4-01 数据引擎

AI 模型训练的数据供给层 — 把原始非结构化信息转化为可供大模型学习的训练语料，决定 AI 模型质量上限。涵盖版权数据 / 数据标注 / 合成数据 / 数据治理四大细分板块。

一句话定位

第四层（AI 基础模型）的最上游，是大模型 Pre-training / SFT / RLHF 三阶段的数据供给基础。全球数据标注由 Scale AI（估值 $290 亿）一家独大，数据治理由 Databricks（估值 $1340 亿）/ Snowflake（市值 $850 亿）双寡头主导；中国 A 股稀缺标的 海天瑞声（688787.SH）享受溢价，视觉中国 / 阅文集团 等版权方在 AI 时代议价权快速提升。全球市场 2024 约 $140-160 亿（CAGR 25-30%）/ 中国数据标注 2026E 突破 ￥132 亿。

市场规模

全球竞争格局

数据标注 / RLHF

• Scale AI 绝对龙头（未上市，估值 $290 亿，2024 营收 $8.7 亿、2025E $20 亿，毛利 50-60%）— 与 OpenAI / Google / Meta / 美国国防部深度绑定
• Labelbox — 美国数据标注平台（未上市，估值 $10 亿）
• Appen（APX.AX）— 澳交所，高峰期 5 亿澳元营收，被 Scale AI 挤压持续下滑至 2 亿澳元

合成数据

• Gretel AI — 2025-03-NVIDIA收购Gretel AI 以 $3.2 亿被 NVIDIA 收购
• MOSTLY AI — 金融/医疗合成数据（未上市，估值 $0.5-1 亿）
• Syntho — 荷兰合成数据创业公司
• YData — 数据质量 + 合成数据一体化方案

数据治理 / 平台（双寡头）

• Databricks $1340 亿（未上市，ARR $54 亿、AI 产品 $14 亿，预期 2026 IPO）
• Snowflake $850 亿（SNOW.US，产品收入 $35 亿）
• Informatica（INFA.US）— $90 亿，数据治理与集成
• Collibra — 数据治理 + 数据目录（未上市，估值 $57 亿）

版权数据 / IP 资产

• Reddit（RDDT.US）— 社区文本，$250 亿，2024-Reddit与Google数据授权协议 $6000 万/年
• Getty Images（GETY.US）— 视觉版权 $15 亿，与 NVIDIA 合作 AI 图像
• Shutterstock（SSTK.US）— 与 NVIDIA / Meta 签数据授权

中国玩家

A 股上市

• 海天瑞声 ★★★★★（688787.SH，A 股 AI 数据第一股，2024 营收 ￥2.37 亿 +39.5%，200+ 语种全球覆盖）
• 星环科技 ★★★★☆（688031.SH，对标 Databricks 国产替代，市值 ￥90 亿）
• 拓尔思 ★★★☆☆（300229.SZ，DATA+AI 战略，与 DeepSeek 数据合作，市值 ￥110 亿）
• 视觉中国 ★★★★☆（000681.SZ，多模态视觉版权龙头，市值 ￥120 亿）
• 中文在线 ★★★☆☆（300364.SZ，网络文学 IP，市值 ￥80 亿）

港股

• 阅文集团 ★★★★☆（0772.HK，腾讯系网络文学 IP 库 1500 万部作品，市值 350 亿港元）

拟 IPO / 未上市

• 倍赛科技 ★★★★☆（2026-27 A 股/北交所，自研工具 + 全球团队，估值 ￥15-25 亿）
• 百分点科技 ★★★☆☆（2026-27 科创板，数据治理 + AI，估值 ￥20-30 亿）
• 整数智能 ★★★☆☆（多模态标注新锐，2027-28 北交所）
• 曼孚科技 ★★★☆☆（自动驾驶 3D 点云标注，2027-28 北交所）
• 龙猫数据 ★★★☆☆（众包数据标注平台）
• 智领云 ★★☆☆☆（数据中台 + 治理，2028+ 北交所）
• 数说故事 ★★★☆☆（消费品营销 + 合成数据）

