为什么中国没有ScaleAI？

最近，苦逼的AI数据标注行业火了，是由于以下三则融资：
1. ScaleAI：被Meta 300亿美金估值收购49%股权，28岁创始人Alexander加入Meta
2. Mercor：创立两年估值20亿美金，据说还拒了100亿美金估值的投资，其印度创始人Foody只有21岁
3. SurgeAI：行业老二也爆出来要融资10亿美金，估值150亿
其实，AI数据标注的商业模式非常的简单：攒人+作业平台+标数据，是一个1/3智力密集型+2/3劳动密集型的生意。一般来讲，这样的生意很适合中国，美国做这行的也都是华人或印度人。但市场现状上，中美差距很大：
美国：25年Scale AI 15-20亿美金收入，Surge/Mercor/turing都在2-4亿美金
中国：最大的也就1-2亿人民币人收入。海天瑞声是语音，小咖帮主要供人头，还有一堆16年做自动驾驶标注起家的。目前没有任何一家能和scaleAI对标的。

问题来了，为什么中国没有ScaleAI呢？
核心原因有三个：
1. 中国模型厂都是蒸馏厂。能轻松的蒸馏别人现成的，干嘛还要费时费力做human-data呢？尤其在Deepseek R1证明了longcot蒸馏路线可行后，国内大厂的蒸馏已经到了非常夸张的程度。主打一个等待OpenAI更新，你更新一次，我就刷一次数据。一个有趣的例子，24年O1发布前，GPT4一直没更新，直接导致某家模型一直原地踏步。
2. 中国大厂自建了human-data团队，吃掉了三方服务商的市场。互联网大厂倾向啥都干，本来就有规模化的运营团队，比如抖音内容审核，所以很自然生长出内部的human-data团队。规模大的自建团队在1-2千人，支出在3-4亿，几个大厂合计有10亿，那自然外部就没生意了。
3. 数据安全。ScaleAI给OpenAI标的数据会不会卖给Google？答案是不会，靠的是法律约束。但国内公司能不能抵住一份数据卖多家的诱惑呢？很难。你能做到，大厂也不信，因为他们自己就在不合规的蒸馏别人模型。即便数据本身保护住了，数据knowhow也无可避免的会传播出去。ScaleAI能在一个壁垒不够高的赛道，做到第二名的5x规模，核心原因是大家想找它学习OpenAI的经验。所以国内大厂一定会自己做，甚至meta都开始收购scaleai了。
以上三个原因导致了市场需求的萎缩，而优秀的数据标注公司是需要和大厂紧密合作才能不断打磨工艺的，这反过来导致市场没有优秀的供给。即便现在大厂想找外部公司做，也找不到合格的供应商。
所以中国目前没有ScaleAI，只剩下做低端自动驾驶/语音标注的公司以及供人头的服务商。

那么往后看，会有变化吗？
1. 蒸馏的比例会下降，留出human-data的空间。不夸张的讲国内post-train数据99%都是蒸馏的，几乎不能再提升了，这有两个问题：
一是合规，老美也不傻，这样的明牌抄袭可能随时被监管。
二是天花板，蒸馏只能follow别人，不能明显超过别人，拓展模型能力边界还是要蒸馏更高质量的人类专家。
2. 数据需求越来越难，大厂传统的自建模式会逐步萎缩。现在大模型高考数学都140了，普通人已经没法给大模型标数据了。目前模型需要的是物化生的竞赛题、金融/法律/医疗的专业数据，但不可能招聘几百个竞赛金牌选手、券商分析师、律师来做全职。但兼职是可以的，整个行业会像海外一样，从全职主导向兼职主导发展。当然大厂也可以转型兼职模式，字节已经在做了。
3. 数据安全的诉求不会有变化。三方服务商要么卖成品数据集，要么在大厂的平台上作业，可能不会让三方服务商独立完成数据任务。

总的来说，中国会有AI数据标注的市场，但受制于以上的种种原因，最多就能长出1/10的ScaleAI。(30亿美金也不小？）

最后，不确定的是human-data的需求到底有多少，延伸的三个问题供大家讨论：
1. 对智能的需求是无止境的，所以对数据的需求也是无止境的？
2. Scaling law下对数据的需求是指数增加的，对human data的需求也是指数增加的吗？
3. 数据需求方除了foundation model大厂，还有没有别人？垂直模型是否有价值和数据需求？
We’ll see

来源：皮皮鹏