今天小編分享的科技經驗：數據标注工：訓練AI，被AI替代，歡迎閲讀。
增長和淘汰同時進行。
作者｜馬慧
編輯｜栗子
前景和覆滅同時存在，數據标注從業者代延從未如此矛盾。
30 歲的内蒙古人代延在今年初創業，組建了一個近 30 人的線上标注團隊。此前代延曾在數據标注的眾包平台做了兩年。可以稱為是 " 熟工 " 的他，對眼下的局面既期待又緊張。
他從年初就關注到 ChatGPT。從 AI 企業注冊量的粗暴增長上，代延看到了 AI 的行業爆火與數據标注的創業機會。天眼查數據顯示，僅今年一季度就新增注冊 17 萬家人工智能相關企業，目前總計已有 267 萬家。
他想象着自己能跟随行業共進，公司未來能發展到 100 人的規模。但眼下的現狀卻難以支撐他的期盼：數據标注的圈子很快被衝破——大量标注需求、标注工人和中間商一同湧入，單價更低了。
就像工程隊接觸不到有建築需求的甲方，只能從承包方手上接項目一樣，代延接觸的工價因項目層層轉手越壓越低。他拒絕幹一天只能拿到 30 元的标注項目。
與此同時，代延還面臨着标注業沒有職業晉升、沒有合同保障、被拖款也投訴無門的窘迫。他自嘲：" 我們就是新時代的數據民工。"
但這并不是問題的全部。更大的問題在于，自動化标注也正在吞噬他們手上僅有的項目。由代延這樣的數據标注員訓練的 AI，正在人類監督中自我學習，進行自标注。
自動化标注将極大減少企業成本，也成為數據标注市場上最被看好的方向。
代延不得不為 "AI 可能完全取代人 " 做準備。他帶着團隊同時做文本标注類别的教輔标注和 3D 點雲标注項目。一個是文字，一個是圖片視頻。代延做好了一個項目如果被 AI 颠覆，就立馬帶着團隊轉型去另一個領網域的打算。
此外，團隊人數也要精簡。代延劃掉了腦海中想象的百人公司規模。他認為最終或許只會保留 20 人的熟手團隊。
這些由數據标注員一手訓練的AI，一邊讓他們夢想着賺得更多，同時逼着他們做好被颠覆的打算。
1. 标注，讓 AI 睜眼看世界
為了讓機器像人一樣理解文字、語音、圖片，人類創造了一個機器的學習鏈條：采集物理世界的實物影像和聲音，對數據進行标注、清洗，将數據轉換為一串串代碼後輸送給機器。
AI 學者認為，三歲嬰兒通過眼睛 " 拍攝 " 了數億張圖片，反復認識世界。所以只要給機器灌輸足夠多的數據，也能讓機器從學會識字、認句子，最終理解語言背後的深意。
标注圖集 ImageNet 上有 1500 萬張圖片，這個數據集幫助無數 AI 企業獲得在計算機視覺上的突破，比如人臉識别、搜圖看看。
為了搭建 ImageNet，全球 167 個國家的近 5 萬名數據标注工一起标注了兩年半，他們都來自眾包平台 Mechanical Turk。
标注要求十分簡單，MTurk 常見的工作内容就是區分照片的顏色，或者對影像中出現的動物進行分類，或是用一個個方框框定選定對象，标注其名稱：這是蛋糕、這是汽車、這是一朵雲等等。
圖 / 整數智能
該平台上的 20 萬名零工分布在人力成本低廉的非洲和東南亞，甚至形成了特色「數據标注村」。他們标記的數據支撐着科技企業在 AI 上的探索。
而中國的上百萬名标注員分布在貴州、山西、山東、河南等省份的二三線城市，并逐步向人力成本更低的縣城滲透。他們或是依賴線上眾包平台，或是加入線下的數據标注公司和标注基地。
标注内容根據場景區分為文本、影像和語音，對應着幫助機器獲得識字、識圖和聽聲音的功能。