核心技术维度

1. 预训练与对齐：Pre-training / SFT / RLHF / DPO / RLAIF
2. 数据标注技术：数据标注 / Auto-labeling（AI 预标注 + 人工审核混合）/ 3D 点云标注 / 多模态标注
3. 合成数据生成：合成数据（LLM 文本合成 / 扩散模型图像视频 / GAN VAE 表格 / 物理引擎 3D 场景）
4. 数据基础设施：数据湖仓 / Lakehouse / Delta Lake / Apache Spark
5. 数据治理：数据治理 / 数据血缘 / 数据版本管理 / 偏差检测 / 去重去污染
6. 隐私增强计算：联邦学习 / 差分隐私 / 可信执行环境
7. 数据稀缺性危机：高质量数据枯竭（Epoch AI 预测 2026 年高质量文本数据耗尽）

上下游关系

↑ up::3-01-云计算与智算平台 — 数据基础设施承载于云端 ↑ up::3-05-AI存储系统 — 数据湖仓底层存储依托 ↓ down::4-02-模型工厂 — 训练数据直接消费方 ↓ down::4-03-模型生态与工具链 — 数据→模型→应用链路下游 ⚔ competitor::4-04-模型部署与优化 — 部分边界（数据增广 / 在线学习） ∈ belongs_to::第四层-模型

关键趋势

1. 高质量真实数据枯竭 → 合成数据爆发 — Epoch AI 预测 2026 年高质量文本数据耗尽；Gartner 2024 年 AI 训练合成数据占比已达 60%，2030 年绝大多数将是合成数据；2025-03-NVIDIA收购Gretel AI 是标志性事件
2. 数据标注从劳动密集 → AI 辅助自动化 — Scale AI 等头部用大模型预标注 + 人工审核混合模式，标注员角色从"执行"转向"质量审核 + 边缘案例处理"，行业集中度提升
3. 版权数据资产化与定价权崛起 — 2024-Reddit与Google数据授权协议 $6000 万/年是标杆，Getty Images / 视觉中国 / 阅文集团 等优质版权方有望开辟高毛利第二曲线
4. 数据合规与治理成全球监管焦点 — 欧盟 AI Act + 中国《数据安全法》+ 美国州隐私法密集出台，数据血缘 / 隐私计算 / 差分隐私需求激增
5. 中国政策红利 + 地域集聚 — 四部委 2025-01 政策 + 7 国家级数据标注基地，省会城市为中心辐射周边的产业集群化，海天瑞声率先布局保定/长沙抢先

资本运作要点

高吸引力被收购

• 海天瑞声 ★★★★☆（A 股稀缺标的，潜在买家百度/字节/华为/腾讯）
• 视觉中国 ★★★★☆（多模态视觉版权 AI 重估）
• 阅文集团 ★★★★☆（中文 IP 规模最大，腾讯系协同释放）
• 倍赛科技 ★★★★☆（未上市差异化标的）
• 星环科技 ★★★☆☆（国产数据治理，央企潜在收购方）

主动收购方

• 腾讯控股 ★★★★★（已控股阅文，可能继续收购）
• 百度集团 ★★★★★（数据需求迫切）
• 阿里巴巴 ★★★★☆（更可能用投资 + 合作）
• 华为 ★★★★☆（盘古数据自主可控）
• 科大讯飞 ★★★★☆（语音数据定向并购）

高确定性 IPO

• Databricks 美股 ★★★★★（2026，$1340 亿）
• 倍赛科技 A 股/北交所 ★★★★☆（2026-27，￥15-25 亿）
• 百分点科技 科创板 ★★★☆☆（2026-27，￥20-30 亿）

关键事件

• 2025-03-NVIDIA收购Gretel AI — $3.2 亿，合成数据领域标志性纵向整合
• 2024-Reddit与Google数据授权协议 — $6000 万/年，版权数据资产化标杆
• 2026-02-Databricks 50亿美元融资 — 估值升至 $1340 亿
• 2024-05-Scale AI Series F 10亿美元融资 — Amazon / Meta 参投
• 2025-01-四部委促进数据标注产业实施意见 — 中国政策红利启动
• 2024-05-国家数据标注7基地设立 — 地域集聚启幕
• 2024-11-SAS收购Hazy — 传统数据分析厂商入场合成数据

关联完整深度报告

→ 打开原始深度报告