今天小编分享的科技经验：数据标注工：训练AI，被AI替代，欢迎阅读。
增长和淘汰同时进行。
作者｜马慧
编辑｜栗子
前景和覆灭同时存在，数据标注从业者代延从未如此矛盾。
30 岁的内蒙古人代延在今年初创业，组建了一个近 30 人的线上标注团队。此前代延曾在数据标注的众包平台做了两年。可以称为是 " 熟工 " 的他，对眼下的局面既期待又紧张。
他从年初就关注到 ChatGPT。从 AI 企业注册量的粗暴增长上，代延看到了 AI 的行业爆火与数据标注的创业机会。天眼查数据显示，仅今年一季度就新增注册 17 万家人工智能相关企业，目前总计已有 267 万家。
他想象着自己能跟随行业共进，公司未来能发展到 100 人的规模。但眼下的现状却难以支撑他的期盼：数据标注的圈子很快被冲破——大量标注需求、标注工人和中间商一同涌入，单价更低了。
就像工程队接触不到有建筑需求的甲方，只能从承包方手上接项目一样，代延接触的工价因项目层层转手越压越低。他拒绝干一天只能拿到 30 元的标注项目。
与此同时，代延还面临着标注业没有职业晋升、没有合同保障、被拖款也投诉无门的窘迫。他自嘲：" 我们就是新时代的数据民工。"
但这并不是问题的全部。更大的问题在于，自动化标注也正在吞噬他们手上仅有的项目。由代延这样的数据标注员训练的 AI，正在人类监督中自我学习，进行自标注。
自动化标注将极大减少企业成本，也成为数据标注市场上最被看好的方向。
代延不得不为 "AI 可能完全取代人 " 做准备。他带着团队同时做文本标注类别的教辅标注和 3D 点云标注项目。一个是文字，一个是图片视频。代延做好了一个项目如果被 AI 颠覆，就立马带着团队转型去另一个领網域的打算。
此外，团队人数也要精简。代延划掉了腦海中想象的百人公司规模。他认为最终或许只会保留 20 人的熟手团队。
这些由数据标注员一手训练的AI，一边让他们梦想着赚得更多，同时逼着他们做好被颠覆的打算。
1. 标注，让 AI 睁眼看世界
为了让机器像人一样理解文字、语音、图片，人类创造了一个机器的学习链条：采集物理世界的实物影像和声音，对数据进行标注、清洗，将数据转换为一串串代码后输送给机器。
AI 学者认为，三岁婴儿通过眼睛 " 拍摄 " 了数亿张图片，反复认识世界。所以只要给机器灌输足够多的数据，也能让机器从学会识字、认句子，最终理解语言背后的深意。
标注图集 ImageNet 上有 1500 万张图片，这个数据集帮助无数 AI 企业获得在计算机视觉上的突破，比如人脸识别、搜图看看。
为了搭建 ImageNet，全球 167 个国家的近 5 万名数据标注工一起标注了两年半，他们都来自众包平台 Mechanical Turk。
标注要求十分简单，MTurk 常见的工作内容就是区分照片的颜色，或者对影像中出现的动物进行分类，或是用一个个方框框定选定对象，标注其名称：这是蛋糕、这是汽车、这是一朵云等等。
图 / 整数智能
该平台上的 20 万名零工分布在人力成本低廉的非洲和东南亚，甚至形成了特色「数据标注村」。他们标记的数据支撑着科技企业在 AI 上的探索。
而中国的上百万名标注员分布在贵州、山西、山东、河南等省份的二三线城市，并逐步向人力成本更低的县城渗透。他们或是依赖线上众包平台，或是加入线下的数据标注公司和标注基地。
标注内容根据场景区分为文本、影像和语音，对应着帮助机器获得识字、识图和听声音的功能。
