Data / 大模型

厂商全景、诉讼与政策

整理 2026-10-15 · 来源与口径标注见正文
本文目录
  1. 一句话结论
  2. 市场结构
  3. 厂商与渠道
  4. 诉讼
  5. 政策与爬虫治理
  6. 局限与争议
  7. 口径冲突与未核实
  8. 来源

一句话结论

  1. 面向 lab 采购的训练数据与 RL 环境市场约 $85 亿/年、50+ 家、前四家（Scale AI、Surge AI、Mercor、Handshake AI）占 75% 以上，但该数字来自一张投资人市场图经博客转述，非审计数；它与"数据标注服务 $186 亿"是两个不同的圈，不可相加 ⚠️媒体口径 [1][2]。
  2. 与 robotics 专栏不同：LLM 层的核心风险是"版权获取合法性与诉讼"，而具身数据层的核心风险是采集合规与硬件成本；LLM 数据商之间则有明显的中立性与毛/净收入口径陷阱。
  3. 版权诉讼出现"训练合法、获取非法"的分层：Bartz v. Anthropic（Alsup，2025-06）认定训练属合理使用、盗版库留存不属，最终以 $15 亿和解（约 $3,100/作品，2026-07-20 终审批准，律师费裁定约 $1.016 亿）[24][26]；Thomson Reuters v. Ross（第三巡回，2026-09-29）认定非生成式 AI 训练不是合理使用 [33]。
  4. 政策分叉：欧盟走透明度与退出权（2026-08-02 起 AI Office 获执法权）；美国联邦无立法，加州 AB 2013 要求高层次披露；英国 2026-03 放弃 TDM 退出方案且无替代；日本第 30 条之 4 最宽；中国走"数据要素×+标注基地"供给侧产业政策，训练行为本身尚无高层级司法定论。
  5. 爬虫治理从自愿协议走向基础设施层强制：100 个头部新闻站中 79% 至少封一个训练 bot；Cloudflare 自 2025-07 起对新域名默认拦截 AI 爬虫并推 Pay Per Crawl [58][64]。

市场结构

三个常被混用的规模数字，口径与来源如下，互不可比：

口径 数字 来源与性质 备注
A. lab 采购向（训练数据 + RL 环境供应商） 约 $85 亿/年，50+ 家，前四家 >75% Deedy Das 市场图（2026），经 Pebblous 博客转述；博客另给 Scale $2B+ run-rate、Surge 约 $1.0–1.2B、Mercor $850M+ run-rate、Handshake $1.1B 年化毛收入（Pebblous 口径，与 AI 训练约 $10 亿/公司合计约 $11.5 亿的口径不同），全行业估值约 $100B [1] ⚠️媒体/二手口径；原图未取得；Pebblous 自身是该领域公司；RL List 仅是供应商目录，无统计原文
B. 泛"数据标注/RLHF 服务" 约 $186 亿（2025） 沙利文《全球及中国 AI 数据服务市场白皮书(2026)》，二手转述 [2] ⚠️未取得原文；含非 lab 客户
C. 传统市场研究窄口径 Grand View：数据收集与标注 2030 年约 $171 亿；ResearchAndMarkets：AI 训练数据集 2024 年约 $26.2 亿；GIA：标注 2024 年 $15 亿 → 2030 年 $81 亿；"解决方案+服务"广口径 2024 年 $201 亿 → 2030 年 $637 亿 [3] 搜索摘要转述 范围从不足 $10 亿到 $200 亿，差异几乎全部来自口径

结论：A 不含非 lab 客户，B 含，C 只覆盖工具与部分服务。对外引用须逐口径标注，不可把 A 当作"行业规模"。详见 数据商市场结构。

收入口径陷阱

  • Mercor 与 Handshake 为毛收入口径（含付给专家的 60–70%），Surge 与 Scale 为净收入口径，不可直接比较。
  • Mercor 收入有三种说法：年化毛收入约 $20 亿（2026-06）；ARR $15 亿+；Sacra 估计 2026H1 毛收入 $6.14 亿 [5]；毛利率 35–40%（媒体口径）。
  • Handshake AI 训练业务年化毛收入约 $10 亿（2026-04），公司合计约 $11.5 亿 [6]；估值仍停在 2022 Series F 约 $33–35 亿。
  • Scale：Meta 2025-06 投 143亿（14.3B）占 49%（无投票权），估值 $290 亿；Google、Microsoft、OpenAI 减少或终止合作；CEO 称 2026 年收入将超 $10 亿；Meta 五年合同每年至少 $4.5 亿（媒体口径）[9][10]。
  • 中立性：lab 把 spec 拆碎使单一 vendor 只看到局部；Meta 入股后客户撤单是这一机制的反面案例。lab 自建是所有 vendor 的共同天花板（Epoch 观察，无量化比例）。

