朱秋雨

2023年4月底，一個亞洲面孔登上了著名雜志《福布斯》的封面。這是一位年僅26歲的華裔企業(yè)家，名叫Alexandr Wang。

他手握最高估值73億美元的科技公司。

2017年，Alexandr創(chuàng)立了一家名叫Scale AI的公司，走的是最熱的AI賽道。7年后，他做的東西已經(jīng)無可替代。據(jù)《福布斯》報道，Scale AI如今包攬了多家頭部自動駕駛車企的服務(wù)，谷歌的Waymo、豐田汽車是它的擁躉。2020年起，它還從美國國防部處拿下了多個天價訂單。

2022年，美國國防部已經(jīng)在用該公司的技術(shù)分析烏克蘭衛(wèi)星圖。

Scale AI走的路子，是常被頭部大廠和AI創(chuàng)業(yè)者忽略的方向，叫AI的標注數(shù)據(jù)集。

這是AI領(lǐng)域里的石油，有數(shù)據(jù)才能源源不斷給深度學(xué)習(xí)提供燃料。一項數(shù)據(jù)顯示，截至2021年，全球排名前1000萬的網(wǎng)站中，英文內(nèi)容占比為60.4%，中文內(nèi)容占比僅1.4%。中國AI需要依賴大量英文數(shù)據(jù)集訓(xùn)練。

實際上，國內(nèi)不乏做AI數(shù)據(jù)集和數(shù)據(jù)標注的公司。上市公司海天瑞聲、頭部創(chuàng)業(yè)公司云測數(shù)據(jù)、數(shù)據(jù)堂等等，是業(yè)內(nèi)佼佼者。

比起人工智能產(chǎn)業(yè)給人“高大上”的直覺，數(shù)據(jù)工作面臨繁瑣的清洗、標注、處理等過程。業(yè)內(nèi)因此盛傳一句話，“人工有多強大，智能才有多強大”。

AI分析公司Cognilytica數(shù)據(jù)顯示，在AI項目中，數(shù)據(jù)相關(guān)的處理過程占據(jù)超過80%的時間。

云測數(shù)據(jù)總經(jīng)理賈宇航對南風窗總結(jié)，互聯(lián)網(wǎng)大廠、創(chuàng)業(yè)公司更多在研究算法，AI數(shù)據(jù)服務(wù)公司在做工程的事情。

在各家巨頭猛追Open AI的當下，是時候關(guān)注支持AI深度學(xué)習(xí)的第一步—數(shù)據(jù)了。

機遇來了

不管業(yè)務(wù)是否與大模型掛鉤，國內(nèi)AI數(shù)據(jù)服務(wù)公司近日受到了一大波關(guān)注。

數(shù)據(jù)集上市公司海天瑞聲在3月底只用了3個交易日，累計漲幅近33%。股價創(chuàng)歷史新高，比年初翻了三倍多，盡管該公司早已貼出風險提示：“自然語言業(yè)務(wù)對公司整體貢獻大約在10%。”“公司尚未與OpenAI開展合作，其ChatGPT的產(chǎn)品和服務(wù)尚未給公司帶來業(yè)務(wù)收入?！?/p>

因為ChatGPT，云測數(shù)據(jù)總經(jīng)理賈宇航也在2023年收到了來自各行各業(yè)對大模型和數(shù)據(jù)集的關(guān)注和問詢。“每個人都對大模型各有各的看法，我們相互學(xué)習(xí)?！彼嬖V南風窗。

單論技術(shù)角度而言，ChatGPT代表的大模型，采用了與過往AI數(shù)據(jù)標注不同的技術(shù)路徑。在過去，機器學(xué)習(xí)的主流依賴于human-in-the-loop，即有監(jiān)督的學(xué)習(xí)。

有監(jiān)督學(xué)習(xí)依賴大量人工對數(shù)據(jù)進行預(yù)處理、標注。例如，貓的圖片，需要人類事先標注，用機器聽得懂的語言告訴它只是一只貓。行內(nèi)公認的規(guī)則是，人類上傳的標注數(shù)據(jù)越多、越準確，機器學(xué)習(xí)的效果越好。

而ChatGPT代表的大模型，采用的是自監(jiān)督學(xué)習(xí)模式。簡單來說，考驗的是機器自我學(xué)習(xí)能力。

清華大學(xué)計算機系自然語言處理實驗室副教授劉知遠告訴南風窗：“大模型的不同之處在于，不事先假定到底需要完成哪些任務(wù)或者特定能力。它窮盡互聯(lián)網(wǎng)盡可能獲取多的數(shù)據(jù)，讓模型自動地從這些數(shù)據(jù)里面學(xué)習(xí)知識?！?/p>

