从众包到专家：大模型数据标注的成本、护城河与竞争边界

开场

先从一个很普通的画面说起。你让一个大模型解释一道高中物理题，它答得又稳又清楚。你大概不会去想，这个回答的背后，有一群人先看过成千上万个类似的回答，再一个个排出哪个更好。数据标注这门生意，就藏在这个看不见的环节里。

今天要问一个能被验证的商业问题：数据标注的钱，是不是正在从「人多、便宜、快」，转向「人贵、但对」？说得直白一点，专家交付会不会取代众包？

先摆一个反解释，免得故事讲得太顺。也许专家数据的高价，只是眼下高质量人类数据紧缺带来的周期溢价。等模型自己能出题、能打分，这笔溢价就会缩水。如果这个反解释成立，所谓护城河，就只是阶段性缺货。

为什么值得认真算这笔账？因为模型能力的差异，很多时候不只来自算法和算力，也来自喂进去的数据。数据选得准不准、判断标得对不对，会直接影响模型学成什么样。标注是训练里最不显眼、却绕不开的一环。

起点：把人力做成接口

把时间拨回 2016 年。Scale AI 成立，最早做的是训练数据的接口服务。到 2017 年 7 月，它宣布拿到 450 万美元的 A 轮融资，领投方是 Accel。同一年，它列出的产品包括图像标注、光学字符识别转录、分类、比较和数据收集。

这份产品清单透露了它的思路：不接一个定制项目，而是把常见的数据活儿做成标准品类。客户要什么，直接点单。今天看很平常，在当时是把一门手工作坊式的生意，往工业化推了一步。

这里有个关键词，接口，英文叫 API。可以把它理解成一份标准菜单：客户不用自己管人、排班、质检，只要把数据交过来，按格式拿回结果。这一步的经济意义很大，它把零散的人力，变成了可以按需采购、按量计费的服务。

它同时降低了买方的两个成本。一个是搜寻成本，不用满世界找标注团队。另一个是集成成本，数据格式统一，接进训练流程更省事。对客户来说，买的是确定性，不只是劳动力。

早期的客户画像很清楚：自动驾驶、智能助手、语音分析。这些任务的共同点是，数据量大、规则相对明确、答案能被客观核对。车道线在哪、行人有没有出现、路牌上的字是什么，标错了一眼就能看出来。

2019 年，Scale 在 B 轮融资时讲了一句判断，说标注数据是机器学习落地的瓶颈。同一年它披露，已经和 GM Cruise、Lyft、Zoox 这些自动驾驶公司合作，累计标注超过二十万英里的自动驾驶数据。

二十万英里这个数字，重点不在里程本身，而在它背后的数据量。车在路上跑一英里，传感器会录下大量画面和点云，每一帧都要处理。能把这套流水线跑顺，说明组织能力已经上了一个台阶。

这个阶段，规模就是竞争力。谁能组织起足够多的人，按统一规则快速交付，谁就能接住大单。众包模式在这里特别合适，因为任务可以被拆小，单条判断的门槛不高，培训成本也压得住。

众包的一般逻辑，是把大任务切成小片，按件计酬，再用多层质检兜底。人不需要懂全局，只要在自己那一小片上判断准。这套办法在规则清楚的时候效率极高，成本也压得很低。

所以这一阶段的壁垒，说到底是组织能力和交付速度，不是专业知识。人越多、流程越顺、单价越低，越有优势。这也解释了为什么自动驾驶那几年，标注工厂能迅速长大。

回过头看，这段历史给出的教训很清楚。当一个行业的瓶颈从「有没有人干」变成「干得对不对」，原来的规模优势就会打折。谁能先意识到这个转折，谁就能提前布局。

需求变形：从贴标签到做判断

但生成式 AI 一来，风向变了。模型不再只是识别画面里的东西，还要会回答问题、会写作、会按人的偏好来。训练它需要的数据，也跟着从「描述世界」，变成「评价回答」。

Scale 说，它曾经和 OpenAI 合作，做过 GPT-2 阶段的早期人类反馈实验，后来这套方法扩展到了 InstructGPT。这条线索说明，它的角色从提供素材，慢慢挪到了参与训练方法。

