人工通過采集現(xiàn)實(shí)世界的圖像、視頻、文字等信息，清洗標(biāo)注后將數(shù)據(jù)轉(zhuǎn)化為代碼輸送給機(jī)器，機(jī)器人最終能具備智能意識，像人一樣理解語言背后的深意。
從事這份工作的人叫做數(shù)據(jù)標(biāo)注員，他們在做的事情，也是在給人工智能算法增加“燃料。”
隨著AIGC時(shí)代的到來，很多人對數(shù)據(jù)標(biāo)注員的工作產(chǎn)生了好奇，他們在做什么工作？現(xiàn)狀如何？行業(yè)存在哪些問題？未來有何發(fā)展前景？帶著這些問題，娛樂資本論視智未來專訪了龍貓副總裁胡邱飛。
龍貓成立于2014年，是一家AI數(shù)據(jù)及平臺(tái)服務(wù)商，累計(jì)服務(wù)了60余家主機(jī)廠和自動(dòng)駕駛公司，為客戶提供整體的數(shù)據(jù)解決方案。
---以下為采訪實(shí)錄---
關(guān)于公司業(yè)務(wù)
視智未來：你們是什么時(shí)候開始轉(zhuǎn)型做AI數(shù)據(jù)服務(wù)的？
龍貓副總裁胡邱飛（下同）：
2016年，我們見證了國內(nèi)AI從計(jì)算機(jī)視覺、人臉識別檢測、手勢檢測到應(yīng)用場景的自動(dòng)駕駛、NLP相關(guān)的發(fā)展歷程。
公司主要是自動(dòng)駕駛和AIGC兩條業(yè)務(wù)線。做AIGC是因?yàn)槲磥硭歉蟮馁惖�，市場預(yù)計(jì)到萬億級別，模型和產(chǎn)品都需要大量單模態(tài)到多模態(tài)的數(shù)據(jù)。
比如類3D的物體標(biāo)注，以前是拿全景攝像機(jī)還原室內(nèi)場景，現(xiàn)在是第一個(gè)人寫指令，AI能看著場景找東西。
視智未來：以后是不是可以不用實(shí)拍了，直接AI標(biāo)注AIGC內(nèi)容了？
有可能。但Prompt生成的內(nèi)容和三維世界相比缺少位置信息，攝像頭沒法測距。也有人在做這樣的事情，比如谷歌李飛飛的具身智能模擬器。這個(gè)適用場景是機(jī)器人，創(chuàng)業(yè)公司好融資。
視智未來：AIGC對你們的業(yè)務(wù)產(chǎn)生了什么影響？
今年AIGC爆火后，龍貓接到了很多圖文標(biāo)注、及圖視頻標(biāo)注需求的訂單，會(huì)有很多多模態(tài)應(yīng)用場景，比如車內(nèi)座艙的文娛軟件等。
視智未來：這種手勢多模態(tài)和車機(jī)識別怎么做交互？你們在其中起到什么作用？
我們給他整體提供一套數(shù)據(jù)解決方案，了解他的應(yīng)用場景，需要什么數(shù)據(jù)。有沒有基礎(chǔ)大模型，還是需要從零開始搭？多數(shù)應(yīng)用層客戶會(huì)先選一些基礎(chǔ)大模型評測。
視智未來：他們評測還是委托你們？
有的會(huì)委托我們，比如他列一些API，我們給他研究競品。
關(guān)于標(biāo)注員
視智未來：你覺得數(shù)據(jù)行業(yè)未來會(huì)發(fā)展成像美團(tuán)那樣三到四個(gè)不同的階梯，有些是交社保的，有些是交給服務(wù)站的，有些是眾包的人力模式嗎？
現(xiàn)在已經(jīng)是這個(gè)模式了。我們線上眾包是強(qiáng)管控，但最終交付結(jié)果是計(jì)件的。
視智未來：你們線上選人有什么標(biāo)準(zhǔn)呢？
員工加入工會(huì)后，有做用戶運(yùn)營的同學(xué)管理。我們更喜歡用沒有全職工作的群體，他們有生活壓力，更穩(wěn)定。
視智未來：你們自己研發(fā)了數(shù)據(jù)標(biāo)注平臺(tái)嗎？
對，我們有自己整套的數(shù)據(jù)管理標(biāo)注系統(tǒng)。
視智未來：加入AI技術(shù)后，你們和之前相比能節(jié)省多少人力？
自動(dòng)駕駛上節(jié)省了40%，AIGC在考慮引入GPT等大語言模型校準(zhǔn)標(biāo)注結(jié)果。作為機(jī)器和人的交叉驗(yàn)證，保證輸出的質(zhì)量。因?yàn)槿藭?huì)有波動(dòng)，機(jī)器更加穩(wěn)定，偏差校
視智未來：你們現(xiàn)在眾包官方采集公會(huì)有多少人？
線上注冊用戶400多萬，活躍全職的1萬人左右。線上之外，我們在西南地區(qū)做了線下標(biāo)注基地，那邊高校多，學(xué)生素質(zhì)更高，員工500人左右。
視智未來：現(xiàn)在有AIGC后，對標(biāo)注員的素質(zhì)要求更高了嗎？
會(huì)。大模型會(huì)考察幾乎所有領(lǐng)域的通識類知識，AIGC要求標(biāo)注人員有對大模型的應(yīng)用和理解，標(biāo)注內(nèi)容要和客戶的模型價(jià)值盡量貼近，我們找的標(biāo)注人員學(xué)歷多數(shù)本科以上。
