數據折疊與AI民工

咖啡貓

為推動智能時代的巨輪滾滾向前，AI行業需要龐大的、標注好的數據作為養分。這些數據大多出自一些拿著微薄收入、對AI一頭霧水的年輕人，他們是人工智能背后的“人工”。

AI暗角

在科幻小說《北京折疊》中。城市里的上流、中產、底層三個階層分別生活在三個空間，作者將這種階層分化割裂喻作“折疊”。如今的AI的世界也存在著類似的折疊：

一邊是炫醋的科技、神奇的智能應用；一邊是大量人工每天重復地生產機器學習的“食物”——標注好的數據。

北京和貴陽，是數據標注世界里的兩座“雙子星”城市。北京聚集了大量AI公司：貴陽近年來著力發展“大數據戰略”，已擁有相對完整的數據服務產業生態。

2017年，僅北京中關村大數據產業規模就超過700億元；貴陽2017年的大數據產業及其關聯產業規模總量超過1500億元。

但標注數據的人，生活在這些巨額數字之外，拿著不高的工資，活動在“第二空間”。

從三里屯驅車1小時，行駛30千米，就到了北京郵電大學宏福校區。這里有北郵和華騰碩博合辦的電子商務培訓班，學生總數300多人，高峰時期，有120多人參與數據標注的兼職項目。

他們多是18歲左右的學生，每天盯著電腦屏幕給圖片做標注。他們服務于一個炫醋的無人駕駛項目。

他們一個月的收入在2000元左右，如果全職做，收入能有4000-5000元。他們參與的標注項目多是培訓班從上游的AI公司承包過來的。

為什么是承包？

因為能夠供機器使用的數據必須是經過標注的數據，這意味著需要大量人力去完成標注工作。而AI公司要么為了集中精力開展研發，要么為了保持團隊的高學歷占比，很少會選擇完全自建數據標注團隊。他們更傾向于把這些工作交給第三方公司完成。

而承包這類工作的企業，又有“眾包”和“工廠”兩種模式。前者是通過平臺，如“百度眾包”“京東眾智”“龍貓數據”，把任務轉發給網民；后者要么是正規的機構，要么是20人以下規模不等的“小作坊”。它們接到項目后會負責數據標注的全部流程。

目前來看，數據標注企業大多分布在三四線城市，屬于“勞動密集型”的中低收入行業。愿意做這行的人，又大多把數據標注當成外賣、快遞行業的替代品。

例如，在距離貴陽市中心50千米的百鳥河數字小鎮，就有一個規模500人的“數據工場”。在這500名標注員中，近一半的人是來自附近一家高職的學生。

這些學生很珍惜這個兼職機會。他們每月能掙到1500元，不僅足以自立，省吃儉用還能補貼家庭。并且，數據標注不用在戶外經受日曬雨淋，相對輕松、體面。

但這份工作的未來前途不可預期，以及相對低的收入和較大的家庭負擔，都成為了這些年輕人無法擺脫的苦惱。

野蠻生長，坑與機會并存

數據標注是一個勞動密集型行業，進入門檻并不高。因此，許多公司就通過壓低“成本”“薄利多量”的手段開展競爭。

據了解，許多專職數據標注的公司大多通過招聘臨時工來省去五險一金的人力成本。事實上，在縣級小城里僅憑7萬～8萬元的啟動資金就能組起一個“團隊”。

另一方面，AI公司也傾向壓低成本。對此，某數據標注外包公司主管表示，部分AI公司不夠重視數據標注，在壓低項目總體預算時，會選擇把數據標注工作外包給一些不靠譜的團隊。但這些團隊做不下來時，又會把任務轉包給另一些小團隊，或重新找到大型數據標注公司，直接影響最終質量和交付期限。

“低價競爭和行業不規范導致的層層外包是行業的噩夢。”京東眾智平臺的負責人李工還認為，外包還直接折損了小團隊的利潤。

例如，何軍就在2017年底投入10萬元，在河南周口成立了一個40人規模的數據標注工作室。

“利潤其實不高，”何軍細細算賬，“一個拉框值4分錢，一個標注員一天能做大約4500個，但過關率只有90%，實際只有160元左右，再除去審核的成本，再給每個標注員每天發110元左右的工資，平均下來工作室每天也就從每個人身上賺30元吧。”何軍一直都只接到二手項目，第一個月虧了本，第二個月勉強持平。他希望在2018年“爭取接到一手項目”。

