“00后团队跑出一家32亿美金的独角兽，AI数据训练底层逻辑彻底变了。

这家名为AfterQuery的公司，如今已经跻身“超级独角兽”行列，短短五个月内估值增长约十倍。它既没有提前获得顶级资本的大额押注，也没有建设庞大的算力中心，切入点却正好踩中了AIAgent的新需求：为模型提供专业、复杂、可验证的训练数据。

相似的创业故事，正在国内市场同步上演。

市场消息显示，阿里巴巴计划领投AI训练与基准测试服务商UniPatAI一笔3亿美元融资，交易完成后，这家公司投后估值有望达到25亿美元，腾讯、红杉中国等机构也传出参投意向，目前各项谈判仍在推进当中。

放眼全球，除了AfterQuery、UniPatAI之外，Mercor等一批新生代数据企业接连跑出十亿级营收、数百亿估值，彻底颠覆了传统AI数据行业的原有格局。这一批年轻创业者入局的赛道，早已不是大众印象中基础人工标注、通用问答数据集的传统外包生意，而是一套向AI智能体迭代、具备闭环运行、结果可验证、支持自主试错能力的全新训练服务体系。

伴随全球AI产业正式迈入Agent爆发周期，一个值得深思的问题随之而来：为何一批年轻创业者创办的数据公司，能密集收获顶级资本重仓、实现百亿级估值跨越？当AI从预训练问答时代迈入Agent自主进化时代，数据赛道的需求结构、业务形态与估值体系发生了怎样的范式重构，又将重塑中国AI数据行业的未来走向？

全球AI数据创业潮全面兴起

Agent范式的兴起，正在重塑AI上游数据赛道的价值逻辑。一批由年轻技术人才创立的数据基础设施公司集中走入资本视野。

AfterQuery正是本轮浪潮当中最具代表性的案例。公司两位联合创始人斯宾塞·马蒂加、卡洛斯·乔治斯库，年仅23岁与22岁，创立企业之时仍在校读书。二人加入硅谷知名创业加速项目YC训练营，经过多次业务方向调整之后，最终确定聚焦大模型底层训练数据服务。

AfterQuery创始人 图源网络公开报道

该公司提供的产品包括监督微调及人类反馈强化学习数据、工具调用和电脑操作强化学习环境，以及定制训练集与模型评测。AfterQuery搭建平台，汇聚近十万名各行各业的专业从业者，输出专家推理数据集、强化学习训练环境与配套评测服务，彻底脱离基础标注的业务范畴。

这套成熟的解决方案，已经落地英伟达Nemotron3Ultra大模型的训练流程，也是英伟达官方技术报告当中唯一点名的数据合作服务商。根据《福布斯》援引知情人士消息，AfterQuery当前估值达到32亿美元，约合人民币215亿元。另有消息透露，公司目前已经实现盈利，新一轮融资的领投机构也基本确定。

同样站上行业风口的Mercor，创始团队同样是三名22岁的00后，CTO阿达什·希雷玛斯、CEO布兰登·富迪、COO苏尔雅·米德哈均为大学二年级辍学创业。Mercor最初的业务是依托AI完成简历筛选、岗位匹配与候选人资质审核，主要面向软件工程师、数理类技术岗位提供服务。企业快速扩张赛道边界，逐步将核心业务延伸至大模型评估、专业化数据标注领域。福布斯的数据显示，截至今年6月，Mercor年化总收入突破20亿美元，对比2月10亿美元的规模，半年之内营收实现翻倍增长。

Mercor创始团队 图源网络公开报道

另一案例来自有着12年大学生招聘平台运营经验的Handshake。2025年初，企业正式切入AI训练数据赛道，业务起步阶段年化收入仅维持在500万‑1000万美元；2026年1月，年化营收迅速攀升至5.5亿美元；第三方机构Sacra在当年4月给出的测算结果显示，其年化毛收入已经接近11亿美元。一年时间，Handshake的营收规模暴涨100倍。

梳理这些海外新晋的数据服务高估值玩家不难发现一条共性：企业不再单纯生产标准化问答样本、承接基础标注外包订单，业务重心集中在强化学习环境搭建、可验证任务数据集开发、Agent闭环仿真场景建设。资本市场也不再将其归类为人力服务企业，而是视作AI产业的核心基础设施，给到纯正科技公司的估值体系。

这股创业浪潮同样传导至国内市场，UniPatAI就是现阶段国内资本重点关注的项目。公司成立于2025年年末，创始人李宽曾就职于阿里通义实验室，核心团队大多来自月之暗面等头部AI企业。

UniPatAI专注搭建贴近真实业务场景的模型评测体系，配套输出训练、测评数据集，业务覆盖编程智能体、浏览器智能体、多模态视觉推理等方向，部分自研的基准测试集已经被海外AI实验室引用。它的角色早已不只是一名“AI考官”，业务边界持续拓宽：一边完成模型测试，一边配套训练数据；一边输出数据集产品，一边尝试将模型预测能力封装为标准化服务对外交付。

