AI基礎數據服務行業研究：新場景催化數據采標需求加速釋放
（報告出品方：國金證券）
1. AI 基礎數據服務脫胎於專業數據標註需求，2025 年國內百億規模可期
1.1 產業圖譜：AI 基礎數據服務脫胎於專業數據采標分工需求
國內 AI 基礎數據服務產業主要包括上游數據產生及產能資源、中游訓練數據生產、下游 AI 演算法研發三大產業環節。其中，部分產業環節重合度較高，AI 基礎數據服務商主要脫 胎於專業數據采標分工需求。
上游主要包括數據生產者和數據生產組織者，主要提供原料數據的採集服務。
中游主要由基礎數據服務商構成，通過數據處理能力和項目管理能力完成訓練數據集 結構設計、數據加工和質量檢測等工作，為下遊客戶提供訓練數據產品和相關服務。 AI 基礎數據服務整體可分為兩大類，一種是具備自有的標註基地或全職標註團隊， 這類企業也參與產業上游部分直接提供產能資源，另一種是依靠眾包或外包模式，專 注於數據產品的開發與項目執行。
下游包括科技公司、行業企業、AI 公司和科研單位等，主要負責演算法研發。部分下 游 AI 公司擁有自主的標註工具，也可通過 AI 中台獲取一些通用標註工具，少數數據 需求大的企業還孵化了自主的數據服務團隊。
1.2 發展歷程：站在人工標註市場出清與機器標註迭代的十字路口
理論層面：數據工程系 AI 工程基礎環節，核心在於高效的數據標註。AI 工程=數據工程 模型工程。其中，數據工程主要包括數據採集與數據標註，約佔 AI 工程時長的 80%；模 型工程主要包括模型訓練與模型部署，約佔 AI 工程時長的 20%。數據工程是 AI 工程的 前置且基礎環節，直接影響到模型的質量與精度。數據工程的核心在於高效的數據標註， Garbage in garbage out 效應顯著。
實踐層面：AI 模型訓練數據需求規模大，訓練數據質量不佳、效率低下情況普遍。據Dimensional Research 全球調研報告，72%的受訪者認為至少使用超過 10 萬條訓練數據 進行模型訓練，才能保證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 練數據質量不佳、數量不足、數據標註人員不足等難題。為應對訓練數據所帶來的多方面 挑戰，AI 企業開始從第三方購買原料數據收集、訓練數據生產和數據專家諮詢等服務。
AI 數據工程發軔於 AI 產業落地元年，系 AI 下游應用的基礎且必備環節。目前行業處於市 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點。
產業初生期（2010~2016）：2010 年語音識別和計算機視覺領域產生重大突破，國 內開始萌生 AI 概念。後續數年，早期的 AI 基礎數據服務門檻較低，質量參差不齊。
產生成長期（2016~2022）：近五年來，供給側高烈度的業內競爭加速市場出清，需 求側對產業落地以及垂直場景的定製化數據采標需求逐漸凸顯。最終引致行業頭部企 業浮出水面，行業格局逐漸清晰。
產業成熟期（2022~至今）：2022 年以來，AIGC 產品集中爆發，高 level 自動駕駛 需求加速釋放。傳統人工標註的效率已不能完全滿足演算法需求，行業護城河轉向自動 化機器標註技術，預計產業將進入向技術要市場的新階段。
1.3 市場規模：AI 快速落地疊加數據量指數級躍升，2025 年國內百億規模可期
國內 AI 市場規模超百億美金，約佔全球市場 10%份額。目前，AI 已在金融、醫療、交通、 安防等多個垂直場景深度落地，且應用場景拓展勢能強勁，商業化進程加速。從全球市場 看，據 IDC，2021 年全球 AI 產業規模達 885.7 億美元，預計 2025 年將達到 2,218.7 億 美元，CAGR 高達 25.8%。從國內市場看，據 IDC，2022 年我國 AI 產業規模或達 116 億美元，預計未來數年仍保持兩位數增長。以 2021 年計，國內 AI市場規模約佔全球 10%， 國內市場成長潛力巨大，國內企業出海空間廣闊。
全球數據量呈指數式增長，中國數據量增速跑贏全球。據 IDC，全球每年生產的數據量將 從2018年的33ZB猛增至2025年的175ZB，其中結構化數據僅佔到全部數據量的20%， 其餘 80%都是以文件形式存在的非結構化和半結構化數據，日誌文件、機器數據等占非 結構化數據的 90%，產生了源源不斷的數據清洗與標註需求。相比之下，中國的數據量 增速領跑全球，平均每年增速比全球快 3%。2018 年，中國的數據量為 7.6ZB，佔全球總 量的 23.4%，預計到 2025 年將增至 48.6ZB，佔全球總量的 27.8%，CAGR 高達 30.4%。
