字節AI數據部門“升咖”，但還是沒有交給科學家

字母榜2026.08.13 18:37 · 來自北京全文5401字00:00 / 15:54蒸餾or不蒸餾，本質上是要不要拒絕更強模型產生的知識。文 | 字母榜字節正在重新組織自己的AI數據團隊。據《智能湧現》報道，字節跳動近期成立AI數據與安全部門，與Seed、Flow、抖音等一級部門平行，負責為字節旗下大模型提供跨模態的數據服務。此前負責字節AI數據體系建設的傅越（Yuyi）被曝將於近日離職，新部門的負責人王贏磊（Adam Wang）此前長期負責TikTok業務，先後擔任TikTok平臺責任負責人和TikTok直播負責人。

過去幾年，字節已經圍繞模型訓練建立起龐大的數據採購、生產和評測體系，包括Global Data、Seed相關數據團隊以及分散在不同業務線中的數據能力。如今發生的變化是，這些原本分散的團隊和職能，被進一步整合成一個獨立的一級部門。這次調整恰好發生在字節重新強調大模型自研路線之後。7月的Seed全員會上，據多家媒體報道，張一鳴明確表示字節不會把蒸餾作為提升模型能力的捷徑，即便這意味著犧牲一部分短期收益。8月6日，梁汝波又在字節2026年度年中全員會上表示，大語言模型將“堅持自研，做好基本功，接受短期落後，堅持優化長期”。

當字節選擇繼續押注自主訓練和長期模型能力，如何持續獲得、生產和評估高質量數據，也從模型團隊背後的支持工作，變成了一項需要公司級組織支撐的能力。縱觀全局，AI正在逼迫科技公司重新組織自己的數據生產體系，字節只是目前把這件事做得最明顯的那個。但當數據生產越來越接近模型研究，另一個問題也擺到了字節面前：既然把AI數據抬到了與Seed平行的位置，為什麼沒有把它交給一名模型研究員？01AI正在以前所未有的速度消耗互聯網。Cloudflare最新數據顯示，機器人產生的網絡請求已經超過人類。按照公司的預測，五年後，互聯網上來自機器的流量甚至可能達到人類的1000倍。

指望著永遠依賴互聯網不亞於坐吃山空，況且互聯網只留下了大量答案，卻沒有留下足夠的“得到答案的過程”。數據因此從一種可以被收集的資源，變成了一種需要主動生產的產品——模型缺什麼，就要去尋找什麼；現實世界裡沒有，就要組織人和機器把它生產出來。字節新成立的AI數據與安全部，乾的就是這件事。據《智能湧現》報道，新部門整合了此前分散在不同業務中的多個數據團隊，包括傅越2023年成立的Global Data、集團數據中臺DMC，以及Flow旗下AI數據平臺AIDP等。整合之後，它將橫跨Seed等基座模型和具體業務，為字節旗下模型提供跨模態數據服務。

一條數據從現實世界進入模型，大致要經歷以下幾個步驟：先決定模型缺什麼，再去找數據；找不到就採購、標註甚至合成；拿回來之後清洗、加工、篩選，再通過評測判斷這些數據究竟有沒有讓模型變聰明。同時，還要解決版權、隱私和安全問題。某種意義上來講，這很像一家制造企業的供應鏈：算法工程師提出需求，數據團隊尋找原料、組織生產、檢查質量，最後把合格的數據送上模型訓練線。字節在這件事上已經投入了相當多的人力，據《智能湧現》此前報道，僅Seedance的數據評測團隊就達到上千人，一名算法工程師背後，往往有十餘名數據人員提供支持。

世界模型和Coding模型的訓練也在大量購買和生產數據，2026年初相關數據預算已經超過千萬美元。如今，字節開始把散落在模型背後的數據生產線收攏起來，並將它抬到與Seed、Flow平行的位置。在此前流出的會議記錄中，DeepSeek創始人梁文鋒透露，公司有“一半的核心研究員”在參與數據標註。他甚至直言，在當前階段，“解決AI這個問題，靠的就是標數據”。在傳統的軟件公司裡，讓最昂貴的核心研究員花大量時間標數據幾乎難以想象。但在今天的大模型公司裡，判斷模型究竟缺什麼、什麼樣的數據值得生產，本身已經成為研究工作的一部分。

