任务经济（Task Economy）——数据将成为下一个万亿美元级赛道
Token（Token）经济
今天，当我们谈论 AI 时，Token 已经成为“王者”。
更准确地说，推理（Inference）Token 已经成为衡量 AI 生态增长最重要的指标。
上市公司会公布每月处理了多少 Token 来展示 AI 业务增长；分析师会根据各家模型产生的 Token 数量比较模型的发展情况；企业管理层也会通过 Token 使用量来衡量自己在 AI 上的投入与战略重视程度。
这种现象并不奇怪。
因为 Token 是 AI 智能与计算最基础的计量单位，Token 的增长，本质上就是 AI 世界整体增长的映射。
更重要的是，Token 把复杂的推理过程抽象成了一个统一的计量单位：
- 足够简单（两分钟就能理解）
- 足够统一（长期持续跟踪）
- 足够直观
它就像 AI 世界里的「通用语言（lingua franca）」，无论技术背景如何，人们都可以通过 Token 理解 AI 正在发生什么。
例如：
- 更多人在使用 AI？Token 增长。
- 从普通模型进入 Reasoning 模型？Token 增长。
- 从一次性问答变成 AI Agent？Token 增长。
- Agent 可以后台连续工作数小时？Token 增长。
因此，总 Token 数量不仅因为 AI 用户越来越多而增长，也因为 AI 的基础设施不断演进，使模型越来越「吃 Token」。
例如：
一个连续工作一小时的 Agent，与一个只运行一分钟的 Agent 相比，消耗的 Token 完全不是一个数量级。
这种简单的指标，也构成了今天 VC 和成长型投资者最喜欢的 AI 投资逻辑。
因为：
AI 的普及 + 模型越来越依赖 Token
两股力量叠加后，形成了 Token 数量指数级增长。
这个故事很好理解，也很好相信。
尤其随着：
- 长时任务 Agent
- 后台 Agent
不断出现，人们自然相信 Token 将持续高速增长。
因此也就不难理解：
为什么 Inference（推理）会成为今天最热门的投资方向，越来越多公司都想进入 Inference 基础设施市场。
但是，一个如此耀眼的明星赛道也有副作用。
Inference 太受关注，以至于遮蔽了另一个正在迅速崛起、规模甚至可能更大的 AI 趋势。
这个趋势，就是：
通过数据提升模型能力的市场。
作者把它称为：
Task Economy（任务经济）
什么是 Task Economy？
过去三年，大语言模型经历了三个阶段：
第一阶段：
回答简单问题。
第二阶段：
能进行复杂推理。
第三阶段：
成为真正能够完成现实工作的 Agent，并且能够执行越来越长时间的任务。
早期模型能力提升主要依赖两件事：
- 更多互联网数据
- 更多算力
但如今，这条路径开始遇到瓶颈。
原因有两个：
第一：互联网已经没有太多新增训练数据了。
可用数据几乎已经被训练完。
第二：基础能力已经基本饱和。
简单能力几乎都学会了。
于是，一个新的瓶颈出现：
高质量增量数据（Incremental High-quality Data）。
未来，这些数据不会来自互联网。
而会来自：
Task Economy。
什么叫 Task（任务）？
在强化学习（RL）里，
Task 是模型练习能力的最基本单位。
一次 Task 包括：
- 给模型一个初始状态（Initial State）
- 给它一个工作环境（Environment）
- 让模型完成任务
- 最后通过 Reward（奖励）或者 Verifier（验证器）给它打分
模型会不断重复完成大量 Task。
所有 Task 的评分最终形成训练信号（Training Signal），不断调整模型行为。
严格来说：
Task 指的是 RL 后训练阶段（Post-training）的训练单元。
不过作者这里把 Task 的定义放宽了。
因为今天的数据形式越来越丰富：
不仅仅是 RL。
任何能够提升模型能力的数据，都可以看作一个 Task。
作者也故意不用过去那个已经过时的名字：
Data Labeling（数据标注）
因为：
以前的数据标注只是：
- 给图片画框
- 给 LLM 点赞点踩
如今已经远远不是这样。
今天的数据任务复杂得多，价值也高得多。
一个法律行业的例子
假设训练一个法律 AI。
互联网可以告诉模型：
- 法律知识
- 法条
- 判例
这些都没问题。
但是：
真正优秀律师每天的工作流程，
互联网没有。
例如：
- 如何审合同？
- 如何写诉状？
- 如何准备法庭辩论？
- 如何做尽职调查？
这些经验都存在律师脑子里。
不是网页里。
所以：
为了训练 AI，需要设计大量真实工作任务。
例如：
Prompt：
请审查这份合同。
然后：
把模型放进真实法律数据室。
最后：
由专业律师按照评分标准（Rubric）给模型打分。
这样：
模型不仅知道：
做什么。