人类反馈强化学习，英文缩写 RLHF。说人话就是：模型对同一个问题生成好几个回答，人来排个序，告诉它哪个更好。这些偏好排序，再被拿去调整模型的行为。人在这里干的活，不是贴标签，而是做判断。

为什么用排序，而不是直接打分？因为人对「哪个更好」的判断，通常比给出一个绝对分数更稳。两段回答摆在一起，谁更清楚、谁更安全，人一比就有感觉。分数则很飘，每个人心里的尺子不一样。

任务一旦从「这是猫还是狗」，变成「这两段回答哪段更有帮助、更安全、更诚实」，难度就跳了一级。标注的人要读懂上下文，要理解提问者的意图，还要在模棱两可的时候，给出一个有理由的选择。

这背后是成本结构的变化。以前一条数据值多少钱，取决于标得多快。现在一条数据值多少钱，取决于判断得对不对、有没有覆盖到难例。快，不再是最稀缺的东西。

Scale 后来把这些能力打包成一个产品，叫 Data Engine，中文可以叫数据引擎。官方描述里，它覆盖数据生成、人类反馈、红队测试、模型评估、安全与对齐，还提到用专家标注、定位失败案例、筛选高价值数据来优化数据工作流。

红队测试可以顺带解释一下。就是专门找人去攻击模型，想办法让它说出不该说的话、做错不该做的事，把这些漏洞一条条找出来，再交回去修。它买的不是标注量，而是发现问题的能力。

模型评估也是一门新生意。要判断一个模型好不好，得有一批足够难、足够有代表性的题目，还得有可靠的评分标准。这套题目和标准，本身就是数据产品，而且是最难外包给普通人的那一类。

还有一个词叫强化学习环境。可以理解成一个给模型练习的模拟考场：设定好任务和规则，模型在里面反复尝试，做对了得分，做错了扣分。搭建这种环境，需要懂任务、懂评分，还要防着模型钻空子。

这里有个关键转向。以前的数据，更像是给模型看的教材，可以批量印。现在的数据，越来越像是给模型纠偏的反馈，得贴着具体场景、具体失败案例来做。教材能标准化，反馈很难。

买方也变了。前沿模型实验室成了高价值客户。它们愿意为三样东西付溢价：交付速度、数据保密，还有处理高难度任务的能力。这三样，恰好都是众包模式不太擅长的。

众包为什么在这类任务上吃力？因为规则本身就不清楚。什么叫「更有帮助」，没有唯一答案。普通人只能凭感觉，专家才能说出理由。任务越模糊，对人的领域知识要求越高。

还有一个变化是任务的吞吐。众包一天能过几万条，专家一天可能只做几百条。可这几百条里，藏着模型最容易犯错的边界。用少量高信息量的数据，换掉大量低价值的重复，这才是专家模式真正的逻辑。

另一种路径：Surge 的专家密度

就在这条路上，出现了另一种打法。Surge AI 的公开页面写着，它和 OpenAI、Anthropic、Meta、Google 这些公司合作，用专家劳动力和工具，做复杂数据工作、强化学习环境搭建和评估。

它展示的岗位覆盖数学、物理、计算机科学、法律、医学和写作。这个名单说明，它把生意定在高技能判断和复杂推理上，而不是传统的分类打标。招什么样的人，基本就决定了接什么样的活。

Surge 还对外说，公司从成立起就盈利，没有做过风险融资。这个说法是公司自己的陈述，外界没有看到经过审计的报表。但它代表了一条和融资驱动型公司不同的路子：靠自己的现金流滚动，不靠外部资本催规模。

两条路径放在一起看，很有意思。Scale 走的是资本加平台，融资、扩产品、绑大客户，用规模摊薄固定成本。Surge 走的是窄而深，挑高难度任务，用专家密度换溢价。它们服务同一批买方，却给出两种完全不同的成本结构。

