AI 训练淘金热背后，印度专家网络又捧出一家新独角兽候选：Deccan AI 融资 2500 万美元

一笔 2500 万美元融资，照见 AI 产业链的真实地板

当外界还在把目光集中在 OpenAI、Anthropic、Google DeepMind 这些“造模型”的明星公司时，另一条没那么耀眼、却越来越重要的赛道正在迅速膨胀：模型后训练。美国初创公司 Deccan AI 就踩中了这个机会。它刚刚完成 2500 万美元的 A 轮融资，由 A91 Partners 领投，Susquehanna International Group 和 Prosus Ventures 参投。公司成立于 2024 年 10 月，算是相当年轻，但已经拿下 Google DeepMind、Snowflake 等客户。

如果把大模型比作一个天赋异禀但毛病不少的“学霸”，预训练阶段是把海量知识塞进脑子里；后训练则更像请家教、做题、打磨表达、纠正坏习惯，甚至教它如何调用外部工具、如何在真实业务里少犯错。Deccan AI 做的，正是这类脏活累活但极其关键的事情：数据生成、模型评估、强化学习环境搭建、专家反馈收集，以及帮助模型提升 coding、agent 和 API 工具调用能力。

这件事为什么重要？因为今天的大模型竞赛，已经从“谁参数更多”逐渐转向“谁在真实世界更靠谱”。用户不太关心模型内部到底有几层 Transformer，他们更关心的是：它会不会胡说八道？能不能真的调起企业系统？写代码时是帮忙还是添乱？Deccan AI 押注的，就是这一层最接地气的价值。

AI 不只是算力战争，也是“人力密度战争”

Deccan AI 最特别的一点，不是融资额本身，而是它的人力组织方式。公司总部在旧金山湾区，但大规模运营团队放在海得拉巴，现有大约 125 名员工，并且依赖一个超过 100 万人的贡献者网络，其中活跃贡献者每月约 5000 到 10000 人。这些人包括学生、领域专家以及博士群体。按照创始人 Rukesh Reddy 的说法，约 10% 的贡献者拥有硕士或博士学位，而在一些高要求项目里，高学历人群占比会更高。

这其实点破了一个常被忽略的现实：AI 不是全自动工业，至少现在还远远不是。大模型要变得“更像样”，背后往往要靠大量人工标注、人工审核、人工构造评估任务、人工提供高质量反馈。过去几年，Scale AI、Surge AI、Turing、Mercor 等公司都在争夺这块市场。Deccan AI 选择把专家网络重点放在印度，某种程度上并不意外——印度拥有足够庞大的英语人才储备、工程教育基础和相对可控的人力成本，天然适合承接这类高密度知识劳动。

但这里真正有意思的，不只是“印度便宜”。更关键的是，后训练并非传统意义上的低端外包。越往前沿模型走，任务越复杂，很多工作不是机械点选标签，而是要求懂代码、懂专业知识、懂模型行为，甚至懂怎么设计一套能把模型弱点逼出来的测试体系。说得直白一点，这不再是简单的数据标注工厂，而更像一支分布式、半隐形的“AI 教练团”。

后训练为什么突然这么值钱

过去一年，行业对“后训练”的态度已经发生明显变化。预训练当然仍然重要，但随着基础模型能力逐步接近、训练成本越来越高，后训练开始成为差异化竞争的主战场。一个模型能否胜任代码生成、客服、金融分析、企业自动化、机器人控制，往往不取决于它读过多少互联网文本，而取决于它是否经过足够细致、足够场景化的打磨。

Deccan AI 提供的服务，正踩在这个拐点上。它不仅帮客户做专家反馈、评估和强化学习，还在做针对企业的产品，比如评估套件 Helix，以及一个运营自动化平台。这意味着它不满足于做“人力中介”，而是想做一层更可复用的工具基础设施。这个方向很聪明，因为纯粹卖劳动力，天花板和护城河都有限；把流程产品化、平台化，才可能从项目制服务走向更稳定的收入模型。

还有一个更大的背景是，模型能力正在从纯文本扩展到“世界模型”——也就是更好地理解物理环境、视觉输入和机器人交互。这类系统要训练得可用，难度会比聊天机器人高得多。你可以容忍一个聊天机器人偶尔说得啰嗦，但你很难接受一个机器人在工厂里“理解错了”操作指令。越接近真实世界，模型容错率就越低，后训练的价值也就越贵。Reddy 说“质量仍然是个尚未解决的问题”，这话一点都不夸张。

这门生意的光鲜背后，也有两道阴影

第一道阴影，是质量控制。Deccan AI 之所以强调把大量专家集中在印度，本质上是在试图解决这个行业最棘手的问题：市场长得太快、参与者太杂、交付标准又极其严苛。后训练不像做内容众包，错一个标签可能只是小问题；它更像在给一台即将上线的自动驾驶系统做路测，错误会被放大到真实生产环境里。模型一旦学偏，影响的可能是成千上万用户。这也是为什么前沿实验室虽然愿意外包部分工作，却仍然对质量近乎偏执。

第二道阴影，是劳动价值的再分配。AI 产业如今最讽刺的地方之一，是台前站着的是估值惊人的模型公司，幕后撑着的却是一大群不怎么被看见的知识劳动者。无论在印度、菲律宾还是非洲，一批高学历人才正在进入“AI 训练流水线”。他们做的工作远比“点点鼠标”复杂，却未必能分享 AI 暴涨的利润。Deccan AI 当然不是唯一面临这个问题的公司，Scale AI、Remotasks 乃至更广义的众包平台都曾被讨论过类似议题：当 AI 产业说自己代表未来，它是否也该更认真地回答“谁在为这个未来打工”？

我并不认为这会阻止行业继续扩张。相反，AI 公司只会越来越依赖这类人力基础设施。但接下来，投资人和客户看重的不会只是“你能调动多少人”，而是“你能不能证明这些人真的在提升模型，而不是用低价堆出一堆看似忙碌的数据”。未来两三年，AI 训练服务市场很可能会像早年的云服务一样分层：底层拼成本，中层拼交付，上层拼行业 know-how 和工具化能力。谁能从“外包公司”长成“质量基础设施提供商”，谁才有机会跑出来。

Deccan AI 会成为下一个 Scale AI 吗？

短期看，Deccan AI 的位置相当不错。它已经有头部客户，也有明确的供给侧优势，还赶上了后训练这股资金和需求同时涌入的风口。和 Mercor 这类强调人才匹配的平台相比，Deccan AI 更像是把“专家供给 + 项目交付 + 工具产品”揉在一起；和 Turing 这类偏重代码任务的玩家相比，它的覆盖面更宽；和 Scale AI 这样的巨头相比，它又更灵活，也更容易在一些新型任务上快速试错。

但要说它会不会成为下一个 Scale AI，我会更谨慎一点。因为这门生意真正难的，不是今天签下多少客户，而是当模型越来越强、越来越会自我评估、越来越能合成训练数据时，人类专家的角色会怎么变化。也许未来最值钱的，不再是大规模众包，而是更小、更精、更垂直的专家团。那时，Deccan AI 这种公司必须证明自己不是“人海战术的升级版”，而是一套能持续提炼高质量反馈的系统。

说到底，Deccan AI 这轮融资的意义，不只在于又一家 AI 创企拿到钱，而在于它提醒我们：AI 革命从来不是只有芯片、参数和炫目的演示视频。真正让模型走向可用、可信、可部署的，往往是最不浪漫的那部分工作。而这部分工作，如今正在印度这样的地方，悄悄变成一门全球生意。