当 LLMs 在社交平台上大快朵颐
本文信息来源：smartmargin
用于免费训练的数据的时钟正在走向终点。到 2028 年， 我们可能会开始耗尽 。对此，LLM 实验室将越来越多地转向唯一可再生的新鲜对话内容来源： 社交平台。
我预测在五年内（或许更早），送入前沿模型的新增令牌中有 30%将来自经授权或未授权的社交流，而非网络爬取。历史上，社交平台并不是最佳的采集场所，因为数据被围墙花园所隔离：将数据保留在内部往往比对外授权更有利可图。不过这一点正在改变，社交平台开始意识到相关性的代价：留在围墙花园内意味着有可能在 LLM 对话中被忽略（从而错失消费者的目光）。
以下是我预计在未来几年社交流将如何塑造模型行为的方式：
社交平台胜过静态网页的地方
- Real‑time relevance： 经授权的社交流会在数小时内更新，而 Common Crawl 的快照可能滞后 35–90 天。新的信号会更快进入 LLMs。
- Conversational DNA： 社交本质上就是对话，这有助于 LLMs 理解人类的实时互动。在 Anthropic 2024 年的一项测试中，经过 Reddit 微调的模型在对话有用性上比仅基于博客的基线高出 15%。
- Long‑tail depth： 网页通常无法覆盖人类对话的长尾部分。Reddit 和 Twitter 通过注入主流网页所缺乏的小众词汇解决了这一问题。
- Embedded quality signals： 社交流量信号让模型更容易判断内容的质量。Scale AI 将能够估算点赞和观看时长等数据，相较于原始网页文本能实质性降低标注成本。
- 可授权的新鲜度： Reddit 的 2024 年 S‑1 披露，数据授权已贡献 9% 的收入——这为保持信息流清洁与实时提供了财务激励。我预计在未来几年，这将成为社交平台利润的主要驱动力。
各社交平台的竞争优势
假设我们确实走向一个社交平台愿意将至少部分数据授权给 LLMs 的未来（没有哪个世界会不这样做），每个平台都会开始确定其独特优势，并着手对这些数据进行细分与定价。例如，Reddit 长期以来是长篇消费者讨论的来源，而 YouTube 则在影响者权威性和教育深度上表现突出。
社交数据如何为 LLMs 定价
我们仍处于为 LLMs 定价社交数据的早期阶段，但一些早期模型（有些仍属推测）已经开始浮现。
分层火力水管 API（已上线）： 付费数据流，平台按访问量和新鲜度计量，针对高流量或实时内容等级收取更高费用
- 这种模式将受到 Reddit 和以文本为中心的平台（如 Stack Exchange，可能很快也包括公共 Discord 频道）的欢迎。高度结构化的文本数据非常适合火力水管格式，因为按量和新鲜度计费很容易。随着时间推移，我们可能会看到这种定价逐渐模仿云存储价格，高互动细分领域将以基线价格的数倍出售。Reddit 的 S-1 文件强烈暗示了这里的进一步发展。
按使用计费的转录流（已上线）：实验室按他们提取的字幕数据的分钟数（或令牌数）付费。
- TikTok 和 YouTube 很可能会以这种方式进行变现。由于视频文件体积大且格式多变，按分钟或按 token 收费可以让实验室只为他们实际调用的内容付费。任何带有 SKU 标签的地方随着时间推移很可能会获得溢价（稍后会详细说明！）。YouTube 的字幕已经可以通过数据经纪商获得，TikTok 的开放平台也提供免费转录。
下游收入分成（推测）： 社交平台可能不会按 token 收费，而是从使用其数据的任何 LLM 产品所产生的收入中抽取少量分成（可能在 1–3%）。这样，当其数据驱动高价值交易时，平台能获得更多收益。
- 这可能成为 Twitter 和 Substack 的主要模式。因为原始推文或 Substack 帖子本身就是纯文本（向实验室提供成本低），Twitter 和 Substack 可以承受从代理产生的任何收入中抽取一小部分。由于数据处理成本，YouTube 或 TikTok 的情况很可能不适用。
按代币付费的品牌安全供给（推测性）：Meta 与 Scale 的合作为此铺平了道路。Scale 可以过滤有毒内容、知识产权标记和重复内容，从而使 Meta 能出售“已获批准”的文本和图像。对品牌敏感的买家很可能会为保证安全、高质量的代币支付额外费用。
- 这对 Reels 乃至短期内的 Threads 都是一次重大胜利。随着时间推移，我不会惊讶看到这种定价模式通过其他合作逐步渗入其它平台。
排名提升拍卖（投机性）： 类似于 Google AdWords 或 Amazon Sponsored Products，我可以想象未来会发展出一种拍卖系统，品牌可以实时竞价，让他们的图片、帖子、视频片段或链接获得更高的排名。
- TikTok 和 Reddit 已经使用算法对短帖进行排序，所以这对它们来说是一个自然而然的延伸。它们只需旋转已经用于广告的货币化按钮，就能把内容在代理人列表中提升几个名次。
创业机遇
我一直在思考，鉴于社交数据被出售这一不可避免的转变，创业公司的机会有多大。长话短说——可以打造出无数家规模巨大的公司。不过，为社交构建产品显然比为静态网页更难、更冒险。以下是几个可以展开的方向：
社交平台的“答案引擎优化”（Answer Engine Optimization）：这一点可能是最明显的。可以打造一个新的 Profound 或 Bluefish，但把重点放在社交上。品牌无法看到或塑造 TikTok、Reddit、X 内容在 ChatGPT、Claude、Gemini 中被引用的方式——我希望有人能建立这样的解决方案，让他们能够做到这一点。
面向社交动态流的 Snowflake： 我设想这是一个云端仓库层，从多个社交平台的 API（Reddit 全量流、TikTok 转录流、X 推文流等）摄取原始数据，将它们标准化为一个统一的、可查询的模式，然后让 LLM 构建者或分析团队轻松提取任意切片。
类 Doubleclick 的广告路由器： 一个监控每一次排名提升竞价（Amazon sponsored products、TikTok spark ads、未来的 Reddit/TikTok 引文出价）并实时将资金重新分配到边际 ROAS 最高处的平台。未来的数据权限环境可能会使这变得困难，但总会有人做出一个版本。
结语
社交流正快速成为驱动未来 LLMs 的燃料。品牌、投资者和构建者都需要开始把社交帖子当作一等的训练场。社交淘金热才刚刚开始，这需要新的基础设施。那些让社交数据标准化、标注并实现货币化的人，将获得最持久的价值。
