2位00后，卖“专家数据”，18个月把生意做到数亿美金

作者丨林夕

编辑丨小龙

图源丨AfterQuery

一家由2位00后创立，不满两年的公司，估值正在逼近32亿美元。

2026年9月，《福布斯》援引知情人士称，AI训练数据公司AfterQuery最新估值已达到32亿美元，约合人民币215亿元。

就在5个月前，它刚完成3000万美元A轮融资，当时估值只有3亿美元。

短短5个月，估值翻了10倍。

更夸张的是，从公司成立到迈入独角兽行列，AfterQuery大约只用了18个月。YC合伙人Gustaf Alströmer表示，按最新估值计算，AfterQuery已经成为Y Combinator历史上从成立到成为独角兽速度最快的公司。

YC合伙人Gustaf Alströmer

它不做芯片，不训练基础模型，也没有一个面向普通消费者的AI应用。

AfterQuery卖的是一种听起来朴素、实际上越来越稀缺的东西：让AI学会，一个真正的专业人士究竟是怎么把一件复杂的事情做完的。

当模型本身越来越强，下一层竞争开始从“模型知道什么”，转向“模型到底会不会做”。

而AfterQuery，押注的正是后者。

2位00后年轻人

48小时赶出YC申请

AfterQuery的创始人是两个20岁出头的年轻人。

Spencer Mateega，23岁，宾夕法尼亚大学沃顿商学院金融与统计本科、计算机硕士在读；Carlos Georgescu，22岁，就读于加拿大不列颠哥伦比亚大学计算机专业，后来退学创业。

Carlos Georgescu（左）Spencer Mateega（右）

两人高中时就认识。当时，他们一起参加Google举办的计算机夏令营，后来又共同做过早期工程项目。大学期间，两人始终保持联系，还一起去Meta实习。

此后，两人的履历开始分叉。

Mateega先后进入高盛、摩根士丹利和Silver Lake，从事金融与投资；Georgescu则去了Citadel Securities做软件工程。

2025年初，两人决定创业。当时，YC冬季批次申请截止日已经逼近，两人还没有真正想好要做什么。

他们用了48小时赶出申请材料，甚至连产品都没有，只有一个模糊的想法：先申请YC，进去之后再决定做什么。

结果，两人被录取了。

Mateega一边参加YC，一边硬扛大学最后一个学期的课程和考试。他后来回忆，自己几乎只花了1%的时间复习，成绩自然不算理想。Georgescu则还剩一年毕业，最终直接退学。

AfterQuery于2025年2月正式成立，总部位于旧金山，目前团队约30人。

最初，两人想做一个金融AI Agent，让模型自己完成投资分析。但产品测试很快暴露出一个问题：即便调用最先进的大模型，面对真实的金融任务，模型仍然会频繁犯错。

问题似乎并不完全出在模型的“智商”上。模型可以从互联网学习大量知识，却很难仅靠这些公开信息，学会一个真正的专业人士是如何完成工作的。

比如，一个优秀的金融分析师不会只是在最后给出一个正确答案。他还需要知道应该先查什么、哪些信息值得相信、什么时候改变判断、遇到异常怎么办，以及什么时候应该停止继续分析。

这些东西很少存在于传统的问答数据里，它们更多隐藏在一个专家完成任务的整个过程之中。

AfterQuery由此做了一个关键转向：放弃做金融AI应用，开始采集专业人士完成真实复杂任务时留下的过程数据。

这也是AfterQuery和传统数据标注公司的区别，不仅仅是告诉AI“这个答案对，那个答案错。”而是记录一个医生、律师、工程师或金融分析师，究竟是怎么走到这个答案的。

公司将其概括为，把专业人士的“模式、决策和推理”编码进模型。

目前，AfterQuery的平台已经汇聚近10万名经过验证的专业人士，覆盖工程、医疗、法律、金融等领域。

不同任务的专家价格也明显高于传统众包标注。一些工程和金融任务的时薪达到75—150美元，部分稀缺技术岗位甚至达到150—250美元。

AI数据最容易获得的部分，正在越来越不值钱；真正稀缺的，是那些只有专业人士才能生产的数据。

3个月

ARR从1亿美元涨到“数亿美元”

2026年4月，AfterQuery完成3000万美元A轮融资时，披露ARR已经超过1亿美元。仅仅3个月后，Mateega在X上透露，公司ARR已经增长到“数亿美元”规模，并且实现盈利。

如果这一数字属实，那么AfterQuery只用了3个月，就完成了一次从1亿美元级别到数亿美元级别的收入跃迁。

更值得注意的是，它正在进入AI模型公司最核心的训练环节。

2026年6月，英伟达发布Nemotron 3 Ultra开源模型技术报告。在这份报告中，AfterQuery是唯一被具名提及的外部数据公司。

报告显示，在使用AfterQuery提供的任务数据进行训练后，Nemotron 3 Ultra在GDPval评测中的得分从35.3提升至46.7。

GDPval并不是简单考察模型“会不会答题”，而是试图模拟真实职业场景中的任务。模型最终需要完成的，不只是给出一句正确答案，而是处理更接近真实工作的复杂任务。这恰好对应AfterQuery的数据价值。

对于软件Agent来说，一条有价值的训练数据可能不再是简单的“问题—答案”，而是一条完整的工作轨迹，从探索环境、制定方案、修改文件、运行测试、发现错误、调试，再到最终完成任务。