早期的标注項目集中在互聯網企業，主要标注語音和文本。現在則轉向自動駕駛企業标注由激光雷達掃描獲得的 3D 場景，比如點雲标注；或是更垂直的文本和語音标注方向：幫助教育公司的大模型提供教輔類标注數據；或是為醫療機構的大模型提供校對後的醫療數據。
當 AI 邁入 2.0 時代，ChatGPT 驚豔了投資者、企業家和創業者，大家對 AI 的期待已經不僅僅是死板地識别文本、語音和圖片的信息了。人們還希望 AI 能像人一樣真正理解事物之間的聯系，識别微小的區别和動作背後的情緒，主動地分辨和搜集信息。
比如讓自動駕駛汽車區分前方是一個空扁的塑料袋，而不是一塊顏色體積相近的石頭；讓遊泳池旁的攝像頭不再只是記錄泳池旁發生了什麼，而是理解發生了什麼，在有人溺水時發出警報。
這些依然需要依賴數據标注，并且對标注提出更高的要求——更垂直、更精确、更節約。
标注市場的熱潮也由此開始。
2." 訂單多到做不過來 "
很難有數據直接説明新的标注需求激增，但這并不難判斷。因為僅 2023 年一季度，中國就新增了 17 萬家人工智能企業，而只要是用到 AI 的公司，就勢必有數據标注的需求。
需求很快傳導至數據标注市場。在數據标注從業者聚集的貼吧内，一天能刷新出十幾條項目招人的帖子，包括且不限于文本标注、錄題審核、無人機售賣視頻标注、2D 檢測杆、3D 點雲等從文本到圖片視頻的标注項目。
一位從業多年的數據标注工作者察覺到，今年的無人車标注項目有所增加，而由 AI2.0 熱催生的垂直領網域大模型創業，讓原本沒落的文本标注項目細分至不同賽道，也增加了小眾的數據标注的需求。
在需求的推動下，成立新團隊淘金的不止代延。山東東營的張唯在去年底也開始投身數據标注創業，半年發展為一個十幾人的小團隊。依靠當地政府的補貼和扶持，張唯的公司不僅獲得免費的辦公室，政府還幫忙拉通甲方資源。
項目訂單不少，從最初十幾萬的項目到最近的 40 萬訂單，緊迫的交付任務讓張唯更積極地尋找标注工：前幾天，張唯僅一天就添置了 6 台電腦。
在河南鄭州，一家做數據标注的眾包平台正遷移至能容納百人的兩層辦公樓。它們在門口招牌、辦公室裏都寫上公司的定位："AI 人工智能大數據研發基地 "" 重復的數據清洗，是為了你的 AI 更智能 "。
" 标注項目訂單多到做不過來。" 其負責人説。
一家數據标注公司的喬遷儀式現場
圖片來源 / 受訪對象提供
熱錢也久違地進入了标注公司的口袋。數據标注龍頭海天瑞聲，在今年的 3~5 月股價最高漲了 4 倍。
根據 36 氪消息，今年以來 B 輪及以前的十餘家數據标注平台，集體迎來了接近 100% 增幅的高估值。從去年下半年開始，自動标注公司陸續獲得新融資。
2022 年 9 月，博登智能獲得千萬元融資；12 月，星塵數據完成 A 輪融資 5000 萬元，相距上一次 2018 年 6 月獲得融資已經時隔 4 年半。
2023 年 4 月，數據标注解決方案公司「恺望數據」獲得新一輪戰略融資；6 月，AI 數據公司「整數智能」獲得數千萬 Pre A 輪融資。
他們鬥志昂揚地打出替代人工标注的口号：" 重構數據标籤生產 "" 自動化產線 + 規模化人力 "" 打破自動駕駛标注的手工模式 "。
顯然，資本市場也正重新關注這個新興領網域。
3. 更卷，也更嚴格
數據标注的鏈條由三部分組成。
上遊：1~150 人的數據标注公司、線上散兵和小作坊。
中遊：數據服務商，一類是承接上下遊的中介方眾包平台，一類是企業為穩定投入產業而選擇自建标注基地。
下遊：科技公司、行業企業、AI 公司、科研部門，在 2018 年左右以互聯網企業為主導，現在轉至車企、自動駕駛企業。