2030 格局：无外部来源支持的预测，不作为行业共识。

厂商与渠道

融资与并购总表（2024–2026）

大模型数据公司融资（2024–2026，百万美元）

标注 / RLHF、专家网络、RL 环境、数据策展等数据供给方；取单轮金额，带 ⚠️ 的为传闻或二手转述。

Scale AIScale AI：$1000M（2024-05 Series F $10 亿 @ $138 亿；2025-06 Meta 另以 $143 亿换 49% 股权未计入本条 [9]）$1000MSurge AISurge AI：$1000M（⚠️2025-07 融资传闻，拟融 $10 亿，未见关闭确认 [7][8]）$1000MMercorMercor：$350M（2025-10 Series C $3.5 亿 @ $100 亿，媒体口径多源一致 [4][5]）$350MSnorkel AISnorkel AI：$350M（2026-09-22 公布 Series E $3.5 亿 @ $35 亿（Insight Partners、S32 领投），经媒体转述 [83]）$350MUniPat AIUniPat AI：$300M（⚠️2026-09 报道阿里拟领投约 $3 亿 @ 约 $25 亿，交易仍在谈判，来源未称 A 轮；媒体口径 [20]）$300MPrime IntellectPrime Intellect：$130M（2026-07 Series A $1.3 亿 @ $10 亿，公司口径经快讯转述；另有口径冲突 [16]）$130MTuringTuring：$111M（2025-03 Series E $1.11 亿 @ $22 亿 [80]）$111MInvisible TechnologiesInvisible Technologies：$100M（2025-09 $1 亿 @ 超 $20 亿，Bloomberg 口径 [81]）$100Mmicro1micro1：$100M（⚠️2026-09 Forbes 报道 $1 亿+ @ $40 亿，公司拒绝评论 [82]）$100MApplied ComputeApplied Compute：$80M（2026-04-08 公布 $8,000 万 @ $13 亿 post-money（Kleiner Perkins 领投），公司页 [86]）$80MTolokaToloka：$72M（2025-05 少数股权融资 $7,200 万，非并购 [18][19]）$72MDatology AIDatology AI：$46M（2024-05 Series A $4,600 万 [17]）$46MFleetFleet：$45M（⚠️Series A，取已关闭口径 $4,500 万 @ $7.25 亿（另一口径谈判 $5,000 万）；RuntimeWire 2026-06-01 报道，原标 2026-04 未核到 [13][14]）$45MBespoke LabsBespoke Labs：$40M（2026-07 种子 + A 轮合计 $4,000 万，tracker 口径，来源未列领投方 [85]）$40MHalluminateHalluminate：$30M（2026-10-01 Series A $3,000 万，公司口径 [84]）$30MHUDHUD：$16M（2026-06 Series A $1,600 万，领投方来源冲突 [15]）$16MMechanizeMechanize：$9.1M（⚠️2026 融资 $910 万 @ $5 亿（来源未标轮次）；Google 授权交易金额未披露 [11][12]）$9.1MVeris AIVeris AI：$8.5M（2025-06 种子 $850 万 [87]）$8.5M
中国美国欧洲
数据表
公司地区金额（$M）口径
Scale AI美国10002024-05 Series F $10 亿 @ $138 亿；2025-06 Meta 另以 $143 亿换 49% 股权未计入本条 [9]
Surge AI美国1000⚠️2025-07 融资传闻，拟融 $10 亿，未见关闭确认 [7][8]
Mercor美国3502025-10 Series C $3.5 亿 @ $100 亿，媒体口径多源一致 [4][5]
Snorkel AI美国3502026-09-22 公布 Series E $3.5 亿 @ $35 亿（Insight Partners、S32 领投），经媒体转述 [83]
UniPat AI中国300⚠️2026-09 报道阿里拟领投约 $3 亿 @ 约 $25 亿，交易仍在谈判，来源未称 A 轮；媒体口径 [20]
Prime Intellect美国1302026-07 Series A $1.3 亿 @ $10 亿，公司口径经快讯转述；另有口径冲突 [16]
Turing美国1112025-03 Series E $1.11 亿 @ $22 亿 [80]
Invisible Technologies美国1002025-09 $1 亿 @ 超 $20 亿，Bloomberg 口径 [81]
micro1美国100⚠️2026-09 Forbes 报道 $1 亿+ @ $40 亿，公司拒绝评论 [82]
Applied Compute美国802026-04-08 公布 $8,000 万 @ $13 亿 post-money（Kleiner Perkins 领投），公司页 [86]
Toloka欧洲722025-05 少数股权融资 $7,200 万，非并购 [18][19]
Datology AI美国462024-05 Series A $4,600 万 [17]
Fleet美国45⚠️Series A，取已关闭口径 $4,500 万 @ $7.25 亿（另一口径谈判 $5,000 万）；RuntimeWire 2026-06-01 报道，原标 2026-04 未核到 [13][14]
Bespoke Labs美国402026-07 种子 + A 轮合计 $4,000 万，tracker 口径，来源未列领投方 [85]
Halluminate美国302026-10-01 Series A $3,000 万，公司口径 [84]
HUD美国162026-06 Series A $1,600 万，领投方来源冲突 [15]
Mechanize美国9.1⚠️2026 融资 $910 万 @ $5 亿（来源未标轮次）；Google 授权交易金额未披露 [11][12]
Veris AI美国8.52025-06 种子 $850 万 [87]

口径说明：只收厂商全景章融资表中有金额且有来源编号的行；估值、Meta 入股 Scale 等股权交易、金额未披露或仅称“数亿元”的轮次不画。表内无以人民币计的确切金额，故未涉及汇率换算（人民币统一按 7.1 换算）。

