AI基礎數(shù)據(jù)服務行業(yè)市場分析

1.AI基礎數(shù)據(jù)服務脫胎于專業(yè)數(shù)據(jù)標注需求，2025年國內(nèi)百億規(guī)模

可期

產(chǎn)業(yè)圖譜：AI基礎數(shù)據(jù)服務脫胎于專業(yè)數(shù)據(jù)采標分工需求

國內(nèi)AI基礎數(shù)據(jù)服務產(chǎn)業(yè)主要包括上游數(shù)據(jù)產(chǎn)生及產(chǎn)能資源、中游

訓練數(shù)據(jù)生產(chǎn)、下游AI算法研發(fā)三大產(chǎn)業(yè)環(huán)節(jié)。其中，部分產(chǎn)業(yè)環(huán)

節(jié)重合度較高，AI基礎數(shù)據(jù)服務商主要脫胎于專業(yè)數(shù)據(jù)采標分工需

求。

上游主要包括數(shù)據(jù)生產(chǎn)者和數(shù)據(jù)生產(chǎn)組織者，主要提供原料數(shù)據(jù)的采

集服務。

中游主要由基礎數(shù)據(jù)服務商構成，通過數(shù)據(jù)處理能力和項目管理能力

完成訓練數(shù)據(jù)集結構設計、數(shù)據(jù)加工和質(zhì)量檢測等工作，為下游客戶

提供訓練數(shù)據(jù)產(chǎn)品和相關服務。AI基礎數(shù)據(jù)服務整體可分為兩大類，

一種是具備自有的標注基地或全職標注團隊，這類企業(yè)也參與產(chǎn)業(yè)上

游部分直接提供產(chǎn)能資源，另一種是依靠眾包或外包模式，專注于數(shù)

據(jù)產(chǎn)品的開發(fā)與項目執(zhí)行。

下游包括科技公司、行業(yè)企業(yè)、AI公司和科研單位等，主要負責算

法研發(fā)。部分下游AI公司擁有自主的標注工具，也可通過AI中臺獲

取一些通用標注工具，少數(shù)數(shù)據(jù)需求大的企、業(yè)還孵化了自主的數(shù)據(jù)服

務團隊。

1.2發(fā)展歷程：站在人工標注市場出清與機器標注迭代的十字路口

理論層面：數(shù)據(jù)工程系AI工程基礎環(huán)節(jié)，核心在于高效的數(shù)據(jù)標注。

AI工程=數(shù)據(jù)工程+模型工程。其中，數(shù)據(jù)工程主要包括數(shù)據(jù)采集與

數(shù)據(jù)標注，約占AI工程時長的80%；模型工程主要包括模型訓練與

模型部署，約占AI工程時長的20%。數(shù)據(jù)工程是AI工程的前置且基

礎環(huán)節(jié)，直接影響到模型的質(zhì)量與精度。數(shù)據(jù)工程的核心在于高效的

數(shù)據(jù)標注，Garbageingarbageout效應顯著。

實踐層面：AI模型訓練數(shù)據(jù)需求規(guī)模大，訓練數(shù)據(jù)質(zhì)量不佳、效率

低下情況普遍。據(jù)DimensionalResearch全球調(diào)研報告，72%的受

訪者認為至少使用超過10萬條訓練數(shù)據(jù)進行模型訓練，才能保訐模

型有效性和可靠性，96%的受訪者在訓練模型的過程中遇到訓練數(shù)據(jù)

質(zhì)量不佳、數(shù)量不足、數(shù)據(jù)標注人員不足等難題。為應對訓練數(shù)據(jù)所

帶來的多方面挑戰(zhàn)，AI企業(yè)開始從第三方購買原料數(shù)據(jù)收集、訓練

數(shù)據(jù)生產(chǎn)和數(shù)據(jù)專家咨詢等服務。

圖表3:72%的全球受訪者認為至少需要超過10萬條訓

練數(shù)據(jù)進行模型訓練

大于1000萬,

10%

少于10萬,

100-1000^,28%

19%

10萬?100萬，

43%

AI數(shù)據(jù)工程發(fā)物于AI產(chǎn)業(yè)落地元年，系AI下游應用的基礎且必備環(huán)

