2025年AI数据超百亿！跨境捞金新风口

当下，全球范围内的人工智能（AI）领域竞争日趋激烈，特别是头部实验室如OpenAI和Anthropic，正不惜重金投入，力求实现通用人工智能（AGI）。在这场技术竞赛中，对海量高质量数据的需求如同燃料一般，驱动着一个鲜为人知但增长迅猛的产业——AI训练数据服务。一些公司，例如Mercor和Handshake，正是在这波AI热潮中迅速崛起，其成功模式和发展路径，为中国跨境行业的从业者提供了宝贵的观察视角。

一、数据产业的爆发式增长与新兴力量

Mercor公司由当时年仅19岁的布伦丹·富迪于2023年与两位高中朋友共同创立。最初，它是一个高度自动化的海外软件工程师招聘平台，利用语言模型审查简历并进行面试。在短短数月内，Mercor的年化收入就达到了100万美元，并实现了可观的利润。

到了2024年初，AI训练数据领域的先行者Scale AI向Mercor提出了一个巨大需求：他们需要1200名软件工程师。彼时，Scale AI通过组织全球数十万人为自动驾驶汽车、电商算法和语言模型聊天机器人标注数据，估值已接近140亿美元。而随着OpenAI、Anthropic等公司尝试训练其聊天机器人进行编码，Scale AI急需软件工程师来生产训练数据。

富迪敏锐地察觉到这预示着AI行业将发生更大变革。他注意到市场对专业化数据工作的需求日益增长。当他招募的工程师抱怨薪资问题时（Scale AI曾因平台管理混乱和薪资纠纷被起诉），富迪决定跳过中间商，直接进入数据供应领域。

2024年9月，富迪宣布Mercor的年化收入已达到5亿美元，使其成为“有史以来增长最快的公司”。此前的记录保持者是Anysphere，其产品Cursor是一款AI编码工具。值得注意的是，Cursor最近表示其用户正在生成实验室所需的那类训练数据，而外媒也报道称OpenAI和xAI对此工具表现出收购意向。

Mercor的最新一轮融资使其公司估值达到100亿美元。富迪和他的两位联合创始人年仅22岁，已成为最年轻的白手起家亿万富翁。他们早期的一名员工甚至已离职，开始创办自己的AI数据公司。

在讨论AI基础设施时，人们通常关注数据中心的巨大建设，但类似的高速竞争也在训练数据领域上演。AI实验室已用尽所有易于获取的数据，这引发了关于早期通过规模扩张实现的快速进展能否持续的疑问。与此同时，近期AI性能的提升主要得益于新的训练技术，这些技术利用了由特定领域专家（如编程和金融）定制的小型数据集，AI公司愿意为此支付高昂费用。

尽管缺乏关于AI实验室在数据上具体投入的统计数据，但投资者和行业内部人士的粗略估计表明，2025年这一数字将超过100亿美元，其中绝大部分来自大约五家公司。这些公司尚未找到通过AI盈利的方法，但那些向他们销售训练数据的公司却已实现盈利。目前来看，这些数据服务公司是少数几家实现盈利的AI相关企业。

这触及了人类专业知识的每一个角落。

二、数据的演进与AI训练的专业化

根据2021年谷歌研究人员的一项研究，数据行业长期以来被视为AI开发中最被低估、最不光鲜的环节，通常被认为是需要尽可能快、尽可能便宜地完成的“清洁工”工作。然而，现代机器学习离不开其数据供应商生态系统，两者相辅相成，共同发展。

在2010年代初期，亚马逊Mechanical Turk平台的出现使得数千人能够以极低的报酬标记猫狗图像，这促成了大量数据集的生成，从而证明了机器学习的可行性。随后，自动驾驶汽车的研发需求推动了新一批公司的成长，其中就包括Scale AI。该公司通过其Remotasks工作平台改进了众包模式，工人使用半自动化标注软件，框选停车标志和交通锥筒。

ChatGPT发布后，语言模型聊天机器人领域的兴起再次推动了行业的转型。ChatGPT之所以能展现出类人般的流畅度，得益于一种名为“人类反馈强化学习”（RLHF）的训练方法。这种方法需要支付合同工来评估聊天机器人回复的质量，然后训练一个辅助模型来奖励那些人类认为优秀的回应。相比以往的众包数据工作，提供这些评估需要更精细的判断，特别是随着聊天机器人日益复杂；例如，判断医疗建议是否合理，就需要具备医学专业知识的人。