行業普遍采取分包模式，即先由甲方企業發标，第三方服務商參與競标，競标成功後進入企業的供應商梯隊，其中核心供應商能享受優先任務選擇權和更多訂單。
企業對核心供應商的要求是擁有至少 30 人的交付團隊，成熟的訂單交付經驗，建立培訓體系、把控交付質量和數量的能力。穩定的生產團隊，最終導向讓公司更有競争力的低報價。
然而，管控團隊帶來的低價優勢已然被打亂。" 今年競标慘烈！" 一位服務商告訴「甲子光年」，" 一個項目我們報 200 元，有人報 80 元一天。"
最終項目由報價低的團隊拿下，最後卻回到更成熟的團隊手上。" 他們完不成又被甲方轉回給我們，但價格已經上不去了。"
由于代延的線上團隊不直接接觸甲方。所以市面上多級分包層層壓價的混亂局面，讓他們倍感壓力。
數據标注是資源型行業，誰能拿到和甲方的合作誰就有優勢。代延透露，一些個體注冊公司後，謊稱有 40-50 人的專業團隊，以極低的價格參與投标，拿下項目後，拆抽成 4-5 份分給不同的團隊，小團隊再往下分，層層抽傭，中間商賺到差價，分給數據标注工的計件價越來越低。
只要有人接盤，就會一直螺旋向下。
「甲子光年」得到的一份價格表顯示，從 2D 标注到 3D 激光點雲标注，标注項目單價一般為 0.5～1.5 元 / 框。代延曾接到過打了對折的單框價，" 至少轉過四五手了 "。
單價内卷直接導致标注人員的薪資縮水。代延和團隊屬于半全職狀态，團隊成員多為寶媽、大學生、自由職業者和職高學生，每天拉框 6 小時。保持着這樣的狀态，代延在 2022 年疫情期間，每月有 4~5 千元的收入。
" 有電腦、有電就能操作 "，這是數據标注招人貼中常見的吸引人入行的話。過去，這一度是數據标注行業最顯著的優勢。但今天這種優勢卻讓整個行業陷入内卷。現在代延每月收入只有 2～3 千元。
雖然收入降低，但工作量并沒有下降。恰恰相反，數據标注的工作更加復雜與細致。
數據标注的資深從業者們更懷念互聯網時期的标注市場：單框價格高 3 倍，項目量大。一個 60~70 人的團隊，能拿到月入 30 萬的業績。" 現在市場上都是產值（單人每天标注產生的價值）不到百元的項目，以前一天大幾百。" 一位從業者説。
那時的項目操作簡單且沒有要求，比如給無人車做 2D 場景标注，對圖片中的車輛拉框時，只要能框住就行，沒有要求。
但現在不同，" 貼合度 " 是甲方最看重的驗收标準。" 去年還要求誤差在 5~7 毫米，今年就要 3~5 毫米了。誤差要求越來越小。" 代延説。
人工智能學者吳恩達多次強調，有标注的高質量數據才能釋放人工智能的價值，高質量數據越多，人工智能的發展就會越快。
在無人車的标注數據中，表現為矩形框與标注對象的貼合度，貼合度越高算法精度越高，算法對車輛的控制越精準。
高質量的文本标注項目，表現為語義理解的正确性、答題的正确率等。正确率越高，被訓練的大模型越聰明。
熟手才能保證數據交付又快又好。代延曾經讓一個新手參與核驗 ChatGPT 做完的數學題是否完整、邏輯是否正确、語言能否被小學生理解。新手标注的 7500 個數據因正确率太低，被甲方要求返工，代延和同事花了十幾天才糾正完。
數據标注越來越不是一個沒門檻的活。復雜的語音标注，醫療、法律、金融等專業數據集标注生產，更需要有學科知識儲備的專業人才做專業标注。
代延認為，以無人車項目為例，新人成為 2D 标注熟手需要做 3 個月，成為 3D 熟手需要練習 4～6 個月。
這種練習是指，訓練拉框的精确度，用滑鼠在電腦的标注頁面一氣呵成拉出一個矩形框，能準确蓋住标注對象，不踩線、不漏點，甚至是嚴絲合縫。