騰訊雖沒有像字節一樣直接成立一個一級數據部門，但它正在從另一頭包圍這個問題：內部重建訓練基礎設施，把50多個業務的反饋送回模型；外部則加大數據採購、高薪爭奪數據人才，並向專業供應商購買訓練數據。今年2月以來，混元重建了預訓練和強化學習基礎設施；4月發佈Hy3 Preview後，又從50多個騰訊業務中收集真實反饋。7月正式發佈Hy3時，騰訊明確將“後訓練數據質量和多樣性”的提升，列為模型能力繼續增長的重要來源。另據《智能湧現》報道，騰訊近半年頻繁從字節的數據團隊挖人，部分崗位開出的薪資達到原來的數倍。02比成立一個一級部門更值得注意的，是字節把這個部門交給了誰。

8月11日，據多家媒體報道，傅越已在內部宣佈將離職，王贏磊將接手其負責的AI數據相關工作。2017年，傅越加入騰訊任戰略研究副總監；2018年首次加入字節後，他先後在TikTok信任與安全、TikTok電商運營等部門任職。2022年離開字節創業，2023年10月重新迴歸，並組建Global Data。Global Data最初只有百人左右，服務Dola、TikTok等國際業務，後來逐漸開始承擔Seed模型訓練的數據採購和質量管控。隨著字節對大模型投入增加，這套體系不斷膨脹，最終與DMC、AIDP等分散的數據團隊一起，被整合進新的AI數據與安全部。

新任AI數據與安全負責人王贏磊，同樣來自業務一線。在接手這個部門之前，他長期負責TikTok業務，先後掌管直播和平臺責任。據《智能湧現》援引接近字節人士的說法，王贏磊負責的直播業務曾是TikTok最主要的營收來源之一。2025年8月，TikTok又進行了一次重要的組織調整：核心產品團隊與信任與安全（Trust & Safety）產品團隊合併，成立“平臺責任團隊”，王贏磊從直播負責人轉任這一新部門負責人，工作進一步延伸到內容治理、安全與合規。有一個細節值得關注：從傅越到王贏磊，字節連續兩次把AI數據交給了擅長業務運營、組織管理和平臺治理的人，而不是模型研究員。這當然有它的合理性。

AI數據與安全部並不服務某一個模型，而是橫跨基座模型和業務，為字節旗下大模型提供跨模態數據服務。語言、視頻、Coding、世界模型需要的數據完全不同，它更像一個公司級的數據生產平臺，而不是某一支模型團隊的附屬部門。從這個角度看，讓職業管理者而不是某一個研究方向出身的科學家掌舵，反而有利於保持組織上的中立：不同模型團隊負責判斷自己缺什麼，數據部門負責調配預算、供應商和生產能力，把這些需求規模化實現。再加上上千人的數據團隊、千萬美元級預算，以及採購、質檢、版權、安全和合規，規模一旦擴大，數據生產首先會變成一個組織問題，而這正是職業管理者所擅長的。

與一些AI實驗室更願意把研究者推到最高決策位置不同，字節一直是一家極度重視“組織能力”的公司。當一個方向需要迅速擴大規模，字節擅長的辦法是專業分工：拆團隊、建平臺、調資源、做賽馬，再用龐大的組織能力把它做大。AI數據與安全部延續了這種思路。但問題也恰恰在這種分工裡：今天最前沿的數據生產，正在越來越接近模型研究本身。模型究竟哪裡不夠聰明，下一輪訓練最應該補什麼能力，什麼樣的數據值得花錢生產，訓練之後為什麼有效——這些問題已經很難被拆成一張需求單，交給另一支團隊執行。

DeepSeek讓最昂貴的核心研究員親自下場標數據，看起來不符合大公司的效率邏輯，卻有一個明顯的好處：發現模型的問題、設計下一批數據、訓練，再觀察結果的人，是同一群人。這樣做，研究和數據之間的反饋鏈會被壓到最短。模型能力變化得太快了。今天值得投入上百人生產的數據，下一輪訓練之後可能就不再稀缺；一個數據項目採購得再便宜、交付得再快，如果沒有擊中模型真正的能力缺口，也沒有多少意義。讓研究者獲得更大的技術決策權，本質上也是為了縮短類似的反饋鏈：模型哪裡出了問題，下一步應該改數據、改訓練方法還是改模型，可以更快地形成判斷，而不必經過層層組織傳遞。騰訊今年反覆重組AI研發體系。

3月撤銷成立近十年的AI Lab，部分研究人員併入混元；7月又將混元多模態模型部門和大語言模型部門合併為基礎模型部，最終統一交給從OpenAI回國的首席AI科學家姚順雨管理。姚順雨由此全面接管騰訊從文本、圖像、視頻、語音到3D生成的底層模型研發。阿里此前也做過類似的選擇。Qwen由林俊暘這樣的模型研究者直接帶隊，在他離職之前，其權力已經從單純負責模型研發逐漸擴大到更完整的模型與產品體系。字節並非沒有技術負責人，Seed負責人吳永輝曾任Google Fellow，本身就是資深AI研究者。但在數據這件事上，字節卻選擇了另一種分工。

