标注公司开始提供专家反馈与训练环境
AI 数据供应商正在拓展工作范围。画框、分类、转写等任务，可以部分采用模型预标注；复杂的人类偏好数据，则需要更细致的专业判断。与此同时，RLAIF（从 AI 反馈中强化学习）让模型参与生成训练标签。对供应商来说，新业务既包括招募专家，也包括设计任务环境、审核自动反馈和维护评估标准。
Turing 希望从标注供应商转向研究合作伙伴
“数据标注公司的时代已经结束了。”Turing CEO Jonathan Siddharth 在 2025 年 12 月的访谈中如此描述公司转型。Turing 在当年的一轮融资中估值达到 22 亿美元，并据报实现约 3 亿美元年化营收，客户包括多家前沿实验室。Siddharth 所强调的变化，是基础预标注逐步自动化后，供应商需要承担更复杂的工作；这也是他对公司业务方向的判断。
「数据需求已经发生了根本性变化，」Siddharth 解释道，「现在需要的是真实世界数据，触及真实人类如何做知识工作的数据。前沿实验室需要的不是标注供应商，而是能充当『主动研究伙伴』的公司。」他提出一个新概念：研究加速器（research accelerator）——AI 训练公司应当构建强化学习环境，模拟跨行业的人类工作流程，并为此招募各领域的专家。
数据服务商 Kili Technology 也在其企业指南中强调专家参与和数据质量，列出包括 RLHF、RLAIF 在内的多种方法。数据服务的价值，最终需要放到模型训练中检验，并与架构、训练方法和计算投入配合。
市场规模预测差异很大，工具与服务需要分开看
不同研究机构都预测数据标注需求增长，但对服务、软件工具和 AI 反馈平台的统计边界并不一致。
据 Mordor Intelligence 的估计，2026 年全球 AI 数据标注市场约为 23.2 亿美元，并以约 22.95% 的年复合增速达到 2031 年的 65.3 亿美元。Coherent Market Insights 给出的估计为 2026 年 63 亿美元、2033 年 380.5 亿美元，年复合增速 29.3%；Precedence Research 对 2026 年的估计则为 28.3 亿美元。几家机构的统计范围和增长假设不同，因此给出的市场规模也有明显差异。
RLHF 平台是其中一个细分方向，为偏好标注和反馈提供工具。Lemon.io 引用的行业预测认为，这一市场可能从 2025 年的 28 亿美元增至 2034 年的 186 亿美元。这也是预测口径，其范围可能与其他数据标注市场统计重叠。
需求变化主要来自两方面：复杂任务增加了对专业反馈的需求，模型预标注则减少部分重复操作。Lightly AI 的行业文章据此认为，服务商需要更关注数据质量。对客户来说，规模和质量都需要衡量，尤其要看每轮反馈是否改善了实际任务表现。
xAI、Surge 和 Mercor 更重视专业评审者
HeroHunt.ai 的行业分析观察到，部分前沿实验室正在增加对领域专家的需求。与图像画框、简单分类相比，这些任务需要标注者解释判断依据，识别专业错误，并在多个合理答案之间作出有标准的比较。
xAI 的人员调整提供了一个例子。据报道，公司在 2023–2024 年建立了约 1500 人的全职数据标注团队，称为「AI 导师」。2025 年 9 月，xAI 裁撤约 500 名通用导师，约占该团队的三分之一，同时宣布计划把专家导师团队扩大到原来的 10 倍。公司明确表示，优先招聘工程、医学、金融等领域的专业人士，而非大量通用标注员。
xAI 的调整显示，某些岗位的筛选正在从完成通用任务，转向能否提供特定领域的判断。但一家公司的岗位变化，还不足以代表整个标注行业的就业方向。
Surge AI 也强调人员筛选与反馈质量。媒体报道，这家成立于 2020 年的公司在 2024 年收入已达约 10 亿美元量级；路透社在 2025 年 7 月称，它正寻求最高 10 亿美元融资。其标注网络据报包括语言学家、作家和领域专家。网络人数和任务薪酬会随项目变化，客户更需要考察具体团队的资格、反馈一致性和保密安排。
Mercor 则为 AI 实验室按任务匹配博士、律师和科学家，2025 年 10 月以 100 亿美元估值完成融资。Micro1 使用 AI 招聘代理 Zara 辅助寻找和评估候选人，并称可较快组建专家团队。招聘工具可以扩大筛选范围，专业能力仍需要通过任务测试和后续审核确认。
Meta 入股 Scale，客户重新评估供应商独立性
2025 年年中，Meta 以超过 140 亿美元取得 Scale AI 49% 的无投票权少数股权，交易对应估值超过 290 亿美元，Alexandr Wang 随后加入 Meta。Scale 原本为多家 AI 实验室提供数据服务；据报道，部分客户担心项目信息和供应商独立性，开始调整合作。Scale 表示仍将独立运营，业务不与 Meta 合并。
