❝
AI语料——大模型时代的"数据石油"，全球中文高质量训练语料占比不足1%，国产替代空间超百亿，2026年合成数据与高质量标注需求迎来双重加速
当前市场规模
109-118亿元
中国AI语料/数据标注市场2025年
预测规模
150亿→250亿
2027→2030年
投资周期
成长期·布局
锚点2026H2-2027H1
风险等级
中高
仓位≤3%
三大核心逻辑
1
需求刚性
全球大模型训练数据消耗量年均增速超67%，高质量中文标注训练语料仅占全球主流大模型训练语料约1%，结构性供需缺口持续扩大
2
供给壁垒与竞争压力并存
海天瑞声等头部企业拥有客户认证+数据飞轮先发优势，但2025年毛利率从66%降至48%显示竞争正在侵蚀利润
3
政策催化
7个国家数据标注基地落地+《生成式AI标识办法》等合规要求，行业准入门槛提升
近期重点事件催化
2025年
首批7个国家级数据标注基地投入运营，北京国际基地2025年7月启动
已完成持续推进中
2026年H2
多款国产大模型备案新规落地
进行中决定性：合规标注需求将集中释放
2026年H2-2027H1
合成数据商业化应用加速，多模态训练数据需求爆发
预期中决定性：行业规模增长的核心驱动力
产业链全景图谱
点击图片可放大查看
二、需求端：哪些场景必须用？
刚需场景总览
| 场景 | 典型主体 | 为什么必须用 | 市场规模 |
|---|---|---|---|
| 大模型训练 | 百度文心、阿里通义、字节豆包、智谱等 | 训练一个先进大模型需数百万至数千万条标注数据，高质中文语料仅占全球约1% | 109-118亿(2025)→预计超250亿(2030) |
| 自动驾驶 | 比亚迪、华为、小鹏等 | L3级以上需极端场景数据训练，合成数据是目前最高效方案 | 占全球AI数据市场26.8% |
| 医疗AI | 联影医疗、推想科技、药企、三甲医院 | 医疗诊断AI需>99%准确率，合成电子病历可解决隐私合规 | 占全球AI数据市场21.4% |
| 金融风控 | 银行、保险、第三方支付 | 反欺诈模型需大量标注交易数据，金融AI需合规标识 | 占全球AI数据市场17.3% |
核心认知：AI语料是AI产业的上游命脉——高质量中文语料仅占全球训练语料约1%，是大模型时代最确定的需求来源；自动驾驶多模态标注为高弹性增量场景，合成数据技术降本验证需求弹性；医疗AI数据虽空间最大，但受隐私合规和标注精度双重约束
哪些场景最先受益？
大模型训练数据供给
需求刚性缺口
中文语料仅占1%
需求主体：百度、阿里巴巴、字节跳动、智谱AI、月之暗面、MiniMax、百川智能等国内大模型厂商
为何必须使用：
- 高质量中文语料仅占全球主流大模型训练语料约1%
- 中国AI大模型数量已占全球36%，训练领先模型需数百万至数千万条标注数据
- 不使用时，模型在中文理解、文化语境中性能断崖式下降
替代方案可行性：公开网页数据质量参差且标注偏差严重；开源数据集中文占比不足5%；自建标注团队成本极高（年投入数亿元量级）
市场规模：当前约109亿元（2025年）→ 2030年预计超250亿元（CAGR约18%）
自动驾驶多模态数据
多模态刚需
渗透率<30%
需求主体：比亚迪、华为、小鹏汽车、蔚来、理想、滴滴自动驾驶等
为何必须使用：
- 自动驾驶需模拟极端路况（雪地、夜间、事故场景），真实事故数据获取成本极高
- 世界模型生成的合成数据可模拟罕见事件
- 2026年L3级量产加速，多模态标注需求将指数级增长
替代方案可行性：真实路采数据成本极高（每辆车每日TB级）；仿真软件需高精度3D建模，效果不如合成数据+真实数据混合训练
市场规模：占全球AI数据市场近26.8%（IIM口径），增速处于较高水平
医疗AI训练数据
隐私合规刚需
合成数据技术突破
需求主体：联影医疗、推想科技、科亚医疗、药企研发部门、三甲医院
为何必须使用：
- 医疗AI诊断系统需结合电子病历、医学影像等多维数据训练
- 真实患者数据存在隐私泄露风险，《个人信息保护法》严格规定
- 合成电子病历可避免隐私风险，同时保持医学真实性
