ChatGPT背后的數(shù)據(jù)標注產(chǎn)業(yè)鏈

孫媛媛

數(shù)據(jù)決定了AI落地程度，基礎數(shù)據(jù)服務是商業(yè)化過程中重要的一環(huán)。

制作于公元前196年的羅塞塔石碑（Rosetta?Stone），刻有古埃及國王托勒密五世登基的詔書。

石碑上用古希臘文、古埃及象形文以及當時埃及平民使用的通俗體文字刻了同樣的內(nèi)容，這讓考古學家解讀出失傳千余年的埃及象形文的意義與結構，找到讀懂古埃及的密碼。在AI領域，為了讓機器讀懂人類世界，同樣有一塊“羅塞塔石碑”——數(shù)據(jù)標注，它的存在讓大規(guī)模訓練數(shù)據(jù)的機器學習成為可能。

人工智能在變得更聰明更有人情味的過程中，離不開數(shù)據(jù)標注這個產(chǎn)業(yè)鏈。ChatGPT的火爆，會帶動數(shù)據(jù)標注行業(yè)的高增長嗎？我國數(shù)據(jù)標注產(chǎn)業(yè)目前的發(fā)展狀況如何？為此，《小康》雜志、中國小康網(wǎng)采訪了業(yè)內(nèi)資深從業(yè)者一探究竟。

數(shù)字經(jīng)濟的發(fā)展底座

所謂數(shù)據(jù)標注，指的是對未經(jīng)處理的語音、圖片、文本、視頻等原始數(shù)據(jù)進行加工處理，?使其成為結構化數(shù)據(jù)讓機器可識別的過程。

算力、算法和數(shù)據(jù)被稱為是人工智能的“三駕馬車”。過去的十多年時間里，數(shù)據(jù)、算力、算法等技術的創(chuàng)新和迭代，可以說是“大爆炸”式的發(fā)展。這里的數(shù)據(jù)，更精確地表述為數(shù)據(jù)集，用于人工智能算法模型訓練，被公認為人工智能算法的“燃料”，是實現(xiàn)人工智能技術與產(chǎn)業(yè)結合能力的必要條件。

近年來，人工智能產(chǎn)業(yè)的發(fā)展帶動了數(shù)據(jù)標注行業(yè)的快速發(fā)展。數(shù)據(jù)標注作為人工智能的基礎層，也為人工智能產(chǎn)業(yè)高速發(fā)展打下堅實的基礎，催生了一批圍繞人工智能產(chǎn)業(yè)鏈、大數(shù)據(jù)產(chǎn)業(yè)的新模式、新業(yè)態(tài)，成為數(shù)字經(jīng)濟發(fā)展的“數(shù)據(jù)”底座。

數(shù)據(jù)在AI發(fā)展過程中極為重要，業(yè)內(nèi)甚至將數(shù)據(jù)稱為“新的石油”來體現(xiàn)它作為將人類智能轉(zhuǎn)化為機器智能原材料的重要性。但放眼整個AI行業(yè)，數(shù)據(jù)的受關注度遠沒有AI三元素的另外兩個元素——算法和算力高。

造成這個結果的最主要原因就是數(shù)據(jù)標注行業(yè)是一個勞動密集型的產(chǎn)業(yè)，“足夠廉價的勞動力”是數(shù)據(jù)標注公司的一大標簽。

整數(shù)智能信息技術（杭州）有限責任公司致力于為AI領域企業(yè)提供數(shù)據(jù)服務。其聯(lián)合創(chuàng)始人趙子健接受《小康》雜志、中國小康網(wǎng)采訪時表示：“目前人工智能商業(yè)化在算力、算法和技術方面基本達到階段性成熟，想要更加落地，解決行業(yè)具體痛點，需要大量經(jīng)過標注處理的相關數(shù)據(jù)做算法訓練支撐，可以說數(shù)據(jù)決定了AI的落地程度。AI的發(fā)展離不開海量的數(shù)據(jù)去做訓練和喂養(yǎng)。如果說人工智能是一片礦，不管哪一塊需要挖礦，都需要有礦工和挖礦的機器，而數(shù)據(jù)就可以理解為是挖礦的機器。作為底層的基礎設施，每一波的人工智能發(fā)展，作為提供數(shù)據(jù)服務的公司都能從中獲益，同時也面臨著更多的挑戰(zhàn)、機遇、發(fā)展前景和更大的市場。”

