在chatGPT掀起人工智能（AI）熱潮的當下，AI三要素之一的數(shù)據(jù)也成為了熱門話題。

(資料圖)

作為AI大語言模型高質(zhì)量回答的基礎(chǔ)，訓(xùn)練數(shù)據(jù)生產(chǎn)過程主要包括四個環(huán)節(jié)：設(shè)計（訓(xùn)練數(shù)據(jù)集結(jié)構(gòu)設(shè)計）、采集（獲取原料數(shù)據(jù)）、加工（數(shù)據(jù)標注）及質(zhì)檢（各環(huán)節(jié)數(shù)據(jù)質(zhì)量、加工質(zhì)量檢測）。其中，數(shù)據(jù)標注需要識別圖像、文本、視頻等原始數(shù)據(jù)，并添加一個或多個標簽為機器學(xué)習(xí)模型指定上下文，幫助其做出準確的預(yù)測。

不過，數(shù)據(jù)標注是仍需要大量人工來完成的環(huán)節(jié)。“人工有多強大，智能才有多強大。”主營AI數(shù)據(jù)采集標注業(yè)務(wù)的杭州景聯(lián)文科技副總裁劉云濤在接受第一財經(jīng)采訪時稱，這還是一個先有雞或先有蛋的故事。

但劉云濤同時表示，數(shù)據(jù)采集標注行業(yè)發(fā)展至今，已成為半人工智能、半人工化的行業(yè)。全棧AI數(shù)據(jù)及模型解決方案供應(yīng)商倍賽科技創(chuàng)始人兼CEO杜霖也認為，數(shù)據(jù)標注本質(zhì)上是一個研發(fā)密集型產(chǎn)業(yè)。

數(shù)據(jù)標注與大模型質(zhì)量正相關(guān)

“當下的機器學(xué)習(xí)技術(shù)大部分依賴于human-in-the-loop，即有監(jiān)督或來自人類反饋的學(xué)習(xí)。”杜霖在接受第一財經(jīng)采訪時表示，“而監(jiān)督和反饋即人對數(shù)據(jù)的標注與評價。”

AI分析公司Cognilytica研究數(shù)據(jù)顯示，在AI項目中，對數(shù)據(jù)相關(guān)的處理過程可占據(jù)超過80%的時間，其中數(shù)據(jù)標注環(huán)節(jié)的耗時占比可達25%。

數(shù)據(jù)標注是指對未經(jīng)處理的語音、圖片、文本、視頻等數(shù)據(jù)進行轉(zhuǎn)義、打點、拉線、拉框等操作，標注為電腦可以識別的信息，再上傳到數(shù)據(jù)庫，實現(xiàn)人工智能。一般來說，標注上傳的數(shù)據(jù)越多、越準確，人工智能也就越智能。

招商證券表示，GPT-3與前一代產(chǎn)品GPT-2架構(gòu)相同，但訓(xùn)練數(shù)據(jù)與參數(shù)量顯著提升，GPT-2的預(yù)訓(xùn)練數(shù)據(jù)量為40GB、參數(shù)量僅有15億個，而GPT-3的參數(shù)訓(xùn)練量達到45TB、參數(shù)量更是高達1750億個，約有4900億個tokens。從回答質(zhì)量上看，ChatGPT回答內(nèi)容比GPT-2更貼切、準確，并且符合人類語言習(xí)慣。

不過，杜霖認為，標注數(shù)據(jù)貴不在數(shù)量而在質(zhì)量。

“從GPT的實驗發(fā)現(xiàn)，隨著模型參數(shù)量的增加，模型性能均得到不同程度的提高。但值得注意的是，通過來自人類反饋的強化學(xué)習(xí)（RLHF）生成的InstructGPT模型，比100倍參數(shù)規(guī)模無監(jiān)督的GPT-3模型效果更好，也說明了有監(jiān)督的標注數(shù)據(jù)是大模型應(yīng)用成功的關(guān)鍵之一。”

如何提升數(shù)據(jù)標注的質(zhì)量？劉云濤認為，一是提高標注準確率，二是提高貼合度。“以自動駕駛為例，紅綠燈、車道線等標注準確度越高，算法精度就越高；貼合度從5個像素點變成1個像素點，算法精度也隨之提升。”劉云濤表示，“此外，多維度也是提高質(zhì)量的方式。比如chatGPT在面對一些問題時面對不同的人會有不同的答案。”