更知道：
怎么做。
高质量 Task 越多，
模型能力越强。
Token 对应推理，Task 对应模型提升
作者提出了一个非常重要的对应关系：
Token 对于推理（Inference），就像 Task 对于模型能力提升（Improvement）。
可以理解为：
Token 是 AI 的计算单位。
而：
Task 是 AI 的成长单位。
就像 Token 会随着 AI 普及不断增长一样，
Task 也会随着 AI 能力提升不断增长。
例如：
以前：
只是简单 Preference Label。
后来：
需要专家写 Rubric。
Task 增长。
后来：
需要行业 Agent。
Task 增长。
后来：
Agent 工作越来越长。
Task 增长。
后来：
企业开始大量部署 Evaluation。
Task 再增长。
Task Economy 正在爆炸式增长
作者列举了几个数据：
OpenAI 和 Anthropic
每年数据投入增长 10 倍（10x YoY）。
已经花费数十亿美元，
组织全球专家生产训练数据。
AI 应用公司
越来越多 AI 公司，
未来单家公司在 Task 上的投入将超过：
1 亿美元。
因为：
大家开始意识到：
真正的护城河不是模型，而是数据。
有独特数据，
即使用开源模型，
也能超过通用模型。
Mercor
Benchmark 投资的 Task 平台 Mercor：
2026 年 2 月：
ARR 达到：
10 亿美元。
四个月后：
达到：
20 亿美元 ARR。
增长速度惊人。
与此同时：
整个市场同时发生三件事：
- Task 数量增加
- Task 更复杂
- 专家成本更高
三者叠加，
形成指数级增长。
我们其实才刚开始
作者认为：
今天看到的增长，
只是第一局（First Inning）。
原因很简单：
今天：
Agent 还远远不能替代所有高质量专业工作。
企业今年才开始真正意识到：
数据才是区别于 OpenAI 等基础模型公司的竞争优势。
更重要的是：
未来 AI 想掌握的大部分知识，
其实都不在互联网。
而在人脑里。
作者估计：
未来 AI 所需要的知识，有 99% 仍然存在于人的经验中。
如果：
AI 公司、
企业、
模型实验室，
都想把这些隐性知识（Tacit Knowledge）
转移给模型。
那么：
Task Economy 将持续多年高速增长。
而且参与者会越来越多。
为什么大家还没有意识到 Task Economy？
作者认为主要有两个原因。
第一：
过去，
Task 的购买者几乎只有：
OpenAI、
Anthropic、
Google DeepMind 等 Frontier Labs。
而这些公司极其保密。
没人知道他们到底花多少钱做数据。
今年开始，
越来越多 AI 应用公司、
企业，
开始建设自己的数据。
于是：
Task Economy 会越来越公开。
第二：
Task 缺少像 Token 那样统一的计量单位。
Token 人人都会说。
Task 没有人统一讨论。
所以作者写这篇文章，
就是希望：
以后大家讨论 AI，
除了 Token，
还会讨论：
Task。
Task 也应该成为 AI 世界共同的价值单位。
今天没有 “OpenRouter for Tasks”
今天，
OpenRouter 可以看到：
各模型 Token 使用量。
但是：
没有任何平台能够实时看到：
全球 Task 增长。
作者希望未来有人能建立这样的基础设施。
目前，
Mercor 提供了一张图。
显示：
平台专家工时，
每个季度都在指数增长。
说明：
整个 Task Economy 的增长是真实存在的。
为什么 Task Economy 会成为未来 AI 最大市场？
作者认为：
未来 AI 要自动完成所有电脑上的工作，
必须覆盖：
- 所有软件
- 所有工作环境
- 所有行业
- 所有任务
而这些都需要：
大量数据。
法律、
医疗、
金融、
软件开发、
科研……
每一个行业，
都需要：
- 专家生成的数据集
- Evaluation
- RL 环境
未来：
模型公司、
AI 应用公司、
企业，
都会争夺这些数据基础设施。
谁拥有更多、更好的数据，
谁就拥有未来 AI 的竞争优势。
最终结论
未来几年，
随着 Task Economy 越来越普及，
整个 AI 社区会越来越关注：
模型到底完成了多少 Task，
而不仅仅是多少 Token。
作者最后预测：
就像今天谈 AI，大家首先想到 Token；未来谈 AI，Task 才是真正的王者。
注释（Footnote）
作者最后特别说明：
本文故意只讨论数据驱动（Data）带来的模型能力提升。
事实上，未来 AI 的能力提升还将来自另一个重要方向：
算法创新（Algorithmic Improvements）。
作者并不是认为算法不会继续进步，而只是为了聚焦本文主题——数据，因此没有展开讨论。