据市场公开报道，阿里计划领投UniPatAI3亿美元融资，推动企业估值来到25亿美元，腾讯、红杉中国等机构存在参投可能，不过交易条款尚未最终敲定。

这波热潮真正值得关注的，不是“年轻人卖数据又融了一笔钱”，而是AI训练数据的计价单位变了。过去，客户买的是一批图片、语音、文本和标签；现在，前沿模型公司更想买的是一套能让Agent反复试错、自动验收、持续产生奖励信号的工作环境。谁能证明自己的数据让模型在真实任务上多完成一步，谁才有机会从外包商变成“能力基础设施”。

纵向拆解：
AI产业需求结构的颠覆性变革

海内外大量青年创业公司获得高额资本青睐，并不只是赛道短期风口催生的结果，本质是AI数据产业内部的需求结构发生颠覆性转变，行业估值逻辑同步完成重构。

回望大模型预训练时代，整个行业的核心矛盾集中于数据总量的缺口。当时市场最迫切的需求是扩充数据集规模，对于数据精细化质量的要求相对有限。行业竞争比拼的核心是人力储备与标注交付产能，数据业务本质上属于人力外包服务。这套模式壁垒偏低，盈利空间受限，企业价值高度依附人力交付规模，行业内绝大多数企业很难拿到较高的资本市场估值。

随着Agent智能体技术快速落地，产业底层逻辑彻底反转。

2022年底ChatGPT正式上线，四个月之后OpenAI推出GPT‑4；GPT‑4迭代至GPT‑4o耗时13个月；进入2026年，GPT‑5.3、GPT‑5.4接连发布，两代模型的更新间隔缩短至一个月。

Anthropic的迭代节奏更快，5月底推出Opus4.8，仅仅11天之后，全新旗舰模型ClaudeFable5正式对外发布。模型迭代速度不断加快，实验室不断发现新的能力短板，市场对于定制化、高价值增量数据的需求持续走高。

现阶段通用文本数据集已经趋于饱和，大模型发展的瓶颈不再是知识储备不足，而是真实场景之下的任务执行、自主纠错能力短板。对应厂商的采购需求，市场已经不再盲目追逐海量问答样本，转而迫切采购闭环运行、支持试错、结果可验证、过程可复现的全套训练环境。

注：数字代表图谱所涉及的企业、产品应用或模型数量 来源：至顶智库整理绘制

数据采购行为，也从过去一年数次的阶段性项目，转变为常态化的日常采购。供给端随之做出调整，ScaleAI就已经将传统按月打包交付的模式，升级为API按需交付，客户提交标注任务之后，最快一小时就可以拿到生产级别的标签数据。

采购频次不断提升，单一项任务的数据体量同样持续扩大。模型所要学习的业务场景复杂度显著提高，一条训练样本不再是简单的文本修改，而是一套包含需求解读、多文件检索、跨文档修改、测试验证的完整数据包；单条样本对应的token规模，从数百个上涨至数万个。

采购频次提升、应用场景拓宽、单样本数据体量激增，三重因素叠加，直接将训练数据的整体市场需求拉高一个数量级。

头部企业的预算投入同样印证这一趋势。TheInformation的报道提到，Anthropic内部曾经规划单年投入10亿美元采购RL训练相关服务；OpenAI内部测算，2030年企业每年的数据相关开支将会达到80亿美元。

来源：20260916-深圳市人工智能行业协会-人工智能行业：2026全球人工智能展望报告 企业/产品/应用排序不分先后，至顶智库结合公开资料整理绘制

行业价值评判标准已经全面更新。预训练时代，企业核心竞争力取决于自有数据集的体量；Agent时代，原始数据本身的价值持续下降，真正具备高壁垒、高估值空间的，是可以支撑智能体持续进化的整套训练系统，以及真实业务场景的落地搭建能力。

对于数据服务商而言，核心竞争力不再仅仅是"数据产量"的比拼，更是行业理解深度、专家资源网络、复杂任务拆解能力的综合考验。能够为垂直领域提供"数据+知识"一体化解决方案的企业，将在AI产业深水区占据不可替代的位置。

横向分析：
AI数据服务业的中美估值差异溯源

既然海外聚焦Agent训练、模型评测的初创企业可以快速拿到高估值，国内以海天瑞声为代表的传统数据服务商，为什么很难获得同等水平的估值溢价？

中国的数据公司面对的是另一套商业现实。海天瑞声等企业，长期服务于智能语音、计算机视觉、自然语言处理和自动驾驶等领域。这些公司已经积累了交付体系、多语种能力和数据安全经验，但传统业务的财务表现也提醒市场：数据需求旺盛，不等于数据公司天然高利润。海天瑞声2025年营收为3.77亿元，归母净利润1411.85万元，净利率不足4%。增长存在，但项目型交付、人力成本和客户议价能力，仍在限制利润空间。

