19歲華裔少女挑戰Scale AI，AI數據也能打怪賺錢

AI火了，帶火了“買鏟子”的數據標注生意。

Scale AI估值沖到200多億美元，Surge AI也在談一輪10億美元融資。巨頭們搶模型，資本們搶數據，只要能產出高質量訓練數據，就是“印鈔機”。

就在這樣瘋狂的背景下，一位19歲的華裔少女Serena Ge，帶著一個只有10個人的小團隊，拿到了1500萬美元（約1億人民幣）。

Datacurve的投資人里除了Chemistry VC、YC，甚至還包括了來自DeepMind、Anthropic、OpenAI的工程師。

他們看好Datacurve的原因很簡單，這家公司做了一件聽上去不可思議的事情，把高質量數據標注，做成了一款賞金獵人的游戲。

Datacurve搭建了一個叫Shipd的平臺，把算法題、調試任務、代碼理解、測試用例等中高難度的工程挑戰，通通包成一條條“任務關卡”（Quests）。價格明碼標，工程師通關即可拿錢。

在短期幾個月時間里，就有1.6萬名工程師涌入Shipd。成立兩個月，Datacurve的收入就突破100萬美元，并迅速成為Cohere、Anthropic的數據供應商。

今天，我們就來說說這家神奇的AI公司。

數據標注的“賞金獵人”來了

今年以來，業內一個越來越明確的共識是：

限制大模型繼續往前走的，不再是算力，而是高質量數據。

在代碼、法律、醫療這些高度專業化的領域，“標注”早已不是機械勞動，而變成了一項需要專業知識、結構化能力和推理判斷的腦力活。

數據質量直接決定模型的能力上限，這一點正在被更清晰地看見。

尤其是能提供高質量數據的創業公司，越來越火了。據彭博社報道，今年7月Surge AI就正在進行一輪10億美元的融資，估值高達150~250億美元。

他們做的事情很簡單，就是雇傭了一大批律師、醫生、多語種專家，來做垂直領域的高質量數據標注。

但當行業繼續往前看時，一個更難補齊的空白開始顯露：軟件工程的數據需求，幾乎沒有被滿足。

模型要真正理解編程，不只是理解語法或補全代碼，而是要掌握工程師的“思考過程”：為什么這樣寫？為什么要重構？一次代碼審查是怎么判斷風險的？一個bug是如何定位的？

這些數據天然稀缺，也極難人工合成，更無法靠大規模外包來生產。它需要真實的工程師、真實的推理和真實的判斷。

在這樣背景下，Datacurve就出現了。

作為一家專門提供高質量編程數據的數據標注公司，真正讓它與行業里其他數據標注公司區分開來的，是其獨特的運作方式。

很多人以為，“數據標注”是低門檻工作。但在AI訓練的高端賽道中，這件事對人的要求極高。

就拿以專業著稱的Surge AI來說，它招聘憲法律師的標準，曾在最高法院、美國司法部任職，或頂級律所的前合伙人；醫學任務需要能做同行評議、具備臨床推理能力的醫學研究員；多語言任務則需要全球稀缺的“小語種＋專業背景”人才。

這些人報酬自然不低，往往以承包形式參與，律師的時薪甚至能到500–1000美元。

與Surge AI以外包形式找人不同，Datacurve選擇了另一條路：把數據標注變成了一場賺賞金的競賽游戲。

具體來說，他們打造了一個名為Shipd的平臺，并在平臺上發布包裝好的數據任務，任務覆蓋了軟件工程的關鍵環節，包括DSA算法題與題解（近似刷題平臺LeetCode的題目）、存儲庫范圍代碼評估、調試與推理軌跡，以及私有代碼庫等等。

為了維持數據質量，Datacurve還設計了一套數據驗證流程。

工程師完成任務后，AI會先進行自動驗證；另一批工程師可以接手代碼審查類任務，通過發現缺陷獲得獎勵；最終結果會經過專家復審。只有互審機制無法判斷的細節，最終再由人類專家做最后評價。

