为前沿 AI 输送数据的隐秘供应商
摘要
- Grass 的优势，始于让 AI 系统能够访问屏蔽数据中心流量的网站。 Andrej Radonjic 表示，通过住宅 IP 路由是广泛获取网站内容的最佳方式，浏览器基础设施还能应对额外防护。Grass 向自愿参与者购买带宽；Andrej 称，Grass 已向 AI 实验室交付艾字节级数据。
- 前沿实验室采购数据时，越来越看重有效信号和交付速度，而不只是原始数据量。 实验室的筛选过程可能发现，数据集中只有一小部分有用——例如 0.16%——从而转向更有针对性的采购。新模型每隔几个月就会刷新基准，客户可能因此“落在后面”；成熟实验室会根据基准提升、后续 token 使用量和财务回报来评估数据价值。
- 机器人领域需要经过精挑细选的行为视频。 Andrej 将 Yan 提到的约 10 亿个公开视频更新为已索引超过 1000 亿个。Yan 指出，索引不等于把每个视频都下载下来。生成式视频受益于多样、可组合的样本；机器人目前需要能教会模型动作和互动的视频素材，筛选难度远高于单纯累积视频。
- 训练爬取正在为实时推理和搜索搭建基础设施。 Andrej 将训练数据采集形容为一场“寻宝”，同时也在绘制互联网地图。Grass 已在 Live Context Retrieval 旗下发布 Content API，下一步计划推出 Search；他预计训练数据和推理数据最终会逐渐融合。
- 推理让区域算力和延迟变得越来越重要。 Andrej 过去认为 Live Context Retrieval 需要的节点数量要增加到原来的 10 倍，但基础设施优化让产品早于此前讨论的 2027 年时间表推出。随着区域需求增长，住宅节点预计还会增加；而“光速”则限制了路由请求的延迟能接近原始延迟到什么程度。
- Grass 的客户业务和知识产权都置于一个没有所有者的基金会之下。 Andrej 表示：“没人拥有它。” Wynd Labs 提供服务、雇用员工，但不持有知识产权。收入鉴证会核对基金会的采购订单和现金回款，包括 60 天的付款延迟；它针对的是基金会，而非另一个股权载体。
- Yan 转述了一位创业者的观点：更高的再投资回报可以构成护城河，Andrej对此表示认同。 Yan 提到，市场预计到 2030 年 AI 数据市场将达到 1000 亿美元；Andrej 认为，合成轨迹、强化学习和其他数据类别都存在扩张机会。收尾的护城河讨论聚焦于如何比竞争对手更有效地利用每一美元。
精读
1. 住宅网络访问是这张网络的起点优势
Andrej 最初在应用数学博士期间，为套利机器人爬取网站。疫情让情报搜集转向线上：政府要计算 CPI，却很难再派人拿着夹板去商店采集数据。用户认为商品信息理应公开，网站却越来越多地限制自动化访问。
屏蔽机制也会误伤合法代理。网站看到 AWS 托管代理使用数据中心 IP，难以判断它和爬取价格的竞争对手有何区别，因此默认选择可能是拒绝访问。Andrej 表示，通过数百万个住宅 IP 路由是广泛获取内容的最佳方式；有些网站还要求浏览器执行，并采用不同的指纹。
Grass 以用户同意为原则：参与者主动安装应用、分享带宽并获得奖励。Andrej 将这种模式与悄悄植入电视或软件更新的代理软件作对比，认为后者不道德，也无法长期持续经营。Yan 披露，Delphi Ventures 投资了 Grass 并持有其代币。
2. 训练爬取既在搭建数据工厂，也在绘制互联网地图
模型一经部署，就会立刻碰到知识边界：它并不知道训练结束后发生了什么。Yan 问，持续学习是否会降低训练数据的重要性；Andrej 预计，训练数据和推理数据最终会逐渐融合。他称持续学习研究令人兴奋，感觉这个问题很快就会解决。Yan 则认为，面向超大规模的持续学习框架或许几年内就会出现。
Andrej 把训练数据采集形容为一场“寻宝”：爬虫在寻找有用材料的同时，也会顺带绘制互联网地图。他提到，相对小型的集群几小时内就能收集数十亿个 URL。这些索引构成搜索的基础；Grass 的访问基础设施则能在不被拉黑或落入蜜罐的情况下抓取网站内容。
这项业务需要数千台算力服务器、数 PB 存储，并已向 AI 实验室交付艾字节级数据。新增容量几小时内就能被用满。一次面向头部实验室的紧急交付中，CTO 兼联合创始人 Chris 赶到 Ashburn，通宵未眠、睡在地板上组装服务器。存储资源也用于筛选和处理原始材料，将其加工成更有用的数据集。
客户看重什么取决于模型需求：视频、代码、稀有方言或难以访问的网站都可能成为重点。Andrej 强调，时间压力不容忽视，因为新模型每隔几个月就会刷新基准。挑出大型数据集里最好的部分，并在训练时提高其权重，可以提升训练效果；Grass 正在帮助识别这些有效信号。
3. 机器人让视频筛选成为研究课题
Yan 提到的约 10 亿个公开视频已经过时：Andrej 表示，Grass 已索引超过 1000 亿个视频。Yan 指出，索引不代表盲目下载每一个视频。视频存储和处理成本高，若要将材料变成有用的训练产品，必须先精准筛选。
Andrej 解释，如果研究人员明确任务且手头有相关数据，进展就更容易通过“损失曲线”衡量。教模型西班牙语，就应从西班牙语材料入手。Yan 举例设想机器人从割草机使用者身上学习——观察对方如何行走、移动双手、操作物体。Andrej 又举例说，模型可以看人把水倒进杯子，从中学会如何完成这个动作。
