训练数据价格的水面上下

AI训练数据从来没有公开价目表，labs和数据供应商在私底下讨价还价，偶尔漏出的数字散落在招聘启事、市场挂牌、法院文件和媒体报道里。现在，有人把这些碎片拼成了一块公开板：AIData.Broker 归集了973条已发布价格，来自673个来源，每一条都保留原始出处和原文，并归一化到可比较的计量单位。

核心判断只有一句：当训练数据的价格第一次可以被中位数描述，这个市场就从“关系生意”开始走向“资产生意”。而真正决定价格的，不是数据本身，而是数据的可信度和别人拿不到的那部分。

💰 没有价目表的市场，第一次有了中位数

数据交易的定价，长期处在一个很别扭的状态：买卖双方都在成交，但没人知道“市场价”是多少。

据 AIData.Broker 的公开板，目前已沉淀973条价格观察，覆盖673个来源。这些数字不是拍脑袋来的，它们原本就散落在四类地方：

这个结构本身就是一条产业链信号——价格信息的“暴露渠道”决定了谁有信息优势。招聘启事里写预算，说明企业在抢数据；法院文件里出价格，说明纠纷已经在算资产的账；市场挂牌明码标价，说明供给侧开始产品化。

拼起来之后，中位数说了什么？目前公开板里最具代表性的一组数字是：

“口径备注：两组中位价均来自AIData.Broker公开板的归一化报价，保留原始出处，未做通胀或汇率调整。企业私有记录样本量较小（n=42），分位区间较宽，31.6万美元应理解为量级参照，而非精确市场价。

两个数字放在一起，差距就出来了：一个是“按企业打包”的私有数据，一个是“按小时计价”的标准化语音集。前者是资产谈判，后者接近大宗商品。

🏭 最贵的不是数据，是别人拿不到的数据

数据不稀缺，稀缺的是专属性。

每家31.6万美元这个中位价，买的不是“一堆聊天记录和工单”。任何一家公司的客服对话、CRM记录、内部文档，单独看都是业务副产品，谈不上珍贵。但它们组合起来，描述了一家企业在真实商业环境中如何说话、如何处理问题、客户到底在抱怨什么——这是公开语料永远补不上的分布。

产业逻辑可以拆成三层：

1. 可再生的数据不贵。 公开网页、通用语音，供给近乎无限，价格自然按量计——每小时11美元的语音中位价就是佐证。

2. 难以复制的数据按“孤本”定价。 一家企业的私有记录只有一份，谈判对象只有持有者本人，价格锚定的是“拿到它之后你能补齐什么能力”。31.6万美元是中位数，意味着头部企业的要价远高于此。

3. 持有方本身成为卖方。 注意口径——这个报价是"offered to the company that holds them"，即数据经纪方主动向企业出价收数据。数据不再只是成本中心沉淀的废料，而是能挂上资产负债表的资产。

多位接近数据采购的人士私下讲过一个共同的感受：实验室愿意为一小段高质量私有数据付的钱，常常超过采购十倍体量的公开语料。规模在贬值，专属性在升值。

对国内正在推的数据要素市场，这个中位价是一个很有用的参照系——它说明数据资产入表的终点不是“账上有数”，而是真的有人按这个量级出价。

🧭 声明也是数据：一次README审计的教训

价格透明只是第一层，第二层是信任——而这恰恰是当前市场最薄的一环。

一位数据从业者在发布一个小型公开数据集时踩了坑，过程很有代表性。这个数据集来自对 Telegram 频道的时间戳快照采集，README里写着三个形容词：“关键词过滤、人工核验、已去重”。发布前跑了一遍审计，三条声明倒了两条半：

• 关键词过滤——导出管道里根本没有关键词这一步，过滤发生在更上游的采集环节，而那台机器已经不存在了。文件其实是原始切片。
• 人工核验——只对一部分成立，不是对整个文件。声明里藏着的作用域，等于多绕了几步的谎言。
• 已去重——按消息ID去重是真的，按内容去重是假的。克隆账号群把同一段文字贴满多个频道，文件里那些“近乎重复”的行不是缺陷，恰恰是发现本身。

这个故事的要点在于：数据的问题从来不在CSV里，而在散文里——那里没有linter。 每条数据管道其实有两个输出：数据本身，和你对数据做出的声明。大多数团队给第一个输出版本管理，对第二个输出凭感觉。

而买家恰恰是拿你的声明来给你的目标打分的。别人按“关键词过滤”的预期来用，结果拿到的是原始噪声，他不只会投诉，他会给这个来源打上不可信的标签——在数据交易市场里，信用折价是所有折价里最贵的一种。

所以当你看31.6万美元这个中位价时，要意识到它隐含了一个前提：卖方对数据的描述是可信的。README审计、血缘记录、抽样质检，这些“不产出数据的工作”，实际上是在为价格兜底。

一条数据从业务副产品走到成交桌上，完整的路径长这样：

• 采集环节：数据在业务系统中自然沉淀，成本最低
• 加工环节：清洗、去重、标注，成本开始累积
• 描述环节：README与元数据写成，“声明”诞生，也是风险诞生的时刻
• 定价环节：私下一对一谈判，报价散落在招聘启事与法院文件
• 暴露环节：经纪平台归集碎片，归一化后进入公开报价板

水面上的价格，靠的是水面下一整套东西在撑着：

价格可以被归一化，信任不能。数据市场正在完成一次罕见的转变：定价从私下博弈走向公开报价板，数据从成本废料走向资产负债表。但31.6万美元这个数字只是起点——真正决定这个市场能走多远的，是水面下那套看不见的东西：可审计的采集管道、经得起核验的数据声明、可追溯的血缘记录。谁先把自己的“散文”写好，谁就先拿到这个量级的报价。