中國 AI 基礎數據服務行業市場規模 2025 年有望突破百億。一方面，隨著演算法模型、技 術理論和應用場景的優化和創新，AI 產業對訓練數據的拓展性需求和前瞻性需求均快速 增長；另一方面，隨著業內對訓練數據需求類型的增加以及對服務標準要求的提高，產業 鏈的專業化分工將愈加清晰，專業化的訓練數據服務提供商將扮演更加重要的角色。 據艾瑞諮詢，2019 年中國 AI 基礎數據服務行業市場規模達 30.9 億元，其中圖像類、語 音類、NLP 類數據需求規模佔比分別為 49.7%、39.1%和 11.2%。預計 2025 年國內 AI 基礎數據服務行業市場規模將突破 100 億元，年複合增長率高達 21.8%。
1.4 政策支持：近五年國家政策加持國內 AI 產業發展
近五年國家系列政策推動國內 AI 產業蓬勃發展。《「十四五」規劃》指出要加快數字化發 展，建設數字中國，同時打造數字經濟新優勢，充分發揮海量數據和豐富應用場景優勢， 促進數字技術與實體經濟深度融合，賦能傳統產業轉型升，催生新產業新業態新模式，壯 大經濟發展新引擎。在國家頂層設計的支持下，我國 AI 基礎數據服務行業穩步發展，行 業訓練資源庫等細分應用領域的產業價值逐步凸顯。
2. AI 大模型催生高要求新需求，專業化數據集及 AI 訓練師需求利好優質專業數據提供廠商
2.1 場景特質：AI 大模型時代無監督/半監督訓練成為主流，RLHF 催生新興需求
大模型時代無監督/半監督訓練成為主流。AI 模型的訓練方法主要包括監督學習和無監督 學習兩種典型方式，後隨模型訓練數據量的增加衍生出半監督學習方法。AI 訓練方法的 發展歷經「監督-無監督-監督-無監督/半監督」4 個階段，在目前的大模型階段，無監督/ 半監督訓練再次成為主流。監督學習與無監督學習的主要區別在於是否使用帶有人工標註 的數據集訓練數據，半監督學習則是使用大量未標註數據 少量標註數據進行訓練。
大模型時代「基礎模型 微調」成為 AI 開發新範式，RLHF 微調技術催生更高要求的數據 標註需求。AI 大模型由海量數據通過無監督學習訓練得到，本身並不能直接應用於具體 任務，必須經過微調才可投入應用。微調是指基於大規模基礎模型，在現有訓練得到的模 型參數之上，針對特定任務類型、應用特定場景的數據對模型進行二次訓練。通俗來說， 大規模基礎模型為AI提供了基礎知識，而微調則是讓AI獲特定領域知識，並賦予其組織、 應用知識的能力。以近日備受關注的 ChatGPT 為例，在其微調技術 RLHF（強人工反饋） 系統當中：
第一步，預訓練階段。模型首先需要在標註完備的大數據集上進行預訓練，得到監督 學習模型。
第二步，交互獎勵階段。模型與專業的人工智慧訓練師進行交互，專業標註人員會對 ChatGPT 生成的回答進行標註、評估和反饋，給出一個針對回答的分數或者標籤。 這些標註數據可以作為強化學習過程中的「獎勵函數」來指導 ChatGPT 的參數調整， 得到獎勵模型。
第三步，迭代優化階段。基於獎勵模型的獎勵函數以 PPO（一種使用兩個神經網路 的強化學習演算法）的方式微調監督學習訓練出來的生成模型，基於強化學習 loss 持 續迭代生成模型，最終幫助模型進行強化學習和不斷優化。
2.2 場景需求：預訓練階段高質量專業數據集 交互獎勵階段人工智慧訓練師
伴隨業界大模型市場競爭的白熱化，RLHF 系統也將得到進一步的推廣及迭代使用，從而 帶來兩大類新興數據標註需求。一是預訓練階段催生 AI 廠商對於標註完善、清洗完備的 各類專業化場景數據集的需求；二是交互獎勵階段催生 AI 廠商對於具備專業的事實判斷 與規範的價值判斷的人工智慧訓練師的需求。 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質專業數據 解決方案提供商。針對 RLHF 預訓練階段需求，由於傳統數據采標廠商的主流商業模式 以銷售工具系統和標註服務為主，所以普遍缺少自有數據，較少經營出售精準數據集的服 務。針對 RLHF 交互獎勵階段需求，聚焦專業垂類的模型訓練師則更為稀缺，市場藍海 亟待業務開拓。
2.3 場景價值：超大規模預訓練模型推動訓練數據數級躍升，市場需求持續延展