節(jié)。目前行業(yè)處于市場格局漸趨清晰，新老技術面臨迭代，下游需求

加速釋放的關鍵節(jié)點。

產(chǎn)業(yè)初生期(2010-2016)：2010年語音識別和計算機視覺領域產(chǎn)

生重大突破，國內(nèi)開始萌生AI概念。后續(xù)數(shù)年，早期的AI基礎數(shù)據(jù)

服務門檻較低，質(zhì)量參差不齊。

產(chǎn)生成長期(2016~2022)：近五年來，供給側高烈度的業(yè)內(nèi)競爭加

速市場出清，需求側對產(chǎn)業(yè)落地以及垂直場景的定制化數(shù)據(jù)采標需求

逐漸凸顯。最終引致行業(yè)頭部企業(yè)浮出水面，行業(yè)格局逐漸清晰。

產(chǎn)業(yè)成熟期(2022~至今)：2022年以來，AIGC產(chǎn)品集中爆發(fā)，高

level自動駕駛需求加速釋放。傳統(tǒng)人工標注的效率已不能完全滿足

圖表10:2025年我國Al基礎數(shù)據(jù)服務市場或達101億

元，相較22年翻倍

中國AI基礎數(shù)據(jù)服務行業(yè)市場規(guī)模2025年有望突破百億。一方面，

隨著算法模型、技術理論和應用場景的優(yōu)化和創(chuàng)新，AI產(chǎn)業(yè)對訓練

數(shù)據(jù)的拓展性需求和前瞻性需求均快速增長；另一方面，隨著業(yè)內(nèi)對

訓練數(shù)據(jù)需求類型的增加以及對服務標準要求的提高，產(chǎn)業(yè)鏈的專業(yè)

化分工將愈加清晰，專業(yè)化的訓練數(shù)據(jù)服務提供商將扮演更加重要的

角色。據(jù)研究，2019年中國AI基礎數(shù)據(jù)服務行業(yè)市場規(guī)模達30.9

億元，其中圖像類、語音類、NLP類數(shù)據(jù)需求規(guī)模占比分別為49.7%、

39.1%和11.2%。預計2025年國內(nèi)AI基礎數(shù)據(jù)服務行業(yè)市場規(guī)模將

突破100億元，年復合增長率高達21.8%。

1.4政策支持：近五年國家政策加持國內(nèi)AI產(chǎn)業(yè)發(fā)展

近五年國家系列政策推動國內(nèi)AI產(chǎn)'也蓬勃發(fā)展。《“十四五”規(guī)劃》指

出要加快數(shù)字化發(fā)展，建設數(shù)字中國，同時打造數(shù)字經(jīng)濟新優(yōu)勢，充

分發(fā)揮海量數(shù)據(jù)和豐富應用場景優(yōu)勢，促進數(shù)字技術與實體經(jīng)濟深度

融合，賦能傳統(tǒng)產(chǎn)業(yè)轉(zhuǎn)型升，催生新產(chǎn)業(yè)新業(yè)態(tài)新模式，壯大經(jīng)濟發(fā)

展新引擎。在國家頂層設計的支持下，我國AI基礎數(shù)據(jù)服務行業(yè)穩(wěn)

步發(fā)展，行業(yè)訓練資源庫等細分應用領域的產(chǎn)'也價值逐步凸顯。

2.AI大模型催生高要求新需求，專業(yè)化數(shù)據(jù)集及AI訓練師需求利好

優(yōu)質(zhì)專業(yè)數(shù)據(jù)提供廠商

2.1場景特質(zhì)：AI大模型時代無監(jiān)督/半監(jiān)督訓練成為主流，RLHF

催生新興需求

大模型時代無監(jiān)督/半監(jiān)督訓練成為主流。AI模型的訓練方法主要包

括監(jiān)督學習和無監(jiān)督學習兩種典型方式，后隨模型訓練數(shù)據(jù)量的增加

衍生出半監(jiān)督學習方法。AI訓練方法的發(fā)展歷經(jīng)“監(jiān)督一無監(jiān)督-監(jiān)督?