Scale AI提供了大部分人类评估，但由数据科学家埃德温·陈自主创办的新公司Surge AI，却悄然成长为该领域的另一主要供应商。陈在谷歌、推特（X平台前身）、脸书（Facebook）等公司工作时，曾对供应商提供的数据质量低下感到失望，这些数据充斥着缺乏相关背景的人为微薄报酬进行的错误标注。陈认为，这些供应商只是“人力作坊”，通过投入大量人力来弥补质量的不足。

与Scale AI的Remotasks平台不同，Surge AI拥有Data Annotation Tech平台，其招聘规模更小、目标更明确，并且具有更严格的质量控制。尽管像Scale AI一样，Surge AI也因员工分类不当和拖欠工资在加州遭到起诉，但它支付的报酬更高，每小时约30美元。面对OpenAI及其他追赶型实验室的巨大需求，该公司自成立以来一直盈利。根据外媒报道，Surge AI在2024年的收入超过10亿美元，超越了Scale AI报告的8.7亿美元。2025年初，路透社报道称Surge AI正首次考虑融资，寻求在150亿美元估值下获得10亿美元投资。据《福布斯》杂志报道，陈目前仍持有该公司约75%的股份。

然而，仅仅依赖用户对聊天机器人回复偏好的数据，其信号可能过于粗糙。模型容易学习简单的“技巧”，比如“告诉用户他们的观点非常出色”，而不是学习像“根据可靠来源检查事实一致性”这样复杂的判断。即使由领域专家进行评估，结果也往往只是听起来更专业，但仍不足以真正有用。模型可以通过律师资格考试，但可能会编造判例法；可以通过注册会计师（CPA）考试，但在电子表格中却选错了单元格。2025年7月，麻省理工学院的研究人员发布了一项研究，发现95%采用生成式AI的企业并未获得任何回报。

AI公司希望通过更细致的评估标准进行强化学习来改变这一现状。近期在数学和编程领域的改进就提供了一个概念验证。OpenAI的o1模型和DeepSeek的R1模型表明，只要提供大量数学和编码问题，以及一些人类逐步思考解决方案的示例，模型就能在这些领域变得相当熟练。当模型通过试错找到正确解决方案时，它们会权衡可能的处理方法，回溯，并展示开发者称之为“推理”的其他解决问题技巧。

然而，问题在于数学和编码问题是理想化、自包含的任务，与软件工程师在现实世界中可能遇到的情况相比，存在简化。因此，基准测试得分并不能完全反映实际性能。为了使模型真正有用，AI公司需要更多能反映工程师实际任务的数据——这就是他们急于招聘软件工程师的原因。

另一个问题是，数学和编码可能是AI最容易攻克的领域。为了使强化学习奏效，模型需要一个明确的成功信号来优化。这就是为什么该方法在围棋等游戏中表现出色：胜利是一个清晰、明确的结果，模型可以尝试百万种方法来实现它。同样，代码要么运行，要么不运行。这个类比并非完美；丑陋、低效的代码仍能运行，但它提供了一些可验证的目标进行优化。

生活中很少有其他事情像这样。对于法律简报或咨询分析是否“优秀”，没有普遍的衡量标准。成功取决于背景、目标、受众和无数其他变量。

Cohere（一家专注于企业级AI的实验室）的首席AI官乔尔·皮诺表示：“社区中似乎有一种信念，认为存在一个单一的奖励函数，只要我们能明确我们希望这些AI系统做什么，就能训练它们实现。”但她指出，现实情况更为多样和微妙。

“强化学习需要一个奖励函数。当存在多个需要共存的冲突价值时，它不太擅长寻找解决方案，因此我们可能需要一种截然不同的范式。”

在缺乏新范式的情况下，AI公司正试图通过“蛮力”解决问题——通过Mercor和Surge等公司，支付成千上万的律师、顾问及其他专业人士，以极其细致的方式，在每一种可想象的情境下，写出衡量“工作出色”的标准。他们希望，这些常被称为“评分标准”（grading rubrics）的清单，能让模型像在软件工程领域那样，通过强化学习获得能力。

