训练数据不够用，AI大厂开始下“毒手”

2026-08-19 · 乐蒙网

数据支持 | 勾股大数据（www.gogudata.com） 为 OpenAI 、 Anthropic 等头部 AI 实验室提供数据服务的数据工厂 Mercor ，正大规模寻找倒闭或被收购的初创企业，以高达 30 万美元的报价收购其内部数据集 。 不仅包括代码库，更涵盖 Slack 聊天记录、 Google Drive 文档、电子邮件、 Zoom 会议录音等

数据支持 | 勾股大数据（www.gogudata.com）

为 OpenAI 、 Anthropic 等头部 AI 实验室提供数据服务的数据工厂 Mercor ，正大规模寻找倒闭或被收购的初创企业，以高达 30 万美元的报价收购其内部数据集 。

不仅包括代码库，更涵盖 Slack 聊天记录、 Google Drive 文档、电子邮件、 Zoom 会议录音等日常办公痕迹。

据数据公司 Protege 披露，今年以来其处理的数据交易总额已达至少 1 亿美元，而去年同期仅约 3000 万美元。

不过，这门生意 背后 ， 有令人发凉的地方。

AI 的进化，本质上是“ 吃 ” 数据的过程。

大语言模型的能力上限，在很大程度上取决于训练数据的质量、规模和多样性。

过去几年， AI 产业享受了一场 数 据盛宴 ， 互联网上公开可用的网页、书籍、论文、代码、百科、论坛帖子，几乎被各大实验室刮了个遍。

数据公司 Protege CEO 鲍比·塞缪尔斯一语道破： “ AI 实验室已经基本刮完了整个互联网，现在需要的是人与人之间的真实互动。 ”

当 AI 从聊天机器人向数字员工演进时，对数据的需求发生了质变。

它不能只知道答案是什么，更需要知道人类到底是怎么完成工作的。

一份最终代码库像一道题的答案，能告诉模型产品最后怎样运行，却未必能解释问题最初从哪里冒出来、工程师为什么先排除一种可能、又为什么在测试失败后换了一条路。

而工单、聊天记录、会议转录和一次次代码修改，留下的正是这段中间过程 ， 问题如何被发现、讨论、验证、修复的完整链路。

从技术角度看，这对应着训练数据从 Type 2 （人工设计任务）向 Type 1 （真实业务捕获）的范式转移。

大模型代码能力进步最快，重要原因之一是 GitHub 是全球最大的 Type 1 数据宝库，一条 commit 记录串起问题描述、修改方案、代码评审和测试结果，完整保留问题从出现到解决的全链路。

其他领域缺的不是需求，而是像 GitHub 这样现成的数据源。

这也就解释了一个逻辑闭环， AI 要变得更智能，就必须不断训练 ， 而 更多、更深入的训练 又需要更多 数据 ， 结果 当公开资料被消耗殆尽， AI 就必须向更深层、更私密的数据伸手。

如果没有更深入的资料， AI 就会面临巧妇难为无米之炊的窘境 ， 模型能力的天花板， 也 将被公开数据的天花板死死锁住 ， 那还如何进化呢

当 AI 伸手索取这些深层数据时，问题随之而来。

Slack 聊天记录里可能有客户信息，邮件里可能有员工姓名，会议里可能出现商业机密，医疗企业数据甚至涉及患者隐私。

AI 实验室的刚需，与个人隐私权、企业商业秘密、劳动权益保护之间，形成了正面冲突。

这种冲突体现在多个维度 ， 最核心的是 隐私问题 。

尽管 Mercor 等公司声称能识别并遮蔽 60 多类敏感标识符，但业内坦言彻底保护隐私几乎不可能。

更深 的 矛盾在于 ， 工作记录最有价值的部分，往往不是一句话本身，而是谁在什么阶段说出，随后触发了什么动作。

姓名可替换，但岗位、时间、项目、客户关系和跨系统关联很难都删干净 ， 数据清洗过度就会失去价值，保留这些关系又会带来重新识别和敏感信息泄露的风险。

即使员工入职时签过知识产权协议，也不代表公司有权私自售卖内部聊天和工作记录 ， 员工从未明确同意自己的工作对话被打包出售给 AI 公司用于训练。

还有 商业机密 、 客户隐私风险 、 算法偏见 等 问题 。

比如，真 实工作数据 ， 天然包含人类决策中的偏见和错误模式，当这些数据被用于训练 AI 智能体时，偏见会被规模化复制和放大。

全球范围内 ， 对于企业内部工作数据能否被第三方收购用于 AI 训练这一问题， 到现在都没有 清晰的法律框架。

一些人会认为这是好事，因为监管宽松，可以 推动 AI 能力 快速发展 ， 并可以产生一些新的业务和工作岗位，但 它 也 打开了隐私泄露、伦理失范和法律真空的潘多拉魔盒。

当然了，监管是肯定要跟上的，不可能让 AI 继续裸奔，现在 各方正在探索的解决路径包括：

法律层面尽快明确数据权属边界和“ 知情同意 ” 标准；

技术层面发展联邦学习、差分隐私、合成数据等隐私保护技术；

企业层面在出售数据前充分告知员工并征得同意。

但可以预见的事， 这场冲突的解决 会 是一个 相当 漫长 的 过程 ， 各方的利益博弈是不会消失的。

其实， 在讨论 Mercor 收购倒闭公司数据是否侵犯隐私之前， 一些巨头的原罪也被再次拿出来讨论。

就拿 谷歌和 Meta 来说 ，这两家全球最大的互联网平台，本身就沉淀了海量个人数据 ， 包括 数十亿用户的搜索记录、 Gmail 邮件、 Google Docs 文档、 YouTube 视频、 Facebook 帖子、 Instagram 照片、 WhatsApp 消息。