替代方案可行性：真实脱敏数据可能破坏数据关联性且数量有限；公开医学文献格式不统一、标注质量参差
市场规模：医疗健康占全球AI数据市场21.4%，中国预计2026年超50亿元
各场景需求弹性判断
大模型训练
极高
弹性解析：大模型竞争白热化，数据需求指数级增长，中文语料稀缺加剧缺口
自动驾驶
高
弹性解析：L3级自动驾驶量产加速，合成数据技术降本推动渗透率快速提升
医疗AI
高
弹性解析：合成病历技术突破解决隐私瓶颈，空间释放节奏受技术验证和法规进展影响
金融风控
中
弹性解析：需求稳健增长，但受合规和数据安全约束，弹性相对有限
三、供给端：谁能满足这些需求？
产业链价值分布
| 产业链 | 环节细分 | 代表产品 | 毛利率 | 壁垒 | 核心判断 |
|---|---|---|---|---|---|
| 上游 | 数据资源 | 文本/图片/视频原始数据 | 20-42% | ★★☆☆☆ | 数据资源壁垒不高，非核心价值环节。版权方溢价能力弱，散户不建议重仓 |
| 中游 | 数据标注加工 | AI训练数据集/标注服务 | 48-65% | ★★★★☆ | 核心环节！技术壁垒+客户认证+数据飞轮，毛利率最高，A股有直接标的 |
| 合成数据生成 | 合成图像/语音/文本数据 | 40-55% | ★★★★☆ | 高增长赛道，技术门槛高，A股尚无纯正标的，关注技术突破 | |
| 下游 | 专业语料库 | 学术/金融/法律数据集 | 25-30% | ★★★☆☆ | 资源依赖性强，壁垒在于数据版权和行业深度，稳健但弹性有限 |
投资聚焦点：中游数据标注加工是确定性最强的价值环节，技术壁垒+客户认证形成竞争壁垒，行业龙头毛利率可达48-65%，但需警惕毛利率下滑趋势
国内外竞争格局
| 企业 | 国家 | 核心优势 | 年营收（2025年报） | 毛利率 | 竞争定位 |
|---|---|---|---|---|---|
| 海天瑞声 | 中国 | AI训练数据专业龙头，覆盖语音/图像/NLP全模态 | 3.77亿（+59%） | 48.08% | 国内AI数据标注第一股，增长领跑 |
| 拓尔思 | 中国 | NLP+知识图谱技术积累深厚，政府/金融客户基础好 | 5.113亿（-34%） | 61.45% | NLP数据服务商，亏损拖累估值 |
| 中文在线 | 中国 | 海量文字版权/IP数据资源，AI语料变现路径待验证 | 16.57亿（+43%） | 36.18% | 文字语料资源方，营收高增但亏损扩大 |
| 视觉中国 | 中国 | 图片/视频素材库壁垒，视觉数据龙头 | 7.785亿（-4%） | 41.68% | 视觉数据龙头，增长乏力 |
| 中国科传 | 中国 | 学术出版数据资源，央企背景合规优势 | 30.13亿（+2%） | 26.74% | 学术语料稀缺，稳健盈利 |
| Scale AI | 美国 | 全球AI数据标注标杆，Meta入股估值约290亿美元 | 预计超10亿美元 | — | 行业全球标杆，国内对标空间巨大 |
A股核心标的·
AI生成，仅做参考，不作为投资建议
| 标的 | 核心优势 | 关键指标 | 竞争定位 |
|---|---|---|---|
| 海天瑞声 | AI训练数据纯正标的，营收高增+多模态全覆盖 | 3.77亿(+59%)·PE383x | 国内AI数据标注第一股 |
| 拓尔思 | NLP+知识图谱技术壁垒高，政府客户基础好 | 5.113亿(-34%)·毛利率61% | NLP数据服务商 |
| 中文在线 | 海量文字版权数据，营收高增43% | 16.57亿(+43%)·亏损扩大 | 文字语料/IP资源方 |
| 视觉中国 | 图片/视频数据资源壁垒牢固 | 7.785亿(-4%)·PE177x | 视觉数据龙头 |
| 中国科传 | 学术出版数据稀缺，央企背景合规优势 | 30.13亿(+2%)·净利4.8亿 | 稳健防守型 |
国产替代进展：国内AI语料头部企业（海天瑞声）营收约0.5亿美元，仅为Scale
AI（估值约290亿美元）的3-5%。差距核心在合成数据技术、客户规模和全球化能力。本土数据合规政策构筑天然护城河，国产替代路径明确。