這很“字節”，也正是這次調整留下的最大懸念：一邊，字節剛剛用一個一級部門確認了數據的戰略地位；另一邊，它依然選擇讓一個大型互聯網業務和平臺治理的管理者，而不是前沿模型研究者，來掌管這套體系。因此，王贏磊接手的並不只是一支越來越龐大的數據團隊，還有一道尚未有標準答案的組織難題：當“生產什麼數據”本身越來越成為研究的一部分，字節還能不能讓數據生產保持高度專業化和規模化，同時又不讓它離模型研究的最前沿太遠？03字節對數據的押注，與它的模型路線脫不開干係。7月底的Seed全員會上，據多家媒體報道，張一鳴明確表示，字節不會把蒸餾作為提升模型能力的捷徑，即使這意味著犧牲一部分短期收益。

隨後，梁汝波又在年中全員會上強調，大語言模型要“堅持自研，做好基本功，接受短期落後，堅持優化長期”。但就在字節重申“不蒸餾”之後，硅谷傳來了一個完全不同的聲音。8月10日，Meta CEO馬克·扎克伯格發表了一篇萬字的AI宣言，其中專門為模型蒸餾辯護。他認為，保護“人們可以從自己觀察到的任何事物中學習”這一原則非常重要，並反對將模型從其他模型輸出中學習簡單描述為一種有害行為。一邊堅持不走蒸餾捷徑，一邊認為模型之間相互學習本來就應該被允許。兩者討論的並不是同一個問題。字節回答的是自己要不要把蒸餾作為提升模型能力的捷徑；扎克伯格討論的則是模型從其他模型輸出中學習，本身是否應該受到限制。

但這兩個不同的討論，恰好把一個更底層的問題擺到了臺前：模型的下一批知識究竟從哪裡獲得？是來自互聯網、人類專家、真實業務，或者……來自另一個更強的模型？錢流向哪裡，往往最能說明競爭正在轉向哪裡。頭部模型公司對高質量數據的爭奪，正在催生一個十億美元級的新產業。成立僅三年的Mercor是其中增長最快的一家：它最初是一家利用AI招聘工程師的人才平臺，後來隨著模型公司開始大量尋找專業人士生產訓練數據，逐漸轉向AI數據業務。

據《The Information》報道，今年6月，它的年化總收入已經超過20億美元，且今年上半年91%的收入來自基礎模型公司，主要客戶包括OpenAI、Anthropic和Google DeepMind。更誇張的變化發生在Handshake身上：成立於2013年的Handshake原本是一家大學生招聘平臺，2025年才開始利用自己積累的高校和人才網絡，為AI公司組織博士、律師、醫生等專業人士生產訓練數據。一年左右，這項新業務的年化總收入已經從500萬至1000萬美元飆升至接近10億美元。今天，模型公司購買的已經不只是更多文本、圖片，甚至不只是專家的時間。

最新一輪爭奪開始指向強化學習環境（RL environments）。它們可以模擬Excel、Salesforce、瀏覽器或者編程環境，讓Agent真正進入其中完成任務：打開軟件、尋找信息、點擊按鈕、犯錯、修改，再根據最終結果獲得反饋。據Business Insider 8月12日報道，谷歌正在與AI初創公司Mechanize商談一筆超過15億美元的交易，以獲得其虛擬工作環境；Meta則開始收集員工真實使用電腦時產生的鍵盤、鼠標等操作數據，訓練AI理解人究竟如何完成工作。

去年，Meta斥資約143億美元獲得Scale AI 49%的股份，這家從數據標註起家的公司表示，目前公司接近一半的新項目已經涉及強化學習環境。數據生意因此發生了幾次變化。最早，大模型公司從互聯網獲取現成的數據；後來，它們花錢僱人標註數據；再後來，它們開始花更高的價格購買程序員、律師、醫生和科研人員的專業知識。現在，它們甚至開始花錢製造一個可以產生新經驗的世界。數據已經不再是一批訓練開始前準備好的原材料。如何持續生產模型下一步需要的數據，本身正在成為AI公司的基礎設施。而當數據生產成為基礎設施，公司也必須圍繞它重新組織。

研究員開始親自參與數據生產，招聘平臺變成數據供應商，專家被組織進模型訓練流程，模型公司則開始購買供應商、搭建強化學習環境，甚至把真實業務中的人類操作重新變成訓練數據。字節成立AI數據與安全部，只是這場變化最直觀的一種組織形式。