公司 国家 类型 轮次/事件 金额与估值 口径/状态 来源
Scale AI 美 标注/RLHF 2024-05 Series F；2025-06 Meta 入股 $10 亿 @ 138亿；143 亿换 49% @ $290 亿 媒体/公司 [9]
Surge AI 美 专家 RLHF 2025-07 融资传闻 拟融 $10 亿，估值 $150–250 亿 ⚠️未确认关闭 [7][8]
Mercor 美 专家市场 2025-10 Series C $3.5 亿 @ $100 亿（Felicis 领投）；2026 有 $200 亿传闻 ⚠️未证实 媒体口径，多源一致 [4][5]
Handshake AI 美 专家数据 2022 Series F（AI 业务后未更新） 约 $33–35 亿 旧估值 [6]
Turing 美 coding/STEM 数据 2025-03 Series E $1.11 亿 @ $22 亿（Khazanah 领投） 公司/媒体 [80]
Invisible Technologies 美 运营外包 + 训练数据 2025-09 $1 亿 @ 超 $20 亿（Vanara Capital 领投） Bloomberg 口径 [81]
Micro1 美 专家网络 2026-09 报道 $1 亿+ @ $40 亿 ⚠️Forbes 报道，公司拒绝评论 [82]
Snorkel AI 美 程序化标注/环境 2026-09-22 公布 Series E（Insight Partners、S32 领投） $3.5 亿 @ $35 亿（前轮 2025-05 Series D $1 亿 @ $13 亿） 公司公告经多家媒体转述，未直读原公告 [83]
Toloka 荷/美 众包 + 专家 2025-05-07 少数股权融资 $7,200 万，Bezos Expeditions 领投；Nebius 保留重大经济权益、让出多数表决权、不再并表 公司申报，多源一致 [18][19]
Mechanize 美 RL 环境 2026 年融资（来源未标轮次）；2026-08 起报道 Google"人才 + 非独占技术授权" $910 万 @ $5 亿；交易传约 $15 亿（媒体口径，Business Insider 单一来源，官方未披露，结构为授权加招人；TNW 8-6 称谈判中） ⚠️媒体口径，金额未证实 [11][12]
Fleet AI 美 RL 环境 Series A（RuntimeWire 2026-06-01 报道；原标 2026-04 未核到） 谈判口径 $5,000 万 @ $7.5 亿；另一口径已按 $4,500 万 @ $7.25 亿关闭（Sequoia、Bain、Menlo、SVA 内部轮） ⚠️两种口径未统一 [13][14]
HUD 美 RL 环境平台 2026-06 Series A $1,600 万 领投方来源冲突（Standard Capital vs BlackRock/Fin Capital） [15]
Prime Intellect 美 开放 RL 环境生态 2026-07-08 Series A $1.3 亿 @ 10亿（RadicalVentures领投）；称ARR>1 亿 公司口径经快讯转述；CB Insights 另列 2026-01 Series B $4,994 万，口径冲突 [16]
Halluminate 美 RL 环境 2026-10-01 Series A $3,000 万（Oak HC/FT 领投），累计 $3,850 万 公司口径，Fortune 未独立核实 [84]
Bespoke Labs 美 合成数据/环境 2026-07-06 公布（种子 + A 轮合计） $4,000 万（来源未列领投方；原写 Wing VC 未核到） tracker 口径 [85]
Applied Compute 美 企业专属 RL 2026-04-08 公布 $8,000 万 @ $13 亿 post-money（Kleiner Perkins 领投，累计 $1.6 亿）；传 $30 亿洽谈未关闭 公司页 + 媒体 [86]
Veris AI 美 企业 agent 仿真 2025-06 种子 $850 万 之后未查到新轮 [87]
DatologyAI 美 预训练数据策展 2024-05 Series A $4,600 万（Felicis 领投），累计约 $5,770 万；未查到 B 轮 公司口径 [17]
UniPat AI 中 评测/专家数据 2026-09 新一轮（报道称阿里拟领投，未见来源称 A 轮） 约 $3 亿 @ 约 $25 亿 ⚠️媒体口径，据 Bloomberg 等转述，交易仍在谈判、条款可能变化 [20]
Humanlaya（壤智能） 中 专家标注/评测 2026-09 Pre-A 数亿元（鼎晖领投） ⚠️媒体口径 [21]
智衍慧生 中 评测/专家数据 2026-06 工商变更 腾讯系入股，金额未披露 仅工商信息 [22]

说明：Prime Intellect、HUD、Fleet 的数字来自快讯与聚合站转述，未回溯公司公告。

并购与"授权 + 挖人"

交易 时间 内容 口径
Meta–Scale 2025-06 非控股 49%（$143 亿），Wang 入 Meta；随后 Google 等撤单 多源媒体
Google–Mechanize 2026-09 人才 + 非独占技术授权，Besiroglu 与十余人入 DeepMind；公司由 Guive Assadi 继续运营；金额约 $15 亿（媒体口径，Business Insider 单一来源，官方未披露，结构为授权加招人） ⚠️媒体口径，未证实
NVIDIA–Gretel 2025-03 Wired 报道"九位数"，高于此前 $3.2 亿估值，约 80 人并入 ⚠️报道，NVIDIA 未评论 [23]
Mercor–Sepal AI；Mercor–Deeptune 2026-02；2026-07-09 补评测与 RL 环境能力；Deeptune 此前获 a16z 领投 $4,300 万 Series A，Mercor CEO 曾以天使身份参与，被报道指为治理问题 公司/媒体
Handshake AI–Cleanlab 2026 补自动化能力 公司口径，细节未复核

Nebius–Toloka 不是并购：2025-05 是少数股权融资加控制权让渡（Nebius 放弃多数表决权，改按权益法核算），不得写作"收购"[19]。"授权 + 挖人"模板见 授权加挖人交易模板。

内容授权与渠道（相关价格）

项目 数字 口径
News Corp–OpenAI 约 $2.5 亿/5 年（约 $5,000 万/年） WSJ 报道，媒体口径 [76]
Amazon–NYT $2,000–2,500 万/年 WSJ 报道，媒体口径 [75]
Reddit–Google 约 $6,000 万/年 ⚠️聚合站单源，需回溯 [77]
OpenAI–Axel Springer $2,500–3,000 万/3 年 WSJ 转述
Cloudflare Pay-Per-Crawl（HTTP 402） 页面级定价；2026-07 宣布由"按抓取付费"转向"按 AI 结果中使用付费" 具体付费规模未查到 [66]
TollBit 等 见 AI 内容授权市场 发布商—AI 爬取许可与监测平台

中国数据商

梯队 公司 要点 来源
新一代评测/专家数据 UniPat AI、Humanlaya（壤智能）、智衍慧生 评测优先，阿里/腾讯战略投资；与 xbench 联合发榜 [20][21][22]
传统标注上市 海天瑞声（688787） 2025 营收 3.77 亿元（+59%），训练数据相关应用服务 0.28 亿元（+1,394%） [88]
传统标注未上市 数据堂 Datatang、云测数据 Testin、标贝科技、整数智能 MolarData、曼孚科技 MindFlow 多为服务线，未见独立公开榜单；曼孚 2026-04 数亿元 Pre-C（五源资本领投） [89]
语料服务 上海库帕思 上海联和/信投牵头（2024-03），参与《语料库建设导则》团体标准 [74]
非商业评测 司南 OpenCompass、SuperCLUE、C-Eval、FlagEval 公共基础设施 —

各家产品、客户与劳工问题见 数据标注劳工与转包结构、国内众包平台；老牌与第二梯队厂商（Labelbox / Alignerr、Appen（澳鹏）、Sama、iMerit）细节见后训练人类数据章节。