我國數(shù)據(jù)標注行業(yè)迅速發(fā)展

隨著全球新一輪AI熱潮來臨，大量訓(xùn)練數(shù)據(jù)已成為AI算法模型發(fā)展和演進的“燃料”。

艾瑞咨詢數(shù)據(jù)顯示，包括數(shù)據(jù)采集、數(shù)據(jù)處理（標注）、數(shù)據(jù)存儲、數(shù)據(jù)挖掘等模塊在內(nèi)的AI基礎(chǔ)數(shù)據(jù)服務(wù)市場，將在未來數(shù)年內(nèi)持續(xù)增長，到2025年，國內(nèi)AI基礎(chǔ)數(shù)據(jù)服務(wù)市場的整體規(guī)模預(yù)計將達到101.1億元，整體市場增速將達到31.8%（2024-2025年）。

而據(jù)iResearch數(shù)據(jù)，2019年我國數(shù)據(jù)標注市場規(guī)模為30.9億元，預(yù)計2025年市場規(guī)模突破100億元，年復(fù)合增長率達到14.6%。

與此相伴隨，中國數(shù)據(jù)標注行業(yè)正在迅速發(fā)展。招商證券認為，一方面，進入大數(shù)據(jù)時代后，人們各種行為的電子化、網(wǎng)絡(luò)化帶來海量數(shù)據(jù)，但產(chǎn)生的數(shù)據(jù)只有1%能被收集和保存，并且收集的數(shù)據(jù)中90%是非結(jié)構(gòu)化的數(shù)據(jù)；另一方面，人工智能的興起帶來模型訓(xùn)練所用結(jié)構(gòu)化數(shù)據(jù)的巨大需求，數(shù)據(jù)標注的重要性逐漸突顯。

按照下游場景類型，2021年我國人工智能數(shù)據(jù)標注市場中，計算機視覺類、智能語音類和NLP類需求占比分別為45.3%、40.5%和14.2%。而AI基礎(chǔ)數(shù)據(jù)及軟件服務(wù)提供商龍貓數(shù)據(jù)相關(guān)人士告訴第一財經(jīng)，隨著數(shù)據(jù)量的不斷增長和數(shù)據(jù)結(jié)構(gòu)的不斷變化，數(shù)據(jù)標注行業(yè)涉及的領(lǐng)域也越來越廣泛，特別是在自動駕駛、AIGC等領(lǐng)域內(nèi)，數(shù)據(jù)標注需求量極大。

劉云濤也持類似觀點。“現(xiàn)在最大的需求點就是自動駕駛，目前數(shù)據(jù)采集標注這個行業(yè)內(nèi)所有的公司都在圍繞自動駕駛，未來5到10年的需求量還會越來越大。”

資料顯示，國內(nèi)AI訓(xùn)練數(shù)據(jù)提供商龍頭海天瑞聲（688787.SH）正在積極發(fā)力自動駕駛業(yè)務(wù)，該公司已于2022年6月上線第三代智能駕駛標注平臺并發(fā)力研發(fā)第四代產(chǎn)品，截至2022年第三季度，海天瑞聲已驗收訂單以及在手訂單合計約5000萬元，同比增長超200%。

AI大模型也將帶來大量需求。劉云濤稱，“預(yù)計今年10月國內(nèi)會迎來一波大的類chatGPT大模型的數(shù)據(jù)需求，而且這是一個海量的需求，以目前國內(nèi)幾家頭部數(shù)據(jù)標注公司來看，目前產(chǎn)能還不足以滿足需求。”為此，景聯(lián)文科技正加大對大模型方案的投入并深化相關(guān)業(yè)務(wù)。

AI背后：人工有多強大，智能才有多強大？

標注數(shù)據(jù)如同實現(xiàn)人工智能的一磚一瓦，對于數(shù)據(jù)采集標注企業(yè)來說，數(shù)據(jù)質(zhì)量和經(jīng)營效率無疑是最直接的競爭力，除了自研標注工具外，數(shù)據(jù)標注員的管理是重要抓手。