专家密度买到的是什么？第一是更少的返工。一个懂行的人，看一遍就能抓住关键，不用来回问。第二是更好的难例覆盖，普通标注员看不出的坑，专家能指出来。第三是更可信的评估，因为他们真的懂这个领域的对错标准。

但这条路也有天花板。专家供给有限，培养慢，价格降不下来。任务量一放大，专家池就会吃紧。所以它天然适合高价值、低频次、难度高的活，不太适合海量重复的标注。

自举模式还有一层含义：它对订单更挑。没有外部资本催着冲规模，公司可以只接利润好的活，不为了增长去接亏本单。这种克制，短期看长得慢，长期看财务更扎实。

另一面，专家劳动力是全球分布的。数学、法律、医学这些领域，不同国家都有高手，语言覆盖也能拉开差距。谁能组织起跨语言、跨领域的专家网络，谁就能接到更复杂的跨境订单。

不过，盈利这个说法目前只有公司自述。没有审计报表，就没有独立的数字可以核对。它是一条值得关注的路径，但还不能当成已经被验证的成本优势。

再看客户结构。除了前沿实验室，还有企业客户和政府项目。企业要的是把模型接到自己的业务里，数据得贴着自己的场景。政府项目则更看重合规和保密。这些需求，也在推着供应商往专家和定制走。

成本账：单价之外

接下来算一笔账，但要算对。看数据标注的成本，不能只盯单条价格。一条标注从需求到交付，中间隔着好几道工序，每一道都在花钱。

任务要先拆解，规则要写清楚，写不清楚后面全是坑。人要招募，资质要核验，不合适的得提前筛掉。上手之前要培训、要校准，让大家的判断标准对齐。然后才是真正的标注或者生成。

做完还不算完。机器先做一轮质检，人再抽检一批。拿不准的难例，交给专家复核。发现错了，要返工。最后还有安全合规、权限管理，以及和客户系统对接。这些环节加起来，才是真实成本。

可以粗略写成一句话：单条价格，乘以一加返工率，再加上复核和集成的开销。专家单价高，可如果返工率低、复核次数少，最后摊到每个有效标签上的成本，未必更高。

有效标签这个词值得多说一句。它指的是达到质量门槛、能直接进训练集的那一条。买方真正该算的，是每个有效标签多少钱，而不是每条标注多少钱。差一个字，账就完全不一样。

反过来也成立。众包单价低，可一旦规则模糊、任务复杂，返工和复核就会抵消便宜的优势。你省下的单价，可能又花在了反复修改和来回沟通上。便宜和划算，是两回事。

还有几项隐性成本容易被忽略。客户把数据交出去，就有保密风险，越靠近模型核心的数据，越敏感。换供应商也有切换成本，接口、流程、历史标准都要重新对齐。这些都不写在单价里。

时间也是一项成本。模型迭代有窗口期，数据晚到一周，可能就错过一次发布节奏。对前沿实验室来说，能按时交付的高质量数据，比便宜但拖延的数据更值钱。速度本身有价格。

成本还要分固定和变动。任务设计、规则撰写、专家培训，这些是固定投入，做一次能摊到很多条上。真正的标注和复核，是随数量增长的变动成本。量越大，固定成本越被摊薄。

所以想横向比较两家的成本，得先保证口径一致：同一批任务、同一个质量门槛、同一片劳动力市场。任务组合不一样，单价就没法直接比。高难度任务占比高的公司，单条价格天然更贵。

也不能拿融资额和估值来替代单位经济。融资是拿进来的钱，估值是市场给的定价，它们跟一条标注赚多少、亏多少，是两套账。混着看，很容易得出错误的结论。

更麻烦的是，两家公司的收入结构都没有公开拆开。传统众包占多少、专家生成占多少、评估和红队占多少、软件平台占多少，外界看不到。没有这个拆分，就没法判断谁的成本更优。

定价权也分两种。靠劳动套利的生意，毛利被工资和竞争压着，很难做厚。靠软件和工作流的生意，边际成本更低，毛利空间更大。一家公司最终值多少钱，很大程度看它站在哪一边。

