藏在人工智能背后的縣城工人

林石

近期，全世界都在談論ChatGPT將帶來顛覆性的技術革命，但在人工智能產(chǎn)品卷起巨浪的時候，從肯尼亞、烏干達再到印度、中國，水下還有一群不被看見的“人工智能訓練師”，在簡陋的工作環(huán)境下，以最簡單的技能，與最前沿的技術產(chǎn)生了聯(lián)系。

A服務人工智能

在2021年版的《人工智能訓練師國家職業(yè)技能標準》中，對該職業(yè)的能力特征描述是“具有一定的學習能力、表達能力、計算能力；空間感、色覺正常”，普遍受教育程度寫的是“初中畢業(yè)”。言外之意，這是一份幾乎零門檻的職業(yè)。

年過50歲的郭梅原本在山西當?shù)氐拿旱V上班。離開煤礦之后，她長時間找不到工作，最后成為數(shù)據(jù)標注基地中的一名員工，每天要拉兩千個以上的框。

除了“拉框”，人工智能訓練師李杰也會接到語音標注的項目，通常是甲方采集到的不同地域、不同人群的語音，李杰必須戴上耳麥，仔細地辨認出每一個聲音的含義。這些聲音被李杰一一轉(zhuǎn)錄成準確的文字，有時還需要打上說話人的性別、情緒等更細分的標簽，最后教會人工智能模型理解人類的語言，用于智能客服、智能音箱、地圖導航等產(chǎn)品中。

人工智能的三大基石是數(shù)據(jù)、算力與算法，數(shù)量越多、質(zhì)量越高的數(shù)據(jù)，往往越能夠訓練出更“聰明”的模型。人工智能的主流方向是深度學習。在過去，由人來告訴機器，貓身上都有哪些特征，機器根據(jù)這些特征判斷一個物體是不是貓；深度學習則是通過“喂養(yǎng)”大量不同貓的圖片，機器就能自行歸納出貓的特征。這就需要大量經(jīng)人工標注的圖片，可以說，有多少智能，就得付出多少人工。

這種數(shù)據(jù)標注要求特別多，“框框不能超過也不能小于，更不能漏點，一出錯誤驗收不合格就得重新拉”。這些數(shù)據(jù)的最大流向是用于自動駕駛的機器學習，要確保駕駛安全，通常需要提供數(shù)以百萬計的標注數(shù)據(jù)對人工智能加以訓練——背后則是無數(shù)在電腦前點擊鼠標、敲擊鍵盤的“李杰們”。

B互聯(lián)網(wǎng)版富士康

數(shù)據(jù)標注產(chǎn)業(yè)的誕生最早可以追溯到2005年。當時，著名計算機視覺專家、人工智能專家朱純松從美國回到了故鄉(xiāng)湖北鄂州，創(chuàng)辦了蓮花山研究院，籌建據(jù)稱是當時世界上最早的大數(shù)據(jù)標注團隊。

在深度學習成為人工智能主流之后，日益增長的互聯(lián)網(wǎng)大數(shù)據(jù)成為了人工智能的最好養(yǎng)分。據(jù)統(tǒng)計，全球每年生產(chǎn)的數(shù)據(jù)量將從2016年的16.1ZB猛增至2025年的163ZB，其中80%～90%都是原始數(shù)據(jù)。這些在經(jīng)過清洗和標注后，變成標準化格式數(shù)據(jù)，才能被人工智能所理解。

作為勞動密集型產(chǎn)業(yè)，數(shù)據(jù)標注企業(yè)更多地選在一二線城市之外的地區(qū)落地，地方政府無論是為了扶貧或是搭上互聯(lián)網(wǎng)的順風車，都能與互聯(lián)網(wǎng)公司們一拍即合。

2018年，位于太原的山西轉(zhuǎn)型綜合改革示范區(qū)就與百度達成合作，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”，基地占地面積超1萬平方米，已經(jīng)引進了至少35家數(shù)據(jù)標注公司，超過2000名數(shù)據(jù)標注員。

在新疆和田，有4000人在當?shù)氐臄?shù)字經(jīng)濟產(chǎn)業(yè)園從事數(shù)據(jù)標注工作，和田地區(qū)更是拋出了“數(shù)據(jù)標注產(chǎn)業(yè)之都”和10萬人數(shù)據(jù)標注就業(yè)基地的目標。

在河南，數(shù)百家數(shù)據(jù)標注公司從無到有；在濟南，山東第一個數(shù)據(jù)標注基地已經(jīng)容納了1500名“人工智能訓練師”；在新三板上市的數(shù)據(jù)堂，也在保定、合肥分別建立了容納數(shù)百名數(shù)據(jù)標注員同時工作的基地。

雖然數(shù)據(jù)標注員身上的標簽是“互聯(lián)網(wǎng)民工”“賽博流水線”，但對于絕大多數(shù)身在其中的人而言，—個互聯(lián)網(wǎng)版的富士康已經(jīng)是當下不可多得的選擇。

C“教會徒弟，餓死師傅”