超大規模預訓練模型推動訓練數據指數級躍升。自 OpenAI 於 2020 年推出 GPT-3 以來， 谷歌、華為、智源研究院、中科院、阿里巴巴等企業和研究機構相繼推出超大規模預訓練 模型，包括 Switch Transformer、DALL·EMT-NLG、盤古、悟道 2.0、紫東太初和 M6 等。 目前，預訓練模型參數數量、訓練數據規模按照 300 倍/年的趨勢增長，繼續通過增大模 型和增加訓練數據仍是短期內主流演進方向，RLHF 技術的推廣使用或將推動訓練數據市 場需求持續延展。
3. 自動駕駛領域訓練數據需求方興未艾，海天瑞聲發力布局
3.1 場景特質：自動駕駛客戶需求全棧式閉環數據解決方案
自動駕駛場景對於 AI 數據服務需求較為剛性。自動駕駛基礎數據主要是道路交通圖像、 障礙物圖像、車輛行駛環境圖像等，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需對雷達、攝像頭等感測器採集的點雲和圖像數據進行抽取、 處理和融合，構建車輛行駛環境，為預測和決策做依據。目前自動駕駛的視覺技術主要應用有監督的深度學習，是基於已知變數和因變數推導函數關係的演算法模型，需要大量的標 注數據對模型進行訓練和調優。近幾年，汽車廠商在 ADAS 和自動駕駛方向的投入明顯， 對於數據的採集和標註需求也逐年增加，汽車廠商有望成為需求主力。
自動駕駛領域對於基礎數據服務商提出更高要求，業內客戶需要全棧式閉環數據解決方案。 數據獲取和處理能力是自動駕駛企業的核心競爭要素之一，自動駕駛能力取決於高效的數 據閉環和數據的利用效率，並能利用大量有效數據訓練智能駕駛演算法。因此，自動駕駛客 戶要求數據服務商能夠提供閉環數據解決方案，以滿足智能駕駛業務數據處理量大、數據 處理需求迭代頻次高等特點，專業知識、服務經驗及准入資質將成為衡量的重要標準。
3.2 場景需求：自動駕駛領域數據標註分為 2D 圖像標註與 3D 點雲標註
自動駕駛領域的數據可分為車載攝像頭採集的 2D 圖像數據和激光雷達採集的 3D 點雲數 據。一般而言，低 level 的自動駕駛技術以 2D 圖像數據為主，3D 點雲標註數據是中高 level 自動駕駛技術的基礎訓練數據，在自動駕駛領域中發揮著愈發重要的作用。3D 點雲標註 數據在自動駕駛領域的應用可以分為兩個方面，一是基於場景理解和目標檢測的實時環境 感和處理，二是 SLAM（即時定位與地圖構建）加強定位。
2D 標註：通過精確理解來自可見光攝像頭的信息，尋找能夠創建用於目標物體的可 擴展邊界框。
3D 點雲標註：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。將點雲 數據和視頻流合併到要標註的場景中。
視頻對象和事件跟蹤 3D 點雲標註：鎖定隨時間移動的對象，並標註時間事件。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：自動駕駛訓練數據市場方興未艾，2025 年國內市場規模或達 25 億元
自動駕駛約佔我國 AI 基礎數據服務市場規模的 35%，2025 年市場規模或達 25 億元。自 動駕駛的視覺技術主要應用於有監督的深度學習，需要大量的標註數據對模型進行訓練和 調優。目前該領域的數據採集和標註需求已成為AI基礎數據服務的主要下游之一。據IDC， 2020 年我國自動駕駛領域占 AI 基礎數據服務市場規模的 35%，系第一大下游場景。另 據艾瑞諮詢，2025 年我國自動駕駛 AI 基礎數據服務市場規模或達 24.9 億元，預計 18~25 年 CAGR 高達 23.2%，跑贏 AI 基礎數據服務整體增速 21.8%。
4. 國內市場集中度趨勢性收斂，海天瑞聲具備領先優勢
4.1 發展趨勢：品牌商價值效應凸顯，國內市場集中度持續收斂
品牌數據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 基礎數據服務 行業主要市場主體包括需求方自建基礎數據團隊與基礎數據服務商（品牌數據服務商、中 小數據服務商）。截至 2019 年，中小數據供應商是主要供應力量，佔比高達 47%。其中 百度眾包、海天瑞聲分居 top2，佔比分別為 11.0%、8.0%，2019 年行業 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化需求凸顯，業務門檻提高； 供給端競爭加劇擠壓中低端業務利潤空間，加速市場出清。預計當前我國 AI 基礎數據服 務行業市場主要以品牌數據供應商與需求方自建團隊為主，行業龍頭逐漸浮出水面，中小 供應商份額顯著下降。