质量护城河的真假

算完成本，就得问，专家到底买到了什么。直觉答案是质量。但质量这件事，比想象中麻烦得多。

有一篇学术综述讲得很清楚。自然语言标注里的分歧，可能来自标注错误，也可能来自任务本身有主观性，还可能是因为本来就存在好几个合理解答。把这些分歧强行压成一个所谓的标准答案，会把真实的人类判断差异抹掉。

举个常见的例子。判断一句话是不是「有害」，边界往往很模糊。讽刺算不算有害？在什么语境下算？几个人给出的答案不一样，未必是有人错了，可能是他们看到了不同的合理层面。

如果系统只取多数票，少数但有价值的那部分判断就被抹掉了。模型学到的，是一个被压平的标准，而不是真实世界里人们的分歧。长期看，这会让模型在灰色地带上变得迟钝。

这句话对专家模式是个提醒。专家资历高，不代表标签定义就清楚了。如果任务定义含糊、样本挑得偏、复核只看格式，专家也会给出互相矛盾的答案，只是矛盾得更专业、更难被发现。

所以真正的护城河，可能不在「我有一批博士」这个静态资源上。它更像一套组合：把任务设计清楚，把专家招对、筛对，做校准和复核，用评测结果反过来修数据，再把安全流程接进去。

这套组合难复制的地方在于，它是流程和经验的沉淀，不是一次性买来的设备。一个团队踩过的坑、积累的判例、磨出来的标准，别人短时间抄不走。这更像手艺，而不是专利。

但它也不是不可逾越。买方如果自己建专家池，或者同时用几家供应商竞标，溢价就会被压下来。专家市场不是垄断的，供给会慢慢跟上，价格会被竞争拉平。

所以质量护城河要成立，得满足一个条件：你的质量确实能稳定地比别人高，而且高出的那部分，买方愿意持续付钱。只靠一次两次的漂亮交付，撑不起长期的壁垒。

还有一层容易被忽略：评估本身也可能有偏。如果一套评测题是由某家供应商出的，它的标准就会带着那家的偏好。用这套题去证明自己更好，逻辑上是循环的。评估的独立性，是质量链条的最后一环。

质量还有一个难点：它很难被外部看见。客户拿到的是交付结果，看不到背后的筛选和复核。所以供应商的口碑、案例、长期合作，往往比一次招标更能决定订单归谁。信任，本身也是壁垒的一部分。

资本与客户关系

再看资本这条线。2024 年 5 月，Scale 宣布完成十亿美元融资，Accel 领投，NVIDIA、Amazon、Meta 参与。路透社报道，那一轮估值大约一百三十八亿美元。

这里要分清两个数。融资额是拿进来的钱，估值是市场给公司的定价。一百三十八亿是估值，不是收入。也不是利润。把它们当成经营成绩，是常见的误读。

2025 年 6 月，Scale 公告说，Meta 做了一笔投资，让公司估值超过二百九十亿美元，双方扩大商业合作，创始人 Alexandr Wang 加入 Meta。公告同时说，Meta 持有少数股权，公司保持独立。

公告没有给出交易金额，也没有给精确的持股比例。外面流传的具体数字，公司公告没有确认，这里就不当作确定事实来讲。能确认的是三件事：估值超过二百九十亿、合作扩大、创始人去了 Meta。

这笔交易的意义，不只在钱。大客户加资本绑定，会让供应商在交付优先级、模型理解深度上更贴近买方。数据团队能更早看到买方的需求，产品也能跟着对方的路线图走。

但另一面，其他模型实验室会怎么想？它们的数据会不会流到竞争对手那里？中立性，成了竞争边界上一个新的变量。供应商越深地绑进一家巨头，越可能让别家犹豫。

还有客户集中度的问题。收入如果太依赖少数几个大客户，一家客户的采购节奏一变，整家公司都会跟着晃。这在高速增长的行业里，是最容易被忽略的风险。

战略投资是双刃剑。它带来钱、订单和背书，也带来身份上的尴尬。当你的股东同时是你的大客户，其他客户会本能地多留一个心眼，多找一家备选供应商。

这也会反过来影响竞争格局。买方为了分散风险，可能主动扶持第二、第三家供应商。市场不会只剩一家，反而会留下一批各有专长的玩家。竞争边界，就这样被买方的避险需求撑开。