當數(shù)據(jù)標注成為“風口”，淘金者也隨之而來。

2017年，周華偶然在朋友口中得知，做數(shù)據(jù)標注能賺錢，剛剛創(chuàng)業(yè)失敗的他決定再賭一把。他找來合作伙伴，采購電腦、確定場地，又迅速地招聘了一批學歷不高、相關工作經(jīng)驗也不豐富的數(shù)據(jù)標注員，緊鑼密鼓地接單。

此時的數(shù)據(jù)標注產(chǎn)業(yè)趕上了人工智能創(chuàng)業(yè)潮。根據(jù)前瞻產(chǎn)業(yè)研究院統(tǒng)計，數(shù)據(jù)標注公司從2014年開始不斷增加，并在2017年達到高峰，當年數(shù)據(jù)標注相關融資事件達到9起，到2021年4月，已經(jīng)有18家公司獲得融資，投融資事件39起。

數(shù)據(jù)標注行業(yè)有三種不同的公司，一種是大型互聯(lián)網(wǎng)公司內(nèi)部的數(shù)據(jù)標注部門，處理公司內(nèi)部的數(shù)據(jù)；一種是像數(shù)據(jù)堂這類有自己基地的數(shù)據(jù)標注公司，他們有獨立承接訂單的能力，甚至外包給第三方；數(shù)量最多的則是以工作室形態(tài)存在的小公司，他們通常只能在眾包平臺上接單，或者接第三方中介公司轉(zhuǎn)過來的層層分包的訂單——在平臺上，他們或被稱為“公會”“團隊”。周華的工作室便屬于最后一種，當時主要依賴百度眾測的平臺訂單，平臺上會分發(fā)各類任務，在行業(yè)內(nèi)稱為“放題”，包括數(shù)據(jù)采集、圖片標注、文本標注等。

同樣和他一樣撞上風口的，還有當時還是創(chuàng)業(yè)公司的星塵數(shù)據(jù)。星塵數(shù)據(jù)的創(chuàng)始人章磊，在華爾街、硅谷工作10年，2017年回國時，他本想繼續(xù)在投資領域創(chuàng)業(yè)，嘗試打造一個投研機器人——通過對大量公司年報、招股書等金融文檔的學習，輔助投資人決策。當時國內(nèi)的數(shù)據(jù)標注往往只能機械化地完成客戶需求，這種“新穎”的數(shù)據(jù)標注要求，業(yè)內(nèi)難以實現(xiàn)。章磊卻看到了機會。

他創(chuàng)辦的星塵數(shù)據(jù)早在2018年1月就完成1000萬元人民幣的Pre-A輪融資，在去年8月又完成了5000萬人民幣的A輪融資，如今更多是做“數(shù)據(jù)標注平臺”的生意——他們會去竟標大公司給出的數(shù)據(jù)標注訂單，再分包給類似一些小型的“數(shù)據(jù)工廠”。

2005年成立的海天瑞聲，在此次生成式人工智能風潮中更是“賺麻了”。這家在業(yè)內(nèi)以語音數(shù)據(jù)標注著稱的公司，2021年在科創(chuàng)板成功上市，今年1月以來，股價從每股60元左右暴漲到了每股超過200元。

畢竟對于國內(nèi)眾多研發(fā)人工智能的大廠而言，基礎的數(shù)據(jù)標注是剛需，卻不可能永遠自己來做。那么只要有訂單，無論是周華這樣的工作室，還是海天瑞聲、星塵數(shù)據(jù)這樣的大公司，都能賺個盆滿缽滿。

如今，隨著GPT-4和文心一言的陸續(xù)出場，人工智能正“升級換代”，數(shù)據(jù)標注行業(yè)也伴隨著新的變化。人工智能研究者們已經(jīng)開始嘗試向機器“喂養(yǎng)”未標注的數(shù)據(jù)與部分標注數(shù)據(jù)，亦即“半監(jiān)督學習”，而不依賴于人工標注的自監(jiān)督學習與數(shù)據(jù)標注，也在業(yè)界開始出現(xiàn)實踐。

特斯拉目前正在開發(fā)的計算機Dojo，就采用自監(jiān)督學習技術，用于訓練人工智能模型，對數(shù)據(jù)標注的需求正越來越低。去年6月底，美國加州圣馬特奧縣的特斯拉辦公室，多名特斯拉員工在一次會議中被告知他們被裁員了，最終被裁員的200人中，大多數(shù)都是數(shù)據(jù)標注員。

騰訊、阿里、字節(jié)跳動等一眾大廠，也都在研發(fā)自監(jiān)督學習的算法，甚至有些數(shù)據(jù)標注公司也都已經(jīng)有60%內(nèi)容來自于機器的自動化標注。

李杰聽過一個說法，數(shù)據(jù)標注員是“人工智能的老師”，是他和同事們?nèi)諒鸵蝗盏睦蚪虝巳斯ぶ悄芾斫馊祟愂澜纭５麖臎]想過，當人工智能時代真正到來的那一天，取代他們的，恰恰會是自己曾經(jīng)的學生。

摘編自微信公眾號“藍字計劃”