《小康》雜志、中國小康網(wǎng)了解到數(shù)據(jù)標注行業(yè)有一套分工流程：巨頭把任務交給中游的數(shù)據(jù)標注公司，再由中游包給下游的小公司、小作坊，有的小作坊還會進一步眾包給“散戶”，比如兼職學生。一單生意幾經(jīng)轉(zhuǎn)手，就造成了行業(yè)眾包中介層疊越來越嚴重，利潤所剩無幾。然而，實際情況是怎樣的呢？

趙子健說：“不同公司定位不一樣。有些公司沒有產(chǎn)品技術研發(fā)的實力，能做的事情類似倒賣。一些小的城市，可能薪資較低，他們就適合做人力型團隊，提供數(shù)據(jù)標注員?！?/p>

《小康》雜志、中國小康網(wǎng)進一步了解到，做標注和外包審核這部分業(yè)務的公司人員流動性很大，因為這個業(yè)務比較枯燥，做的是純一線的重復性勞動，加之其他一些不穩(wěn)定因素，一般公司會優(yōu)先保證重要項目不出現(xiàn)人員斷檔。

國內(nèi)做數(shù)據(jù)標注業(yè)務的公司很少有單業(yè)務鏈，比如內(nèi)容審核集中在二三線甚至更小的城市，給的薪資相對會低。而做內(nèi)容審核、內(nèi)容標注等這類業(yè)務的公司集中在天津、成都、重慶、西安……相對消費水準低，投入成本也低。

一位不愿具名的業(yè)內(nèi)資深從業(yè)人士告訴《小康》雜志、中國小康網(wǎng)，ChatGPT國產(chǎn)化有個非常大的風險，通過大量的數(shù)據(jù)訓練機器人，跟所有的人對話，這個過程中其接觸到的數(shù)據(jù)有很多可能是有問題的。有很多信息需要進行攔截，比如一些非法的信息。沒有經(jīng)過攔截的信息一經(jīng)流出，就有可能變成變相的宣傳渠道。如果沒有專門的人力對這方面的內(nèi)容加以把控的話，就會成為被利用的渠道。

為了方便管理，比如擔心內(nèi)容外泄，較大的互聯(lián)網(wǎng)公司都早早開始自建基地或者子公司，在安全和管理上更好把控，但成本會更高。字節(jié)跳動很早就自己建設基地，全國各地大概有六七個城市都有基地。以子公司來做數(shù)據(jù)標注，更多是基于安全的考慮，比如涉及黃賭毒的內(nèi)容，有很多是不能流出的。必須承認外包業(yè)務泄露的風險要比自己公司泄露的風險大。然而，從成本上考量一定是外包公司更好。

中國數(shù)據(jù)標注產(chǎn)業(yè)崛起中

數(shù)據(jù)標注是計算機感知世界的起點，全球數(shù)據(jù)標注行業(yè)是伴隨全球人工智能產(chǎn)業(yè)發(fā)展而生的。最早可以追溯到上世紀90年代，深藍戰(zhàn)勝國際象棋世界冠軍加里·卡斯帕羅夫，全球人工智能產(chǎn)業(yè)發(fā)展進入新的探索期，1996年澳鵬（Appen）誕生并開始布局數(shù)據(jù)服務領域業(yè)務。2007年數(shù)據(jù)標注行業(yè)正式拉開序幕，始于斯坦福大學教授李飛飛等人的ImageNet項目，該項目要通過亞馬遜的勞務眾包平臺Mechanical?Turk（AMT）來完成圖片的標注和處理，得到的數(shù)據(jù)集供機器算法訓練和學習。此后，全球開始涌現(xiàn)出眾多的數(shù)據(jù)標注企業(yè)，全球數(shù)據(jù)標注行業(yè)也進入成長期。