从某种意义上讲，中外数据创业公司的差别，不在于中国有没有数据，而在于谁在付钱、为什么付钱。海外头部AI数据公司的核心客户名单里，几乎攥着全球最能花钱的两类金主：顶级前沿AI实验室+国防部门。ScaleAI的核心客户覆盖OpenAI、Anthropic、Meta，同时手握美国国防部数亿级美元的长期合同，单份政府合同金额可达数千万美元，客户粘性极强，客单价长期维持在高位。

反观国内，AI数据服务商的客户以互联网大厂、央国企、各地政府项目为主，订单高度分散，单体客户贡献的营收规模有限；大部分订单依旧集中在低附加值的语音、图像基础标注业务，高价值的RLHF训练、模型安全测评订单占比偏低。

资本市场不同的定价逻辑，进一步拉大双方的估值差距。美国资本市场愿意将AI数据服务商视作底层基础设施，给出极高的远期估值溢价，定价的核心锚点，是企业未来十年在全球AI生态当中的战略位置。A股、港股市场对于数据企业的估值，更多基于短期现金流折现，很难给到和海外同等水平的长期生态溢价。

融资生态同样存在明显差异。美国AI赛道当中，主权基金、半导体巨头、云厂商共同形成体量巨大的长期资本池，资本愿意承担前沿赛道的高风险；国内AI数据行业资金主要来自产业资本与各地国资引导基金，投资方更加看重项目短期落地效果和产业协同价值，对于长期业务叙事的容忍度相对有限。

国内AI数据服务商
未来路在何方

看完海内外数据企业巨大的估值差距，一个现实问题摆在所有人面前：国内这批AI数据服务商，接下来到底该往哪里走？

艾瑞咨询给出了一组行业大盘预测，2024‑2029年，国内AI产业每年平均增速可以达到32.1%，到2029年整体市场规模有望突破一万亿元。万亿赛道就在眼前，但红利并不会平均分给赛道里的每一家企业。

先看供给端正在发生的真实变化。截至2026年8月，全国已经建成超过12.6万个高质量数据集，整体数据体量达到1815PB，短短五个月时间，规模涨幅就超过89%。规模快速膨胀的同时，行业的监管规则也在快速落地。目前高质量数据集的五项国家标准当中，已经有四项进入征求意见阶段，数据标注试点城市，也从最早7个城市扩充到39个。合规、标准化会成为行业接下来的硬性门槛。

赛道最明确的趋势，就是两极分化，新旧玩家的发展路径正在彻底拉开差距。

对于传统的基础标注服务商来说，市场依然留有生存空间。自动驾驶项目、政企数字化转型订单、大模型基础训练需求，会持续释放业务机会，企业营收可以保持相对平稳的水平。但短板同样很难改变，业务高度依赖人力、利润空间有限，行业内卷一直在持续。这也就意味着，这类企业的估值天花板十分清晰，它们更多只是AI产业链当中的配套服务商，很难真正分享到AI基础设施这一波高估值溢价。

与之相对的是，一批新生代创业企业瞄准Agent闭环训练、强化学习评测、复杂场景仿真等新兴赛道，更容易获得资本的青睐。但高估值不等于长期的经营保障，赛道马太效应会持续加剧，资源不断向少数头部团队集中。企业只有真正掌握场景仿真的核心技术，稳定对接大厂长期订单，才能够兑现市场给出的估值预期；仅仅依靠概念讲故事的创业项目，将会在行业洗牌阶段快速出局。

那国内能不能成长出对标ScaleAI、SurgeAI的龙头企业？其实从当前产业环境判断，直接复刻海外企业全球化扩张的路径，现实难度非常大。

海外数据巨头的成长根基，是一套面向全球市场的客户体系。国内企业很难照搬这套模式，更加务实的突围路线，是深度扎根本土产业生态。办公、工业制造、金融、医疗等垂直行业，就是最大的机会。未来企业比拼的不再是标注团队的人员规模，而是深度理解行业真实业务逻辑，搭建配套仿真训练、评测体系的综合能力，最终完成从人力外包商向AI基础设施服务商的转型。

AIAgent掀起的这一轮数据产业变革，从来不是一场简单的“年轻人创业造富”的资本故事。它本质上是AI产业分工的一次重新洗牌：数据不再只是一串静态的文本与标签，而是驱动智能体自主进化的核心生产资料。

海外初创企业凭借全新的服务模式收获资本热捧，既为国内行业提供了参照，也敲响了警钟。单纯追逐海外的估值神话没有实际意义，真正的竞争落脚点，从来不是复制一套商业模式，而是扎根中国本土的产业场景，补齐仿真训练、专业评测等核心能力。

国内数据服务商正站在转型的十字路口。摆脱人力外包的固有标签，深耕垂直行业的真实需求，把行业知识转化为可复用的智能训练体系，这才是中国AI数据行业真正的价值出路，也是本土AI产业能够长远发展的底层支撑。

文：几重山月 / 数据猿

责编：凝视深空 / 数据猿