這種“解題-審錯-復查”的閉環，讓平臺能在規模化分發任務的同時保持質量。

工程師可以以挑戰者的身份自行選擇代碼任務，每個任務獎勵80～100美元不等。干得多，賺得多，不設上限。

例如，用戶@James Shi 上線三天，完成四個任務，任務類型包括性能重構、調試、多語言轉換等，已經領取132美元獎勵。

▲用戶@James Shi的個人控制臺

其官網數據顯示，平臺已吸引超過1.6萬名工程師參與。近期公司披露，平臺累計發放的賞金已超過100萬美元，部分任務的獎勵也被推高至250～350美元。

Shipd之所以能迅速吸引工程師，不只是因為“能賺錢”。更關鍵的是，它營造了一種接近競技場的氛圍。

在這里，工程師的動機不是典型的打工心態，而是挑戰、聲望和獎勵。他們更像在平臺中游走的“賞金獵人”。

來自Amazon、AMD、DeepMind、OpenAI、Anthropic、Vercel等公司的從業者，以及算法競賽選手和CS學生，都在這里做任務、曬成績、組隊和社交。

也正因為有這樣的結構化工程數據，Datacurve在成立僅兩個月時，收入便突破百萬美元，并迅速成為Cohere、Anthropic等模型公司的數據供應商。

Chemistry VC合伙人Mark Goldberg稱它是他“投過增長最快的初創公司之一”，并透露公司在融資期間剛剛簽下“史上最大的一筆合同”。

把數據標注，當成消費產品來做

回頭看，Datacurve的真正特殊性在于，它找到了一個更輕、也更容易規模化的數據生產方式：

把數據標注當成一款“面向工程師的消費級產品”來做。

Datacurve團隊規模不到10人，卻能驅動一個超過萬名工程師的社區。這種強烈不對稱的組織結構，是它與傳統外包型數據公司的最大差異：后者依賴線性擴張的人力體系，而Datacurve用的是互聯網平臺邏輯。

公司聯合創始人Serena Ge把這種方式形容為“讓數據生產變成一種消費體驗”。許多工程師在Shipd上花的時間，本質上是從游戲、開源社區和刷題練習中遷移過來。

他們不把自己視為標注者，而是把Shipd當成一個“技能競技場”——在這里挑戰任務、積累聲望、贏獎勵。

Datacurve更像一套能夠自我生長的系統：任務拆解、驗證、評分和復審被流水線化，大部分質量監控由算法完成，而工程師則在激勵機制的驅動下自發承擔審核環節。

平臺的邊際成本因此極低，擴張速度也不再依賴線性增長的人力，是一種典型的“高倍數平臺模型”。

另一個明顯的差異是，它重新定義了“貢獻者”的角色。在多數數據公司，標注者是外包勞動力；在Datacurve，他們是平臺的用戶。

工程師進入Shipd，并不是為了執行瑣碎的重復勞動，而是以挑戰者身份參與算法、調試、推理等高難度任務。能拿錢確實很重要，不過“解決問題帶來的成就感”與“社區聲望”是更強的黏性來源。

Datacurve成立僅一年就完成種子輪（270萬美元）與A輪（1500萬美元），總融資1770萬美元。

雖然規模很小，但是勝在速度。

投資陣容包括Chemistry VC、YC等知名機構，以及多位來自DeepMind、OpenAI、Anthropic等AI巨頭的高管以個人身份參與投資。

▲Datacurve聯合創始人，Serena Ge（左）和人Charley Lee（右）

投資人看中的不是一個新的數據外包公司，而是一個有機會填補“專家數據缺口”的平臺型產品。

Datacurve的擴張不依賴人力堆疊，而是更像互聯網產品那樣具備指數級增長的可能性。它更像是一種新型基礎設施：一個能夠持續吸引高水平專業人士，并將他們的思維過程沉淀為可復用數據資產的系統。

隨著越來越多AI實驗室意識到：模型性能的提升，不再取決于算力，而在于是否能持續獲得高質量人類推理，這種“平臺化的專家網絡”顯得愈發稀缺。

Datacurve想回答的問題也由此從“如何收集數據”，進一步走向一個更大的命題：

如果數據變成智能時代重要的生產要素之一，那么工程師社區與數據基礎設施能否融合成一套全新的工業系統？

文/朗朗