诉讼

美国

案件 被告 核心争点 进展 日期 来源
Bartz v. Anthropic Anthropic 训练是否合理使用；盗版库获取与留存 Alsup：训练 "exceedingly transformative" 属合理使用，合法购买后数字化亦然；从 Books3/LibGen/PiLiMi 下载建永久库不属。$15 亿和解终审批准（Martínez-Olguín 法官；律师费由申请的 $1.875 亿降为 $101,561,111，约 6.8%，另扣留 10% 至分配后报告；作品列表 482,460 部，合格 440,490 部）；仅放弃"输入侧"过往获取（至 2025-08-25），输出侧与未来行为不放弃；须销毁原始文件；每作品扣费后低于 $3,100 2025-06-23 裁决；2026-07-20 终审 [24][25][26][27]
Kadrey v. Meta Meta 训练是否合理使用；影子库下载 Chhabria：因原告未证明市场损害，训练属合理使用，强调非普适先例并提示"市场稀释"路径；剩余"上传/做种"主张；2026-06 原告申请中间上诉，2026-07-08 被驳回 2025-06 [28]
NYT v. OpenAI / Microsoft（MDL 3143，S.D.N.Y.） OpenAI / Microsoft 训练与输出侵权；日志保留 2026-01 维持令交出 2,000 万条去标识对话日志；2026-07-09 新闻方申请制裁；2026-09-04 起交叉简易判决动议，briefing 至 11 月，无审判日期 2025-04 起 [29][30][31]
Authors Guild/作者类案（同 MDL） OpenAI 等 训练侵权 2026-09-04 作者提交简易判决动议；⚠️类认证状态来源冲突，未核实 2026-09 —
Ziff Davis v. OpenAI（并入 MDL） OpenAI robots.txt 是否 DMCA §1201 技术措施 首例认定 robots.txt 不构成技术措施；不当得利被先占；帮助侵权与 CMI 主张保留 2025-12-15 [32]
Thomson Reuters v. Ross Ross Intelligence 非生成式 AI 训练是否合理使用 第三巡回维持（9-29 简短裁定，意见书封存后 9-30 公开）：2,243 条 Westlaw headnote 有版权，训练非合理使用；脚注强调 Ross 非生成式；Ross 称拟上诉最高院 2026-09-29 [33]
Concord/UMG/ABKCO v. Anthropic（歌词） Anthropic 歌词输出与训练 2026-03-23 出版商与 Anthropic 互申简易判决；2026-07-22 第二修正诉状称内部记录显示 Claude 被设计输出歌词 2023 起 [34]
出版商 v. Anthropic（盗版，第二案） Anthropic（Amodei、Mann 列被告） BitTorrent 下载 2 万+ 乐曲，索赔可超 $30 亿 进行中 2026-01-28 [35]
UMG/Warner v. Udio；UMG/Warner/Sony v. Suno Udio、Suno 音乐训练 UMG–Udio 和解转许可平台（金额未披露）；Warner–Udio 和解；⚠️Warner–Suno 和解仅单一来源；Sony 未和解；2026-06 音乐家联合会起诉 UMG 与 Warner 2025-10 起 [36][37]
Reddit v. Anthropic Anthropic 违约/不当得利/侵入动产（区别于版权） 暂定倾向发回州法院；最终结果未确认 2025-06；2026-03 [38]
Reddit v. Perplexity/SerpApi/Oxylabs/AWMProxy 同左 "工业规模"抓取 Google 搜索结果中的 Reddit 内容 进行中 2025-10 [39]
Britannica/Merriam-Webster v. Perplexity Perplexity 抓取、RAG 输入、输出复制、商标 无裁决 2025-09-10 —
Disney/Universal、WBD v. Midjourney Midjourney 图像训练与输出 要求最高 $15 万/作品；2026-05 仍在证据开示争议；无裁决 2025-06/09 —
Penske v. Google Google AI Overviews 与搜索可见性捆绑（反垄断角度） 无裁决 2025-09 —

美国判决的实际梯度：训练 transformative 的倾向（Alsup、Chhabria，均为地区法院）；获取来源违法是最大责任敞口；当 AI 产品与原作品直接竞争时合理使用更难（Ross、版权局报告）；输出侧再现（歌词）是下一个战场。其他裁决汇总见 美国训练 fair use 判例（Bartz / Kadrey / TR v. Ross），爬取边界案见 爬取法律边界案。

美国以外

案件 被告 核心争点 进展 日期 来源
Getty v. Stability AI（英国高等法院） Stability AI 模型权重是否为侵权复制件 次级侵权全部驳回；商标仅早期水印少量情形成立；Getty 庭审放弃主要版权与数据库权主张；模型在英国境外训练。2025-12-17 获准就次级侵权上诉 2025-11-04 [40]
GEMA v. OpenAI（慕尼黑地区法院，42 O 14139/24） OpenAI 歌词"记忆"是否构成复制 九首歌词可近乎逐字输出，认定记忆构成复制；TDM 例外 §44b 不适用；GEMA 在禁令、信息、损害赔偿上基本胜诉；OpenAI 表示上诉，进展未查到 2025-11-11 [41][42]

中国

  • 未查到被广泛认定的"中国首例 AI 训练数据著作权"终审判决，也未见法院直接认定"训练构成合理使用"。
  • 已有判决主要处理输出与平台责任：广州互联网法院"奥特曼"案（2024，判停止侵权并赔 1 万元，按输出判断）；杭州互联网法院奥特曼 LoRA 案（2024-09，据评论转述对训练环节持"相对宽松包容"态度，最终仅认定平台间接侵权）；上海新创华诉水木智能（2024-12-30，帮助侵权，赔 3 万元）；北京互联网法院 2024-06 开庭审理四起画师诉 AI 绘画案，判决结果未查到 [43][44]。以上均为律所/媒体转述，未核判决书原文。
  • 学界与律所主流认为现行"合理使用 + 法定许可"难为训练数据集使用提供充分豁免；少数论文主张纳入合理使用。

与蒸馏相关的争议

用竞品输出训练受服务条款限制；Anthropic 对中国公司的蒸馏指控见 Anthropic 蒸馏指控，地缘政策与条款禁令见 蒸馏地缘政策与条款禁令。Anthropic 2026-02-23 公告称约 2.4 万假账户、1,600 万+ 次交互（MiniMax 1,300 万+、Moonshot 340 万+、DeepSeek 15 万+），为 Anthropic 单方口径，无司法认定。