这就像在所有数据初创公司上砸开了一个价值数十亿美元的“皮纳塔”玩具，Handshake的需求一夜之间增长了两倍。

三、评分标准与强化学习环境的复杂性

制作“评分标准”（Rubrics）是一项极其耗费人力的工作。参与这项工作的人员表示，耗费10小时甚至更长时间来完善一个可能包含十多个不同标准的评分标准并不罕见。公司通常对其训练方法的细节守口如瓶，但OpenAI为其近期医学基准测试发布的一个示例，很好地说明了这些标准的样子。当被问及一个无反应的邻居的问题时，如果模型的回应包含检查脉搏、找到除颤器、进行心肺复苏以及其他16项标准，就会得到奖励。在该基准测试中，有近5万个这样的标准，不同的标准适用于不同的提示。据数据行业人士透露，AI实验室在每次训练运行时，都会定制成千上万个评分标准，包含数百万个评估准则。

Mercor的富迪表示，这些评分标准需要“超乎寻常的细致”。富迪举例说，制作咨询领域的评分标准，首先要创建一个咨询公司所涉及所有行业的分类，然后是每个行业内所做的所有类型咨询，再然后是每个类别中顾问可能生成的所有类型报告和分析。

执行这些任务通常需要在电脑上操作，而每一个操作也都需要一个评分标准。发送一封电子邮件需要很多步骤——打开浏览器、开始新邮件、输入内容等等。但如果成功的唯一验证标准只是邮件是否发送或收到呢？Scale AI工程副总裁阿卡什·萨布哈瓦尔表示，检查的动作应该比一个更多。

模型在软件的简化版本中学习执行这些任务，这些简化版本被称为强化学习环境，常被描述为AI“健身房”，模型可以在其中摸索，直到它们掌握如何通过点击和拖动来在评分标准上取得好成绩。这些环境的市场也正在蓬勃发展。

与评分标准一样，每一个环境都需要根据其用途进行定制。Snorkel AI的联合创始人兼首席执行官亚历克斯·拉特纳表示：“有时它是一个DoorDash或Salesforce的克隆版，但很多时候它只是一个企业特定的环境。”Snorkel AI主要开发标注软件，但最近也推出了自己的人工数据服务。

拉特纳提到了AI发展中一个反复出现的悖论，即莫拉维克悖论，该悖论以20世纪80年代从事计算机视觉研究的科学家命名。他观察到，对人类来说最容易的事情，往往对机器来说最困难。当时，普遍的看法是机器视觉会比国际象棋更早被解决；毕竟，只有少数人类有天赋和训练成为象棋大师，而即使是儿童也能看东西。现在，模型可以解决复杂的单次编码挑战，但在没有严密人工监督的情况下，它们在更基本的现实工程任务上却举步维艰，会误用工具并犯明显错误。

拉特纳说：“那种真实的、成功指标模糊且中等的、看起来比编码竞赛更平凡的工作，才是模型面临挑战的地方。这是一个反直觉的前沿领域，我们包括自己在内，都在努力构建更复杂的环境、更细致的评分标准。”

据供应商透露，目前需求最旺盛的领域是那些兼具可验证性和经济价值的领域。软件工程仍然是最大的领域，其次是金融和咨询。法律领域也很受欢迎，尽管目前它在可验证性方面证明较差，因此不太适合强化学习。物理、化学、数学等领域都有需求。实际上，几乎所有能想象到的领域都在其中。甚至有核工程师和动物训练师的广告出现。

拉特纳说：“这涵盖了从临床医院环境到深度法律研究，再到我们几天前收到的关于木工的请求。这触及了人类专业知识的每一个角落。”

四、市场大爆发：竞争与多元化格局

将人类所有的技能和知识编码成清单，这是一项浩大，甚至可能有些堂吉诃德式的工程，但AI前沿实验室拥有数十亿美元的资金投入，其巨大的需求正在重塑整个数据行业。新的参与者似乎每天都在涌现，每一家都宣称拥有更专业的专家团队，并提供更高的薪酬。

Surge AI炫耀其拥有菲尔兹奖数学家、最高法院诉讼律师和哈佛历史学家。Mercor则宣传其拥有高盛分析师和麦肯锡咨询师。另一家快速增长的专家提供商Handshake AI则自豪地拥有来自加州大学伯克利分校和斯坦福大学的物理学家，并能吸引来自1000多所大学的校友。

