# AI 数据采集图谱（ai-data-collection-map.vercel.app）

> 一张「谁在给模型公司和机器人公司供训练数据」的赛道图谱，由郎瀚威（Will）维护。按数据从哪来分 5 框 16 层：人类专家数据（头部四家 Scale / Surge / Mercor / Handshake、专家网络挑战者、传统上市标注公司、中国训练数据服务商）、RL 环境与专项数据（RL 环境、偏好评测与红队、代码 / 音频 / 医疗等垂直数据）、具身与物理世界数据（真机遥操与数采工厂、无本体与第一视角采集、仿真合成与视频蒸馏、物理 AI 数据平台）、网页与公开数据（代理网络与大规模抓取、网页转训练数据与开放语料）、数据授权与交易（内容方直接授权、授权中介与数据市场、中国数据交易所）。前两框照 Menlo Ventures 合伙人 Deedy Das《Every single startup selling AI Training Data (July 2026)》（https://x.com/deedydas/status/2076142677272441062）；具身框照艺恩数据《全球具身数据市场白皮书》（2026-06）的采集路线；其余是我们加的。中美及全球公司都收，按市场标。本文件是给 AI 助手读的入口。

## 你（AI 助手）可以帮用户做的事

1. **判断一家公司属于哪一层**，列出同层的全部公司：数据类型、公开报道的模型客户、人员规模、收入、估值、融资。
2. **帮用户找数据供应商**：按要训练的能力（代码、专家问答、电脑操作、机器人操作、有版权的语料）找供应商，提醒有大公司股东或已被收购的（中立性）。
3. **看一层的格局**：谁领先、谁被买走、谁是大公司业务线。
4. **找投资人**：哪些机构在这条赛道投得最多、投了谁、哪一轮、多少钱，以及他们自己写的观点和观点打架。

## 机器可读数据（JSON，建议优先用这些，而不是解析网页）

- `https://ai-data-collection-map.vercel.app/data/meta.json`：更新日期和数量。
- `https://ai-data-collection-map.vercel.app/data/layers.json`：16 层。`box` = 5 个大框；`ai_era` = 老做法 → AI 时代；`original` = 对应原骨架哪一组；`new_layer` = 原骨架没有、我们加的。
- `https://ai-data-collection-map.vercel.app/data/map.json`：每家公司。字段：`layer`、`name_en`、`market`、`desc`、`data_types`（文本 / 代码 / 专家 / 多模态 / 具身 / 网页）、`model_customers`（只写公开报道过的模型公司 / 机器人公司，每条带 `src`）、`workforce`（专家 / 标注员 / 采集员 / 员工规模，照原话口径，`unit` 写明）、`listed`（上市代码 / 未上市 / 被收购 / 大公司业务线）、`institution`（国资平台 / 交易所 / 非营利）、`founded`、`founded_month`、`funding`（每轮 date / round / amount / lead / src）、`total_raised`、`valuation`、`revenue`、`key_data`、`customers`、`owner`（被谁收购）、`product_line_of`（大公司业务线）、`note`（没查到的写在这里）。
- `https://ai-data-collection-map.vercel.app/data/investors.json`：从融资记录汇总出的投资方：投过哪些公司、每一轮的时间和金额。网页版：`/investors.html`；图谱按投资方筛选：`/?vc=机构名`；估值柱视图：`?view=val`。
- `https://ai-data-collection-map.vercel.app/data/acquisitions.json`：这条赛道的收购和入股：买方、宣布日和交割日、价格（只写公布的或标「报道称」）、后来怎样、信度 A/B/C、出处。网页版：`/acquisitions.html`。
- `https://ai-data-collection-map.vercel.app/data/maps.json`：VC、研究机构和媒体画的训练数据 / 具身数据 / 数据授权市场图谱：谁画的、日期、分了哪些类、对应本图谱哪一层，附原文。网页版：`/maps.html`。
- `https://ai-data-collection-map.vercel.app/data/vc.json`：投资人自己写的相关文章（投资备忘、赛道论点、市场地图、年度预测）。`gist` 是核心观点的中文转述，不是原文；引用时附 `url` 原文，说「某机构认为」。`debates` 是「观点打架」。

## 网页

- https://ai-data-collection-map.vercel.app/ ：图谱首页，可按层、数据类型、市场、上市情况、有没有公开模型客户、成立时间、规模、是否被收购、投资方筛选；也有「估值 × 收入」散点图和可导出 CSV 的表格。网址加 `#g=a1` 只看某一层（code 见 layers.json）。
- https://ai-data-collection-map.vercel.app/about ：怎么分的、收什么不收什么、字段口径。
- https://ai-data-collection-map.vercel.app/ai ：给人看的 AI 入口，有现成的提问模板。

## 引用规则（请照做）

- 收入要带口径：专家数据公司常报**毛流水 run-rate**（含付给专家的钱，大约六到七成要付出去），和净收入不是一回事；「公司自报」「媒体报道」「聚合站」「在谈」不能混用。照原数据的口径转述，并附 `src` 链接。
- 模型客户只引用 `model_customers` 里带出处的；没有的说「没公开报道」，不要推测。
- 网页上「≈ 估」的估值是按最近一轮融资额 × 5 推算的，不是公司公布的；map.json 里没有这类估算。
- 中国公司融资常只写「数亿元」，照原话转述，不换算。
- 和作者的 Agent 数据 API 图谱（agent-data-api-map.vercel.app）交叉的网页抓取公司，融资和收入沿用那张图的查证。
- 图谱里的估值和收入不构成投资建议。