政策与爬虫治理

辖区/机制 要点 来源
欧盟 EU AI Act / GPAI（EU AI Act 通用模型训练数据摘要与行为准则） GPAI 义务自 2025-08-02 适用；2026-08-02 起 AI Office 可要求文件、做评测、限制/撤回模型、罚款（上限全球营业额 3% 或 €1,500 万取高）；2025-08-02 前上市模型合规期至 2027-08-02（二手）。训练数据公开摘要模板 2025-07 发布，要求列出数据量最大的网站来源。行为准则含透明度、版权、安全三章，版权章要求遵守退出机制、不使用盗版内容；OpenAI、Mistral 签署，Meta 拒签。Digital Omnibus 仅推迟高风险义务，未推迟 GPAI。⚠️Anthropic 是否签署未查到 [46][47][48][49]
美国版权局 Part 3 报告（2025-05-09 预发布版，最终版状态未核）：无单一答案；训练多半 transformative，但生成竞争性输出时第一、四因素不利；授权市场存在则不利于合理使用；权重若记忆实质表达可能构成复制 [50]
美国联邦其他 无立法。AI Action Plan（2025-07）文本几乎不涉版权；Trump 2025-07-23 口头称逐一付费 "not doable"（口头表态，非政策文本） [57]
加州 AB 2013 2026-01-01 生效，要求公开训练数据来源、类型、IP 状态、个人信息、合成数据等高层摘要；xAI 2025-12-29 起诉，2026-03-04 法院驳回初步禁令，上诉状态未核；Anthropic、OpenAI 已发布披露文件但不点名具体数据集 [51][52][53]
英国 2026-03-18 报告放弃"TDM 例外 + 退出"原首选方案，未背书替代方案，继续收集证据 [54]
日本 第 30 条之 4 原则上允许信息分析目的的学习；不适用"享受作品表达"目的，且有"不当损害权利人利益"限制；文化厅 2024-05《总体理解》举例：已有数据分析授权市场的数据库作品不受保护 [55]
中国：标注基地与数据要素 2025-01 发改委、国家数据局、财政部、人社部四部门《关于促进数据标注产业高质量发展的实施意见》，目标 2027 年前年均复合增速超 20%；国家数据标注基地 7 城（含合肥、成都、沈阳，完整名单未取全），截至 2025 上半年建数据集 524 个、29PB+、服务大模型 163 个；《"数据要素×"三年行动计划（2024—2026年）》2023-12 印发；国数科基〔2026〕25 号《关于推进行业高质量数据集建设行动的实施方案》2026-06-03 印发（二手摘录）。详见 国家数据局数据标注基地与标注产业、数据要素×与高质量数据集行动方案 [69][70][71]
中国：安全与备案 GB/T 45652-2025 训练数据安全规范，2025-04-25 发布、2025-11-01 实施，TC260 归口；⚠️正文条款未取到。暂行办法、备案与数据出境见 生成式 AI 暂行办法与备案、GB/T 45652、数据出境三通道 [72]
robots.txt 与 Cloudflare 见下表与 robots.txt 与 AI 爬虫治理 见下

爬虫治理数据

指标 数字 口径/来源
新闻站封训练 bot 79% 至少封一个（US 81%，UK 77%）；CCBot 75%、anthropic-ai 72%、ClaudeBot 69%、GPTBot 62%；71% 封至少一个检索 bot BuzzStream 2026，仅限 100 个美英头部新闻站，非全网 [58][59]
2023 年基线 48% 封 OpenAI、24% 封 Google AI 爬虫 Reuters Institute，10 国最常用新闻站 [60]
robots.txt 绕过 Q2 2025 约 13.3%；2026H1 约 15% TollBit，发布商网络样本，非全网 [61][62]
域名样本封锁 约 10,900 域名样本中 15% 封至少一个 AI 爬虫；GPTBot 禁令被忽略 39.5% ⚠️咨询站口径，方法未核 [63]
Cloudflare 默认拦截 2025-07-01 起对新域名默认拦截；Pay Per Crawl 私测；2026-09-15 起对广告类页面默认拦截混合用途爬虫 [64][65]
抓取—引流比 Anthropic 1,917:1，OpenAI 251:1，Google 约 4.7:1（2026-07）；Q1 口径 20,583:1 与 1,255:1，月度波动极大 ⚠️二手转述，需回 Cloudflare Radar [78]
Perplexity 隐形抓取 Cloudflare 2025-08 称其轮换 UA/ASN 规避拦截并取消 verified bot 资格；Perplexity 否认 [67]
IETF aipref 词表 draft-ietf-aipref-vocab-08（2026-09），2026-08 提交 IESG 的里程碑已滑期；章程把技术强制与注册表排除在范围外 [68]

局限与争议

  • 中立性：数据商自建 benchmark 存在"裁判兼运动员"问题（如 UniPat AI 基座、资金、团队均出自阿里，榜单给 Qwen 打分；见 数据商自建榜单（SEAL / APEX / Hemingway / Handshake 三件套 / GBA））；Scale 因 Meta 入股失去多家 lab 客户。
  • 数据安全：Scale 2025-06 被披露 85 份文档（含 Google、Meta、xAI 项目材料）因链接可访问而暴露；Mercor 2026-03 披露的安全事件与 LiteLLM 供应链攻击相关，合同工至少 5–6 起集体诉讼，Meta 暂停合作；⚠️"约 4TB / 4 万+ 受影响人员"仅来自单一供应商博客 [90]。
  • 劳工：Surge 2025-05 被 Clarkson 提起误分类集体诉讼，未查到判决或和解；Remotasks/Outlier 的低薪与延迟付款指控见 数据标注劳工与转包结构。
  • Common Crawl 被指向 AI 开发者供应大量付费墙新闻文章（2025-11 调查，⚠️二手转述，需回溯原调查）[45]。
  • 封锁成本：Rutgers/Wharton 工作论文（2026-04 更新）称封 LLM 爬虫的新闻站 6 周内周流量下降约 7%（⚠️二手转述）；BuzzStream 称封 ChatGPT-User 的前 50 站中 70.6% 仍出现在 AI 引用中。
  • 行业判断类说法（lab 自建上升、岗位两极化）为分析师观察，非量化事实。

