00后打造215亿AI独角兽：AfterQuery如何用专家数据赋能大模型

type

status

date

slug

summary

5个月估值翻10倍：00后天才的华丽转身

AfterQuery的两位联合创始人斯宾塞·马蒂加（Spencer Mateega，23岁）和卡洛斯·乔治斯库（Carlos Georgescu，22岁）在加入YC 2025年冬季批次时，甚至连一个成型的产品都没有。他们拥有在Meta、谷歌和顶级量化机构的闪亮实习履历，但面对创业，最初的方向却屡屡碰壁。

起初，他们试图为金融行业开发AI Agent，期望模型能自动完成投资分析。然而在实测中他们发现，即便是当时最先进的LLM，在处理复杂的白领工作流程时也频频“翻车”。问题并不在于模型架构本身的缺陷，而在于这些模型缺乏“专业工作经验”的训练。

这一痛点促使他们果断转型：不再做应用层的开发者，而是化身为大模型的“送水人”，专注于收集金融、法律、医疗等领域专家的判断过程和逐步推理数据。这一精准的Pivot（转型），让他们在短短18个月内跻身独角兽行列，成为了YC历史上完成跨越速度最快的初创公司。

大模型遇到瓶颈：为何基础数据标注不再管用？

过去几年，数据标注行业通常依赖大量低成本劳动力，完成诸如“识别图片中的猫狗”或“给文本分类”的简单任务。然而，随着chatGPT、claude等顶级模型的进化，公开互联网上的通用数据红利已被消耗殆尽。

为了向真正的AGI（通用人工智能）迈进，AI实验室需要模型能够处理极其复杂的专业任务。比如，律师如何审查一份漏洞百出的合同？金融分析师在信息不全时如何做出投资判断？这些被称为“隐性知识”的宝贵经验，是无法通过简单的分类标签学到的。

这就要求数据供应商提供的不再是简单的结果，而是专家处理任务时的思考过程、操作轨迹以及高质量的Prompt（提示词）交互记录。AfterQuery精准地踩中了这一风口，将传统的“数据标注”升级为了“专家经验工程”。

聚集十万专家：重新定义“AI变现”的数据工厂

AfterQuery的核心壁垒在于其汇集了近10万名经过严格验证的专业人士。这些来自工程、医疗、法律和金融领域的精英，成为了新时代的“数据矿工”。这不仅为大模型提供了极其稀缺的高质量训练素材，也为专业人士提供了一条全新的AI变现途径。

与普通的数据众包平台不同，AfterQuery构建了一套定制化的软件系统来验证人类生成的数据。该系统能够进行多轮交叉检查，确保任务难度适中：既能对前沿模型构成挑战，又不至于难到让模型彻底崩溃。

此外，他们还会在交付数据前，自行运行后训练（Post-training）流程，通过实际的模型基准测试成绩来验证数据的有效性。这种“用效果说话”的交付模式，极大地降低了AI实验室的试错成本。

赋能英伟达与行业巨头：高质量数据的实战威力

AfterQuery的数据质量已经得到了行业顶流的背书。在英伟达发布的Nemotron 3 Ultra技术报告中，AfterQuery是唯一被点名致谢的数据合作方。

实测数据显示，在加入AfterQuery提供的预热训练后，英伟达模型在涵盖44种职业和1320项真实工作任务的GDPval评测集中，成绩从35.3分大幅飙升至46.7分。这种立竿见影的能力提升，正是前沿AI公司愿意为其数据支付高溢价的根本原因。

除了英伟达，AfterQuery还与法律AI公司Legora深度合作，甚至引起了openai前高管创办的Thinking Machines Lab的关注。同时，他们也与多家中国AI实验室保持着密切的合作关系，证明了高质量数据在全球范围内的普适性和稀缺性。

结语：迈向AGI时代的“专家经验工程”

AfterQuery从0到215亿估值的狂飙，标志着AI数据行业进入了“下半场”。随着大模型能力的不断逼近人类专家水平，获取高质量、深逻辑的推理数据将成为决定大模型胜负的关键胜负手。

当然，高估值也伴随着高风险。AI数据供应商的护城河是否足够深？能否持续稳定地获取顶尖专家的知识产出？这些都是AfterQuery未来需要面对的挑战。但不可否认的是，由00后引领的这场“数据革命”，正在加速我们迈向AGI的步伐。

想要了解更多关于大模型训练数据、openai最新动态以及每日精选的AI日报，请持续关注 AIGC导航，我们将为您提供最前沿、最深度的行业洞察与资源链接。