OpenAI曾披露，訓(xùn)練GPT的模型是基于公開網(wǎng)站的數(shù)據(jù)，包括維基百科、專業(yè)論壇、電子書網(wǎng)站和媒體報道等各類高質(zhì)量文本。

據(jù)美媒報道，擁有發(fā)達智能水平的ChatGPT，背后還有一群來自非洲肯尼亞的數(shù)據(jù)標注員。他們每天工作9個小時，最終，一個月獲得約合2500～3000元人民幣的報酬。

盡管對數(shù)據(jù)標注的需求減少，ChatGPT的成功，卻給了眾人更有用的啟示：高質(zhì)量數(shù)據(jù)集對訓(xùn)練AI大模型至關(guān)重要?；贕PT-3.5的ChatGPT使用強化學(xué)習(xí)和人類反饋（RLHF），也涉及了大量數(shù)據(jù)標注工作。

據(jù)披露，ChatGPT的RLHF標注，需要大量專業(yè)的人才。為此，Open AI特地招了幾十名博士生做標注，針對機器的回答和指令進行基于人類邏輯的反饋。據(jù)《福布斯》報道，Open AI同時使用了外包服務(wù)，Alexandr Wang的Scale AI也參與了訓(xùn)練ChatGPT。

背靠清華大學(xué)的AI初創(chuàng)企業(yè)—聆心智能的聯(lián)合創(chuàng)始人鄭叔亮告訴南風窗，以ChatGPT為代表的生成式AI，對數(shù)據(jù)質(zhì)量提出了更高要求。

“AI生成的每一個文字，每一個對話，都是根據(jù)此前一個字的生成情況，或者問題本身，通過概率的推導(dǎo)所產(chǎn)生?！编嵤辶琳f。

這種模式下，一旦數(shù)據(jù)質(zhì)量不高，生成的效果便是胡說八道、毫無可信度的AI。鄭叔亮表示：“因此，一方面我們要搜集更多更精準的語料庫，另一方面，還要加強對這些語料進行清洗、標注?！?/p>

據(jù)美媒報道，擁有發(fā)達智能水平的ChatGPT，背后還有一群來自非洲肯尼亞的數(shù)據(jù)標注員。他們每天工作9個小時，閱讀150—200段文字，標注帶有性、暴力與仇恨言論的內(nèi)容，最終，一個月獲得約合2500～3000元人民幣的報酬。

人工智能的背后仍是人工的努力。賈宇航分析，長期來看，靠人力的堆積支撐的AI數(shù)據(jù)服務(wù)產(chǎn)業(yè)，并不會有太大改變。

“大模型來了以后，很多人認為今后AI數(shù)據(jù)服務(wù)的環(huán)節(jié)之一—數(shù)據(jù)標注工作會減少?！彼硎?，“但其實忽略了一點，隨著AI功能越來越多，很多時候到了未涉足領(lǐng)域的時候，可能還需要人工處理?！?/p>

他認為，數(shù)據(jù)標注不會隨著生成式大模型的誕生而減少，“反而有可能會更多”。

AI業(yè)的“富士康”

ChatGPT的出圈，帶給國內(nèi)數(shù)據(jù)集公司的不是猛火，而是久旱后的甘霖。

中國數(shù)據(jù)集公司興起時間與Scale AI相似，都在2016—2017年。這類公司的核心目標，是幫助AI企業(yè)最大限度地減少劣質(zhì)數(shù)據(jù)帶來的影響。

不過，數(shù)據(jù)公司以銷售數(shù)據(jù)集為生的少之又少。中國AI數(shù)據(jù)的頭部公司中，明確在官網(wǎng)提及數(shù)據(jù)集業(yè)務(wù)的只有科創(chuàng)板上市公司海天瑞聲。據(jù)該公司披露，基于多年語音識別及合成領(lǐng)域的技術(shù)積累，其在多語種領(lǐng)域構(gòu)筑深厚技術(shù)壁壘。截至2022第一季度，海天瑞聲覆蓋190個語種，累積詞條數(shù)超過1000萬，客戶包括阿里巴巴、騰訊、百度、微軟等大廠。

