训练数据不够用，AI大厂开始下“毒手”

本文作者 | 哥吉拉

数据支持 | 勾股大数据（www.gogudata.com）

最近，一则消息在科技圈炸锅。

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。

这又是一门因为AI而生的生意。

不过，这门生意背后，有令人发凉的地方。

01

无数据，不AI

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。

但盛宴终有散场之时。

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。

代码领域已验证这一点。

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？

02

冲突爆发

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。

其次是知情同意问题。

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。

法律监管也是一个棘手的问题。

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；

行业层面建立数据溯源和自律标准；

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。

03

巨头的原罪

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？

真相是一直在用。

《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。

04

尾声

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）

免责声明：所有平台仅提供服务对接功能，资讯信息、数据资料来源于第三方，其中发布的文章、视频、数据仅代表内容发布者个人的观点，并不代表泡财经平台的观点，不构成任何投资建议，仅供参考，用户需独立做出投资决策，自行承担因信赖或使用第三方信息而导致的任何损失。投资有风险，入市需谨慎。