本文作者 | 哥吉拉

數據支持 | 勾股大數據（www.gogudata.com）

最近，一則消息在科技圈炸鍋。

為OpenAI、Anthropic等頭部AI實驗室提供數據服務的數據工廠Mercor，正大規模尋找倒閉或被收購的初創企業，以高達30萬美元的報價收購其內部數據集。

不僅包括代碼庫，更涵蓋Slack聊天記錄、Google Drive文檔、電子郵件、Zoom會議錄音等日常辦公痕跡。

據數據公司Protege披露，今年以來其處理的數據交易總額已達至少1億美元，而去年同期僅約3000萬美元。

這又是一門因為AI而生的生意。

不過，這門生意背後，有令人發涼的地方。

01

無數據，不AI

AI的進化，本質上是「喫」數據的過程。

大語言模型的能力上限，在很大程度上取決於訓練數據的質量、規模和多樣性。

過去幾年，AI產業享受了一場數據盛宴，互聯網上公開可用的網頁、書籍、論文、代碼、百科、論壇帖子，幾乎被各大實驗室颳了個遍。

但盛宴終有散場之時。

數據公司Protege CEO鮑比·塞繆爾斯一語道破：「AI實驗室已經基本刮完了整個互聯網，現在需要的是人與人之間的真實互動。」

當AI從聊天機器人向數字員工演進時，對數據的需求發生了質變。

它不能只知道答案是什麼，更需要知道人類到底是怎麼完成工作的。

一份最終代碼庫像一道題的答案，能告訴模型產品最後怎樣運行，卻未必能解釋問題最初從哪裏冒出來、工程師為什麼先排除一種可能、又為什麼在測試失敗後換了一條路。

而工單、聊天記錄、會議轉錄和一次次代碼修改，留下的正是這段中間過程，問題如何被發現、討論、驗證、修復的完整鏈路。

從技術角度看，這對應着訓練數據從Type 2（人工設計任務）向Type 1（真實業務捕獲）的範式轉移。

代碼領域已驗證這一點。

大模型代碼能力進步最快，重要原因之一是GitHub是全球最大的Type 1數據寶庫，一條commit記錄串起問題描述、修改方案、代碼評審和測試結果，完整保留問題從出現到解決的全鏈路。