商业模式验证
| 验证维度 | 当前行业状态 |
|---|---|
| 客户是否已付费 | ✅ 已商业化 海天瑞声2025年营收3.77亿(+59%)，覆盖大模型头部客户 |
| 毛利率趋势 | ⚠️ 结构性下降 海天瑞声从66.46%降至48.08%，但仍维持在较高水平 |
| 收入集中度 | ⚠️ 存在集中风险 海天瑞声AI大模型客户占比大 |
| 订单可见性 | ✅ 较好 头部企业获得大模型厂商批量订单和长期框架协议 |
| 重复购买率 | ✅ 高复购 模型每升级一代，数据需求呈倍数增长 |
核心判断：AI语料行业商业模式处于放量期初期。客户付费意愿已验证，但毛利率快速下滑提示竞争加剧。当前核心矛盾不是"能卖出去吗"，而是"产能供得上吗"。
关键瓶颈
高影响最紧迫，决定产能扩张速度的核心瓶颈
· 高质量标注人才短缺预计2027-2028年
国内7个数据标注基地从业人员仅5.8万人，标注人员培养周期3-6个月，熟练标注员供不应求
· 合成数据技术成熟度预计2027-2028年
合成数据在AI训练中占比已从8.3%(2023)提升至22.6%(2025)，但质量和多样性仍需验证
中技术和法规瓶颈，影响长期空间释放节奏
· 数据合规与隐私保护持续演进
数据合规政策要求严格，企业合规成本上升约15.7%，短期增加成本但长期形成竞争壁垒
· 中文优质语料稀缺暂无公开数据
高质量中文标注训练语料仅占全球约1%，中文互联网数据质量参差是结构化问题
竞争动态推演
需求爆发时现有玩家如何扩产？
海天瑞声等通过自建标注团队+AI辅助标注提升产能
7个国家级标注基地提供产能保障
但专业标注员培养仍需6-12个月，短期产能弹性有限
新进入者多久能形成有效供给？
从0到量产需12-18个月（团队搭建+客户认证+质量体系）
资金门槛约5000万-1亿元，技术门槛中等
自动标注工具降低了入门门槛
现有壁垒能维持多久？
技术壁垒（自研标注平台+合成数据算法）
客户认证壁垒（认证周期6-12个月）
数据飞轮效应（更多数据→更好模型→更多客户），预计3-5年难以突破
最可能导致格局恶化的情景？
互联网巨头（百度、阿里、字节）自建数据标注团队不再外采
合成数据技术普适化后，标注服务商品化
若出现寡头格局，垄断能维持多久？
CR5预计低于30%，尚未进入寡头阶段
未来可能形成"几家专业数据商+大厂内部团队"的共生格局
四、供需匹配与价格判断
产品价格趋势
| 产品/服务 | 2023年 | 2025年 | 2026年(预测) | 趋势 |
|---|---|---|---|---|
| 数据标注均价（全球） | 0.15美元/条 | 0.12美元/条 | 0.10-0.12美元/条 | 缓慢下降 |
| 高质量精细标注 | 无公开数据（当时未独立统计） | 同比+9.3% | 持续上涨 | 结构性上涨 |
| 合成数据服务 | 无公开数据（行业尚处早期） | 0.03-0.05美元/条 | 0.02-0.04美元/条 | 快速降本 |
产能供需缺口
| 产品 | 当前产能 | 当前需求 | 产能利用率 | 过剩风险 |
|---|---|---|---|---|
| 通用数据标注 | 约109亿元 | 约109亿元 | 85-90% | 低 |
| 高质量精细标注 | 供给不足 | 缺口30-40% | >95% | 极低 |
| 合成数据服务 | 约23.1亿美元(全球) | 增速>36% | 80-85% | 低 |
综合判断：结构性供不应求。通用标注基本平衡，高质量精细标注供给缺口30-40%。合成数据供不应求，头部企业订单可见性好。风险在于自动化标注工具普及可能导致中低端标注服务过剩。
五、投资机会
· AI生成，仅做参考，不作为投资建议标的对比总表
| 标的 | 营收 | 核心看点 | 适合投资者 |
|---|---|---|---|
| 海天瑞声 | 3.77亿（+59%） | AI训练数据纯正标的，多模态全覆盖，大模型客户深度绑定 | 高风险弹性型 |