Handshake的首席执行官兼联合创始人加勒特·洛德表示，他从2024年就开始收到数据市场变化的信号，当时一些老牌数据提供商开始寻求专家资源。Handshake公司恰好拥有这些专家。洛德于2014年创立了这家公司，最初是一个面向大学生和应届毕业生寻找实习和第一份工作的“领英（LinkedIn）+Glassdoor”综合平台。目前，有超过1000所大学的就业指导中心以及寻求从Handshake的2000万校友、研究生、硕士和博士群体中招聘人才的公司，都在使用该平台。2025年初，洛德通过在其现有公司内启动一个名为Handshake AI的部门，进入了AI数据市场。

随后，在2025年6月，Meta挖走了Scale AI的首席执行官，并收购了该公司49%的股份。其他竞争性实验室纷纷撤离，担心Scale AI不再是中立的供应商——由一个准Meta子公司提供数据，其公正性何在？这一事件如同在所有数据初创公司上砸开了一个价值数十亿美元的“皮纳塔”玩具。Handshake的需求一夜之间增长了三倍。

2024年11月，Handshake的年化运行率超过了1.5亿美元，超越了其成立十年的原有业务。洛德表示，公司的需求量甚至超出了其供应能力。他说：“我们在五个月内从3人团队扩展到了150人。甚至有18名新员工在同一个周一入职，我们的办公桌都快不够用了。”

AI模型构建者对数据饥渴的需求，正在将所有可能提供数据的公司拉入其引力场。Turing公司最初是一家人才中介机构，但在2022年OpenAI接触该公司后，它转向了训练数据业务，在Scale AI事件后，其需求也急剧飙升。同样，Labelbox公司主要生产标注软件，但在2024年也推出了自己的专家标注服务Alignerr，买家可以通过该平台搜索经Labelbox的AI面试官Zara筛选过的专家（称为“Alignerrs”）。

人才中介机构、内容审核分包商以及其他相关业务也纷纷转向以AI实验室为中心。Invisible Technologies公司成立于2015年，最初是一个将任务分配给海外工人的个人助理机器人，但随着AI实验室雇佣这些工人生产数据，其收入增长了20倍。2025年，该公司聘请了一位前麦肯锡高管担任首席执行官，获得了风险投资，并将其自身定位为一家AI训练公司。Pareto公司也遵循了类似的轨迹，于2020年成立，提供菲律宾的行政助理服务，现在则销售AI训练数据服务。

Micro1公司于2022年成立，最初是一家利用AI筛选软件工程师的人才中介机构，但现在也成为了一家数据标注公司。2025年7月，路透社报道称，该公司今年的年化收入已从1000万美元增长到1亿美元，并正在敲定一轮A轮融资，公司估值达到5亿美元。

就连美国网约车巨头优步（Uber）也希望从中分一杯羹。2025年10月，该公司收购了一家比利时数据标注初创公司，并正在向美国工人推出一个标注平台，这样司机可以在不驾驶的时候进行标注工作。

这场“寒武纪大爆发”已经发生，现在让我们看看谁能生存下来。

五、市场动态与AI的未来走向研判

此外，还有一系列规模较小、利基市场玩家。Sapien公司以加密货币支付数据标注员。Sapien首席执行官罗恩·斯通在2025年7月告诉外媒，这家专注于垂直模型（只专注于某一方面）的数据标注公司，其顾问委员会成员包括Scale AI联合创始人露西·郭，该公司正在“吸收人类的集体知识”。他们甚至不是唯一一家用加密代币支付人工数据初创公司。

Stellar、Aligned、FlexiBench、Revelo、Deccan AI——所有公司都在宣传他们的人才网络、人机协同（experts in the loop）模式以及数据丰富化管道。Mechanize公司在2025年4月通过宣布其目标是“实现所有工作的完全自动化”而引发轰动，在一波病毒式传播的舆论风暴中脱颖而出。它将如何实现这一富有争议的目标？通过像其他公司一样销售训练数据和环境。

正如AI芯片领域的领导者英伟达（Nvidia）一样，这些数据公司也成为了AI淘金热中的“卖水人”，它们捕获了从前沿实验室涌出的数十亿美元债务融资，因为这些实验室正争相实现超智能。这比“淘金”本身更安全，而且开始销售数据比设计新芯片要容易得多得多，因此初创公司如雨后春笋般涌现。