早期的标注项目集中在互联网企业，主要标注语音和文本。现在则转向自动驾驶企业标注由激光雷达扫描获得的 3D 场景，比如点云标注；或是更垂直的文本和语音标注方向：帮助教育公司的大模型提供教辅类标注数据；或是为医疗机构的大模型提供校对后的医疗数据。
当 AI 迈入 2.0 时代，ChatGPT 惊艳了投资者、企业家和创业者，大家对 AI 的期待已经不仅仅是死板地识别文本、语音和图片的信息了。人们还希望 AI 能像人一样真正理解事物之间的联系，识别微小的区别和动作背后的情绪，主动地分辨和搜集信息。
比如让自动驾驶汽车区分前方是一个空扁的塑料袋，而不是一块颜色体积相近的石头；让游泳池旁的摄像头不再只是记录泳池旁发生了什么，而是理解发生了什么，在有人溺水时发出警报。
这些依然需要依赖数据标注，并且对标注提出更高的要求——更垂直、更精确、更节约。
标注市场的热潮也由此开始。
2." 订单多到做不过来 "
很难有数据直接说明新的标注需求激增，但这并不难判断。因为仅 2023 年一季度，中国就新增了 17 万家人工智能企业，而只要是用到 AI 的公司，就势必有数据标注的需求。
需求很快传导至数据标注市场。在数据标注从业者聚集的贴吧内，一天能刷新出十几条项目招人的帖子，包括且不限于文本标注、录题审核、无人机售卖视频标注、2D 检测杆、3D 点云等从文本到图片视频的标注项目。
一位从业多年的数据标注工作者察觉到，今年的无人车标注项目有所增加，而由 AI2.0 热催生的垂直领網域大模型创业，让原本没落的文本标注项目细分至不同赛道，也增加了小众的数据标注的需求。
在需求的推动下，成立新团队淘金的不止代延。山东东营的张唯在去年底也开始投身数据标注创业，半年发展为一个十几人的小团队。依靠当地政府的补贴和扶持，张唯的公司不仅获得免费的办公室，政府还帮忙拉通甲方资源。
项目订单不少，从最初十几万的项目到最近的 40 万订单，紧迫的交付任务让张唯更积极地寻找标注工：前几天，张唯仅一天就添置了 6 台电腦。
在河南郑州，一家做数据标注的众包平台正迁移至能容纳百人的两层办公楼。它们在门口招牌、办公室里都写上公司的定位："AI 人工智能大数据研发基地 "" 重复的数据清洗，是为了你的 AI 更智能 "。
" 标注项目订单多到做不过来。" 其负责人说。
一家数据标注公司的乔迁仪式现场
图片来源 / 受访对象提供
热钱也久违地进入了标注公司的口袋。数据标注龙头海天瑞声，在今年的 3~5 月股价最高涨了 4 倍。
根据 36 氪消息，今年以来 B 轮及以前的十余家数据标注平台，集体迎来了接近 100% 增幅的高估值。从去年下半年开始，自动标注公司陆续获得新融资。
2022 年 9 月，博登智能获得千万元融资；12 月，星尘数据完成 A 轮融资 5000 万元，相距上一次 2018 年 6 月获得融资已经时隔 4 年半。
2023 年 4 月，数据标注解决方案公司「恺望数据」获得新一轮战略融资；6 月，AI 数据公司「整数智能」获得数千万 Pre A 轮融资。
他们斗志昂扬地打出替代人工标注的口号：" 重构数据标签生产 "" 自动化产线 + 规模化人力 "" 打破自动驾驶标注的手工模式 "。
显然，资本市场也正重新关注这个新兴领網域。
3. 更卷，也更严格
数据标注的链条由三部分组成。
上游：1~150 人的数据标注公司、线上散兵和小作坊。
中游：数据服务商，一类是承接上下游的中介方众包平台，一类是企业为稳定投入产业而选择自建标注基地。
下游：科技公司、行业企业、AI 公司、科研部門，在 2018 年左右以互联网企业为主导，现在转至车企、自动驾驶企业。