Andrej 对比了 Sora 和机器人：Sora 可以从多样视频中学习并组合内容，例如生成一只身处太空的卡通猫；机器人需要的视频则既要多样，又必须与具体任务相关。Yan 设想机器人从数百万个样本中学习；Andrej 表示，游戏画面或许能帮助模型学习与环境互动，而卡通片或音乐视频目前对大多数机器人任务价值有限。如何识别并筛选合适的行为视频，仍是活跃的研究领域。
4. 实时检索将内部基础设施转化为产品
Live Context Retrieval 是产品系列，已发布的产品是 Content API。它把原本为大规模训练爬取搭建的基础设施封装成一次调用，负责住宅网络路由、复杂的 TLS 指纹和服务端浏览器。Andrej 表示，单靠住宅 IP 网络往往无法完成某些任务。
用户提交 URL，可选填国家，并以 Markdown 或纯文本形式获取内容。Yan 举例，一个智能体测试股票交易策略时，可以使用全球各地的信息，包括可能仅在特定国家开放的网站上的产品和股票资料，以便在财报发布前计算基本面。
下一步计划推出 Search，因为智能体还需要先发现哪些 URL 值得访问。Andrej 估计，典型的联网智能体一次会调用 5 到 50 个页面，深入研究可能需要更多。Content API 适合监测已知网站；Search 则能让模型先找到相关来源，再抓取内容。音频和图像 grounding 功能仍在开发中。
Andrej 认为，易于获取的 ANN、embedding、信息检索工具和开源模型，已经让搜索的部分能力更容易实现。他给出的刻意简化的例子是：每月不到 100 美元，就能在 AWS S3 存储桶的 5000 万份文档中搜索。他并未因此断言这些工具已成大宗商品，也没有说 Grass 已经建成优秀的互联网搜索引擎：稳定采集并刷新被屏蔽的网站内容仍然很难。
5. 推理改变了网络的容量要求
Yan 提到，他所知最新的公开数据是近 800 万个节点。Andrej 表示，推理需求进一步强化了住宅节点持续增长的理由：训练数据采集可以在某个地区容量不足时等待；智能体若要立刻获取该地区的信息，灵活性就小得多。因此，必须在请求产生的地方备好容量。
Andrej 承认自己调整过时间表。他此前认为 Grass 需要把节点数量增加到原来的 10 倍，才能推出 Live Context Retrieval；但优化后发现，更少的节点也能完成更多工作。Yan 回忆，早前讨论指向 2027 年。Andrej 预计效率还会继续提升，同时也承认规模扩张最终会遇到边际回报递减。
Andrej 称，Content API 的成功率非常接近 100%，也就是说，它总能找到办法从公开网站采集内容。考虑到网上有大量信息毫无用处，这比夸耀爬取页面数更有意义。延迟仍有待改善：住宅网络的绕行受“光速”限制，Grass 希望尽可能接近原始延迟。
6. 实验室为数据能力定价，也保护各自的研究方向
实验室的需求在广泛探索和专项采集之间切换。客户可能先要一份大型领域数据集，评估后发现只有约 0.16% 的内容有助于改变结果，于是要求继续采购这部分数据。Andrej 表示，尽管研究方向不断变化，训练数据需求仍显著增长。
Yan 追问成本和质量哪个更重要；Andrej 表示两者都重要，有时速度还会带来溢价——例如客户要求 3 小时内交付，而非次日送达。更成熟的实验室会估算基准提升带来的财务收益、该能力可能带来的额外 token 使用量，以及每单位数据的合理价格。交付无用数据可能导致供应商被拉黑或被搁置。
实验室可能设有分别负责文本、音频或视觉的团队，采购也可能各自独立。有些团队或许已为特定任务使用其他供应商，但 Grass 可以与他们讨论自己采集到的其他相关数据。Yan 问及国防或政府应用时，Andrej 表示客户不会公开讨论自己的工作，因为这类信息可能被他人用来对付自己；他没有描述 Grass 与这些机构的具体合作。
许多数据供应商会搭建强化学习环境，也就是让模型练习特定基准技能的“训练场”。Andrej 预计市场仍会有需求，但供应商必须跟上研究重点的变化。他认为 Grass 更广泛的基础设施有其优势：客户从一种能力或数据类别转向另一种时，仍然需要访问互联网。
7. 基金会承接业务，再投资能力支撑投资逻辑
Andrej 将收入鉴证描述为会计师事务所的核对工作：把 AI 实验室等客户的采购订单与现金回款进行对账。如果发票 60 天后才支付，就会出现时间差。他表示，这份鉴证针对的是 Grass Foundation；他认为很多观察者忽略了这一组织架构上的区别。
客户关系由基金会承接。Andrej 称基金会没有所有者：“没人拥有它。”基金会的行动由独立董事监督。Wynd Labs 提供服务并负责雇佣、福利和保险，不持有任何知识产权；相关知识产权已在代币发行时转至基金会。Wynd 与基金会之间的往来须经董事批准；按照预期的激励对齐安排，Wynd 团队也持有代币。
Yan 提到一项预测：到 2030 年，AI 数据市场规模将达到 1000 亿美元。Andrej 认为，Grass 在预训练、推理、偏好数据、合成轨迹和强化学习等领域都有扩张机会。大型原始数据集可以用于生成合成数据；更好的网络访问能力则能改进学习环境。他还认为现有的消费者分发网络有更多用途，同时承认部分类别目前不是优先事项。
被问到资本需求时，Andrej 表示 Grass 可预见地还会需要更多资金。随后 Yan 转述了一位未具名 AI 实验室联合创始人的观点：护城河可以是比竞争对手更有效地利用每一美元投资。Andrej 称这是很好的护城河，也认同从每笔投资中创造更多价值是个值得探讨的思路。