從行業(yè)供給情況來看，全球數(shù)據(jù)標注行業(yè)企業(yè)主要分布在美國、中國、澳大利亞和非洲等國家和地區(qū)，但具有一定規(guī)模的企業(yè)數(shù)量相對較少。在美國，數(shù)據(jù)標注企業(yè)較多，突出的特點是技術驅(qū)動導向，數(shù)據(jù)標注服務供給能力和質(zhì)量較高，代表性企業(yè)有Scale?AI、Mighty?AI、Mturk、Supervise.ly等；歐洲地區(qū)代表性企業(yè)有塞浦路斯的Mindy?Support等。

數(shù)據(jù)標注行業(yè)不被關注由來已久，直到美國數(shù)據(jù)標注企業(yè)Scale?AI，用5年時間（2016—2021）實現(xiàn)超73億美元的估值，才為國內(nèi)數(shù)據(jù)標注行業(yè)注入了一針強心劑。

此后，隨著特斯拉在2022?AI?DAY上推出Auto?Labelling標注平臺，并推出4D標注技術，讓更多人知道了自動化標注的存在，也讓更多專業(yè)的數(shù)據(jù)標注企業(yè)走到臺前。

當前，全球數(shù)據(jù)量仍在飛速增長的階段。根據(jù)IDC發(fā)布的《數(shù)據(jù)時代2025》測算，到2025年，全球的數(shù)據(jù)生產(chǎn)量將達到175ZB。目前市場上90%以上的數(shù)據(jù)是非結構化數(shù)據(jù)，得到有效利用的不足10%，對于這些非結構化的數(shù)據(jù)只有經(jīng)過標注處理才能激活其價值，這就產(chǎn)生了源源不斷的數(shù)據(jù)標注處理需求，可以將數(shù)據(jù)標注處理理解為結構化數(shù)據(jù)的生產(chǎn)處理，而這些標注企業(yè)就是數(shù)字經(jīng)濟時代下的新型生產(chǎn)制造企業(yè)，生產(chǎn)出來的是“數(shù)據(jù)集”屬性的產(chǎn)品。

在全球數(shù)據(jù)量指數(shù)級的增長過程中，從非結構化到結構化的數(shù)據(jù)生產(chǎn)，需要大量的數(shù)據(jù)標注服務，數(shù)據(jù)標注將大大激活數(shù)據(jù)價值，提高數(shù)據(jù)質(zhì)量和發(fā)揮數(shù)據(jù)要素的作用。

“目前相對來說，人力成本比較便宜，國內(nèi)數(shù)據(jù)標注業(yè)發(fā)展的時間節(jié)點會比美國機器替代人力的時間晚一些，業(yè)內(nèi)已經(jīng)開始有公司用自動化的方式去替代人力，去提高數(shù)據(jù)生產(chǎn)的自動化效果?！壁w子健介紹說，數(shù)據(jù)標注業(yè)務分不同的標準和不同的難度。比如做人臉識別的場景，數(shù)據(jù)標注的任務要求并不高，對人力要求也不高。一些特殊領域，比如自動駕駛領域，還有一些小語種領域，或者專業(yè)知識性較強比如法律、金融這樣的場景任務對從業(yè)人員的知識儲備、綜合能力要求就特別高。薪水也會根據(jù)任務的復雜程度而有所區(qū)分。

趙子健所在的整數(shù)智能核心定位是產(chǎn)品型公司，做了一套自動化的數(shù)據(jù)標注工具，把很多人力的工作用自動化的算法替代，以提升整體標注速度和效率。“轉(zhuǎn)包最大的問題就在于無法保證數(shù)據(jù)生產(chǎn)的質(zhì)量和速度，數(shù)據(jù)如果沒法保障，就會影響研發(fā)的進程，進一步影響商業(yè)化的進程，這是一個非常大的行業(yè)痛點?！彼f，“我們要做的事就是盡可能促進行業(yè)規(guī)范化?！痹摴就瞥龅淖詣踊瘶藴使ぞ呖商嵝?、替代70%的人力。此外，該公司自有供應鏈穩(wěn)定持續(xù)產(chǎn)出，以此拓展科研機構和企業(yè)客戶。