行业普遍采取分包模式，即先由甲方企业发标，第三方服务商参与竞标，竞标成功后进入企业的供应商梯队，其中核心供应商能享受优先任务选择权和更多订单。
企业对核心供应商的要求是拥有至少 30 人的交付团队，成熟的订单交付经验，建立培训体系、把控交付质量和数量的能力。稳定的生产团队，最终导向让公司更有竞争力的低报价。
然而，管控团队带来的低价优势已然被打乱。" 今年竞标惨烈！" 一位服务商告诉「甲子光年」，" 一个项目我们报 200 元，有人报 80 元一天。"
最终项目由报价低的团队拿下，最后却回到更成熟的团队手上。" 他们完不成又被甲方转回给我们，但价格已经上不去了。"
由于代延的线上团队不直接接触甲方。所以市面上多级分包层层压价的混乱局面，让他们倍感压力。
数据标注是资源型行业，谁能拿到和甲方的合作谁就有优势。代延透露，一些个体注册公司后，谎称有 40-50 人的专业团队，以极低的价格参与投标，拿下项目后，拆抽成 4-5 份分给不同的团队，小团队再往下分，层层抽佣，中间商赚到差价，分给数据标注工的计件价越来越低。
只要有人接盘，就会一直螺旋向下。
「甲子光年」得到的一份价格表显示，从 2D 标注到 3D 激光点云标注，标注项目单价一般为 0.5～1.5 元 / 框。代延曾接到过打了对折的单框价，" 至少转过四五手了 "。
单价内卷直接导致标注人员的薪资缩水。代延和团队属于半全职状态，团队成员多为宝妈、大学生、自由职业者和职高学生，每天拉框 6 小时。保持着这样的状态，代延在 2022 年疫情期间，每月有 4~5 千元的收入。
" 有电腦、有电就能操作 "，这是数据标注招人贴中常见的吸引人入行的话。过去，这一度是数据标注行业最显著的优势。但今天这种优势却让整个行业陷入内卷。现在代延每月收入只有 2～3 千元。
虽然收入降低，但工作量并没有下降。恰恰相反，数据标注的工作更加复杂与细致。
数据标注的资深从业者们更怀念互联网时期的标注市场：单框价格高 3 倍，项目量大。一个 60~70 人的团队，能拿到月入 30 万的业绩。" 现在市场上都是产值（单人每天标注产生的价值）不到百元的项目，以前一天大几百。" 一位从业者说。
那时的项目操作简单且没有要求，比如给无人车做 2D 场景标注，对图片中的车辆拉框时，只要能框住就行，没有要求。
但现在不同，" 贴合度 " 是甲方最看重的验收标准。" 去年还要求误差在 5~7 毫米，今年就要 3~5 毫米了。误差要求越来越小。" 代延说。
人工智能学者吴恩达多次强调，有标注的高质量数据才能释放人工智能的价值，高质量数据越多，人工智能的发展就会越快。
在无人车的标注数据中，表现为矩形框与标注对象的贴合度，贴合度越高算法精度越高，算法对车辆的控制越精准。
高质量的文本标注项目，表现为语义理解的正确性、答题的正确率等。正确率越高，被训练的大模型越聪明。
熟手才能保证数据交付又快又好。代延曾经让一个新手参与核验 ChatGPT 做完的数学题是否完整、逻辑是否正确、语言能否被小学生理解。新手标注的 7500 个数据因正确率太低，被甲方要求返工，代延和同事花了十几天才纠正完。
数据标注越来越不是一个没门槛的活。复杂的语音标注，医疗、法律、金融等专业数据集标注生产，更需要有学科知识储备的专业人才做专业标注。
代延认为，以无人车项目为例，新人成为 2D 标注熟手需要做 3 个月，成为 3D 熟手需要练习 4～6 个月。
这种练习是指，训练拉框的精确度，用滑鼠在电腦的标注页面一气呵成拉出一个矩形框，能准确盖住标注对象，不踩线、不漏点，甚至是严丝合缝。
