AI Companies Paying High Prices for Data: Google Spends Tens of Millions of Dollars on Bankrupt Airline's Records, Data Cost Accounting Still Opaque

一家破产航空公司留下的数据，被Google开价1000万美元购买。

这笔交易涉及美国廉价航空公司Spirit Airlines长期积累的内部记录，包括约1亿封电子邮件、5亿条Microsoft Teams消息，以及大量电子表格、日历和其他业务资料。Google希望利用这些数据改进AI模型。

一家已经停止运营的航空公司，多年来积累的工作记录，为什么还能卖出千万美元？

同时，另一家AI数据公司micro1宣布，计划在未来12个月投入10亿美元，向真实企业采购或取得运营数据授权，用来构建强化学习环境，让AI学习完成复杂的商业任务。

过去几年，AI公司花费巨资购买GPU、建设数据中心，训练模型需要的数据却很少有明确价格。当下，越来越多报价浮出水面。一道高难度数学评测题可能值5000美元，一家企业的内部数据可以收到1000万美元的报价，头部模型公司一年向一家数据供应商采购的服务就可能达到数亿美元。

过去，大模型获取数据的重要途径是互联网。

新闻报道、书籍、百科、论坛、开源代码和专业网站，构成了早期模型训练的重要语料。有行业人士对腾讯科技透露，在行业发展的早期，为了获得高质量的数据，甚至有人大量购买旧的书籍，“拆书扫描”。

随着行业的发展，版权问题越来越受到重视。头部模型公司会通过公开网络获取大量内容，也向出版商和专业数据库购买授权，再对数据进行清洗、去重、筛选。

这一市场一直存在。OpenAI与新闻集团News Corp达成多年内容合作。据《华尔街日报》当时报道，这项协议在五年内的价值可能超过2.5亿美元。OpenAI可以使用《华尔街日报》《纽约邮报》等媒体的当前和历史内容，既用于改进产品，也涉及在ChatGPT中展示授权内容。

不过，随着模型能力提高，数据采购的对象开始发生变化。

目前，模型公司的外部数据来源大致可以分成三类。

Scale AI、Surge AI、Mercor、micro1等公司都属于这个市场。它们帮助模型公司组织标注人员和专业人才，将原始数据加工成可用于训练的材料，生产模型需要的高质量答案、评测题目和复杂任务。

这门生意已经发展到相当大的规模。

2026年7月，《The Information》取得的财务文件显示，Mercor上半年实现6.14亿美元总收入，其中约91%来自基础模型公司，包括OpenAI、Anthropic、Google DeepMind等。

这些数据公司的收入，已经可以达到数亿美元的量级。它们也在随着模型训练需求的变化，逐渐从提供大规模标注劳动力，向组织数学家、程序员、医生等专业人才生产高质量数据延伸。

第二类，是拥有专业知识的人。

2026年2月，外媒报道，一些数学家受邀为AI提供高难度评测问题，每题报酬约5000美元。

这类题目并不是普通奥数题。它们需要足以检验前沿模型的能力，还要有可靠的答案和验证方法。对于越来越擅长数学推理的AI来说，提出一道它尚不能轻易解决的问题，本身也需要很高的专业能力。

此外，模型公司还需要工程师设计复杂编程任务，让医生评估诊断推理，让法律专家判断专业答案是否可靠。

相比普通文本标注，这类数据的生产成本更高，对人员的要求也更加严格。

第三类，也是最近出现明显新动向的，是掌握真实业务数据的行业公司。

Spirit Airlines就是一个典型案例。在破产前，这家航空公司并不是为AI提供数据的企业。它的邮件、会议记录、电子表格和业务资料，只是多年经营活动自然形成的记录。

但对于希望训练AI完成真实工作的模型公司，这些资料可能提供另一种价值。比如，一家企业如何处理供应商延期交货？一次客户投诉如何在不同部门之间流转？员工怎样根据新的情况调整工作计划？这些过程可能散落在邮件、合同、会议记录和业务系统中。

互联网上有大量介绍企业管理、供应链和客户服务的文章，但很难完整还原一家公司真正处理过的问题。

micro1的最新采购计划，也是冲着这类数据而来。

10月9日，micro1宣布启动Company Data Partnerships计划，向企业购买或取得运营数据授权，并将它们转化为强化学习环境。模型可以在其中学习如何处理不完整的信息、相互冲突的目标，以及真实业务中的各种意外情况。

这种需求与过去的大规模网页数据采购有明显区别。企业的工作记录因此有了新的潜在买家。

但这类数据同样存在障碍。企业拥有内部记录，不代表可以自由出售涉及员工、客户及合作伙伴的信息；原始记录也不等于能够直接使用的训练数据。买方还需要完成授权审查、隐私处理、任务提取和结果验证。

模型公司究竟为数据投入多少预算，至今仍然是一个很不透明的问题。

AI公司经常披露训练使用的算力和基础设施投入，但很少完整公布数据账本。即使是OpenAI、Anthropic这样的头部公司，目前公开可见的财务资料，也没有将预训练语料、专家后训练、强化学习任务和评测数据的支出逐项列明。

这首先与数据成本的构成有关。

一家模型公司的数据投入，既包括购买原始语料和版权授权，也包括数据清洗、去重、质量审核和隐私处理。进入后训练阶段，还需要向专家购买示范答案、偏好判断和复杂任务；训练Agent时，还可能需要开发可执行的环境和自动验证工具。

此外，模型公司自己也在生产数据。内部研究人员、标注团队、合成数据生成系统和评测基础设施，都可能产生相关成本。

从已经上市的大模型公司来看，2026年上半年，智谱研发费用达到21.31亿元人民币，同比增长33.6%；MiniMax研发费用约2.97亿美元，同比增长138.8%，MiniMax明确表示，增长主要来自模型迭代带来的训练相关云服务费用增加。但是数据采购在财报中却很难找到单独对应的数字。