所以资本能加速，但买不来持久的壁垒。钱能扩团队、扩产能、买客户关系，可质量体系和交付口碑，还是得一条条数据攒出来。资本解决的是速度问题，不是能力问题。

换个角度看，Meta 这笔投资也说明，模型公司开始不满足于只当买方。它们想更靠近数据供给，甚至把关键能力收进自己体系。供应商和客户之间的边界，正在变得模糊。

反假设与边界

回到开头的反解释。专家溢价能不能持久，取决于替代速度。替代来得快，溢价就是短期的；替代来得慢，护城河才站得住。

现在已经能看到几条替代路径。模型自己生成候选答案，模型当裁判做初筛，主动学习挑出最值得人看的那一小部分样本。这些都会压缩专家工时，把人的精力逼到最难的少数问题上。

但替代有上限。模型裁判的质量，本身要靠可靠的基准来验证，而基准往往还是人来定的。合成数据再多，也得有人判断它像不像真的、有没有把错误放大。验证这一步，绕不开人。

所以更可能的图景是分层，而不是整体迁移。重复、明确、能客观判定的任务，会被自动化和低成本众包吃掉。高模糊、要领域知识、涉及偏好和安全评估的任务，还得靠专家。

按语言、按领域、按风险等级，这条分界线还会移动。医疗和法律这类高风险场景，专家比重会更高，因为错了代价大。一些标准化程度高的感知任务，众包加自动质检就够用。

如果哪天公开的对照实验显示，专家数据相对合成数据和众包数据的边际提升快速递减，那专家平台就更像周期性的紧缺供给，而不是高毛利、难替代的基础设施。这个反例，必须留在桌面上。

另一股力量是买方的议价能力。大客户可以自建数据团队，也可以同时招标几家供应商，让它们互相压价。当买方足够大、足够懂，供应商的定价权就会被削弱。

模型进步的速度也是变量。如果模型的自我评估能力提升得比预期快，需要人类专家的环节就会减少。反过来，如果模型越强、任务越难，专家的相对价值反而更高。两条曲线，谁跑得快，决定了溢价的寿命。

还有一个信号值得盯：专家数据的价格，会不会随着供给增加而快速下滑。如果价格很快降下来，说明它更接近普通劳动力市场，而不是稀缺资产。价格曲线，往往比宣传材料更诚实。

最后一个变量是任务的定义权。谁掌握了「什么算好数据」的标准，谁就掌握了定价的锚。这个标准如果被某家供应商和它的客户共同定义，后来者就很难撬动。标准，可能比数据本身更值钱。

结论与观察点

把线索收一下。数据标注不是简单地从众包整体迁到专家，而是从单一劳动力供给，分成一层一层的交付：自动化与众包负责规模和重复，专家负责难例、复杂推理、偏好判断和评估。

供应商的潜在优势，来自把人才筛选、任务设计、质量控制和软件工作流拧成一股绳。谁把这几件事做得更稳，谁就更可能拿到高价值订单。单靠人多，或者单靠几个专家，都不够。

这也意味着，专家交付不是众包的替代品，而是它的补充。真正有竞争力的公司，往往两条腿走路：用自动化压低成本，用专家解决难例，再用软件把两边接起来。

但要判断谁是真正的赢家，接下来盯三个具体指标。第一，同一任务集、同一质量门槛下，每个有效标签的成本和返工率。第二，收入结构里，传统众包、专家生成、人类反馈、评估红队和软件平台各占多少。

第三，专家数据相对合成数据和众包数据的边际提升曲线，什么时候开始变平。还有两个观察点：Meta 交易之后，各主要实验室客户的采购有没有迁移；Surge 这类自举公司，能不能拿出经得起核对的财务和客户集中度数据。

数据标注这门生意，表面卖的是人力，实际卖的是判断的可信度。谁能把判断做得又准又稳，还能把成本压到买方愿意持续买单的水平，谁就掌握了大模型训练里最不显眼、却最难绕开的那一环。