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。
市场规模
| 维度 | 数据 | 来源 |
|---|---|---|
| 全球 AI 训练数据服务（2024） | $140-160 亿 | 行业 Grand View Research |
| 全球 AI 训练数据服务 CAGR | 25-30% | 2024-2030E |
| 全球 AI 训练数据服务（2030E） | $400 亿+ | — |
| 全球合成数据市场（2024） | $25-35 亿 | CAGR 35%+ |
| 全球合成数据（2035E） | $124.5 亿 | Nester |
| AI 训练合成数据占比 | 60% | 2024 Gartner |
| 全球数据治理平台市场 | $450 亿 | 2025 |
| 中国数据标注（2023） | ￥60.8 亿 | 中商情报网 |
| 中国数据标注（2024） | ￥77.3 亿（+27%） | 中商情报网 |
| 中国数据标注（2026E） | ￥132 亿 | — |
| 中国数据标注（2029E） | ￥200 亿+ | — |
| 中国 AI 基础数据服务（2024） | ￥58 亿 | 艾瑞 |
| 中国 AI 基础数据服务（2028E） | ￥170 亿（CAGR 30.84%） | 艾瑞 |
| 国家级数据标注基地 | 7 城（标注 17,282 TB） | 2024 国家数据局 |
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
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
- 预训练与对齐：Pre-training / SFT / RLHF / DPO / RLAIF
- 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
- 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）
- 数据基础设施：数据湖仓 / Lakehouse / Delta Lake / Apache Spark
- 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
- 隐私增强计算：联邦学习 / 差分隐私 / 可信执行环境
- 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
关键趋势
- 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
- 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
- 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
- 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
- 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