比起銷售數(shù)據(jù)集，更多公司在做的是數(shù)據(jù)的下一環(huán)，數(shù)據(jù)標注。

賈宇航對南風窗介紹，數(shù)據(jù)集業(yè)務(wù)占云測數(shù)據(jù)中很小的部分。這一業(yè)務(wù)主要的運用場景在人工智能產(chǎn)品剛立項的階段?！绊椖縿偭㈨椈蜻M行預(yù)演時，需要一些開源，或者行業(yè)的基礎(chǔ)數(shù)據(jù)集，以快速完成對算法的驗證?！?/p>

而更多企業(yè)的需求，會在后面的階段爆發(fā)，即當AI產(chǎn)品進入正式的研發(fā)和持續(xù)迭代時。

“這時候，對應(yīng)的傳感器或者場景明確，需要基于特定的場景完成數(shù)據(jù)的采集、清洗和標注。我們因此提供高質(zhì)量、場景化的數(shù)據(jù)標注等服務(wù)。”賈宇航說。

“公會”沒能推動數(shù)據(jù)標注業(yè)愈加繁榮。相反，越來越低的標注價格讓行業(yè)內(nèi)部競爭加劇。

據(jù)前瞻產(chǎn)業(yè)研究院統(tǒng)計，中國數(shù)據(jù)標注公司從 2014年興起，發(fā)展到2017年達到高峰。2017年，數(shù)據(jù)標注相關(guān)融資事件達到9起。

這個數(shù)字，也是接下來多年的高峰。

勞動密集是這一階段數(shù)據(jù)標注業(yè)的特點。據(jù)36氪報道，一家資深數(shù)據(jù)標注公司透露，行業(yè)內(nèi)平均每家數(shù)據(jù)眾包平臺都有上萬人。因此，有人比喻，數(shù)據(jù)標注業(yè)就像“人工智能背后的富士康”。

2018年，位于太原的山西轉(zhuǎn)型綜合改革示范區(qū)與百度達成合作，打造了號稱“全國范圍內(nèi)人員和產(chǎn)值規(guī)模最大的單體數(shù)據(jù)標注基地”。據(jù)百度披露，該基地占地面積超1萬平米，帶動了至少200家從事數(shù)據(jù)服務(wù)的公司。

而相對較低的技術(shù)門檻，使得數(shù)據(jù)標注公司多分布于中小城市。以百度為例，該公司披露，旗下數(shù)據(jù)眾包平臺百度眾測除了安在太原，還在山西臨汾、重慶奉節(jié)、四川達州、甘肅酒泉、江西新余、浙江麗水、廣東清遠、湖南郴州、黑龍江哈爾濱等地設(shè)點。

勞動密集的另一面意味著低門檻。在2021年版的《人工智能訓(xùn)練師國家職業(yè)技能標準》中，對該職業(yè)的能力特征描述是“具有一定的學(xué)習(xí)能力、表達能力、計算能力”，普遍受教育程度寫的是“初中畢業(yè)”。根據(jù)媒體報道的數(shù)據(jù)標注師群體，許多都是中專、大專畢業(yè)生，也容納寶媽、退役軍人等各類群體。

低門檻的同時，數(shù)據(jù)標注行業(yè)的小作坊遍地開花。

比起已經(jīng)進入E輪融資、占據(jù)海外市場的Scale AI，占據(jù)我國數(shù)據(jù)標注市場主要份額的，反而是以工作室形態(tài)存在的小公司。

他們被稱為“公會”“團隊”，通常在眾包平臺上接單，或者接第三方中介公司轉(zhuǎn)過來分包的訂單。

“公會”沒能推動數(shù)據(jù)標注業(yè)愈加繁榮。相反，越來越低的標注價格讓行業(yè)內(nèi)部競爭加劇。

2017年開始，AI數(shù)據(jù)公司融資的量開始下滑。2018年，AI數(shù)據(jù)公司相關(guān)融資只有5筆，平均每筆只有千萬級。到了2021年，相關(guān)融資只剩下一年兩筆。

贏識科技首席執(zhí)行官楚汝峰曾在受訪時表示，我國數(shù)據(jù)標注的競爭激烈，沒能出現(xiàn)像Scale AI獨角獸巨頭主要是因為，“國內(nèi)做標注的小作坊太多了，市場不集中”。

轉(zhuǎn) 型

數(shù)據(jù)集公司隨著AI行業(yè)的興衰而變化。與Scale AI相似，給中國數(shù)據(jù)標注公司帶來轉(zhuǎn)機的，是大量涌現(xiàn)的自動駕駛企業(yè)。