其他領域缺的不是需求，而是像GitHub這樣現成的數據源。

這也就解釋了一個邏輯閉環，AI要變得更智能，就必須不斷訓練，而更多、更深入的訓練又需要更多數據，結果當公開資料被消耗殆盡，AI就必須向更深層、更私密的數據伸手。

如果沒有更深入的資料，AI就會面臨巧婦難為無米之炊的窘境，模型能力的天花板，也將被公開數據的天花板死死鎖住，那還如何進化呢？

02

衝突爆發

當AI伸手索取這些深層數據時，問題隨之而來。

Slack聊天記錄裏可能有客戶信息，郵件裏可能有員工姓名，會議裏可能出現商業機密，醫療企業數據甚至涉及患者隱私。

AI實驗室的剛需，與個人隱私權、企業商業祕密、勞動權益保護之間，形成了正面衝突。

這種衝突體現在多個維度，最核心的是隱私問題。

儘管Mercor等公司聲稱能識別並遮蔽60多類敏感標識符，但業內坦言徹底保護隱私幾乎不可能。

更深的矛盾在於，工作記錄最有價值的部分，往往不是一句話本身，而是誰在什麼階段說出，隨後觸發了什麼動作。

姓名可替換，但崗位、時間、項目、客戶關係和跨系統關聯很難都刪乾淨，數據清洗過度就會失去價值，保留這些關係又會帶來重新識別和敏感信息泄露的風險。

其次是知情同意問題。

即使員工入職時簽過知識產權協議，也不代表公司有權私自售賣內部聊天和工作記錄，員工從未明確同意自己的工作對話被打包出售給AI公司用於訓練。

還有商業機密、客戶隱私風險、算法偏見等問題。

比如，真實工作數據，天然包含人類決策中的偏見和錯誤模式，當這些數據被用於訓練AI智能體時，偏見會被規模化複製和放大。

法律監管也是一個棘手的問題。

全球範圍內，對於企業內部工作數據能否被第三方收購用於AI訓練這一問題，到現在都沒有清晰的法律框架。

一些人會認為這是好事，因為監管寬鬆，可以推動AI能力快速發展，並可以產生一些新的業務和工作崗位，但它也打開了隱私泄露、倫理失範和法律真空的潘多拉魔盒。

當然了，監管是肯定要跟上的，不可能讓AI繼續裸奔，現在各方正在探索的解決路徑包括：

法律層面儘快明確數據權屬邊界和「知情同意」標準；

技術層面發展聯邦學習、差分隱私、合成數據等隱私保護技術；

行業層面建立數據溯源和自律標準；

企業層面在出售數據前充分告知員工並徵得同意。

但可以預見的事，這場衝突的解決會是一個相當漫長的過程，各方的利益博弈是不會消失的。

03

巨頭的原罪

其實，在討論Mercor收購倒閉公司數據是否侵犯隱私之前，一些巨頭的原罪也被再次拿出來討論。

就拿谷歌和Meta來說，這兩家全球最大的互聯網平台，本身就沉澱了海量個人數據，包括數十億用戶的搜索記錄、Gmail郵件、Google Docs文檔、YouTube視頻、Facebook帖子、Instagram照片、WhatsApp消息。

這些數據難道沒有被用於AI訓練嗎？

真相是一直在用。

《紐約時報》就報道過，2023年7月4日美國獨立日假期期間，谷歌發布了更新後的隱私政策，並且特意選擇假期以分散公衆注意力。

新政策明確寫道：「我們使用公開可用的信息來幫助訓練谷歌的AI模型。」

2023年，Meta也更新了隱私政策，明確聲明用戶在Facebook、Instagram上的公開帖子、照片、評論和Reels，都將被用於訓練其AI模型。

2024年6月，Meta曾宣佈暫停使用歐盟用戶數據訓練大語言模型，原因是愛爾蘭數據保護委員會提出了數據保護方面的擔憂。

但僅僅一年後，Meta又宣佈恢復這一計劃。

2026年2月，Meta正式確認將使用歐盟用戶的公開數據訓練AI模型，僅給予用戶「反對」（opt-out）的權利，而非「同意」（opt-in）。

2026年6月，谷歌又悄悄更新了搜索隱私設定，自動將所有用戶納入其擴展的AI訓練計劃。

這些事實都說明，AI訓練對個人隱私的侵犯，並不是從Mercor收購倒閉公司數據纔開始的，從谷歌、Meta等巨頭悄悄修改服務條款的那一刻起，就已經在發生了。

區別只是，巨頭們用的是合法手段，而Mercor做的是灰色交易，法律邊界更加模糊罷了。

04

尾聲

Mercor的這門生意，撕開的恰恰是AI進化史中最荒誕的一頁——我們一面驚歎於大模型的「智能」，一面又不得不承認，這種智能的底座，是無數打工人一輩子在工作生活中留下的、那些從未被好好安放的「數字遺產」。

事已至此，再去苛責Mercor的灰色交易，多少有些「解決提出問題的人」的意思。

谷歌、Meta的隱私政策靜默更新，已經用行動表明了態度——哪怕沒有Mercor，AI對深層數據的渴求也絕不會止步。

區別只在於，巨頭們走的是堂而皇之的陽關道，Mercor們探的是若明若暗的獨木橋。

這場衝突沒有簡單的善惡之分，只有不可避免的角力。

可以預見，未來的AI監管會為此劃出新的紅線，數據脫敏技術會走向更成熟的形態，甚至「數字遺產」的概念也會被重新定義。

但在那之前，我們或許只能接受這樣一個尷尬的現實，AI的每一次進化，都在拿人類的數字隱私做燃料。

而這場「燒自己照亮AI」的賽跑，遠未看到終點。（全文完）