HeroHunt.ai 的分析将此事视为外包采购需要考虑的风险：供应商股权变化，可能影响客户对信息隔离的信心。实验室可以保留关键任务的内部能力，也可以在多个供应商之间分配项目。独立服务商则把中立性作为卖点，但仍需要用权限、合同和审计措施证明。
RLAIF 扩大反馈规模，效果仍要由独立评估检验
除了更换参与人员，企业也在尝试让 AI 承担部分评分工作。RLAIF 就是其中一条技术路径。
收集高质量人类偏好标签需要时间、培训和审核。RLAIF 使用现成语言模型生成偏好数据，减少部分人工标注工作。发表于 ICML 2024 的 RLAIF 与 RLHF 比较研究，在摘要和对话任务上观察到两者效果相近；在人工评审中，两种方法相对监督微调基线的胜率约为 60%–70%。结果也取决于任务、标签生成方式和评审模型。
ABAKA AI 等服务商将扩展性和成本视为 RLAIF 的优势。但对高度主观、安全敏感或涉及文化语境的任务，自动评分仍可能出现系统性偏差。人类可以参与定义标准、校准关键样本和评估模型结果，具体自动化比例需要按任务确定。
Kili Technology 的指南同时讨论预标注、程序化标注、主动学习、持续监控和多阶段审核等方法。在实践中，企业可以将工作分为三层：
- 初步处理：AI 预标注与自动质量检查，承担可标准化的重复任务
- 人工审核：受训标注员检查 AI 建议，纠正错误并处理边缘案例
- 专家评估：医生、律师、工程师等处理专业争议，设计评分标准和复杂任务
合成数据增多后，如何保留训练数据的多样性
数据质量还涉及递归训练中的“模型崩塌”：模型反复学习此前模型生成的数据，可能逐渐丢失分布中的少见模式。一篇发表于 Communications of the ACM 博客的文章对网络合成内容积累表达了担忧。作者担心，未经充分筛选的合成内容会影响后续模型训练。
Ahrefs 在 2025 年 4 月抽取 90 万个新发现的英文网页，每个域名选一页，其自研检测器将约 74.2% 判为包含部分或全部 AI 内容。这是特定样本和检测方法的结果，未统计哪些页面进入了模型训练。Epoch AI 曾预测，按既有扩展趋势，高质量人类文本的可用存量可能在 2026–2032 年间形成约束；实际时间也受数据复用、合成方法与训练效率影响。
2026 年 5 月，伦敦国王学院等机构的研究讨论了一类称为“指数族”的统计模型。作者证明，在其假设下，每一轮闭环重训都引入至少一个来自真实分布的数据点，或使用特定先验与正则化方法，可以避免相应的模型崩塌。这是有明确模型和训练条件的理论结果，对大型语言模型仍需要进一步验证。
这类研究说明，数据来源、分布和训练方式都值得检查。专家反馈可以帮助补充稀缺场景、发现错误和设计新的测试；真实数据采集、独立评估和训练方法调整，也都是保持模型质量的重要手段。
三项工作正在增加：审核、专业判断与数据质量管理
公司动态和技术研究显示，数据供应商正在增加以下三类工作：
第一，审核与编辑。 模型可先处理部分基础任务，人员再检查标签、修订内容和处理例外。这减少重复操作，也要求审核者能够发现模型容易遗漏的错误。岗位数量和能力要求会随任务类型变化。
第二，人类专家与 AI 评审协作。 专家设计任务和标准，模型生成部分标签，审核人员反馈问题。流程能否可靠运行，取决于各环节能否发现彼此的偏差，而非参与者更多就自然更稳定。
第三，数据质量与独立评估。 Stanford HAI 的 AI Index 报告追踪了多个公开基准的进展。分数之外，数据与架构各带来多少改进，仍需要具体实验来区分。供应商需要用独立任务检验数据价值，结合覆盖度、一致性与实际效果，而不是只比较标签数量。
标注公司的新业务，是帮助客户发现模型还不会做什么
AI 数据产业正在扩大对专业反馈和自动化工具的使用。标准化标注仍有需求，一些工作从直接生产标签转向审核和编辑；复杂任务则要求人员提供更深入的判断。这些变化给服务商带来新业务，也使部分从业者面临转岗和培训压力。
Turing 所说的“研究合作伙伴”，需要帮助客户发现能力缺口、设计有效任务，并验证数据是否改善模型。RLAIF 扩大反馈生产能力之后，评分标准、争议处理和独立检验反而更需要明确负责人。
服务商的竞争因此更具体：能否找到合适的专家，能否把专业知识转成有效任务，以及能否证明交付的数据帮助客户解决了真实问题。
来源
- Business Insider, "'The era of data-labeling companies is over,' says the CEO of a $2.2 billion AI training firm" (2025-12), https://www.businessinsider.com/data-labeling-ai-training-contractors-turing-jonathan-siddharth-specialist-research-2025-12
