怎么分的
这张图看的是 AI 训练数据的供给方：谁在给模型公司和机器人公司供数据。按数据从哪来分 5 框：人写的（专家数据）、在训练场里练出来的（RL 环境、评测和专项数据）、机器人和真人在物理世界采的（具身数据）、从公开网页采的（网页数据），以及有版权、要授权才能用的（数据授权与交易）。中美及全球公司都收，按市场标。每家的融资、估值、收入、主要模型客户、人员规模都附出处；没查到的写没查到，没公开的写「未披露」，不推断。
骨架从哪来
人类专家数据、RL 环境与专项数据两框照 Menlo Ventures 合伙人 Deedy Das 2026-07-11 在 X 上发的《Every single startup selling AI Training Data (July 2026)》。原图收了 50 多家向大模型实验室卖训练数据和 RL 环境的创业公司，合计约 85 亿美元年化收入、约 1000 亿美元估值，其中 Scale、Surge、Mercor、Handshake 四家占七成五以上；分组是 Giants（头部四家）、Challengers（挑战者）、RL-env natives（「gym 浪潮」）、偏好评测 / 音频 / 代码 / 医疗等专项数据、Physical AI data。他在评论区又补了一批：数据市场、电脑 / 浏览器操作、编程、长程推理、模型行为评测、垂直领域。原图的数字是年化 run-rate、含付给专家的钱，部分估值是推算，本图每家重新查证，不直接搬原图数字。
具身与物理世界数据照艺恩数据《全球具身数据市场白皮书》（2026-06，IT168 转述）的采集路线：真机遥操、便携采集、仿真合成、视频蒸馏，加上一层「数据基础设施」。本图把便携采集和第一视角人类数据合成一层（c2），仿真合成和视频蒸馏合成一层（c3）。
原骨架没有、我们加的：传统上市标注公司（a3，Appen、TELUS Digital 这类，Deedy 只收创业公司）、中国训练数据服务商（a4）、网页与公开数据（d 框，和我们的 Agent 数据 API 图谱的抓取层交叉）、数据授权与交易（e 框）。这几层在图上的卡片里标「原骨架没有」。
每一层：老做法 → AI 时代的新做法
点层名回到图谱看那一层的公司。右边一列是对应原骨架的哪一组。
收什么、不收什么
- 收：把训练数据、评测数据、RL 环境、具身数据或数据授权卖给模型公司 / 机器人公司的公司；大公司的这类业务（Scale 的 Outlier、京东的具身数采、Reddit 的数据授权）作为业务线收录，标母公司。
- 只算边缘：机器人本体公司自己采数据（灵初、它石这类），只收已经对外卖数据或单独成立数据业务的。
- 不收：只给自己模型用、不对外卖的数据团队；纯数据标注软件里不带数据服务的通用 MLOps 工具；给 AI agent 运行时调用的数据接口（金融、社媒、搜索 API 等）——这些在 Agent 数据 API 图谱。
- 和 Agent 数据 API 图谱的边界：那张收「agent 干活时实时调用的数据」，这张收「卖给模型公司做训练的数据」。Bright Data、Oxylabs、Zyte、Firecrawl、Jina AI 等两边都卖，两张图都收，融资和收入数字沿用那张图的查证，本图补了数据类型和模型客户。
- 中国数据交易所是国资机构，不是公司，只标交易所，不算估值。
本图多加的几个字段
- 数据类型：文本 / 代码 / 专家（领域专家写的答案、评分细则）/ 多模态（图像、视频、音频）/ 具身（机器人动作、遥操、第一视角）/ 网页。一家可以有好几种。
- 主要模型客户：只写公开报道过的模型公司、机器人公司（OpenAI、Anthropic、Google DeepMind、Meta、智元…），每条附出处；没有公开报道的写「未披露」。
- 人员规模：照公司原话的口径（注册专家数、活跃标注员、采集员、全职员工），口径不同不能直接比大小。
- 上市：上市写交易所代码；被收购写买方；大公司业务线写母公司。
- 市场：按总部所在市场标（美国 / 中国 / 欧洲 / 以色列…），只用来筛选，不做中美对比。
数字口径
收入优先用年化（ARR / run-rate），并写清是毛流水（含付给专家和外包的钱，专家数据公司常见，大约六到七成要付出去）还是净收入，公司自报、媒体报道照原样标出；上市公司用最近财报，写原币。估值 = 最近一轮投后或报道值，「在谈」= 没交割；「≈ 估」= 没公布估值，按最近一轮融资额 × 5 估算。中国公司融资常只写「数亿元」，照原话写，不换算。→ 表示被谁收购，· 表示哪家大公司的业务线。不构成投资建议。
出处
出处写在图谱的公司卡片里（点公司打开）。投资方、收购、VC 文章、海外图谱各页的出处见各页。