前Scale AI员工亚当·J·格拉姆林在宣布其离职时表示，他在领英（LinkedIn）上收到了大约300条招聘信息，而当时Scale AI正在进行一轮裁员。他说：“这就像所有人都意识到，‘嘿，我正在做一家人工数据初创公司。’这场‘寒武纪大爆发’已经发生，现在让我们看看谁能生存下来。”

数据行业虽然发展迅速，但从历史上看，它是一个充满动荡的行业。过去，许多曾经的巨头因训练技术的突然改变或客户流失而衰落。2020年8月，澳大利亚数据标注公司Appen的市值一度超过43亿美元；而现在，其市值已不足1.3亿美元，下降了97%。对于Appen而言，其80%的收入来自五大客户——微软、苹果、Meta、谷歌和亚马逊——这意味着即使失去一个客户，都可能对其生存造成威胁。

当前的AI数据市场也高度集中。在最近的一个播客中，富迪将Mercor的客户集中度与英伟达进行了比较，后者四家客户占据了其61%的收入。如果投资者对模型构建者失去信心，或者AI实验室采取不同的训练方法，其影响可能是毁灭性的。所有AI开发者都已经在使用多个数据供应商，而Scale AI的客户流失案例表明，他们会迅速将资金转移到其他地方。

这一切都加剧了激烈的竞争氛围。在播客和采访中，各公司首席执行官们对竞争对手的商业模式不时进行抨击。陈仍然认为他的大多数竞争对手都是“人力作坊”。富迪将Surge AI和Scale AI称为“高度付费专家时代”的“传统众包商”。Handshake的洛德则表示，他的竞争对手花费数千美元，在抖音（TikTok）上向物理学家发送招聘信息，而这些人实际上已经都在他的平台上了。所有三人均表示，Scale AI在被Meta投资“污染”之前就存在质量问题。每当这些抨击被报道时，Scale AI的发言人都会反唇相讥，指责富迪寻求 publicity，或者嘲笑陈的漫长融资周期。目前，Scale AI也正在起诉Mercor，声称其挖走了一名员工，该员工在离职前窃取了客户。

目前，AI实验室涌入的资金足以让所有参与者受益。他们需要评分标准、训练环境、各种类型的专家，但他们也仍在购买旧类型的数据。Surge AI的陈表示：“需求总是不断增长的。这些不断增长的新型训练形式，几乎是相互补充的。”

甚至Scale AI在经历Meta事件后的挫折后也重新实现了增长，主要客户也以某种形式回流。2025年9月，临时首席执行官杰森·德罗格在一次公开采访中表示，公司仍在与谷歌、微软、OpenAI和xAI合作。为了在企业AI领域更好地竞争，Scale AI还启动了一项名为“人类前沿集体”（Human Frontier Collective）的计划，面向计算机科学、工程、数学和认知科学等STEM领域的白领专业人士。

Scale AI告知外媒，其数据和应用程序业务均创造了九位数（数亿美元）的收入，其中数据业务自Meta投资以来每月都在增长，应用程序业务在2025年上半年到下半年之间翻了一番。该公司还表示，2025年第三季度是其公共部门业务自2020年以来表现最好的季度，部分原因归于政府合同。据报道，Scale AI预计2025年的收入将增长一倍以上，达到20亿美元。（该公司拒绝就此数字发表官方评论。）

据Scale AI研究主管刘冰介绍，该公司已多元化发展，开始销售评估服务，即AI开发者用来发现模型弱点和需要更多训练数据的测试工具。其商业策略是：公司理想情况下会利用这些评估来发现自己的模型在哪些方面缺乏数据，然后，理想情况下，从Scale AI购买这些类型的数据。

六、AI轨迹与数据依赖的未来展望

刚刚成立的数据公司估值达到十位数（数十亿美元），这可能被视为AI泡沫的迹象，但也可能代表了对AI发展特定轨迹的押注。（两者可能同时存在。）AI实验室在为其巨额支出辩护时所描绘的目标是即将实现通用人工智能（AGI），根据OpenAI章程的定义，AGI是“高度自主”且能在“大多数具有经济价值的工作中超越人类”的能力。

AGI这个词是模糊且有争议的，但通用人工智能应该能够做到的一件事是——泛化。如果你训练它进行数学和会计，它就应该能够在不需要进一步学习税法、各州具体税收规定、最新版报税软件等强化学习的情况下，处理你的税务问题。一个具备通用能力的智能体，不应该在每个领域处理每种任务时都需要大量新数据。