無監(jiān)督/半監(jiān)督”4個階段，在目前的大模型階段，無監(jiān)督/半監(jiān)督訓練

再次成為主流。監(jiān)督學習與無監(jiān)督學習的主要區(qū)別在于是否使用帶有

人工標注的數(shù)據(jù)集訓練數(shù)據(jù)，半監(jiān)督學習則是使用大量未標注數(shù)據(jù)+

少量標注數(shù)據(jù)進行訓練。

圖裊13：AI大模熨傳統(tǒng)數(shù)*解注rx下修

監(jiān)?學習傳統(tǒng)數(shù)握標注需求半監(jiān)?學習無著■學習

RK|敏8式少■)|標簽

機■學習?法機?學習?法

IMS闋->f用方繪祟f陵窩榜Bf修浦第JR

大模型時代'基礎模型+微調(diào)”成為AI開發(fā)新范式，RLHF微調(diào)技術催

生更高要求的數(shù)據(jù)標注需求。AI大模型由海量數(shù)據(jù)通過無監(jiān)督學習

訓練得到，本身并不能直接應用于具體任務，必須經(jīng)過微調(diào)才可投入

應用。微調(diào)是指基于大規(guī)模基礎模型，在現(xiàn)有訓練得到的模型參數(shù)之

上，針對特定任務類型、應用特定場景的數(shù)據(jù)對模型進行二次訓練。

通俗來說，大規(guī)模基礎模型為AI提供了基礎知識，而微調(diào)則是讓AI

獲特定領域知識，并賦予其組織、應用知識的能力。以近日備受關注

的ChatGPT為例，在其微調(diào)技術RLHF（強人工反饋）系統(tǒng)當中：

第一步，預訓練階段。模型首先需要在標注完備的大數(shù)據(jù)集上進行預

訓練，得到監(jiān)督學習模型。

第二步，交互獎勵階段。模型與專業(yè)的人工智能訓練師進行交互，專

業(yè)標注人員會對ChatGPT生成的回答進行標注、評估和反饋，給出

一個針對回答的分數(shù)或者標簽。這些標注數(shù)據(jù)可以作為強化學習過程

中的“獎勵函數(shù)”來指導ChatGPT的參數(shù)調(diào)整，得到獎勵模型。

第三步，迭代優(yōu)化階段?；讵剟钅Ｐ偷莫剟詈瘮?shù)以PPO（一種使

用兩個神經(jīng)網(wǎng)絡的強化學習算法）的方式微調(diào)監(jiān)督學習訓練出來的生

成模型，基于強化學習loss持續(xù)迭代生成模型，最終幫助模型進行

強化學習和不斷優(yōu)化。

2.2場景需求：預訓練階段高質(zhì)量專業(yè)數(shù)據(jù)集+交互獎勵階段人工智

能訓練師

伴隨業(yè)界大模型市場競爭的白熱化，RLHF系統(tǒng)也將得到進一步的推

廣及迭代使用，從而帶來兩大類新興數(shù)據(jù)標注需求。一是預訓練階段

催生AI廠商對于標注完善、清洗完備的各類專業(yè)化場景數(shù)據(jù)集的需

求；二是交互獎勵階段催生AI廠商對于具備專業(yè)的事實判斷與規(guī)范

的價值判斷的人工智能訓練帥的需求。目前，上述兩類新興需求尚未

得到充分有效的市場供給，利好海天瑞聲這類優(yōu)質(zhì)專業(yè)數(shù)據(jù)解決方案

提供商。針對RLHF預訓練階段需求，由于傳統(tǒng)數(shù)據(jù)采標廠商的主流

商業(yè)模式以銷售工具系統(tǒng)和標注服務為主，所以普遍缺少自有數(shù)據(jù),

較少經(jīng)營出售精準數(shù)據(jù)集的服務。針對RLHF交互獎勵階段需求，聚

焦專業(yè)垂類的模型訓練師則更為稀缺，市場藍海亟待業(yè)務開拓。

圖表15:RL”需求:預訓練階段質(zhì)量專業(yè)數(shù)據(jù)集+交互獎勵階段人工智能訓練邪

海天瑞聲部分數(shù)據(jù)集產(chǎn)品

AI訓練師需求

專業(yè)垂直領域的AI訓練師