这些数据难道没有被用于 AI 训练吗

《纽约时报》 就报道过， 2023 年 7 月 4 日美国独立日假期期间，谷歌发布了更新后的隐私政策， 并且 特意选择假期以分散公众注意力。

新政策明确写道：“我们使用公开可用的信息来帮助训练谷歌的 AI 模型。”

2023 年， Meta 也 更新了隐私政策，明确声明用户在 Facebook 、 Instagram 上的公开帖子、照片、评论和 Reels ，都将被用于训练其 AI 模型。

2024 年 6 月， Meta 曾宣布暂停使用欧盟用户数据训练大语言模型，原因是爱尔兰数据保护委员会提出了数据保护方面的担忧。

但仅仅一年后， Meta 又宣布恢复这一计划。

2026 年 2 月， Meta 正式确认将使用欧盟用户的公开数据训练 AI 模型，仅给予用户“反对” （ opt-out ）的权利，而非“同意” （ opt-in ）。

2026 年 6 月，谷歌又悄悄更新了搜索隐私设置，自动将所有用户纳入其扩展的 AI 训练计划。

这些事实 都说明， AI 训练对个人隐私的侵犯，并不是从 Mercor 收购倒闭公司数据才开始的 ， 从谷歌、 Meta 等巨头悄悄修改服务条款的那一刻起，就已经在发生了。

区别只是， 巨头们用的是合法手段 ， 而 Mercor 做的是灰色交易 ， 法律边界 更加 模糊 罢了 。

Mercor的这门生意，撕开的恰恰是AI进化史中最荒诞的一页——我们一面惊叹于大模型的“智能”，一面又不得不承认，这种智能的底座，是无数打工人一辈子在工作生活中留下的、那些从未被好好安放的“数字遗产”。

事已至此，再去苛责Mercor的灰色交易，多少有些“解决提出问题的人”的意思。

谷歌、Meta的隐私政策静默更新，已经用行动表明了态度——哪怕没有Mercor，AI对深层数据的渴求也绝不会止步。

区别只在于，巨头们走的是堂而皇之的阳关道，Mercor们探的是若明若暗的独木桥。

这场冲突没有简单的善恶之分，只有不可避免的角力。

可以预见，未来的AI监管会为此划出新的红线，数据脱敏技术会走向更成熟的形态，甚至“数字遗产”的概念也会被重新定义。

但在那之前，我们或许只能接受这样一个尴尬的现实，AI的每一次进化，都在拿人类的数字隐私做燃料。

而这场“烧自己照亮AI”的赛跑，远未看到终点。 （全文完）

一图看懂香港中华煤气(0003.HK)2026年中期业绩

百富环球(00327.HK)中期纯利同比上升32.6%至5.18亿港元

普冉股份(688766.SH)：上半年归母净利润8.27亿元，同比增加1929.65%

兆易创新(603986.SH)：上半年归母净利润76.66亿元，同比增加1186.15%

宇树明天敲钟，Optimus量产提速，机器人行情的“发令枪”已经响了

A股史上最强“肉签王”！中一签最高赚逾55万！

盈利逆势增长，从座椅头枕到千亿总成，再到机器人，解读继峰股份的“三级跳”

商务部等9部门：大力支持新能源汽车、绿色智能产品、绿色建材等下乡

前三大“债主”齐抛美债！日本抛264亿美元

ETF风向标 | 农业股掀涨停潮，粮食ETF涨停，农牧ETF涨4%，货币型ETF近期持续“吸金”，银华日利ETF近5日净流入78亿元、华宝添益ETF净流入14亿

24小时环球政经要闻 | 8月18日

A股收评：沪指微涨0.19%！粮食、猪肉股活跃，影视股延续调整

宇树明天敲钟，Optimus量产提速，机器人行情的“发令枪”已经响了

《牛来》票房飙至1200万！A股“牛字辈”也发疯

ETF风向标 | 算力硬件产业链反弹，地产股午后崛起，房地产ETF、地产ETF劲升4%，通信ETF涨3.6%，上证50ETF单日“吸金”11亿元，位居ETF首位

上半月杀出创新药和算力租赁，下半场黑马将换成他们！

英伟达披露SpaceX持仓：210亿美元押注马斯克火箭

早报 (08.14）| 最高100%关税！美国对进口无人机及零部件出手；闪迪暴涨13%，标普500再创新高；DeepSeek大涨价

7月规模以上工业增加值增长4.5%，社零同比增长0.6%

早报 (08.13）| 业绩爆雷！“英伟达挑战者”盘后暴跌17%；DeepSeek V4 Pro正式版上线；特朗普发声：美方拥有“完全控制权”

马斯克内部讲话：AI收入最早9月将超全部业务！

声明 未经授权，不得复制、转载或以其他方式使用本站内容。格隆汇及授权的第三方信息提供者竭力确保数据准确可靠，但不保证数据绝对正确。

违法与不良信息举报热线:0755-86533750-821 举报邮箱:service@gelonghui.com