阿里巴巴领投UniPat AI三亿美元融资 腾讯红杉参与

阿里巴巴将领投中国AI训练及基准测试初创公司UniPat AI的一轮融资，腾讯与红杉中国等早期投资者参与其中。UniPat AI专注于AI训练数据及基准测试，其业务并非直接开发大模型，而是提供训练大模型所需的数据。

这轮融资反映出大型企业对高质量AI系统效能数据及分析的付费意愿。随着公开互联网数据被快速消耗，高质量训练数据正在变得稀缺。此前行业焦点集中在算力层面，即购买更多GPU、训练更大模型，而数据供给端的紧张正在改变这一局面。

大厂从攒数据转向买数据

阿里与腾讯同时出现在投资方名单中，显示大型企业正在从自行积累数据转向采购数据。字节跳动此前已成立“AI数据与安全”一级部门，将数据提升到战略高度。当训练数据的获取成本持续上升，掌握高质量数据入口的一方将在下一代模型训练中占据更主动的位置。

AI竞争的供应链正在向更上游延伸。从采购算力到采购数据，UniPat AI获得融资这一事件本身说明，数据正在成为AI时代最具价值的资产之一。

UniPat AI所处的细分赛道，对应的是大模型训练流程中两个基础环节：训练数据供给与模型能力评测。训练数据决定模型“学什么”，基准测试决定行业“如何衡量模型好坏”。在模型参数规模持续扩大、训练轮次不断增加的背景下，单一机构自行完成数据采集、清洗、标注与评测的成本显著上升，第三方供给模式因此获得商业空间。

本轮融资中，阿里巴巴作为领投方出现，腾讯与红杉中国以早期投资者身份继续参与。这一组合覆盖了国内主要云厂商与头部投资机构。对云厂商而言，训练数据与基准测试能力直接关系到其平台上模型服务的质量与迭代效率；对投资机构而言，该环节处于模型训练上游，具备标准化与规模化的可能。

公开互联网数据被快速消耗，是理解UniPat AI融资背景的关键事实。大模型训练所需的高质量文本、代码、多模态数据并非无限供给，经过多年抓取与使用，可公开获取且具备训练价值的数据存量正在下降。与此同时，模型对数据质量的要求并未降低，反而随着能力提升而变得更加挑剔。低质量数据带来的噪声会直接影响模型输出效果，而高质量数据的获取、验证与维护需要专门团队与持续投入。

行业此前将大部分注意力放在算力层面，GPU采购规模、集群建设速度、训练效率成为竞争焦点。但算力只是训练的基础条件之一，数据供给端的紧张正在把竞争压力向更上游传导。当算力不再是唯一瓶颈，数据获取能力、数据质量把控能力、评测标准的可信度，开始影响模型训练的实际产出。

阿里与腾讯同时出现在同一轮融资中，并非偶然。大型企业过去倾向于在内部完成数据积累，将自有业务产生的数据视为核心资产。但随着模型训练对数据规模与多样性的要求超出单一企业业务范围，外部采购与投资布局成为补充手段。这一动作与阿里、腾讯参与UniPat AI融资，指向同一个方向：数据不再只是训练前的准备环节，而是需要专门投入与外部协作的战略资源。

训练数据获取成本持续上升，是推动这一转变的直接原因。成本上升来自多个方面：可公开获取的高质量数据减少，需要更多人力进行清洗与标注；数据版权与合规要求提高，获取合法可用数据的流程变长；数据更新频率加快，静态数据集很快过时。这些因素共同推高了高质量数据入口的价值。掌握稳定、合规、高质量数据供给能力的一方，在下一代模型训练中能够为模型厂商节省时间与成本，从而在供应链中占据更主动的位置。

AI竞争的供应链正在向更上游延伸。从采购算力到采购数据，UniPat AI获得融资这一事件本身说明，数据正在成为AI时代最具价值的资产之一。算力采购解决的是“能不能训练”的问题，数据采购解决的是“训练出来好不好用”的问题。当模型能力差距逐渐缩小，数据质量与评测标准对最终产品表现的影响权重上升，上游数据服务商在产业链中的议价能力也随之增强。