圖 / 數據标注熟手指出标注中的問題
只是，當機器開始自學，替代人為機器做标注，人們花費時間訓練的技能還有意義嗎？
4. 替代危機
代延意識到 AI 在靠近，是從前段時間做的圖片标注項目中。
這是一個代延做了兩年的老項目——識圖。數據标注工需要識别圖片中的文字并打印出來，價格是 8 毛 / 張。代延标注的數據，被喂入了識圖模型中。現在，這一模型已經熟練地識别圖片中的文字。代延的标注工作開始被縮減為訂正和審核。難度下降了，标注單價也下跌了。
被人類用标注訓練的AI，正在替代人力的标注工作。在蘇黎世大學的調查報告中，研究人員通過實測發現，ChatGPT 在 15 項标注任務中的處理能力高于眾包人員。大模型嵌入眾包平台的進度條也被拉快了。洛桑聯邦理工學院之後的研究發現，已有超過 30% 的眾包标注者在處理文本标注時使用了大模型。
AI 無疑比人工更省時省力：研究人員表示，ChatGPT 的部門成本只相當于 MTurk 的 1/20。
代延也做好了這條業務線随時會被 " 更完善的 AI" 取代的準備。他把未來押寶在更有技能要求的自動駕駛标注中。
但自動駕駛标注也正被 AI 侵入。相比人工的拉框方式，自動化标注只需要内置大模型，進行參數設定後，原本需要手動标注的矩形框會自動生成。目前唯一的問題是，生成的矩形框有踩線、貼合度太低等質量問題，需要人工逐一檢驗。
效率的提升讓車企驚喜。理想在使用大模型 2.0 進行自動化标定，效率是人的 1000 倍；特斯拉一直在積極推進自動标注的進展，比如在 2022 年 6 月裁撤了 200 名為特斯拉标注視頻，以改進輔助系統的美國員工，因為特斯拉的自動标注能力大幅改善，标注 10000 個不到 60 秒的視頻，只需要大模型運行一周，而不再需要人工标注幾個月。
AI 數據公司整數智能的創始人林群書説，越來越多的車企和 AIGC 企業采用大模型產品做自動化标注，營收正在大幅增長。他們最新的動作是在新加坡建立研發分部。
但對于自動化标注的增長，第三方服務商沒那麼樂觀。河南一家眾包平台的項目經理説，自動化标注還不能取代 60% 以上的标注需求，只能作為輔助标注工具，處理單一或特定數據，提升人效。
另一家數據标注公司的產品經理認為，自動标注只能過濾簡單的基礎數據，還不能像人一樣從復雜有争議的場景中精确識别物體。這也是數據标注市場，如今依然是以自動駕駛标注數據為主導的原因。
不過大家也認同，未來的數據标注将從重人力轉向重技術的趨勢。
總之，不是被同行 " 卷死 "，就是被技術 " 卷死 "。但坐以待斃肯定不行，數據标注的第三方公司在尋找未來的出路。
代延的計劃是緊跟市場，保持警惕，随時裁員，同時向做自動化标注工具的方向發展。一家眾包平台的創始人在和同行交流時説，未來不能堆人力，要有研發能力。
對于個人呢？行業裏流傳的職場路徑是，新手标注工——熟手标注工——标注項目管理員 / 經理——甲方公司數據分析師，最終實現月薪上萬的晉升。
代延認識的數據标注工沒人在朝這個方向走，他們要麼停留在原地，要麼退出，最好的情況是建立自己的标注團隊，像代延這樣，不過他也沒有覺得更輕松。
一邊是 AI 風口帶來的項目需求增長，一邊是更混亂的競價、更低的人均產值和正迅速成長的 AI。兩種情緒是交織的，AI 會帶來無限機遇，AI 也會淘汰 " 我們 "。
（應受訪對象要求，文中名字均為化名）
封面：數據标注從業者在講解數據标注，圖片由受訪者提供
END.
>