中國工程院院士鄔賀銓曾分析：“智能駕駛需要讓汽車自動識別馬路。但如果只是將視頻單純傳給計算機，計算機無法識別，需要人工在視頻中將道路框出。計算機多次接收信息后，才逐漸學(xué)會在視頻和照片中識別道路?！?/p>

智能駕駛帶來了大量的需求。國內(nèi)頭部數(shù)據(jù)企業(yè)，例如云測數(shù)據(jù)、數(shù)據(jù)堂、龍貓數(shù)據(jù)等，紛紛轉(zhuǎn)向為車企提供服務(wù)。

據(jù)報道，國內(nèi)一批主流的主機廠，如吉利、上汽、廣汽等，從2021年始加強了自動駕駛數(shù)據(jù)標注方面的投入。到2022年，上述車企的投入預(yù)算已經(jīng)在幾十萬元的基礎(chǔ)上翻了十余倍。

數(shù)據(jù)堂公司相關(guān)負責人也曾在2022年受訪時說：“（車企）數(shù)據(jù)需求缺口仍在，市場遠未飽和。這對于真正優(yōu)質(zhì)的數(shù)據(jù)供應(yīng)商來說，正是搶占市場高地的絕佳時機?！?p>

愈加激烈的競爭，對數(shù)據(jù)標注行業(yè)提出了現(xiàn)實的挑戰(zhàn)。數(shù)據(jù)標注公司普遍開始轉(zhuǎn)型。

一個業(yè)內(nèi)公認的方向是，從勞動密集型走向AI輔助標注。

“人機交互式?！辟Z宇航總結(jié)。

他解釋，隨著這幾年的發(fā)展，數(shù)據(jù)標注的類型和內(nèi)容越來越復(fù)雜。“最早的人臉識別，只需要在人臉上做一個拉框的標注，就可以完成對應(yīng)需要的訓(xùn)練。而現(xiàn)在，還要求對人臉的關(guān)鍵點、表情或者一些人臉的屬性或者姿態(tài)，例如半張臉被遮擋時等情況，進行標注。”

與Scale AI相似，給中國數(shù)據(jù)標注公司帶來轉(zhuǎn)機的，是大量涌現(xiàn)的自動駕駛企業(yè)。

市場的變化要求更高水準的數(shù)據(jù)處理能力。包括Scale AI、Appen等在內(nèi)的國際數(shù)據(jù)公司，將目光鎖定在數(shù)據(jù)標注的平臺以及工具化上。杭州數(shù)據(jù)標注公司曼孚科技曾對媒體總結(jié)：“Scale AI的平臺工具已經(jīng)在很大限度上淡化了人在其中的決定性作用，這成為企業(yè)競爭力的關(guān)鍵?！?/p>

賈宇航告訴南風窗，在強調(diào)質(zhì)量和效率的當下，數(shù)據(jù)標注AI工程化的趨勢愈加明顯。

也就是說，如何把人組織起來，與機器交互，高效運轉(zhuǎn)AI數(shù)據(jù)處理的過程，成為各家公司競相“卷”的方向。

需要適應(yīng)變化的除了給AI數(shù)據(jù)服務(wù)的AI，還有人才。賈宇航告訴南風窗：“現(xiàn)在，對于標注人員的要求肯定是越來越高?！?/p>

如今缺失的，他說，是理解各個垂直領(lǐng)域的專業(yè)人才。比如，為了提高時效性，降低錯誤率，醫(yī)療數(shù)據(jù)需要專業(yè)的醫(yī)學(xué)生。但往往，這類人才極少從事數(shù)據(jù)業(yè)。

2019年，數(shù)據(jù)服務(wù)平臺CrowdFlower也曾做過一組研究。

它對大約80名數(shù)據(jù)科學(xué)家進行了一項調(diào)查，發(fā)現(xiàn)數(shù)據(jù)科學(xué)家花費了：

60%的時間用于組織和清理數(shù)據(jù)；

19%的時間花在收集數(shù)據(jù)集上；

9%的時間用于挖掘數(shù)據(jù)；

5%的時間花在其他任務(wù)上。

數(shù)據(jù)科學(xué)家的大部分時間都花在數(shù)據(jù)準備，即收集、清理和標注數(shù)據(jù)上。這其中，57%的人表示，清理和處理數(shù)據(jù)，是最無聊、最不愉快的任務(wù)。

而如今，隨著ChatGPT帶來的AI熱潮，“最無聊、最不愉快”的行業(yè)也正在起飛。