口径冲突与未核实

说法 A 说法 B 采信 原因
Nebius 收购 Toloka 2025-05 少数股权融资，Nebius 让出多数表决权 B SEC 申报与多源一致 [19]
$85 亿来源为 Pebblous + RL List 仅核到 Pebblous 转述 Deedy Das 市场图；RL List 是目录站 B 标"媒体口径"
Mercor 年化毛收入 $20 亿 Pebblous run-rate $850M+；Sacra H1 毛收入 $6.14 亿 并列，标毛收入与时点 时点与口径不同，不与 Surge/Scale 对比
Scale 2026 收入约 $20 亿 CEO 称 2026 年超 $10 亿 $10 亿+ $20 亿为旧 guidance
Surge 估值 $250 亿已融 仍为融资传闻 传闻 未见关闭确认
Handshake 估值 $35 亿 Sacra 约 $33 亿（2022） 区间 旧估值
Fleet 谈判口径 $5,000 万 @ $7.5 亿 已关闭 $4,500 万 @ $7.25 亿 并列 两口径未统一
HUD 领投方 Standard Capital Caplight 标题写 BlackRock/Fin Capital 并列 领投方未证实
Prime Intellect 2026-07 Series A $1.3 亿 CB Insights 另列 2026-01 Series B $4,994 万 前者 口径冲突，均为二手
中国标注基地归口工信部 四部门联合印发，由国家数据局指导 后者 未取得工信部材料；地方补贴标准未查到
蒸馏指控约 2.4 万假账户、1,600 万+ 次交互 数千账户（二手） 前者 Anthropic 2026-02-23 公告，单方口径、无司法认定
约四成授权协议仍含训练用途 未逐项核到原始来源 不采信 媒体汇总，无法核实
Reddit–OpenAI 约 $7,000 万/年 仅聚合站单源 不采信 无一手来源
美国版权局报告为最终版 2025-05-09 预发布版 预发布版 最终版状态未核
Trump AI Action Plan 对版权有表态 文本几乎未涉版权，口头表态在 2025-07-23 区分文本与口头 见政策节

未查到：国家级语料库官方立项（仅见智源 CCI 公益开源与上海库帕思）；上海"模塑申城语料普惠计划 2.0"目标（2027 年底语料规模超 10PB）仅见标题摘要；公共数据授权运营未找到 2025 年专门国家级实施意见；GEMA 上诉进展。