“當前，大部分數(shù)據(jù)標注任務(wù)仍然需要人工完成，而且各種數(shù)據(jù)類型和應(yīng)用領(lǐng)域都需要相應(yīng)領(lǐng)域的專業(yè)標注員來完成標注任務(wù)。”龍貓數(shù)據(jù)相關(guān)人士表示。

據(jù)悉，數(shù)據(jù)標注員是數(shù)據(jù)標注公司最核心的崗位之一，主要工作是借助標注工具，對人工智能學(xué)習(xí)數(shù)據(jù)進行加工，數(shù)據(jù)一般為圖片、視頻、文本等，通過不斷地拉框、標點等操作，為人工智能提供足夠的數(shù)據(jù)集。

此前，數(shù)據(jù)標注員的門檻較低，只需要細致有耐心；如今在一些高難度、高質(zhì)量標準的標注任務(wù)中，標注員的素質(zhì)對標注過程和結(jié)果的準確性和穩(wěn)定性至關(guān)重要。例如，在自動駕駛、AIGC等數(shù)據(jù)類型的標注任務(wù)中，標注員需要有相應(yīng)領(lǐng)域的專業(yè)知識和技能才能準確地標注數(shù)據(jù)。

龍貓數(shù)據(jù)相關(guān)人士表示，數(shù)據(jù)標注行業(yè)壓力也很大，市場競爭激烈，標注公司為了保持競爭優(yōu)勢，需要投入更多的成本來吸引、留存、培養(yǎng)和管理標注員隊伍，而這些額外的成本也增加了行業(yè)的人力密集型特征。

劉云濤也贊同上述觀點，不過，他表示，數(shù)據(jù)采集標注行業(yè)發(fā)展至今，已成為半人工智能、半人工化的行業(yè)。

面對大語言模型動輒上百億參數(shù)的數(shù)據(jù)質(zhì)量控制，需要通過標注平臺將一個個復(fù)雜RLHF需求拆成很多個簡單的工作流，讓機器去做預(yù)處理，人去做深層的基于理解的反饋，以減少人在簡單問題上的精力消耗，專注在專業(yè)問題上的標注。杜霖介紹，“比如交叉驗證模式，即通過人和機器混合驗證的模式或者復(fù)檢的模式，來進一步提升標注質(zhì)量；此外一系列標準化任務(wù)培訓(xùn)的機制，以確保人類反饋的答案一致性，也都是通過平臺來實現(xiàn)的。”

景聯(lián)文也采用主動質(zhì)檢加被動質(zhì)檢的方式，前者靠人為去做質(zhì)檢，后者是靠算法去做一些預(yù)識別。“現(xiàn)在數(shù)據(jù)標注行業(yè)還是‘人工智能的背后，人工有多強大，智能才有多強大’。雖然有標注工具，但這還是一個先有雞或先有蛋的故事。”劉云濤坦言。

據(jù)悉，目前數(shù)據(jù)標注工具的準確率部分僅百分之幾，部分準確率則可以達到80%、90%。“機器標注的識別率越高，我們的人工需求就會越少，成本、利潤、速度、質(zhì)量都能更加可控。”劉云濤稱。

杜霖認為，數(shù)據(jù)標注行業(yè)的核心是高效的人機交互工具和任務(wù)分發(fā)管理平臺，“我們公司員工大部分都是圍繞著我們平臺來做研發(fā)和運營管理，真正的標注則通過賦能產(chǎn)能網(wǎng)絡(luò)去完成。我們主要積累的技術(shù)是圍繞在怎么通過工具和更高效的流程來實現(xiàn)自動化的任務(wù)拆解、預(yù)處理與匹配，所以我們是本質(zhì)上是一個研發(fā)密集型公司，而不是一個勞動密集型公司。”

龍貓數(shù)據(jù)相關(guān)人士則稱，隨著技術(shù)不斷發(fā)展，未來數(shù)據(jù)標注行業(yè)可能會實現(xiàn)更高的自動化程度，但應(yīng)用領(lǐng)域不同，仍然需要一定數(shù)量的標注人員來進行標注任務(wù)。

標簽：