图 / 数据标注熟手指出标注中的问题
只是，当机器开始自学，替代人为机器做标注，人们花费时间训练的技能还有意义吗？
4. 替代危机
代延意识到 AI 在靠近，是从前段时间做的图片标注项目中。
这是一个代延做了两年的老项目——识图。数据标注工需要识别图片中的文字并打印出来，价格是 8 毛 / 张。代延标注的数据，被喂入了识图模型中。现在，这一模型已经熟练地识别图片中的文字。代延的标注工作开始被缩减为订正和审核。难度下降了，标注单价也下跌了。
被人类用标注训练的AI，正在替代人力的标注工作。在苏黎世大学的调查报告中，研究人员通过实测发现，ChatGPT 在 15 项标注任务中的处理能力高于众包人员。大模型嵌入众包平台的进度条也被拉快了。洛桑联邦理工学院之后的研究发现，已有超过 30% 的众包标注者在处理文本标注时使用了大模型。
AI 无疑比人工更省时省力：研究人员表示，ChatGPT 的部門成本只相当于 MTurk 的 1/20。
代延也做好了这条业务线随时会被 " 更完善的 AI" 取代的准备。他把未来押宝在更有技能要求的自动驾驶标注中。
但自动驾驶标注也正被 AI 侵入。相比人工的拉框方式，自动化标注只需要内置大模型，进行参数設定后，原本需要手动标注的矩形框会自动生成。目前唯一的问题是，生成的矩形框有踩线、贴合度太低等质量问题，需要人工逐一检验。
效率的提升让车企惊喜。理想在使用大模型 2.0 进行自动化标定，效率是人的 1000 倍；特斯拉一直在积极推进自动标注的进展，比如在 2022 年 6 月裁撤了 200 名为特斯拉标注视频，以改进辅助系统的美国员工，因为特斯拉的自动标注能力大幅改善，标注 10000 个不到 60 秒的视频，只需要大模型运行一周，而不再需要人工标注几个月。
AI 数据公司整数智能的创始人林群书说，越来越多的车企和 AIGC 企业采用大模型产品做自动化标注，营收正在大幅增长。他们最新的动作是在新加坡建立研发分部。
但对于自动化标注的增长，第三方服务商没那么乐观。河南一家众包平台的项目经理说，自动化标注还不能取代 60% 以上的标注需求，只能作为辅助标注工具，处理单一或特定数据，提升人效。
另一家数据标注公司的产品经理认为，自动标注只能过滤简单的基础数据，还不能像人一样从复杂有争议的场景中精确识别物体。这也是数据标注市场，如今依然是以自动驾驶标注数据为主导的原因。
不过大家也认同，未来的数据标注将从重人力转向重技术的趋势。
总之，不是被同行 " 卷死 "，就是被技术 " 卷死 "。但坐以待毙肯定不行，数据标注的第三方公司在寻找未来的出路。
代延的计划是紧跟市场，保持警惕，随时裁员，同时向做自动化标注工具的方向发展。一家众包平台的创始人在和同行交流时说，未来不能堆人力，要有研发能力。
对于个人呢？行业里流传的职场路径是，新手标注工——熟手标注工——标注项目管理员 / 经理——甲方公司数据分析师，最终实现月薪上万的晋升。
代延认识的数据标注工没人在朝这个方向走，他们要么停留在原地，要么退出，最好的情况是建立自己的标注团队，像代延这样，不过他也没有觉得更轻松。
一边是 AI 风口带来的项目需求增长，一边是更混乱的竞价、更低的人均产值和正迅速成长的 AI。两种情绪是交织的，AI 会带来无限机遇，AI 也会淘汰 " 我们 "。
（应受访对象要求，文中名字均为化名）
封面：数据标注从业者在讲解数据标注，图片由受访者提供
END.
>