来源

  1. Pebblous, AI data supply oligopoly: https://blog.pebblous.ai/blog/ai-data-supply-oligopoly/en/
  2. 沙利文《全球及中国 AI 数据服务市场白皮书(2026)》，二手转述，原文未取得
  3. Global Industry Analysts 数据标注报告摘要: https://www.giikorea.co.kr/report/go1786370-data-labeling-solutions-services.html
  4. TechCrunch, Mercor $3.5 亿 Series C @ $100 亿（2025-10-27）: https://techcrunch.com/2025/10/27/mercor-quintuples-valuation-to-10b-with-350m-series-c/ ；TipRanks（谈判阶段报道）: https://www.tipranks.com/news/private-companies/mercor-eyes-10-billion-valuation-amid-strategic-expansion
  5. Sacra, Mercor: https://sacra.com/c/mercor/
  6. Sacra, Handshake: https://sacra.com/c/handshake/
  7. Bloomberg Law, Surge 融资: https://news.bloomberglaw.com/ip-law/scale-rival-surge-ai-in-talks-for-funding-at-25-billion-value
  8. Verdict, Surge: https://www.verdict.co.uk/surge-ai-funding-round-15bn-valuation/
  9. TechRepublic, Scale AI: https://www.techrepublic.com/article/news-scale-ai-layoffs/
  10. KuCoin 快讯, Scale 2026 收入: https://www.kucoin.com/news/flash/scale-ai-revenue-expected-to-exceed-1-billion-in-2026-as-enterprise-ai-applications-grow
  11. TheNextWeb, Google–Mechanize: https://thenextweb.com/news/google-may-spend-1-5bn-on-a-35-person-startup-to-catch-up-on-ai-coding
  12. AI Weekly, Mechanize: https://aiweekly.co/alerts/google-closes-15b-mechanize-talent-deal-epoch-ai-cofounder-joins-deepmind
  13. KuCoin 快讯, Fleet: https://kucoin.com/news/flash/ai-training-firm-fleet-eyes-750m-valuation-amid-60x-revenue-surge
  14. RuntimeWire, Fleet: https://runtimewire.com/article/fleet-raises-45m-series-a-725m
  15. Caplight, HUD: https://www.caplight.com/company/hud-ai
  16. KuCoin 快讯, Prime Intellect: https://www.kucoin.com/news/flash/prime-intellect-completes-130m-a-round-at-1b-valuation-backed-by-nvidia-intel-and-dell
  17. DatologyAI Series A: https://www.datologyai.com/blog/datologyai-raises-46m-series-a
  18. ODSC, Toloka: https://opendatascience.com/jeff-bezos-leads-72m-investment-in-ai-data-company-toloka/
  19. Nebius 20-F: https://www.sec.gov/Archives/edgar/data/0001513845/000110465926052948/nbis-20251231x20f.htm
  20. 腾讯新闻, UniPat: https://news.qq.com/rain/a/20260911A06ZQ800
  21. 腾讯新闻, Humanlaya: https://news.qq.com/rain/a/20260909A0865G00
  22. 新浪财经, 智衍慧生: https://finance.sina.com.cn/stock/t/2026-06-18/doc-inicvfct3304349.shtml
  23. TechCrunch, NVIDIA–Gretel: https://techcrunch.com/2025/03/19/nvidia-reportedly-acquires-synthetic-data-startup-gretel
  24. Authors Alliance, Bartz 终审: https://www.authorsalliance.org/2026/07/21/bartz-v-anthropic-settlement-receives-final-approval/
  25. Jurist, Bartz: https://www.jurist.org/news/2026/07/judge-approves-record-1-5-billion-settlement-involving-anthropic/
  26. Authors Guild, Bartz: https://authorsguild.org/news/court-grants-final-approval-anthropic-copyright-settlement/
  27. Publishers Weekly, Bartz 类认证: https://www.publishersweekly.com/pw/print/20250721/98236-judge-rules-class-action-suit-against-anthropic-can-proceed.html
  28. Kadrey 中间上诉申请: https://chatgptiseatingtheworld.com/2026/06/09/kadrey-asks-judge-chhabria-to-certify-for-interlocutory-appeal-to-9th-circuit-the-judges-2025-summary-judgment-re-metas-downloading-from-shadow-libraries-for-the-purpose-of-ai-training/
  29. Axios, NYT v. OpenAI: https://www.axios.com/2026/09/08/nyt-openai-microsoft-copyright-lawsuit
  30. ABA Journal, 日志令: https://www.abajournal.com/news/article/chatgpt-creator-must-turn-over-20m-chat-logs-in-copyright-litigation-federal-judge-says
  31. Bloomberg Law, 制裁动议: https://news.bloomberglaw.com/litigation-finance/openai-says-ny-times-seeks-sanctions-due-to-lack-of-evidence
  32. Ziff Davis v. OpenAI: https://barrysookman.com/2025/12/22/ziff-davis-v-openai-key-copyright-litigation-ruling/
  33. LawNext, Thomson Reuters v. Ross: https://www.lawnext.com/2026/10/no-more-than-an-ordinary-copyright-case-3rd-circuit-unseals-its-opinion-in-thomson-reuters-case-against-ross.html
  34. Music Business Worldwide, 歌词案: https://www.musicbusinessworldwide.com/music-publishers-file-amended-lyrics-lawsuit-against-anthropic-just-as-ai-firms-separate-1-5b-piracy-settlement-with-authors-wins-court-approval/
  35. Music Business Worldwide, $30 亿案: https://musicbusinessworldwide.com/umg-concord-and-abkco-sue-anthropic-for-3bn-in-what-could-be-single-largest-non-class-action-copyright-case-in-us-history
  36. Music Business Worldwide, UMG–Udio: https://www.musicbusinessworldwide.com/universal-music-settles-udio-lawsuit-strikes-deal-for-licensed-ai-music-platform
  37. Decrypt, Warner–Udio: https://decrypt.co/349360/warner-music-moves-from-litigation-to-licensing-with-udio
  38. Bloomberg Law, Reddit v. Anthropic: https://news.bloomberglaw.com/ip-law/reddits-bid-to-remand-anthropic-scraping-suit-has-tentative-nod
  39. Search Engine Land, Reddit v. Perplexity: https://searchengineland.com/reddit-sues-perplexity-serpapi-scraping-google-463681
  40. CMS, Getty v. Stability: https://cms.law/en/ken/publication/artificial-intelligence-and-copyright-case-tracker/united-kingdom-getty-images-us-inc-ors-v-stability-ai-ltd2
  41. Taylor Wessing, GEMA v. OpenAI: https://www.taylorwessing.com/de/insights-and-events/insights/2025/11/gema-v-openai
  42. MediaLaws, GEMA: https://www.medialaws.eu/gema-v-openai-decision-of-the-munich-regional-court/
  43. CMS, 新创华诉水木智能: https://cms.law/en/int/publication/artificial-intelligence-and-copyright-case-tracker/china-shanghai-xinchuanghua-cultural-development-co.-ltd.-v-hangzhou-shuimu-intelligent-technology-co.-ltd.-30-december-2024
  44. 德恒律所, AI 著作权: https://www.dehenglaw.com/cn/newscontent/0008/034080/2.aspx?MID=0902
  45. Search Engine Journal, 新闻站封锁与 Common Crawl: https://www.searchenginejournal.com/most-major-news-publishers-block-ai-training-retrieval-bots/564605/
  46. Mayer Brown, GPAI 规则: https://www.mayerbrown.com/zh-hans/insights/publications/2025/08/eu-ai-act-news-rules-on-general-purpose-ai-start-applying-guidelines-and-template-for-summary-of-training-data-finalized
  47. Pinsent Masons, 训练数据摘要模板: https://www.pinsentmasons.com/out-law/news/eu-ai-act-copyright-template
  48. The Register, 行为准则: https://www.theregister.com/2025/07/18/meta_declines_eu_ai_guidelines/
  49. CSA, GPAI 执法（二手）: https://labs.cloudsecurityalliance.org/research/csa-research-note-eu-ai-act-gpai-enforcement-20260803-csa-st/
  50. Mishcon, 版权局 Part 3: https://www.mishcon.com/news/us-copyright-office-report-part-3-generative-ai-training
  51. PPC Land, xAI 禁令被驳回: https://ppc.land/court-denies-xais-bid-to-block-california-ai-training-data-law/
  52. IAPP, xAI v. Bonta: https://iapp.org/news/a/xai-v-bonta-a-constitutional-clash-for-training-data-transparency
  53. Goodwin, AB 2013: https://goodwinlaw.com/en/insights/publications/2026/01/alerts-otherindustries-californias-ab-2013-takes-effect
  54. Reed Smith, 英国版权与 AI 报告: https://www.reedsmith.com/articles/uk-copyright-and-ai-report-the-opt-out-is-dead-but-what-comes-next/
  55. Clifford Chance, 日本法: https://www.cliffordchance.com/insights/resources/blogs/talking-tech/en/articles/2023/10/Japanese-Law-Issues-Surrounding-Generative-AI.html
  56. Trump 表态: https://chatgptiseatingtheworld.com/2025/07/23/pres-trump-supports-fair-use-in-ai-training-notes-importance-to-national-interest/
  57. BuzzStream: https://www.buzzstream.com/blog/publishers-block-ai-study/
  58. Press Gazette: https://pressgazette.co.uk/platforms/eight-in-ten-of-worlds-biggest-news-websites-now-block-ai-training-bots/
  59. Reuters Institute: https://reutersinstitute.politics.ox.ac.uk/how-many-news-websites-block-ai-crawlers
  60. TollBit: https://tollbit.com/bots/25q2
  61. Let's Data Science, robots.txt: https://letsdatascience.com/news/openai-says-robotstxt-may-not-apply-to-chatgpts-fetch-bot-4a79669b
  62. technologychecker.io: https://technologychecker.io/blog/robots-txt-ai-crawlers-blocking-report
  63. AlternativeTo, Cloudflare 默认拦截: https://alternativeto.net/news/2025/7/cloudflare-blocks-ai-crawlers-by-default-and-launches-pay-per-crawl-for-publishers
  64. Let's Data Science, Cloudflare: https://letsdatascience.com/news/cloudflare-gives-publishers-control-over-ai-crawlers-3f1384fa
  65. ITBrief, Cloudflare: https://itbrief.com.au/story/cloudflare-tightens-ai-crawler-controls-for-publishers
  66. Decrypt, Perplexity 隐形抓取: https://decrypt.co/333479/cloudflare-perplexity-ai-stealth-crawlers-website-blocks
  67. IETF aipref: https://datatracker.ietf.org/doc/html/draft-ietf-aipref-vocab-08
  68. 新华社, 数据标注基地: https://www.news.cn/tech/20250729/77dea602553d4ecd8778d105cb137bd9/c.html
  69. CSET, 数据要素×英译: https://cset.georgetown.edu/wp-content/uploads/t0640_china_data_3_year_plan_2024_2026_EN.pdf
  70. 安全内参, 国数科基〔2026〕25 号: https://www.secrss.com/articles/91099
  71. 安全内参, GB/T 45652-2025: https://www.secrss.com/articles/78325
  72. 澎湃, 库帕思: https://m.thepaper.cn/detail/30043844
  73. eWeek, Amazon–NYT: https://www.eweek.com/news/amazon-new-york-times-licensing-deal-ai-training/
  74. Yahoo News, News Corp–OpenAI: https://malaysia.news.yahoo.com/news-corp-inks-openai-licensing-211417483.html
  75. LLMPulse, 授权交易汇总: https://llmpulse.ai/blog/ai-content-licensing-deals/
  76. Ecorpit, 抓取引流比: https://ecorpit.com/ai-crawler-crawl-to-referral-ratio-2026-geo-decision/
  77. TechCrunch, Turing: https://techcrunch.com/2025/03/06/turing-a-key-coding-provider-for-openai-and-other-llm-producers-raises-111m-at-a-2-2b-valuation
  78. Bloomberg, Invisible: https://news.bgov.com/crypto/scale-ai-rival-invisible-technologies-valued-at-over-2-billion
  79. Forbes AU, micro1: https://www.forbes.com.au/news/uncategorized/this-25-year-old-raised-us100-million-for-his-ai-startup-at-a-us4-billion-valuation/
  80. BetaNews, Snorkel: https://betanews.com/article/snorkel-ai-350-million-series-e-valuation/
  81. Fortune, Halluminate: https://fortune.com/2026/10/01/halluminate-raises-30-million-series-a-oakhc-ft/
  82. RuntimeWire, Bespoke Labs: https://runtimewire.com/article/bespoke-labs-40m-agent-training-environments
  83. Applied Compute 融资页: https://www.appliedcompute.com/company/fundraise
  84. BusinessWire, Veris AI: https://www.businesswire.com/news/home/20250603868539/en
  85. 海天瑞声 2025 业绩: https://static.weeklyonstock.com/26/0826/ABB2617241239505.html
  86. 36氪/人人都是产品经理等中国数据商融资: https://news.pedaily.cn/20260408/127226.shtml
  87. StaffingIndustry, Mercor 诉讼: https://www.staffingindustry.com/editorial/cws-30-contingent-workforce-strategies/mercor-faces-lawsuits-over-data-breach