伊利诺伊大学香槟分校计算与数据科学助理教授丹尼尔·康（曾撰写关于训练数据需求的文章）表示：“如果AI实验室的设想是正确的，那么随着性能的提升，对人工数据的需求会减少，直到你可以完全将人排除在循环之外。”然而，目前的情况似乎恰恰相反。实验室在数据上的花费比以往任何时候都多，而性能的提升则来自针对日益特定应用而定制的专属数据集。鉴于当前的训练趋势，康预测，在每个离散领域获取高质量人工数据将是未来AI进步的主要瓶颈。

在这种设想下，康表示，AI更像是“普通技术”。这里所指的普通技术，类似于蒸汽机或互联网——可能具有变革性，但并非“电脑之神”。（他还推测，这也是为什么公司不愿像宣传数据中心那样大肆宣传其在数据上的支出：这与他们的融资叙事相悖。）在AI作为“普通技术”的未来，公司每次想要自动化特定任务时都需要购买新数据，并随着工作流程的变化而不断购买数据。

数据公司也押注于此。富迪说：“AI实验室非常希望说我们将尽快拥有能够泛化的超智能。但实际情况是，强化学习的泛化半径有限，所以他们需要针对所有他们想要优化的事物构建评估系统，而这方面的投资正在迅速爆炸式增长。”

SignalFire负责AI基础设施投资的瑞安·韦克斯勒认为，其他公司预测前沿模型不会“仅仅达到一个泛化的神奇点，让你可以做所有事情”，因此它们正在调整自身定位，以满足众多需要根据自身目的调整模型的公司的需求。

SignalFire投资了Centaur AI，一家医疗和科学数据公司。与前沿实验室不同，Centaur AI的大多数客户是医疗机构，如纪念斯隆-凯特林癌症中心或美敦力公司，它们拥有高度特定的应用和极低的错误容忍度。2024年，智能床垫公司Eight Sleep希望为其床垫添加“打鼾检测”功能。现有模型难以胜任，因此该公司雇佣Centaur AI招募了5万多人来标注打鼾数据。

Centaur AI的创始人兼首席执行官埃里克·杜海姆表示：“至于实现‘上帝模型’的尝试，我不知道会发生什么，但我非常相信其他公司的需求将持续增长。”杜海姆说：“每个人都被一种‘这将很容易，即插即用’的梦想所吸引。现在他们意识到，‘哦，我们需要为我们的用例定制这个东西。’”

Invisible公司的首席执行官马特·菲茨帕特里克也专注于其企业服务。他表示，如果审视“随时间变化的支出曲线”，企业将是“大部分业务转移的地方”。自2025年1月以来，该公司全面改革业务，更注重吸引企业客户，目前其数据标注团队中约有30%是拥有博士和硕士学位的人员。菲茨帕特里克将公司描述为一条“数字装配线”，可以召集“地球上任何地方”的专家来生成数据。他表示，Invisible公司目前经常被要求提供软件开发和联络中心的环境。

如果通用人工智能要通过逐步完善联络中心训练评分标准的方式实现，那么数据供应商的未来将一片光明，这或许解释了为什么这些首席执行官的言辞中充满了新的宏伟愿景。Turing公司的首席执行官预测，在未来几年内，AI数据标注员将成为全球最普遍的工作，数十亿人将参与评估和训练模型。Handshake的洛德看到了一个全新工作类别的雏形，将其与十年前的优步司机相提并论。

富迪表示：“我们需要在经济的各个行业中大规模建设数据和评估系统。”在Mercor，他说，客服团队负责处理AI智能体无法解决的问题，但也会更新其评分标准，以便下次智能体能够处理这些问题。他说：“如果从大局来看，感觉整个经济都将成为一个强化学习环境。”

如果投资者认为这一愿景不如Anthropic的达里奥·阿莫迪所描述的，一个数据中心里充满天才的国度那样诱人，他们至少可以从中得到一些安慰——毕竟，有人已经找到了从AI中盈利的方式。

新媒网（公号: 新媒网跨境发布），是一个专业的跨境电商、游戏、支付、贸易和广告社区平台，为百万跨境人传递最新的海外淘金精准资讯情报。

本文来源：新媒网 https://nmedialink.com/posts/2025-ai-data-10b-cross-border-gold.html