2.3場景價值：超大規(guī)模預訓練模型推動訓練數(shù)據(jù)數(shù)級躍升，市場需

求持續(xù)延展

超大規(guī)模預訓練模型推動訓練數(shù)據(jù)指數(shù)級躍升。自OpenAI于2020

年推出GPT-3以來，谷歌、華為、智源研究院、中科院、阿里巴巴

等企業(yè)和研究機構相繼推出超大規(guī)模預訓練模型，包括

SwitchTransformer>DALL?EMT-NLG、盤古、悟道2.0、紫東太初

和M6等。目前，預訓練模型參數(shù)數(shù)量、訓練數(shù)據(jù)規(guī)模按照300倍/

年的趨勢增長，繼續(xù)通過增大模型和增加訓練數(shù)據(jù)仍是短期內(nèi)主流演

進方向，RLHF技術的推廣使用或?qū)⑼苿佑柧殧?shù)據(jù)市場需求持續(xù)延展。

3.自動駕駛領域訓練數(shù)據(jù)需求方興未艾，海天瑞聲發(fā)力布局

3.1場景特質(zhì)：自動駕駛客戶需求全棧式閉環(huán)數(shù)據(jù)解決方案

自動駕駛場景對于AI數(shù)據(jù)服務需求較為剛性。自動駕駛基礎數(shù)據(jù)主

要是道路交通圖像、障礙物圖像、車輛行駛環(huán)境圖像等，需求方以科

技公司、汽車廠商和高精地圖廠商為主。L3級別以上的自動駕駛系

統(tǒng)需對雷達、攝像頭等傳感器采集的點云和圖像數(shù)據(jù)進行抽取、處理

和融合，構建車輛行駛環(huán)境，為預測和決策做依據(jù)。目前自動駕駛的

視覺技術主要應用有監(jiān)督的深度學習，是基于己知變量和因變量推導

函數(shù)關系的算法模型，需要大量的標注數(shù)據(jù)對模型進行訓練和調(diào)優(yōu)。

近兒年，汽車廠商在ADAS和自動駕駛方向的投入明顯，對于數(shù)據(jù)

的采集和標注需求也逐年增加，汽車廠商有望成為需求主力。

自動駕駛領域?qū)τ诨A數(shù)據(jù)服務商提出更高要求，業(yè)內(nèi)客戶需要全棧

式閉環(huán)數(shù)據(jù)解決方案。數(shù)據(jù)獲取和處理能力是自動駕駛企?業(yè)的核心競

爭要素之?，自動駕駛能力取決于高效的數(shù)據(jù)閉環(huán)和數(shù)據(jù)的利用效率,

并能利用大量有效數(shù)據(jù)訓練智能駕駛算法。因此，自動駕駛客戶要求

數(shù)據(jù)服務商能夠提供閉環(huán)數(shù)據(jù)解決方案，以滿足智能駕駛業(yè)務數(shù)據(jù)處

理量大、數(shù)據(jù)處理需求迭代頻次高等特點，專業(yè)知識、服務經(jīng)驗及準

入資質(zhì)將成為衡量的重要標準。

圖表18:自動占駛客戶需求全棧式閉環(huán)數(shù)據(jù)解決方案

自動駕艘企業(yè)核心競爭要素客戶對數(shù)據(jù)服務商的要求

閉環(huán)數(shù)據(jù)第決方案

,完整的數(shù)據(jù)閉環(huán)＞專業(yè)能力：對交通場景、車輛傳感器的理解

＞《瓢本的獲取數(shù)據(jù)和實施能力

＞高效數(shù)據(jù)利用，綜合能力：數(shù)據(jù)平臺能力、質(zhì)量管控能力、

需求對接能力、項目響應能力等

自動駕駛能力取決于高效數(shù)據(jù)X準入資質(zhì)

閉環(huán)邪］數(shù)據(jù)利用效率，需要大

量有效訓練數(shù)據(jù)訓練自動駕駛車企客戶需要全棧式閉環(huán)數(shù)據(jù)解決方案，打通

算法，使其能夠處理復雜的駕采集數(shù)據(jù)、構建數(shù)據(jù)集、算法訓練、聲法測評

駛任務.的線路，以滿足自動駕駛業(yè)務數(shù)據(jù)量大、數(shù)據(jù)