- HeroHunt.ai, "The Changing Landscape of AI Data Labeling Hiring (2026)," https://www.herohunt.ai/blog/the-changing-landscape-of-ai-data-labeling-hiring-2026
- Kili Technology, "2026 Data Labeling Guide for Enterprises," https://kili-technology.com/blog/2026-data-labeling-guide-for-enterprises-build-high-performing-ai-with-expert-data
- Mordor Intelligence, "AI Data Labeling Market Size & Share Analysis (2026-2031)," https://www.mordorintelligence.com/industry-reports/ai-data-labeling-market
- Coherent Market Insights, "Data Labeling Market Trends (2026-2033)," https://www.coherentmarketinsights.com/industry-reports/data-labeling-market
- Precedence Research, "AI Data Labeling Market Size to Hit USD 18.23 Billion by 2035," https://www.precedenceresearch.com/ai-data-labeling-market
- Lemon.io, "RLHF Platforms: Inside the AI Data Annotation and Labeling Market," https://lemon.io/blog/rlhf-platforms
- Lightly AI, "5 Best Data Annotation Companies in 2026," https://www.lightly.ai/blog/best-data-annotation-companies
- Reuters, "Surge AI seeks up to $1 billion capital raise" (2025-07-01), https://www.reuters.com/business/scale-ais-bigger-rival-surge-ai-seeks-up-1-billion-capital-raise-sources-say-2025-07-01
- Stanford HAI, "Inside the AI Index: 12 Takeaways from the 2026 Report," https://hai.stanford.edu/news/inside-the-ai-index-12-takeaways-from-the-2026-report
- AI Buzz, "AI Model Collapse & Data Poisoning: 2026 Risk Guide," https://aibuzz.blog/ai-model-collapse-data-poisoning
- ACM, "Model Collapse Is Already Happening, We Just Pretend It Isn't" (2026-02), https://cacm.acm.org/blogcacm/model-collapse-is-already-happening-we-just-pretend-it-isnt
- Abaka AI, "Is RLHF Dead? Why AI Companies Are Moving Toward RLAIF," https://www.abaka.ai/blog/rlhf-vs-rlaif-ai-alignment
- Humans in the Loop, "Data Annotation Trends 2026: Forecast & Best Practice," https://humansintheloop.org/data-annotation-trends-2026-forecast-best-practices