本章涉及的实体

Anthropic 蒸馏指控概念与方法 · 美国
2026-02 披露约 2.4 万假账户、1,600 万次以上交互，被指蒸馏 Claude
Bartz v. Anthropic概念与方法 · 美国
训练被认定合理使用但盗版库留存不是，以 $15 亿和解收场
EU AI Act 通用模型训练数据摘要与行为准则概念与方法 · 欧洲
欧盟要求公开训练内容摘要并尊重退出权，2026-08-02 起可执法
Kadrey v. Meta概念与方法 · 美国
训练被判合理使用，但法官点出"市场稀释"路径，影子库下载仍在争议
NYT v. OpenAI / Microsoft概念与方法 · 美国
MDL 3143 中的新闻版权案，含 ChatGPT 日志保留令，尚无审判日期
robots.txt 与 AI 爬虫治理概念与方法
自愿协议正被边缘层强制拦截与标准草案补强
国家数据局数据标注基地与标注产业概念与方法 · 中国
政策性标注供给：七城基地，2026-06 底标注规模 >119PB、从业 14 万人
字节使用 OpenAI API 事件（2023）概念与方法 · 中国
2023-12 媒体据内部文档报道字节用 OpenAI API 训练自有模型，OpenAI 暂停其账号
授权加挖人交易模板概念与方法 · 美国
以非独占技术授权加招人替代收购的交易结构
数据商市场结构概念与方法
约 $85 亿口径、前四家占七成五以上，且不可与 $186 亿相加
数据要素×与高质量数据集行动方案概念与方法 · 中国
供给侧产业政策：从"数据要素×"三年计划到 2026-06 行业高质量数据集行动
爬取法律边界案概念与方法 · 美国
从 CFAA 到合同与反规避：公开页面爬取的责任落在哪
生成式 AI 暂行办法与备案、GB/T 45652、数据出境三通道概念与方法 · 中国
中国无专门禁止蒸馏的法规，用训练数据合法性、备案与数据出境间接约束
蒸馏地缘政策与条款禁令概念与方法 · 美国
蒸馏从技术议题升级为美中政策议题，法律基础仍是合同

本文为个人研究笔记，结论基于成文时可获得的公开信息；带〔估算〕〔推断〕或 ⚠️ 的数字未经独立核实。