“一家数据公司，凭什么说自己是“基础设施”？

“算力是你有钱就可以解决的，数据可不是你有钱就能解决的。数据里面有很多corner case，你有钱也不好解决。”

采访刚开始不久，李逆勇就说了这句话。

他是一家叫“本原智数”的公司的创始人。这家公司不做AI模型，只做数据。2026年6月，它刚刚并入港股上市公司千百度。

放在五年前，“数据”这个词在AI圈还是一个配角。大家聊参数、聊算力、聊模型架构，数据只是“喂”给模型的东西，量大管饱就行。

但今天，情况变了。

剑桥大学的一项研究显示，截至2025年，互联网公开高质量文本数据已消耗超过70%。AI过去十年赖以生存的“数据自助餐”正在关闭。

与此同时，AI本身也在进化。它不再满足于“学知识”，正在进入“学干活”的阶段。从写代码到做PPT，从开汽车到操作机器人，AI的每一次能力跃迁，背后都是数据需求的一次升级。

而数据服务这门生意，也在被重新定义。低端数据标注的毛利率不断下滑，但高端数据，专家轨迹数据、具身操作数据，正在成为一个数千亿甚至万亿级别的市场。

这篇文章基于对李逆勇的独家专访，试图回答三个问题：AI数据行业到底在发生什么？本原智数在做什么？下一个五年往哪走？

AI已经把互联网上的“好东西”学完了
接下来怎么办？

过去十年，AI靠“吃”互联网公开数据长大。

接下来，它靠什么继续进化？要回答这个问题，得先搞清楚AI到底在学什么。

从“婴儿”到“白领”，AI的学习在升级

“我们现在所做的，本质上只有一件事：把人类的知识和经验萃取出来，投喂给AI。 ”

李逆勇用这句话，概括了数据服务行业的本质。而萃取什么样的经验，取决于AI进化到了哪个阶段。

他梳理了一条清晰的“演进四步法”：

这个演进有一个清晰的方向：AI正在从“模仿感官”走向“模仿工作”。

前两个阶段，AI学的是“这个世界是什么样的”，声音对应什么文字，图片里有什么物体。这些任务相对简单，数据也相对好找。

但从自动驾驶开始，AI进入了“在这个世界里怎么干活”的阶段。开车不是单纯地“看到”路况，而是要在复杂的三维空间中做出一连串决策。这需要的数据，已经不是简单的图片标注能解决的。

到了大模型时代，AI要学的是人类的语言能力、逻辑能力、推理能力，属于白领的工作技能。而且，它正在从“初级白领”走向“高级白领”。

李逆勇举了个例子：“以前做代码任务的时候，可能单轮交互就完成了，你给我一个需求，我给你一段代码。现在可能需要10轮以上的交互。解决一个系统化的软件工程问题，和写一个简单的小程序，数据难度完全不是一个量级。”

核心变化是，AI正在从“学知识”走向“学干活”。而干活的数据，互联网上没有现成的。

三个真相，看懂数据行业的“冰火两重天”

既然AI要学的东西变了，那数据行业本身也在被彻底重塑。一边是低端数据标注的毛利率下滑，同质化竞争卷到无利可图；另一边，专家数据、具身数据的缺口在急速扩大，需求方愿意为一条高质量数据付出几百甚至上千元。这种“冰火两重天”的背后，是三个正在发生的根本性变化。

真相一：公开数据见顶了，但AI还得继续学

剑桥大学的研究不是孤例。整个行业都在意识到一个问题：过去十年用来训练AI的互联网公开数据，快被“吃”完了。

以前靠什么？维基百科、Reddit、GitHub、Common Crawl……这些公开语料库支撑了GPT、Claude、DeepSeek等一代代模型的预训练。

但这些数据是“存量”，它们被消费的速度远超生产的速度。接下来的问题是：模型还要继续训练，数据从哪来？

真相二：算力是“有钱就买得到”的，数据不是

这是容易被忽略的一个区别。

算力是标准化的商品。GPU就是GPU，只要有足够的钱，随时可以下单，等几个月就能到货。

但数据不是。高质量数据，一份投行分析报告、一份三甲医院的病历标注、一份资深律师的合同批注，这些东西不在互联网上，也不会公开出售。它们散落在企业内部、专家的大脑里、真实的生产流程中。

真相三：合成数据是“没办法的办法”，不是“更好的办法”

行业里有人把合成数据描绘成“未来的主流”，但李逆勇的判断很直白：“没有人会真正想用仿真数据。大家之所以用仿真数据，是因为没有那么多真实数据，没办法了才用。”

