00后退学创业获1.1亿融资，AI数据“赏金猎人”模式引爆AI新闻

type

status

date

slug

summary

天才少女的非凡之路：从攀岩到AI创业

Serena Ge的创业之路并非一时兴起。这位00后创业者的履历充满了解决问题的热情和强大的执行力。高中时期，她痴迷于攀岩，为了进行更个性化的训练，她亲手打造了一款攀岩App。这份对技术的热爱与实践能力，让她在疫情期间带领团队为青少年开发网络应用，并获得了银行的支持。

真正让她瞄准AI数据赛道的，是她在AI巨头Cohere的实习经历。在参与训练十亿参数级模型的过程中，Serena深刻体会到，当前大模型（如ChatGPT或Claude等）性能的瓶颈，很大程度上源于缺乏精心筛选的高质量训练数据。传统的数据标注工作往往被视为低技能、重复性的劳动，难以吸引顶尖人才参与，导致产出的数据质量参差不齐，尤其是在专业的编码领域。正是这一痛点，点燃了她的创业火花。

破解数据困境：“赏金猎人”模式的诞生

为了彻底改变这一现状，Serena Ge创立了Datacurve，并提出了革命性的“赏金猎人”模式。这并非简单地将任务外包，而是构建了一个游戏化的平台，旨在吸引全球顶尖的软件工程师，将枯燥的数据标注工作转变为一场智力挑战。

Datacurve的核心理念是：将数据创建视为一款消费级产品，而非一项枯燥的任务。

吸引顶尖人才：平台通过发布具有挑战性的编码难题和数据集构建任务，像发布“赏金任务”一样，吸引那些本身就热衷于解决复杂问题的软件工程师。

超越金钱激励：虽然平台已向这些“赏金猎人”支付了超过百万美元的报酬，但Serena坦言，对于这些高薪工程师而言，金钱并非主要驱动力。真正吸引他们的是解决前沿AI问题的成就感、智力上的挑战以及积极有趣的参与体验。

游戏化体验：通过将任务游戏化，Datacurve极大地提升了工程师在数据生成和标记过程中的速度与精准度，确保了数据的专业性和高质量。

这种模式巧妙地解决了高质量数据生产中“人”的难题，将一群最懂代码、最懂逻辑的专家，变成了人工智能模型的“高质量导师”。

Datacurve的核心价值：不止于数据，更是基础设施

Datacurve的目标远不止成为一家数据供应商，而是要为训练后数据（post-training data）构建一套完整的基础设施。随着模型越来越复杂，简单的指令微调数据已无法满足需求，AI需要更复杂的强化学习环境来进行训练。Datacurve提供的正是这种高价值、高复杂度的训练后数据和评估数据。

其数据用途覆盖了大模型训练的关键环节：

核心算法训练：提供大量Leetcode风格的算法题和标准化的文档对齐问题，用于训练或评估模型的核心编码能力。

AI代理工作流：通过自定义的IDE捕捉工程师完整的开发轨迹，包括代码编辑、文件导航、执行调试等，为训练更强大的软件代理（Agent）提供宝贵的遥测数据。

推理与调试：由工程师贡献真实工作中的复杂推理任务，模拟模型在现实世界中可能遇到的难题，提升模型的逻辑推理和调试能力。

私有代码库任务：能够在企业的私有代码库上设计自定义任务，让模型在真实、专有的环境中进行训练和评估，极大提升了模型的实用性。

多模态理解：通过游戏、UI/UX等任务，训练AI将静态代码与动态行为联系起来，理解软件的外观、感觉和功能，这是通往更强交互能力的关键一步。

严苛的四步流程：高质量数据的保障

为了确保交付给客户的每一份数据都达到最高标准，Datacurve建立了一套严苛的四步质量保障流程：

评估（Assess）：首先与客户深入沟通，利用基准测试工具精准识别模型当前的弱点和数据缺口。

创建（Create）：在游戏化平台上启动“赏金任务”，由来自全球顶尖公司的软件工程师进行数据创建和标注。

质检（QA）：采用自动化一致性检查、异常检测和人工评估循环相结合的混合模式，对每一个数据集进行多重审核，确保质量。

交付（Deliver）：通过可视化数据集查看器，让客户清晰地了解数据的构成、性能指标，并提供不限次数的修改服务，直至客户完全满意。

在AI竞赛日益激烈的今天，对高质量数据的争夺已成为新的战场。Serena Ge和她的Datacurve，凭借其创新的模式和对质量的极致追求，正向Scale AI等行业巨头发起挑战。这位亚裔00后创业者的故事，不仅展示了新生代在北美科技圈的崛起力量，也为整个AI行业如何突破数据瓶颈提供了全新的思路。

想持续关注AI领域的最新动态和深度AI资讯？欢迎访问AI门户网站 https://aigc.bar，获取每日更新的AI日报和行业分析，紧跟人工智能发展的最前沿。