据」；公开语料枯竭非终点，而是价值化的起点。