进一步往下，AfterQuery还在做强化学习环境。

公司可以基于真实API和开发者工具搭建训练环境，让模型学习如何调用工具、处理报错、从异常中恢复，从“让AI知道答案”，变成“让AI把事情做完”。

AfterQuery的业务边界已经不止是卖数据，而是逐渐延伸到训练环境、评测基准、后训练以及Agent部署，它正在从一家“数据供应商”变成AI后训练基础设施公司。

例如，在与法律AI公司Legora的合作中，双方共同构建了一套包含5161个案例、覆盖28个法律业务领域的Agent评测集。

评测重点也不只是判断模型的最终答案对不对，而是考察它能否在真实工具链中完成一项端到端的法律工作。

这意味着，AfterQuery真正试图占据的位置，是AI产业里越来越重要的一层：模型之下的数据，以及模型之上的“能力验证”。

客户名单除了英伟达和Legora之外，韩国AI实验室Motif Technologies、由前OpenAI CTO Mira Murati创办的Thinking Machines Lab等，也被披露为其客户或合作方。

资本开始争夺“人类专业能力”

AfterQuery面对的并不是传统意义上的数据标注公司，而是一批正在向“AI专业能力基础设施”靠拢的玩家。

其中，Scale AI是最早跑出来的巨头。2016年成立后，它从自动驾驶数据标注起家，逐渐扩展到生成式AI训练、RLHF、模型评测等业务，本质上是在做一套完整的AI数据基础设施。

2025年，Meta斥资143亿美元投资Scale AI，公司估值一度达到约290亿美元。不过，随着Meta成为大股东，Scale的中立性也开始受到部分AI客户的质疑。

Surge AI走的是另一条路线。它成立于2020年，长期没有接受外部融资，却依靠高质量数据标注和人类反馈业务，把收入做到十亿美元级。

2025年，路透社报道称，Surge AI正在寻求最多10亿美元融资，目标估值至少150亿美元。相比Scale的规模化路线，Surge更强调高质量专家和复杂任务数据。

Mercor则是从AI招聘切入训练数据。公司2023年成立，最初帮助企业用AI招聘程序员，后来发现自己的真正价值在于“找到并组织专业人士”。如今，Mercor已经将专家网络扩展到程序员、律师、医生、金融从业者等领域，向AI公司提供训练和评测数据。

2025年10月，Mercor完成3.5亿美元C轮融资，估值达到100亿美元；到2026年，市场又传出其正在寻求更高估值。它卖的已经不只是数据，而是背后的专家资源。

Handshake的路径则更特殊。这家成立十多年的大学生招聘平台，原本和AI训练数据几乎没有关系。2025年，公司把原有的职业人才网络转化为AI专家网络，让程序员、研究人员等专业人士参与模型训练和评测。

据报道，Handshake AI上线约16个月后，年化毛收入已经突破10亿美元。它最大的优势，是十多年积累下来的高校和职业人才网络。

如果把这几家公司放在一起看，会发现它们其实代表了AI训练数据行业的不同路径：Scale AI靠规模，Surge AI靠数据质量，Mercor靠专家网络，Handshake靠人才资源，而AfterQuery正在进一步向“专家完成复杂任务的过程”深入。

从这个角度看，AfterQuery真正争夺的已经不只是“数据标注”这门生意，而是如何把人类专业人士的经验、判断和工作过程，转化成AI可以学习、训练和验证的能力。

据Menlo Ventures合伙人发布的数据，AI训练数据领域28家创业公司的合计年收入约85亿美元，总估值接近1000亿美元。其中，Scale AI、Surge AI、Mercor和Handshake四家公司贡献了超过四分之三的行业收入。

AI模型竞争正在从“谁有更多互联网数据”，逐渐转向“谁能获得更高质量的专业数据”。

而后者的供给，并不能简单靠爬网页解决。

一个顶级程序员如何调试复杂代码，一个律师如何判断一份材料，一个医生如何在不完整的信息下做决策——这些隐藏在真实工作过程中的经验和判断，才是AI越来越难获得、也越来越愿意付费购买的东西。

AfterQuery押注的，正是把这些原本难以数字化的专业能力，变成AI可以学习和验证的数据。

既然专业能力这么值钱，那么这门生意的护城河到底有多深？

总结

AfterQuery今天的高估值，并不意味着这门生意已经验证了长期价值。恰恰相反，它面对的是一个典型的AI基础设施问题：今天最稀缺的数据，未来会不会变得没那么稀缺？

第一个变量，是模型自身的能力。

如果未来的基础模型能够越来越好地通过合成数据、自我博弈和AI反馈生成高质量训练样本，那么人类专家数据的边际价值就可能下降。

第二个变量，是客户的自建能力。

AfterQuery的客户本身就是全球最有能力训练模型的AI公司。一旦这些公司发现某类专业数据足够重要，就可能选择自己建立专家网络、采集体系和评测系统。供应商的价值，也可能因此被重新定价。

第三个变量，则是数据的复用效率。

专业数据和算力并不完全一样。算力消耗之后可以继续购买，新的任务也会不断产生；但一份高质量专家数据一旦被用于训练，后续还能产生多少增量价值，取决于任务本身、模型能力，以及数据是否持续保持新鲜。

因此，AfterQuery真正需要证明的，并不是“能不能找到10万名专家”，而是能不能持续找到新的、高难度的、模型真正缺少的任务。

这可能才是它与传统数据标注公司的真正分水岭。

本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。