他以自动驾驶为例：头部公司的数据集中，99%是真实道路数据，只有1%是仿真，因为极端天气、事故场景实在采集不到，但又不能完全没有。

一组数据，看懂这个市场有多大

理论说完了，来看看数字。这些数字背后，是一个正在被重新定义的市场，它的边界在急速扩张，体量在以惊人的速度增长。

数据行业的“冰火两重天”有多悬殊？看几组数据就知道：

• OpenAI每年花在数据上的钱：50亿美金。
• 字节、阿里、腾讯三家每年数据综合预算都在数十亿量级。
• 今年上半年具身智能赛道融资约200亿，其中40-60亿流向数据采购。
• 具身数据采集成本目前约100元/小时，行业第一个门槛是100万小时，也就是1亿人民币。
• 而最终可能需要10亿小时级别，对应的市场规模，是数千亿甚至万亿级别。

李逆勇算了一笔账：头部智驾公司对外公布的道路数据是1亿小时。具身智能比自动驾驶多一个维度，不是二维的道路环境，是三维的物理世界。“所以至少需要10亿小时。”

而目前全球单家数据公司做得最多的，也就100万小时。

从100万小时到10亿小时，差了三个数量级。

这意味着什么？意味着这个行业才刚刚开始。

一家不做模型的“数据公司”
如何重新定义自己？

市场变了，需求变了，规则也变了。传统的数据标注公司，那种“客户给什么标准就标什么”的施工队模式，正在被淘汰。新的玩家正在重新定义“数据服务”这件事。

本原智数是其中之一，它选择了一条不一样的路：不做模型，只做数据；不被动执行，主动定义标准。这条路走得通吗？它凭什么？

本原是谁？

本原智数给自己的定位是：AI全生命周期数据服务商。

不做模型，只做数据，覆盖数据采集、清洗、标注、合成、评测到智能体落地。

这个定位有一个关键前提：中立。

“我们不构建自己的人工智能模型，因此不与任何一位客户争夺生意。”李逆勇在公开信中写道，“那些在市场上彼此竞争的伙伴，才能同样安心地与我们合作。”

2026年6月，本原智数正式并入港股上市公司千百度。有人好奇“鞋企+数据公司”的组合，但李逆勇的解释很清晰：千百度不做AI模型，不跟本原任何客户竞争，本原最珍视的“中立性”被完整保全了。

“曾有国内的大模型厂商给我们抛出过橄榄枝，希望我们并进去。但我们的底层思考是：一个独立第三方的数据公司价值非常高。 我们不希望变成某一家模型公司的数据部门。”

“三次跃迁”，理解本原战略的核心框架

李逆勇在采访中系统阐述了本原的“三次跃迁”。这不仅是公司的成长路径，也是整个AI数据服务行业的价值升级路径。

第一次跃迁：从“施工队”到“标准共建者”

过去，什么是“好数据”由模型厂商的算法科学家定义，数据公司只管“按图施工”。

但今天，模型厂商自己对“好数据”的定义能力在减弱。

为什么？因为数据越来越贴近真实任务。AI要学的是“如何写一份行业分析报告”“如何审一份合同”“如何做一份PPT”，这些任务的好与坏，算法科学家说了不算，行业专家说了算。

本原的破局方式：先评测，再生产。

“原测”平台先测评模型的能力短板，再告诉客户：“你如果想提升某项能力，需要这样的数据集。”

能做到这一点，是因为本原服务了大量模型公司，积累了全行业的know-how。同时，本原与斯坦福、伯克利、清华、交大等海内外顶尖院校共建学术基准。

第二次跃迁：从“通识数据”到“专家数据”

预训练阶段已经结束，现在进入post-training阶段。模型需要的不再是“通识知识”，而是“干活的能力”。

要教AI干活，需要两类专家数据：

学科型专家：解决“单点很难”的任务，数学证明、物理推理、高难度代码

实践型专家：解决“长链复杂”的任务，开车、审合同、做行业报告

专家稀缺怎么办？本原的解法是“分层生产”：“以医疗为例，最顶级的主任医师定义标准、拆解流程。流程拆到足够细之后，主治医师甚至医学院的博士生也可以来填充细节。”

既保证了框架质量，又实现了规模化。

本原的“原识”平台连接了10万+行业专家，覆盖医疗、金融、法律等十余个高门槛领域。

第三次跃迁：从“小样本”到“规模化挺进”

“能生产100条高质量数据和能生产100万条高质量数据，本质是两种不同的团队能力。”

大模型的本质是scaling law，数据生产也需要scaling。

李逆勇介绍道，本原的交付体系是：科学家+专家定标准→全球12大交付中心稳定交付→800万众包网络弹性扩容。

人机协作下，标注效率提升600%，成本降低45%。

需要指出的是，“三次跃迁”不是口号，而是通过四个平台逐一落地的。

它们的逻辑关系是一条完整的链条：先评测模型能力短板（原测）→ 再组织专家规模化生产所需数据（原识）→ 帮企业把模型转化为可运行的智能体（原智）→ 最后从数字世界走向物理世界（原物）。