| 拓尔思 | 5.113亿（-34%） | NLP数据+知识图谱技术壁垒高，毛利率61%行业领先 | 技术信仰型 |
| 中文在线 | 16.57亿（+43%） | 海量文字版权数据，营收高增，数据变现路径待验证 | 成长弹性型 |
| 视觉中国 | 7.785亿（-4%） | 图片/视频数据资源壁垒牢固，视觉AI数据龙头 | 价值逆向型 |
| 中国科传 | 30.13亿（+2%） | 学术出版数据稀缺，央企背景合规优势，稳健盈利 | 稳健防守型 |
重点标的详解
海天瑞声 688787AI数据龙头
营收(2025年报)
3.77亿+59%
毛利率
48.08%
归母净利
1412万+24.5%
- 国内AI数据标注第一股，覆盖语音/图像/NLP全模态
- 深度绑定头部大模型客户，2026年Q1持续盈利
- 中性预计市值60-80亿，当前84.76亿已超中性估值上限约6%，建议等待回调
拓尔思 300229NLP数据商
营收(2025年报)
5.113亿-34%
毛利率
61.45%
归母净利
-2.937亿亏损
- NLP数据技术壁垒高，毛利率61%为行业最高
- 政府、金融领域客户基础深厚，但营收下降34%，转型阵痛期
- 中性预计市值90-110亿，低于当前126.7亿，隐含中性卖出信号
中国科传 601858学术语料
营收(2025年报)
30.13亿+2%
毛利率
26.74%
归母净利
4.839亿+11.8%
- 学术出版数据稀缺资源+央企背书，稳健盈利标的
- 营收30.13亿(+2%)，归母净利4.839亿(+11.8%)，PE(TTM)30.46倍
- 中性预计市值170-190亿，当前148.2亿处于价值区间
关注时机
| 时间 | 事件 | 影响 |
|---|---|---|
| 2026年Q3 | 大模型备案新规落地，合规数据标注需求集中释放 | 决定性：行业需求催化 |
| 2026年Q4 | 多家数据标注企业合成数据产品发布 | 验证性：技术商业化验证 |
| 2027年Q1 | 年报披露期，验证营收增速和盈利能力 | 验证性：业绩检验节点 |
| 2027年H1 | 自动驾驶L3级数据采集新标准实施 | 决定性：多模态数据需求催化剂 |
| 2027年H2 | 7大标注基地产能全面释放 | 验证性：供给端突破验证 |
风险提示
竞争加剧/毛利率持续下行
海天瑞声毛利率从66%降至48%的趋势若延续，将挤压盈利空间。自动标注工具普适化后中低端标注可能商品化
AI数据需求不及预期
若国产大模型发展放缓或自建数据团队，将削弱外部数据标注需求
合成数据技术替代人工标注风险
合成数据占比快速提升，若质量突破临界点将大幅降低对人工标注的依赖
数据安全合规风险
合规成本上升约15.7%，不合规企业可能面临处罚或业务暂停
估值泡沫风险
海天瑞声PE高达383倍，透支未来2-3年增长预期。若业绩不及预期，估值可能大幅回调
净利率持续恶化风险
海天瑞声净利率从4.77%降至3.74%，收入增长未同步转化为利润，需关注费用控制能力
六、术语百科
AI语料用来训练AI模型的"教科书"，包括文本、图片、语音等数据
数据标注给原始数据"打标签"，比如告诉AI"这张图是猫"——像老师批改作业
合成数据AI自己"想象"出来的训练数据，解决真实数据不够或涉及隐私的问题
多模态数据同时包含文字、图像、声音的数据，像人一样"看听说"来理解世界
大模型训练用海量数据训练一个超大AI模型的过程，像给学生上完所有课程再考试
数据飞轮数据越多→模型越好→客户越多→产生更多数据→形成良性循环
数据要素国家把数据定义为像土地、劳动力一样的生产要素，有价值可以买卖
自动化标注让AI自动给数据打标签，代替人工标注，省时省力但精度待提升
数据安全法中国法律，规定哪些数据可以收集、如何存储、怎样保护隐私
NRR净收入留存率，现有客户第二年还愿意花多少钱，>100%说明客户越来越依赖你
免责声明：本报告由AI基于公开信息、行业研究及合理推测生成，不构成任何投资建议。AI可能产生错误或不准确的内容，投资者应结合自身风险承受能力独立判断，注意控制仓位风险。过往表现不代表未来收益。