處理需求迭代須次更高、合規(guī)要求更高等特點.J

3.2場景需求：自動駕駛領域數(shù)據(jù)標注分為2D圖像標注與3D點云

標注

自動駕駛領域的數(shù)據(jù)可分為車載攝像頭采集的2D圖像數(shù)據(jù)和激光雷

達采集的3D點云數(shù)據(jù)。一般而言，低level的自動駕駛技術以2D圖

像數(shù)據(jù)為主，3D點云標注數(shù)據(jù)是中高level自動駕駛技術的基礎訓練

數(shù)據(jù)，在自動駕駛領域中發(fā)揮著愈發(fā)重要的作用。3D點云標注數(shù)據(jù)

在自動駕駛領域的應用可以分為兩個方面，一是基于場景理解和目標

檢測的實時環(huán)境感和處理，二是SLAM（即時定位與地圖構建）加強

定位。

2D標注：通過精確理解來自可見光攝像頭的信息，尋找能夠創(chuàng)建用

于目標物體的可擴展邊界框。

3D點云標注：通過識別和跟蹤場景中的對象，了解汽車前方和周圍

的場景。將點云數(shù)據(jù)和視頻流合并到要標注的場景中。

視頻對象和事件跟蹤3D點云標注：鎖定隨時間移動的對象，并標注

時間事件。在多幀視頻和LiDar場景中跟蹤進入和離開本體中的關注

區(qū)域的對象（如其他汽車和行人）。在整個視頻中，無論對象進入和

離開視線的頻率如何，都會保持對其特性的一致理解。

3,3場景價值：自動駕駛訓練數(shù)據(jù)市場方興未艾，2025年國內(nèi)市場

規(guī)?；蜻_25億元

自動駕駛約占我國AI基礎數(shù)據(jù)服務市場規(guī)模的35%,2025年市場

規(guī)?；蜻_25億元。自動駕駛的視覺技術主要應用于有監(jiān)督的深度學

習，需要大量的標注數(shù)據(jù)對模型進行訓練和調(diào)優(yōu)。目前該領域的數(shù)據(jù)

采集和標注需求已成為AI基礎數(shù)據(jù)服務的主要下游之一。據(jù)IDC,

2020年我國自動駕駛領域占AI基礎數(shù)據(jù)服務市場規(guī)模的35%,系

第一大下游場景。另據(jù)研究，2025年我國自動駕駛AI基礎數(shù)據(jù)服務

市場規(guī)?；蜻_24.9億元，預計18~25年CAGR高達23.2%,跑贏

AI基礎數(shù)據(jù)服務整體增速21.8%o

4.國內(nèi)市場集中度趨勢性收斂，海天瑞聲具備領先優(yōu)勢

4.1發(fā)展趨勢：品牌商價值效應凸顯，國內(nèi)市場集中度持續(xù)收斂

品牌數(shù)據(jù)服務商未來將替代中小型供應商成為市場主要供應力量。我

國AI基礎數(shù)據(jù)服務行業(yè)主要市場主體包括需求方自建基礎數(shù)據(jù)團隊

與基礎數(shù)據(jù)服務商（品牌數(shù)據(jù)服務商、中小數(shù)據(jù)服務商）。截至2019

年，中小數(shù)據(jù)供應商是主要供應力量，占比高達47%。其中百度眾

包、海天瑞聲分居top2,占比分別為11.0%、8.0%,2019年行業(yè)

CR5僅為26.2%。結合本文1.2部分分析可知，近年間需求端垂直

場景及專業(yè)化需求凸顯，業(yè)務門檻提高；供給端競爭加劇擠壓中低端

業(yè)務利潤空間，加速市場出清。預計當前我國AI基礎數(shù)據(jù)服務行業(yè)

