近日，一则消息在科技圈引发震动。为OpenAI、Anthropic等头部AI实验室提供数据支持的数据工厂Mercor，正大规模搜寻倒闭或被收购的初创企业，以高达30万美元的价格收购其内部数据集。这些数据不仅包括代码库，更涵盖了Slack聊天记录、Google Drive文档、电子邮件、Zoom会议录音等日常办公痕迹。据数据公司Protege披露，今年其处理的数据交易总额已至少达到1亿美元，而去年同期仅为3000万美元左右。这门生意虽因AI而生，但其背后的隐忧却令人不寒而栗。
无数据，不AI。AI的进化本质上是“吞噬”数据的过程。大语言模型的能力上限，很大程度上取决于训练数据的质量、规模和多样性。过去几年，AI产业享受了一场数据盛宴，互联网上公开可用的网页、书籍、论文、代码、百科及论坛帖子，几乎被各大实验室搜刮殆尽。然而盛宴终有散场之时。数据公司Protege CEO鲍比·塞缪尔斯直言：“AI实验室已经基本刮完了整个互联网，现在需要的是人与人之间的真实互动。”当AI从聊天机器人向数字员工演进时，对数据的需求发生了质变。它不仅需要知道答案是什么，更需了解人类是如何完成工作的。一份最终的代码库就像一道题的答案，虽然能告诉模型产品如何运行，却未必能解释问题最初从何而来、工程师为何先排除某种可能，或在测试失败后为何换了一条路。而工单、聊天记录、会议转录及反复的代码修改，留下的正是这一中间过程，记录了问题如何被发现、讨论、验证并修复的完整链路。从技术角度看，这对应着训练数据从Type 2（人工设计任务）向Type 1（真实业务捕获）的范式转移。代码领域的验证已充分说明这一点：大模型代码能力的进步最快，重要原因之一在于GitHub是全球知名的Type 1数据宝库，一条提交记录串联起问题描述、修改方案、代码评审和测试结果，完整保留了问题从出现到解决的全链路。其他领域缺的不是需求，而是像GitHub这样现成的数据源。这也就解释了一个逻辑闭环：AI要变得更智能，就必须不断训练，而更多、更深入的训练又需要更多数据。结果，当公开资料被消耗殆尽，AI就必须向更深层的私密数据伸手。如果没有更深入的资料，AI便会面临巧妇难为无米之炊的窘境，模型能力的天花板也将被公开数据的天花板死死锁住，又该如何进化？
冲突随之爆发。当AI伸手索取这些深层数据时，问题接踵而至。Slack聊天记录中可能包含客户信息，邮件里可能有员工姓名，会议中可能出现商业机密，医疗企业的数据甚至涉及患者隐私。AI实验室的刚需，与个人隐私权、企业商业秘密及劳动权益保护之间形成了正面冲突。这种冲突体现在多个维度，最核心的是隐私问题。尽管Mercor等公司声称能识别并遮蔽60多类敏感标识符，但业内坦言彻底保护隐私几乎不可能。更深层的矛盾在于，工作记录最有价值的部分往往不是一句话本身，而是谁在什么阶段说出，以及随后触发了什么动作。姓名虽可替换，但岗位、时间、项目、客户关系和跨系统关联很难完全清除。数据清洗过度会失去价值，保留这些关系又会带来重新识别和敏感信息泄露的风险。其次是知情同意问题。即使员工入职时签过知识产权协议，也不代表公司有权私自售卖内部聊天和工作记录，员工从未明确同意自己的工作对话被打包出售给AI公司用于训练。此外，还存在商业机密、客户隐私风险、算法偏见等问题。真实工作数据天然包含人类决策中的偏见和错误模式，当这些数据被用于训练AI智能体时，偏见会被规模化复制和放大。法律监管同样棘手。全球范围内，关于企业内部工作数据能否被第三方收购用于AI训练，至今缺乏清晰的法律框架。虽然有人认为监管宽松能推动AI能力快速发展和创造新岗位，但这同时也打开了隐私泄露、伦理失范和法律真空的潘多拉魔盒。监管势在必行，不可能让AI继续裸奔。目前各方正在探索的解决路径包括：法律层面尽快明确数据权属边界和“知情同意”标准；技术层面发展联邦学习、差分隐私、合成数据等隐私保护技术；行业层面建立数据溯源和自律标准；企业层面在出售数据前充分告知员工并征得同意。但可以预见，这场冲突的解决将是一个漫长过程，各方的利益博弈不会消失。
巨头的原罪其实，在讨论Mercor收购倒闭公司数据是否侵犯隐私之前，一些巨头的原罪也被再次拿出来讨论。就拿谷歌和Meta来说，这两家全球知名的互联网平台，本身就沉淀了海量个人数据，包括数十亿用户的搜索记录、Gmail邮件、Google Docs文档、YouTube视频、Facebook帖子、Instagram照片和WhatsApp消息。这些数据难道没有被用于AI训练吗？真相是一直在用。《纽约时报》曾报道，2023年7月4日美国独立日假期期间，谷歌发布了更新后的隐私政策，特意选择假期以分散公众注意力。新政策明确写道：“我们使用公开可用的信息来帮助训练谷歌的AI模型。”2023年，Meta也更新了隐私政策，明确声明用户在Facebook、Instagram上的公开帖子、照片、评论和Reels都将被用于训练其AI模型。2024年6月，Meta曾宣布暂停使用欧盟用户数据训练大语言模型，原因是爱尔兰数据保护委员会提出了数据保护方面的担忧。但仅仅一年后，Meta又宣布恢复这一计划。2026年2月，Meta正式确认将使用欧盟用户的公开数据训练AI模型，仅给予用户“反对”的权利，而非“同意”。2026年6月，谷歌又悄悄更新了搜索隐私设置，自动将所有用户纳入其扩展的AI训练计划。这些事实都说明，AI训练对个人隐私的侵犯并不是从Mercor收购倒闭公司数据才开始的，从谷歌、Meta等巨头悄悄修改服务条款的那一刻起就已经在发生了。区别在于，巨头们用的是合法手段，而Mercor做的是灰色交易，法律边界更加模糊罢了。
尾声Mercor的这门生意，撕开的恰恰是AI进化史中最荒诞的一页——我们一面惊叹于大模型的“智能”，一面又不得不承认，这种智能的底座，是无数打工人一辈子在工作生活中留下的、那些从未被妥善安放的“数字遗产”。事已至此，再去苛责Mercor的灰色交易，多少有些“解决提出问题的人”的意思。谷歌、Meta的隐私政策静默更新，已经用行动表明了态度——哪怕没有Mercor，AI对深层数据的渴求也绝不会止步。区别只在于，巨头们走的是堂而皇之的阳关道，Mercor们探的是若明若暗的独木桥。这场冲突没有简单的善恶之分，只有不可避免的角力。可以预见，未来的AI监管会为此划出新的红线，数据脱敏技术会走向更成熟的形态，甚至“数字遗产”的概念也会被重新定义。但在那之前，我们或许只能接受这样一个尴尬的现实：AI的每一次进化，都在拿人类的数字隐私做燃料。而这场“烧自己照亮AI”的赛跑，远未看到终点。