MiniMax在2025年底发布的招股书中曾披露，计划2026年至2030年每年投入约6490万港元，用于文本、视觉、音频及多模态模型的数据采购、标注和合规，五年合计约3.25亿港元。

智谱的招股书显示，2025年上半年，研发技术服务及咨询费用约5221万元人民币，涉及数据清洗、模型评估及其他研发外包工作。由于多个项目合并披露，无法确认其中有多少直接用于数据相关服务，也无法判断是否包含原始数据采购。

模型公司的算力和整体研发开支已经越来越透明，但究竟花多少钱购买原始语料、专家生产的训练数据、强化学习任务和评测材料，仍然缺少统一的财务口径。外部采购、内部数据生产和相关计算成本又分散在不同科目中，使得不同模型公司的数据投入难以直接比较。

但是，海外模型公司的单笔外部采购已经出现了很高的金额。Google曾计划一年向Scale AI支付约2亿美元，Mercor在2026年上半年获得的数亿美元收入，也说明头部模型公司正在持续购买外部数据生产服务。

另据业内人士透露，GPT-6 Astra的数据投入成本高达几十亿美元，但这仅为行业传言。

更值得研究的是，模型公司到底怎样决定数据预算。

在传统理解中，模型需要更多数据，就继续扩大采购规模。但这种方式可能造成浪费：同一种数据已经积累了很多，继续增加未必能带来明显改善；真正限制模型能力的，可能是另一类稀缺数据。

2026年3月发表于EACL Findings的《Rethinking Data Mixture for Large Language Models》，系统梳理了大模型训练中的数据配比优化方法。

它讨论的是“有限的训练资源应该用在哪些数据上”。

例如，同一代模型需要同时提高数学、编程、语言理解和工具使用能力，但增加不同领域的数据，对最终表现的影响并不一样。研究总结了如何在固定计算预算下调整各类数据比例，以改善模型表现。

放到实际商业采购中，模型公司还需要回答第三个问题：这些数据究竟应该购买，还是自己生产？

假设一家模型公司希望提高复杂编程任务的成功率。如果普通代码已经不能明显改善模型表现，继续扩大采购就可能缺乏意义；如果合成任务的质量足够高，外部采购的必要性也可能下降。

反过来，当某些数据只有专业人员或真实企业能够提供，而且确实可以改善模型表现时，即使采购单价很高，也可能值得购买。

因此，数据预算不只是一个固定的研发成本比例。它与下一代模型准备提升什么能力、现有模型缺少什么数据，以及不同数据能够带来多少额外收益有关。

在Mercor的招聘页面上，普通专业人员的平均合同费率约为每小时107美元，但部分肿瘤学专家的报价达到350至450美元，机器学习专家为150至200美元。与之相比，简单图片分类、文本标注等基础任务，成本可能低至几美分一项。

这种价格差异可以说明，当下，模型公司愿意为特定领域的专业判断支付更高费用。

除了文章开头提到的，每道数学题报酬约5000美元。医学领域的报价也很能说明问题。Mercor目前公开招聘的放射科医生，合同费率达到每小时200至400美元，任务包括医学影像判读、撰写参考诊断报告和评估模型表现；部分肿瘤学专家职位的时薪达到450美元。这些属于专家报酬，并非模型公司最终支付的数据单价，但已经反映出复杂专业数据的生产成本。

专家时间昂贵而有限，所以数据公司需要从每小时劳动中获得更多有效训练信号。专家可能负责创建任务、定义合格交付标准，或处理模型与自动评分器意见不一致的情况。数据公司还有一个任务，测量数据集是否真正提高了模型表现。

另一笔正在增长的需求，是强化学习任务和可执行环境。模型公司需要让Agent在环境中完成多步骤操作，并通过真实结果或验证程序判断执行是否成功。

这类数据的成本不只来自编写任务，还包括环境开发、规则设置、自动验证和反复测试。micro1宣布的10亿美元企业数据采购计划，就是为了从真实运营记录中提取这类训练材料。

机器人领域也出现了值得关注的价格反差。10月16日，外媒报道，Human Archive等数据采集项目在30多个国家招募人员，佩戴设备记录日常劳动，支付每小时1至30美元。

报道还指出，相关真实世界数据需求在一年内增长了约十倍。与此同时，10月15日外媒报道，国内机器人企业DexForce正利用虚拟仿真数据降低训练成本。两条路线同时发展，意味着真实操作数据的需求在扩大，但仿真技术也可能逐渐压低部分数据的采集成本。

更深刻的变化是，模型本身也正在成为数据生产者。 对于答案可以自动验证的数学、编程任务，模型能够批量生成问题、尝试求解，再利用代码执行器或其他验证工具筛选结果。这会减少部分人工制作任务的需求，同时把采购预算推向更难生成、缺乏可靠验证器或需要人类专业经验的材料。

当然，其中也存在一个疑问：今天需要昂贵专家才能生产的数据，下一代模型能否以更低成本自行生成？如果可以，当前高价就未必能长期维持。

最终决定数据价格的，是它能否在现有模型和数据来源之外，提供可验证的能力增量，以及生产同等质量数据需要付出多大代价。

今天回看，“数据”已经开始发展成为一条成熟的产业链，只要人类的活动存在，那么这条产业链，就像链接人类与人工智能的一条脐带，生生不息、茁壮成长。

本文来自微信公众号“腾讯科技”，作者：晓静，编辑：徐青阳，36氪经授权发布。