業內品牌數據商包括海外巨頭 Appen、國內領軍廠商海天瑞聲、慧聽數據、標貝科技等：
Appen：1996 年成立於澳大利亞，面向機器學習和人工智慧開發的高質量人工標註 數據集，於 2015 年 1 月於澳大利亞證券交易所上市。Appen 在採集並豐富語音、文 字、圖像和視頻等各種數據類型上積累多年經驗，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：成立於 2005 年，是國內領先的訓練數據提供商。主要從事訓練數據的研 發設計、生產及銷售業務。目前已成為同時具備核心技術、產品資源、優質客戶為一體的本土訓練數據提供企業。核心收入來源為數據資源定製服務。
慧聽科技：成立於 2011 年，業務包括語音識別、語音合成、語音評測、語言文本類、 多媒體類等多領域數據製作，以及語音合成、語音識別、輸入法系統的研發等。公司 提供服務涵蓋語音訓練數據製作、音樂數據製作標註、語音質量評測等，經營模式包 括定製開發和自有訓練數據產品銷售。
標貝科技：成立於 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、圖像識別等數據服務，經營模式包括定製開發和 自有訓練數據產品銷售。
4.2 競爭格局：業內主要玩家發展各有側重，Appen 及海天瑞聲具備領先優勢
據 IDC，2021 年海天瑞聲在國內 AI 基礎數據服務行業市佔率高達 12.9%，位居第一。其 技術實力、語種/方言覆蓋能力、專利及軟著數量、成品訓練集數量均位居行業前列。相 比之下，Appen 在覆蓋區域、語種/方言覆蓋能力等方面更具優勢。慧聽科技與標貝科技 則在音樂領域具備差異化業務覆蓋能力。
在語音類數據產品中，海天瑞聲在結構方面的差異主要體現在覆蓋的雜訊類型、錄音通道 數量、錄音文本內容類型等方面。相比之下，海天瑞聲的訓練數據產品結構整體而言可覆 蓋更豐富的錄音文本內容類型、噪音環境類型、錄音通道數量，Appen 則在稀有語言覆 蓋數量上更勝一籌。
在自然語言訓練數據產品中，不同自然語言訓練數據產品的結構差異主要體現在文本來源、 內容、標註屬性等方面。Appen 具備更為豐富的產品數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後。
在計算機視覺訓練數據產品中，海天瑞聲在結構方面的差異主要體現在人像識別檢測相關 數據產品領域。主要玩家均可覆蓋不同類型的人臉、姿勢、場景等，因計算機視覺數據產 品個性化特徵較強，各類訓練數據產品在具體的人臉類型、姿勢範圍、場景等方面具備一 定差異。與 Appen 相比，海天瑞聲的 OCR 訓練數據產品可覆蓋更多語種的光學字元識 別需要，具備廣泛性、強適用性特徵。
4.3 他山之石：Appen 發展復盤，全球 AI 基礎數據服務巨頭的崛起之路
Appen 系 AI 基礎數據服務行業全球巨頭，經歷爆髮式成長後收入利潤短期雙雙回落。 Appen 成立於 1996 年，面向機器學習和人工智慧開發的高質量人工標註數據集，於 2015 年於澳大利亞證券交易所上市。2015~2019 年，公司經歷了爆髮式成長期，營收增速一 度沖高至 100%以上，同期凈利率接近 10%。2020~2022 年，受到全球疫情及公司內生 發展階段調整影響，2022 年公司營收規模相較 2021 年回落 13.1%，凈利率由 9.1%回落 至 5.9%。
Appen 業務類型齊全，客戶質量較高。Appen 主要業務類型包括數據採集、數據預處理 與模型評價三大類。其中，數據採集環節基於公司預先標記完備的海量數據集為下遊客戶 提供大量其所需的高質量數據，數據集語種覆蓋範圍領先優勢較大。數據預處理環節，公 司具備全類型數據標註能力。模型評價環節，公司通過用戶測試及針對客戶競爭對手的性 能基準測試，診斷模型潛在問題，並為此提供能夠優化模型的訓練數據。公司主要客戶質 量較高，包括 Google、Amazon、Microsoft 等知名 IT 巨頭。
Appen 位居同業員工量能及數據標註技術前列。全球範圍來看，Appen 位居全球 AI 基礎 數據服務行業收入體量首位。其員工量能（數量及質量）與數據標註技術領先程度均位居 行業頭部，緊隨之後的是 Telus 和 Lionbrigde。以數據堂、海天瑞聲為代表的國內頭部廠 商距離 Appen 等海外大廠仍存在一定差距。
（本文僅供參考，不代表我們的任何投資建議。如需使用相關信息，請參閱報告原文。）
精選報告來源：【未來智庫】。
