硅谷头部数据服务商 Mercor 已经做到二十亿美元年化收入，这家公司抛出一个关键判断，现在大模型已经具备自己造数据的能力，这也让很多人开始重新思考 AI 时代的数据生意到底在卖什么，不再只是过去简单的爬虫文本、标注图片这类原始素材，而是经过筛选、标注、去重、清洗、适配模型训练的高质量数据集、数据生产流水线、数据质量评估体系，以及配套的数据合规授权方案，同时 Mercor 也在转向用模型合成数据补足稀缺样本，在真实数据采集成本走高的大环境下，开辟出新的营收增长点，整个数据产业的价值重心正在快速转移。
Mercor 押注模型自研数据的背后原因
- 原始高质量真实数据越来越稀缺
- 合成数据适配定向训练需求
- 数据买家需要整套能力而不只是文件
- 合成数据可以控制版权风险
互联网可抓取的优质公开文本持续变少，获取、授权真实数据的成本、合规风险同步上涨，单纯靠采集已经很难满足大模型持续迭代需求。
如果想要专门微调模型做代码、医疗、金融这类垂直任务，真实标注样本量往往不足，模型自主造数据可以快速补齐这类小众场景样本。
很多模型团队不只是想买一批数据，还想要过滤脏数据、检测数据泄露、评估数据对模型增益的配套工具，服务溢价远高于原始素材本身。
在规范流程之下生成的合成数据，能够规避不少原始素材带来的版权、隐私纠纷，对于要对外商用的大模型来说吸引力很强。
AI 数据生意在售的核心品类
| 售卖品类 | 简单说明 | 目标客户 |
|---|---|---|
| 清洗标注原始数据集 | 经过去重、过滤、标注的真实图文、代码、多模态素材 | 基础大模型预训练团队 |
| 模型合成数据 | 由 AI 生成、再经过校验的定向样本，补充稀缺场景 | 垂直微调、Agent 训练团队 |
| 数据流水线服务 | 采集、清洗、质量打分、去污染的整套工具与托管服务 | 自建数据部门但缺少工具链的企业 |
| 数据合规与授权包 | 确权、隐私脱敏、使用授权证明，降低法律风险 | 需要对外商业化的模型厂商 |
| 数据评估与测试集 | 专门用来评测模型能力、做基准测试的高质量测试数据 | 模型评测、对齐研发团队 |
如果想要采购这类 AI 训练数据，可以参考这套评估步骤
- 明确训练目标：先确定是预训练、SFT 微调、偏好对齐还是基准测试，不同目标适合的数据类型不一样。
- 核验数据来源：区分是真实采集数据还是模型生成数据，同时确认版权、隐私脱敏是否完成。
- 抽样质检：随机抽取样本，检查有没有脏数据、重复内容、幻觉、泄露隐私或者侵权片段。
- 小批量验证：拿少量数据做小规模微调，看能不能真正提升模型指标，避免买到 “看起来好看但无效” 的数据。
- 确认交付与售后：核对更新周期、版本迭代、违规召回机制，以及后续能不能持续补充同分布新数据。
模型能够自己造数据，不等于数据商会被直接取代。合成数据本身也需要高质量种子数据、严格校验流程，Mercor 这类数商的价值，就是把控整套生产链路的质量与合规；未来的数据竞争，比拼的不再是谁拿到最多原始文本，而是谁能稳定产出对模型真正有用、风险可控的数据。
【常见问题】
问题 1：Mercor 提出模型能自己造数据，是不是意味着数据生意以后只卖合成数据？
回答 1：Mercor 提出模型能自己造数据，但数据生意不会只卖合成数据，真实高质量原始数据依然具备不可替代的价值，合成数据更多作为补充。
问题 2：Mercor 年化收入达到二十亿美元，这笔营收全部来自售卖训练数据集吗？
回答 2：Mercor 年化收入达到二十亿美元，收入来源包含数据集、数据流水线、合规服务等多个板块，并不只是单纯售卖训练数据集。
问题 3：既然模型可以自己造数据，普通大模型团队还有必要向 Mercor 这类数商采购数据吗？
回答 3：即便模型可以自己造数据，想要产出可靠、低污染的合成数据，依然需要成熟的质检与确权体系，不少团队会选择向 Mercor 这类数商采购，节省搭建成本。
问题 4：Mercor 所说模型造出来的数据，会不会更容易出现质量缺陷？
回答 4：Mercor 所说模型造出的数据，如果缺少过滤和校验，容易混入错误、幻觉；成熟的数据生意，会配套专门流程筛选合成样本，把劣质数据剔除。
【参考资料】
[2026-11-14]（硅谷数商 Mercor 年化收入 20 亿美元，看好 AI 生成数据赛道）路透社
[2026-11-14]（Mercor 解读 AI 时代数据生意的价值转向）36 氪
[2026-11-12]（合成数据如何改变大模型数据供给格局）机器之心
【免责声明】
以上内容为公开产业资讯整理，Mercor 的业务结构、营收口径以及模型生成数据方案以企业官方披露为准；合成数据的训练增益、版权风险存在不确定性，本内容不构成数据采购、产业投资建议。