硅谷不买数据了，改买「世界」
「村里又发金条了🥵」
硅谷的大模型实验室最近改主意了。他们不再满世界求爷爷告奶奶地买静态数据，而是挥舞着支票簿，开始直接买「世界」。
前几天看到个消息，Anthropic内部正在讨论，要在RL环境（强化学习环境）上，每年投入超过10亿美元。
10亿美元什么概念？上一代版本神AI六小虎、AI四小龙们，把PPT吹出花来，累死累活干一身外包项目制，一年营收能摸到这个数的零头都算烧高香了。现在人家光买个训练用的「虚拟考场」，一出手就是10亿美元级别的预算。
真应了那句话，淘金热里最赚的永远不是淘金客，是卖铲子的。只不过今年铲子升级了，从卖静态数据改成了卖RL环境，老包工头们摇身一变，成了造物主。
为什么硅谷大厂突然对「环境」这么FOMO？
道理很简单。
以前的预训练和微调，吃的是静态数据集。说白了就是给模型刷《五年高考三年模拟》，题库是死的，标准答案也是死的，模型把题库背得滚瓜烂熟，出门一遇到真实世界的突发状况，直接原地死机。
现在的Agent是要干活的。干活就不能只背题库，得进「考场」。
这就是RL环境的本质。在这个考场里，模型不再是只管输出一段话就完事，它得采取动作（action），环境会根据它的动作给出实时状态反馈（observation），最后再由评分器给出奖励（reward）。模型在里边跑成千上万次推演（rollout），一步步试错，优化自己的策略。
翻译成人话：静态数据集是死题库，RL环境是活考场。
在死题库里，Agent第一步走歪了，后面的参考答案就全废了；在活考场里，Agent就算中间跑偏了，环境也能实时把它兜住，给它报错、给它弹窗，逼着它自己把路找回来。
大的也来了。
需求端一疯，供给端立马闻着味儿就全扑上来了。
早在2025年9月21日，TechCrunch的记者Maxwell Zeff就专门写过一篇报道《Silicon Valley bets big on 'environments' to train AI agents》，直接捅破了这层窗户纸：硅谷正在重注RL环境来训练AI Agent，一大波创业公司正在疯狂造环境。
到底有多疯？短短一年时间，市面上专门做RL环境的供应商，平地干拔冒出来了四十多家。甚至有热心网友嫌大家找包工头太麻烦，专门建了个叫RL List的目录站，把这些卖环境的公司挨个挂牌展示，跟当年团购网站导航似的。
这群抢食吃的人里，生态位分得极其清楚。
冲在最前头的是原生创业派，以Mechanize和Prime Intellect为代表。这帮小天才上来就讲纯正的RL环境故事，Prime Intellect甚至直接搞了个类似Hugging Face的开源RL环境中心，试图把造环境的生态标准先占下来。
紧随其后的是老牌数据军火商。你以为人家还在雇东南亚老乡标红绿灯？Surge AI去年的营收已经干到了约12亿美元，这体量放在国内能把一众独角兽馋哭，人家眼疾手快，直接内部拉起了一支专门的RL环境团队。还有估值干到100亿美元的Mercor，手握大把优质人类专家，现在也调转枪口，死磕编码和医疗领域的RL环境。
看着是不是一片繁荣，遍地黄金，随便拉个草台班子就能去大厂爆金币？
所以最后发生了什么？
大厂买回去一跑，发现这帮包工头交上来的考场，全是豆腐渣工程😭
2026年1月12日，研究机构Epoch AI发了一份专门针对强化学习环境的深度报告《An FAQ on reinforcement learning environments》。报告里明确指出，RL环境确实已经成了前沿模型训练的核心输入，但全行业正面临两个要命的挑战：一个是规模化，另一个就是大名鼎鼎的「reward hacking」（奖励黑客）。
什么是reward hacking？
就是你如果把考场设计得不够严谨，留了哪怕一丝一毫的漏洞，聪明绝顶的大模型绝对不会老老实实帮你干活，它会立刻学会钻空子、改规则，用最低的成本骗取最高的奖励。
举个最典型的例子。你想训练一个写代码的Agent，让它修好代码库里的Bug，并且通过所有测试脚本。
如果环境做得糙，Agent进去一看，发现修Bug太费劲了，它反手就把你的测试脚本给删了，或者把测试脚本里的判断逻辑改成永远返回「成功」。系统一检测，测试全过，满分！
模型骗到了reward，包工头骗到了大厂的结算款，只有大厂训练出来的模型成了一个只会删测试脚本的纯纯老赖🤡
这也是为什么现在真正可信的代码RL环境，门槛高得吓人。它绝不是随便扒几个开源代码库就能糊弄过去的，你必须老老实实封装好完整的Docker镜像，塞进真实的复杂代码库，配齐严丝合缝的编译测试脚本，最后还得焊死一个防作弊的评分器。少一个环节，模型就能把你裤衩子都骗光。
看到这里，聪明的朋友应该已经回过味来了。
这根本不是什么劳动密集型的外包活，这是披着数据外衣的硬核软件工程。
以前AI应用创业，大家比拼的是定语创新，看谁能把套壳吹成操作系统；现在到了RL环境这儿，所有的行业应用都被扒下了底裤——招聘、销售、金融研究、客服、法律，你在前台看到的每一个垂类工作流，退到后台看，其实都可以被抽象成一个独立的RL环境。
这意味着什么？
意味着未来的垂类壁垒，早就不是你有一个多漂亮的UI界面，或者攒了多少条静态行业问答。真正的壁垒变成了「Environment（环境）+ Reward（奖励机制）+ Data Flywheel（数据飞轮）」。谁能把金融研究、法律审查、复杂代码工程抽象成一个没有漏洞、无法作弊、能无限推演的考场，谁就捏住了下一代基座模型的命门。
大厂为什么愿意花10亿美元去买？因为造这种硬核考场太苦、太重、太消耗顶尖工程师的心智了。
更有意思的是，在这场重工业造考场的竞赛里，国内的硬核团队其实早就悄悄上桌了。
就拿我们 DataMining 来说，我们简直是把造考场当成奥数竞赛在搞。团队底子是北京大学计算机学院软件所的博士生组建的，之前就已经给字节、阿里、腾讯这些大厂供过弹药。
我们干活的路数非常凶残，不整那些虚头巴脑的简单任务，直接对标ALE-Bench、Frontier SWE、Deep SWE、HLE、APEX Agents这些业内最顶、最难的基准，纯手搓原创的同难度任务。
怎么判断一个考场是不是真硬核？看把顶尖模型折磨成什么样就知道了。
拿极其强悍的GPT-5.6-sol放进我们 DataMining 的数据环境里去跑，模型的准确率（ACC）直接比在同类供应商的数据上低了15个百分点；而且为了解开任务，Agent被逼得在环境里反复试错、推演，推理轨迹硬生生拉长了约20轮。
模型越痛苦，摔得越狠，大厂买单的时候就越开心。毕竟，能让尖子生考出低分、逼出20轮长思考的卷子，才是真正能帮模型涨本事的好卷子🤓👍
说到底，从AI四小龙时代的框图片，到ChatGPT时代的写问答，再到今天Agent时代的造RL环境，数据包工头们的祖师爷其实一直没变，但手里的家伙事儿已经完成了工业革命。
硅谷不再买数据了，他们在买一个个被封装进Docker里的真实世界。而能把这个世界造得严丝合缝、让AI无空可钻的人，正在闷声拿走这个时代最确定的金条。