事實上，小團隊只能接二手甚至是好幾手的項目，一手項目就像江湖傳說——聽過，沒見過。

其實，大平臺也反感層層外包。比如，要完成一些特定的復雜任務，需要對人員進行長達1-3個月的培訓。然而，臨時工組建而成的小團隊大多跳過這一步。不僅如此，他們在理解客戶需求，保證數據的多樣性、隨機性等方面也欠缺足夠的能力。

還有5年，只有5年

何軍時常處于一種對未來的不安之中，因為他對技術動向缺乏把握。當他聽聞“算法升級后，將不再需要大量人工標注”時，便緊張起來。

數據標注服務商BasicFinder的CEO杜霖則認為，數據標注的市場才剛打開，未來5年內，數據需求將緊隨AI的大規模落地，引來一波爆發式增長。

首先，這是由于AI行業本身的發展將進一步帶動數據標注行業。

其次，目前能被建模量化的數據只占真實世界中的極少一部分，而現有的數據標注業務又主要集中在安防和自動駕駛領域，未來隨著AI深入更多垂直行業，新的數據需求將不斷出現。

杜霖就分享了一個很有意思的標注項目——將人的指甲框出來，因為客戶要做美甲機器人。

第三，在當下主流的“有監督學習”算法模型下，為了讓算法準確率更高，需要更多數據。

第四，從感知智能向認知智能的進化過程中需要不同維度的數據，這可能會進一步催生出更精細的數據標注需求。比如，對一段對話數據的標注，不僅要知道對話內容、語義，甚至還需要標注談話者的身份、情緒變化等。

杜霖還提到，目前AI公司的總支出中，20%-30%都用于數據，現階段大陸市場數據采集及標注的規模保守估計也有50億元。綜合以上4點，未來包括采集、標注、清洗等流程的數據市場將達上百億元。

值得一提的是，這些預期都是基于“有監督學習”這個大前提。如果算法從“有監督學習”升級為“無監督學習”等新算法，那么數據標注需求將大大減少。但是在目前，無監督學習等新算法尚不能用在大規模的商業落地中。

因此杜霖判斷，新的革新性算法至少在5年內都不會出現。深度學習訓練平臺Novumind創始人吳韌也認為，深度學習+大數據較難出現顛覆陛的其他路徑。

5年，這對數據標注公司來說是一個可以布局、掉頭的“窗口期”。

京東眾智的李工說，他們應對變化的策略是著力研發加速AI落地速度的Pre-A.I.產品，并同時研發平臺技術，做到“數據與流程分離架構”，因此數據標注不是他們的核心戰略。

BasicFinder也有類似布局，他們希望一手對接垂直行業里的數據生產者，一手對接上游的算法模型公司，共同推進AI的落地。

但對數據標注員這些個體來說，5年后也許就得面臨一次“失業”。那時，他們還能跟隨時代的腳步騰挪轉移嗎？

燙手的小袁

小袁暫時想不到5年后那么長久的事。

他作為一名換過40份工作的聾啞人。很慶幸終于在數據標注行業成了“有用的人”。現在，他是京東眾智平臺上“靜公會”的聾啞人標注員，而這個公會全部由聽障人士組成。

聾啞人的世界里多為名詞，缺乏形容詞。比如，要向他們解釋這根線標得不“直”，就會比較費勁。因此，健全人1周能完成的數據標注培訓，聾啞人要花3周或更久。但是他們的優點是專注、較真、對視覺信號敏銳，數據標注行業反而成了他們的機會。

像小袁這樣的聾啞人在眾智平臺上還有1000多名，京東為他們成立的“靜公會”，在項目工作上優先照顧。比如，杜霖手下也有3個殘疾人團隊，總共約80人。

杜霖和京東眾智平臺負責人都表示，愿意為更多殘疾人提供工作機會，這里是他們的家。而其中的少數人，也許能通過轉型為數據質檢者，在職場走得更遠。

需要思考的是，AI行業發展到一定階段可能就不再需要大量的人工標注，屆時，我們會遺忘這些AI領域的“首批工人”嗎？這可能是除了技術水平之外，判斷那個“未來”是好是壞的更重要的標準。

（本文摘編自微信公眾號“甲子光年”）