“勞動密集”邁向“技術密集”

根據(jù)《數(shù)據(jù)時代2025》測算，到2025年我國擁有的數(shù)據(jù)量在全球的占比將從2018年的23.4%提升到27.8%，位居全球首位。2015年以來，隨著國家的大力推動，我國大數(shù)據(jù)產(chǎn)業(yè)加速發(fā)展。一大批大數(shù)據(jù)產(chǎn)業(yè)園相繼落地，大數(shù)據(jù)產(chǎn)業(yè)生態(tài)加速完善，相關標準和技術體系持續(xù)完善，應用市場日益壯大，產(chǎn)業(yè)國際影響力不斷提升。根據(jù)工業(yè)和信息化部發(fā)布《“十四五”大數(shù)據(jù)產(chǎn)業(yè)發(fā)展規(guī)劃》產(chǎn)業(yè)規(guī)模測算，到2025年底，大數(shù)據(jù)產(chǎn)業(yè)規(guī)模將突破3萬億元。在此背景下，數(shù)據(jù)標注需求隨數(shù)據(jù)量增長而上升。長期來看，我國大數(shù)據(jù)支出整體呈穩(wěn)步增長態(tài)勢，市場總量有望在2024年超過200億美元。

在大多數(shù)人看來，人工智能是高大上的奢侈品，離實際生活太遠，而ChatGDP最大特點就在于，它讓每個人都真實地體驗到了高質(zhì)量的人工智能，這意味著它會調(diào)動社會的高關注度、積極性與熱情，也會使人工智能變成生活中的基礎設施，意味著會有更多人投入到這一領域，更多的資本追加、更多的市場關注度，以及更多的產(chǎn)品推出……這種情況下，AI與各行各業(yè)深度結合，數(shù)據(jù)標注的業(yè)務量會進一步提升。

不少業(yè)內(nèi)人士表示，ChatGPT的火爆，對于數(shù)據(jù)標注行業(yè)是利好的。ChatGPT國產(chǎn)化，數(shù)據(jù)標注在整個市場里占據(jù)很大份額，因為它非常依賴于訓練結果，機器可以訓練底層的數(shù)據(jù)，但是要想和人進行更人性化的溝通，以及要符合國家的一些規(guī)定，單靠機器很難做到，需要大量的人的主觀判斷，人工智能大發(fā)展也會為數(shù)據(jù)標注行業(yè)帶來更好的發(fā)展。

互聯(lián)網(wǎng)內(nèi)容安全從業(yè)者表示，數(shù)據(jù)標注10年內(nèi)不太可能被替代?！昂芏鄡?nèi)容，機器再怎么訓練它的算法，也很難完全替代人，因為很多東西非常主觀、隱晦，機器很難通過算法識別出來，需要人力去做相應的識別?！?/p>

趙子健則表示：“現(xiàn)在數(shù)據(jù)標注行業(yè)已經(jīng)到了變革的時刻，傳統(tǒng)意義上，大家覺得數(shù)據(jù)標注是人力密集型的行業(yè)，但未來發(fā)展一定是技術密集型，以技術的自動化替代人力這條路其實在美國走得更快。美國相對來說人力成本較高，所以更早地使用機器替代人力，美國已有大型自動化的數(shù)據(jù)標注公司，國內(nèi)也一定會誕生一批這樣的公司，真正實現(xiàn)提效，這是對于未來的行業(yè)預判?！彼芸隙ㄎ磥泶蠓较蛏先斯ぶ悄芤欢〞c各產(chǎn)業(yè)深度結合，而每個行業(yè)，比如智慧醫(yī)療、智能制造、自動駕駛……這些場景都是海量的數(shù)據(jù)量級，數(shù)據(jù)已經(jīng)成為一個新的生產(chǎn)要素。工業(yè)的發(fā)展需要水電煤，新的經(jīng)濟產(chǎn)業(yè)基礎設施則需要有數(shù)據(jù)支持，所以，未來它會是整體經(jīng)濟發(fā)展的基礎設施。