每个平台的核心功能：

• 原测：找出模型短板，把“AI能力提升”翻译成“需要什么样的数据集”
• 原识：专家触达、培训、分层生产的一站式平台
• 原智：帮企业用更小、更精准的数据，把模型转化为能干活的应用
• 原物：具身智能一站式平台，从数据采集到规模化落地

李逆勇特别强调“原智”的差异化：“有很多专门开发智能体的公司，也有很多模型公司在做这件事情。我们的差异化来自于对数据的理解，更知道在垂类场景中，用更小、更精准的数据帮你快速应用好模型。 ”

一个正在被验证的方向：具身智能数据

如果说“三次跃迁”是本原的方法论，那么具身智能数据就是它正在押注的主战场。

具身智能让AI从数字世界进入物理世界。但数据缺口巨大，MIT研究显示真实场景数据缺口达90%。

本原的技术路径是“Ego+软手”：Ego解决“理解世界”（第一人称视角的环境感知），软手解决“操作世界”（柔性操作完成精细动作）。

李逆勇强调，公司没有锁死在单一技术路线上：“硬手/夹爪能解决一部分任务，Ego+软手能解决另一部分任务。我们围绕真实任务需要，探索多种高效采集方式。”

更重要的是，本原不是“谈概念”，而是已经有了可验证的交付能力：

为某头部模型公司1-2个月交付10万小时数据，涵盖一两百种场景、一两千种任务

具身数据月产能年底能达到50万小时

全业务线月交付数据量达亿级

“我们不是在讲概念，”李逆勇说，“而是在用真实的交付能力，一步步拓宽智能的边界。 ”

下一个五年
出海、生态与AGI的终局思考

讲了行业变化，讲了公司定位。最后一个问题：下一步往哪走？

出海、生态、AGI，这三个关键词勾勒出了本原智数对未来五年的判断。

出海：与Scale AI的差距与差异化

本原的对标企业是Scale AI，全球估值最高的AI数据公司。

差距是客观存在的。Scale AI年营收二三十亿美金，本原数亿人民币。

“人家起步也早很多，海外整个市场也好很多。我们还是一个处于追赶的阶段。”李逆勇说。

但差异化也很清晰：

第一，性价比。 “我们可能以1/10的价格，做到跟美国公司同等的数据水平。”

第二，在某些领域不弱于海外。 中国的视频生成模型（seedance、可灵）比美国（Sora已关停）强，本原在视频数据领域不弱于海外同行。在具身数据领域，中国整体跟国外在同一尺度。

目前，本原智数的出海路径已经在推进：优先服务出海的中国企业和海外华人创办的企业，同步在越南、印尼、马来西亚、菲律宾建设交付基地。

李逆勇说道，“预计今年下半年到明年上半年，海外市场会有比较好的表现。”

“双十亿”计划：一个5-10年的战略布局

如果说出海是本原的“横向扩张”，那“双十亿”计划就是它的“纵向深耕”。

数博会上发布的“双十亿”计划，指向两个方向：

• 10亿条白领专家操作数据（Computer Use场景，做PPT、写报告、审合同）
• 10亿小时具身智能数据（物理世界操作，机器人干活）

为什么是10亿？“自动驾驶需要1亿小时道路数据，具身比自动驾驶多一个维度，所以需要10亿小时。”

根据李逆勇对市场规模的估算：

• 一条白领数据200-300元 → 10亿条对应两三千亿市场
• 一小时具身数据200-300元 → 10亿小时对应两三千亿市场

合计数千亿甚至上万亿。

这么大的规模，本原不打算自己做。

“不可能我们一家能完成的，”李逆勇说，“我们计划招募100家生态合作伙伴，通过订单驱动、标准制定、工具赋能来共建。”

采访的最后，我们问了一个问题：“如果AGI真的实现了，数据服务行业还存在吗？”

李逆勇的回答很坦诚：“短期两三年，我不认为会有特别大的进展。但长期10年20年的维度，会有比较大的变化。”

但如果AGI真的到来呢？“不是数据公司该想的问题，是整个人类都要重新想一想：人类真的需要工作吗？ ”

回到数据服务行业本身，它正在做的事情，把人类经验萃取出来交给机器，本身就是这个时代最值得被记录的故事之一。

“我们站在智能系统与真实世界不断交互、不断学习、不断修正的连接处。每一次我们帮助模型突破一道能力边界，那道边界就永久地后退了一步。”

这可能就是本原智数这家公司，以及它所在的这个行业，在这个时代最大的意义。

文：月满西楼 / 数据猿

责编：凝视深空 / 数据猿