AI实验室抢购倒闭初创公司数据训练模型

当一家初创公司关门大吉，留下的往往不只是失败的故事，还有一堆看似无用的用户数据、代码库和数字档案。但如今，这些「数字遗物」正在被AI实验室当作训练模型的宝贵燃料。

据RSS来源报道，Keelan Miskell在今年开始关闭他的加密货币初创公司时，并未想到公司数据有多大价值——用户是匿名的，公司也才成立几年。然而，他随后将公司的数字档案变成了真金白银：代码库卖了约2.5万美元，另一笔款项还在谈判中，金额可能更高。

这并非孤例。一股「收购倒闭初创公司数据」的暗流正在AI行业涌动。

为什么AI实验室盯上了「死掉」的初创公司？

训练大模型需要海量、多样、真实的数据。公开互联网数据虽然庞大，但质量参差不齐，且面临版权和隐私争议。相比之下，一家运营过几年的初创公司，其内部数据往往具有独特价值：

• 用户行为数据：即使匿名，用户的点击、停留、转化路径也能反映真实需求模式。
• 代码库与工程文档：对于代码生成模型而言，真实生产环境中的代码是极佳的微调素材。
• 行业垂直数据：加密、医疗、金融等领域的初创公司，其数据带有强烈的领域特征，能帮助模型在特定任务上表现更好。

这些数据通常不在公开网络上，属于「私有语料」，对追求差异化能力的AI实验室来说，是稀缺资源。

「私有语料」是相对于公开互联网数据而言的概念。公开语料包括网页、维基百科、开源代码仓库等任何人都能抓取的内容，而私有语料指企业内部的用户日志、客服记录、专有代码、内部文档等不对外公开的数据。私有语料的核心价值在于稀缺性和分布差异：公开互联网文本已经被主流大模型反复训练，边际收益递减；而私有语料反映了特定业务场景下的真实语言和行为模式，能帮助模型在垂直任务上获得差异化能力。正因如此，私有语料往往通过授权、合作或收购获得，而非爬取。倒闭初创公司的数据恰好属于这一类——它们曾经在真实生产环境中运转，具有公开数据难以替代的分布特征。

交易如何运作？

据Miskell的案例，交易流程并不复杂：初创公司创始人决定关闭公司后，会通过中介或直接联系AI实验室、数据经纪商，出售数据资产。价格取决于数据量、独特性、清洗难度和潜在法律风险。

Miskell的代码库卖了约2.5万美元，而用户数据还在待价而沽。这暗示了一个定价逻辑：代码库可以直接用于代码模型的训练，价值相对明确；而匿名用户数据的价值则更依赖买方评估，不确定性更高。

你可能没注意到，这类交易目前处于法律灰色地带。初创公司的隐私政策通常承诺不会将用户数据出售给第三方，但公司倒闭后，资产清算是否涵盖数据，法律上并不清晰。

「数据经纪商」是指专门从事数据收集、整理和转售的中间机构。在传统行业，数据经纪商主要服务于广告和风控领域，从公开记录、消费行为等渠道汇聚信息并出售给企业。在AI训练数据市场中，数据经纪商的角色正在扩展：他们帮助AI实验室寻找特定领域的私有语料，同时协助数据出售方评估合规风险、进行数据清洗和匿名化处理。由于AI实验室通常不具备直接接触大量倒闭公司的渠道，数据经纪商和中介网络成为连接供需的关键节点。不过，这一环节也增加了交易的不透明性，使得数据来源追溯和用户知情同意更加难以保障。

对AI行业意味着什么？

数据枯竭下的新矿脉。高质量公开文本数据正在被耗尽，AI实验室不得不寻找新来源。倒闭初创公司的数据池，可能成为继网页爬取、开源数据集之后的第三大数据来源。

初创公司退出新路径。过去，失败公司的结局通常是资产贱卖或直接注销。现在，数据本身成为可出售资产，为创始人提供了少许回报，也可能催生专门收购「数字遗产」的基金或中介。

隐私与伦理隐忧。用户数据即使匿名，也可能通过交叉比对被重新识别。如果AI模型在训练中「记住」了这些数据，可能引发新的隐私泄露风险。监管机构尚未对此类交易做出明确规范。

「数据枯竭」是近年来AI领域的一个核心议题。多项研究估计，可用于训练大模型的高质量公开文本数据将在数年内被消耗殆尽——模型规模的增长速度远超新公开数据的产生速度。这迫使AI实验室转向多模态数据、合成数据和私有数据。合成数据由模型自身生成，但存在模型崩溃和偏差放大的风险；私有数据虽然质量高、领域特征强，却面临获取成本高和合规审查复杂的瓶颈。倒闭初创公司的数据池因此被视为一条折中路径：既有真实世界的分布特征，又不像公开数据那样已被充分利用。但它能否规模化，取决于法律框架和交易基础设施的成熟度。

风险与争议

从Miskell的案例看，交易金额并不惊人——2.5万美元对于一家运营几年的公司来说，可能只是杯水车薪。但信号意义大于金额本身：数据作为资产的流动性正在增强。

另一方面，AI实验室购买这些数据时，必须面对尽职调查的挑战。数据来源是否合法？用户是否知情？模型输出是否会泄露敏感信息？这些问题没有标准答案。

目前，这类交易仍以私下、非公开的方式进行，缺乏透明度。但随着AI数据需求持续膨胀，倒闭初创公司的数据市场可能会逐渐浮出水面，甚至形成专门的交易平台。

对于创业者而言，这或许是一个提醒：即使公司失败，数据也可能有第二次生命。但在出售之前，务必厘清法律边界，避免埋下隐患。

「匿名化悖论」指的是：即便数据经过匿名处理，去除了姓名、邮箱等直接标识符，仍可能通过交叉比对和辅助信息被重新识别出个人身份。研究表明，只要掌握少量额外的外部数据（如公开的社交资料、位置信息），就能将匿名记录与具体个人关联起来。对大模型而言，风险更进一步：模型在训练中可能「记住」某些训练样本，并在生成时逐字复现，导致原本匿名的信息被意外泄露。这意味着，即使初创公司在出售前做了匿名化处理，下游模型仍可能成为隐私泄露的渠道。目前，差分隐私、联邦学习等技术被提出用于缓解这一问题，但在实际交易中尚未成为标准做法。