市場主要以品牌數(shù)據(jù)供應商與需求方自建團隊為主，行業(yè)龍頭逐漸浮

出水面，中小供應商份額顯著下降。

圖表23:2019年我國N基礎數(shù)據(jù)服務市場CR5

百度眾包，

11.0%

海天瑞聲，

8.0%

標貝科技、云測

其他,73.8%信息和數(shù)據(jù)堂,

7.2%

業(yè)內(nèi)品牌數(shù)據(jù)商包括海外巨頭Appen、國內(nèi)領軍廠商海天瑞聲、慧聽

數(shù)據(jù)、標貝科技等：

Appen：1996年成立于澳大利亞，面向機器學習和人工智能開發(fā)的

高質(zhì)量人工標注數(shù)據(jù)集，于2015年1月于澳大利亞證券交易所上市。

Appen在采集并豐富語音、文字、圖像和視頻等各種數(shù)據(jù)類型上積累

多年經(jīng)驗，與全球技術、汽車和電子商務公司，以及政府部門建立了

合作。

海天瑞聲：成立于2005年，是國內(nèi)領先的訓練數(shù)據(jù)提供商。主要從

事訓練數(shù)據(jù)的研發(fā)設計、生產(chǎn)及銷售.業(yè)務。目前己成為同時具備核心

技術、產(chǎn)品資源、優(yōu)質(zhì)客戶為一體的本土訓練數(shù)據(jù)提供企業(yè)。核心收

入來源為數(shù)據(jù)資源定制服務。

慧聽科技：成立于2011年，業(yè)務包括語音識別、語音合成、語音評

測、語言文本類、多媒體類等多領域數(shù)據(jù)制作，以及語音合成、語音

識別、輸入法系統(tǒng)的研發(fā)等。公司提供服務涵蓋語音訓練數(shù)據(jù)制作、

音樂數(shù)據(jù)制作標注、語音質(zhì)量評測等，經(jīng)營模式包括定制開發(fā)和自有

訓練數(shù)據(jù)產(chǎn)品銷售c

標貝科技：成立于2016年，主要提供智能語音交互相關服務，包括

語音合成整體解決方案，以及語音合成、語音識別、圖像識別等數(shù)據(jù)

服務，經(jīng)營模式包括定制開發(fā)和自有訓練數(shù)據(jù)產(chǎn)品銷售。

4.2競爭格局：業(yè)內(nèi)主要玩家發(fā)展各有側重，Appen及海天瑞聲具備

領先優(yōu)勢

據(jù)IDC,2021年海天瑞聲在國內(nèi)AI基礎數(shù)據(jù)服務行業(yè)市占率高達

12.9%,位居第一。其技術實力、語種/方言覆蓋能力、專利及軟著數(shù)

量、成品訓練集數(shù)量均位居行'也前列。相比之下,Appen在覆蓋區(qū)域、

語種/方言覆蓋能力等方面更具優(yōu)勢?；勐牽萍寂c標貝科技則在音樂

領域具備差異化業(yè)務覆蓋能力。

在語音類數(shù)據(jù)產(chǎn)品中，海天瑞聲在結構方面的差異主要體現(xiàn)在覆蓋的

噪聲類型、錄音通道數(shù)量、錄音文本內(nèi)容類型等方面。相比之下，海

天瑞聲的訓練數(shù)據(jù)產(chǎn)品結構整體而言可覆蓋更豐富的錄音文本內(nèi)容

類型、噪音環(huán)境類型、錄音通道數(shù)量，Appen則在稀有語言覆蓋數(shù)量

上更勝一籌。

在自然語言訓練數(shù)據(jù)產(chǎn)品中，不同自然語言訓練數(shù)據(jù)產(chǎn)品的結構差異

主要體現(xiàn)在文本來源、內(nèi)容、標注屬性等方面。Appen具備更為豐富

的產(chǎn)品數(shù)量與更為全面的語言覆蓋能力，海天瑞聲在上述指標上緊隨

其后。

SA28:隼我誓■識別詞練歙*產(chǎn)品對比

海天或聲Appen標貝科技

文卡內(nèi)€臭炎總收558/36

收多事.街道W林.收字.。然收.街it名券.導就找★樂.蛾市導板.

料.電2.今令美語.通向招全人”左用4.字機率系純般?.

文本內(nèi)客矣支示例/

數(shù)字事.酎同.日嘉.度母*.地點.全業(yè)名低.疊酒席,愛警廳.壹地快.

量彷.長勻,白黑口語井語句等4X查詢號

b3續(xù)收梃戶

7257

種?聲環(huán)境臭用數(shù)量

.tit.反速.

高速通說、歸停息速，除1.gt**.

及上奉我嚎聲踩境具Ail.務速，**ii

名速.高速奉利機.奉方打開,奉育高速.高速,通

體具劑路.電市道珞

關閉注.也本道心?皆

**?