針對垂直領(lǐng)域，龍貓則會(huì)配備專業(yè)領(lǐng)域人員，比如為數(shù)學(xué)相關(guān)大模型招聘會(huì)高等數(shù)學(xué)的人，如果不是這專業(yè)的人，你根本看不出細(xì)節(jié)上的區(qū)別。
之前還接了互聯(lián)網(wǎng)問診的平臺(tái)，要求三甲醫(yī)生出數(shù)據(jù)，這數(shù)據(jù)標(biāo)注的價(jià)格很貴了。
視智未來：你們在探索怎么用AI生成訓(xùn)練素材嗎？
對，有很多公司會(huì)用大模型生成的內(nèi)容直接標(biāo)注，但是中文語料庫的理解方面一定是需要人工的。我們用GPT和人生生成的內(nèi)容進(jìn)行對比，發(fā)現(xiàn)答案的重合度只有60%左右。
視智未來：我理解是這個(gè)40%如果越大的話，說明你們的工作做得越好嗎？
可以，人工在標(biāo)注這件事情上價(jià)值會(huì)更明顯一些。
我們在嘗試通過AI技術(shù)省去標(biāo)注環(huán)節(jié)，直接進(jìn)入到審核和質(zhì)檢環(huán)節(jié)。
視智未來：我能反向理解，如果客戶在你們這要求越高，就說明這家公司的AI技術(shù)越先進(jìn)。
可以這么說，但如果某家客戶和別人的需求差異很大，也可能是算法弱。
關(guān)于業(yè)務(wù)發(fā)展
視智未來：你們的技術(shù)壁壘是什么？
第一，我們一直在主動(dòng)沉淀，會(huì)形成所謂的壟斷。公司有一個(gè)打法是做系統(tǒng)集成，之后客戶再替換，隱性成本很高。第二是公司的氛圍很好，以產(chǎn)品為驅(qū)動(dòng)，不像其他公司靠管理和人力密集。我們做項(xiàng)目要么賺錢，要么沉淀知識。在努力實(shí)現(xiàn)自動(dòng)標(biāo)注，而不是通過壓榨人力提升競爭力。
視智未來：你覺得數(shù)據(jù)公司以后競爭的點(diǎn)是什么？
數(shù)據(jù)公司要比客戶更理解他們的算法要什么數(shù)據(jù)，會(huì)有不同垂類的巨頭公司出現(xiàn)。
我們在做產(chǎn)品的數(shù)據(jù)集復(fù)售。數(shù)據(jù)集分公域和私域的數(shù)據(jù)集。公域數(shù)據(jù)集數(shù)量多，但私域更重要。
視智未來：不少人覺得數(shù)據(jù)標(biāo)注門檻低，是鄉(xiāng)村扶貧工作。
這是特例，不是行業(yè)現(xiàn)象。
視智未來：你們以后會(huì)做自己的大模型嗎？
正在做，大模型一是做輔助標(biāo)注，讀懂題目后給答案讓人眩第二是做全自動(dòng)標(biāo)注，AI直接出結(jié)果。這種情況我們會(huì)做雙盲的實(shí)驗(yàn)，比如一個(gè)答案用三個(gè)標(biāo)準(zhǔn)做一遍，里面我們會(huì)拆一個(gè)一個(gè)人或者兩個(gè)人用這種形式做，這樣不需要再做抽檢和質(zhì)檢，有些項(xiàng)目我們已經(jīng)用GPT交付了，準(zhǔn)確率方面達(dá)到了80%多，與人工接近。
關(guān)于數(shù)據(jù)采集
視智未來：數(shù)據(jù)采集上你們有新動(dòng)作嗎？
國外出現(xiàn)的一種趨勢是用戶主動(dòng)售賣自己的數(shù)據(jù)，讓數(shù)據(jù)公司得以繞開原始數(shù)據(jù)的廠商壟斷的局面。我們也在想，怎么讓那些有時(shí)間、素質(zhì)又高的人做數(shù)據(jù)輸出和標(biāo)注，比如說通過做題的方式，讓他們在小程序上答題賺錢。
產(chǎn)品設(shè)計(jì)上需要想想人性的問題，有人又想掙錢又想舒服，這樣的人員畫像和我們現(xiàn)在人員畫像有一個(gè)沖突。我們現(xiàn)在的畫像是寧可下沉，有全職時(shí)間，產(chǎn)品設(shè)計(jì)上需要想想人性的問題，有人又想掙錢又想舒服，這樣的人員畫像和我們現(xiàn)在人員畫像有一個(gè)沖突。我們現(xiàn)在的畫像是寧可下沉，有全職時(shí)間，要不然就是大學(xué)生，他們時(shí)間充沛，更好管理，也更穩(wěn)定。宣傳渠道上，龍貓基本靠口口相傳，吸引的人群類似，很少做公域推廣，否則群體不搭。產(chǎn)品要考慮怎么既保證質(zhì)量，又有爽感。到宣傳渠道，龍貓基本靠口口相傳，吸引的人群類似，很少做公域推廣，否則群體不搭。產(chǎn)品要考慮怎么既保證質(zhì)量，又有爽感。
視智未來：于數(shù)據(jù)公司而言，以后用AI做數(shù)據(jù)合成是不是很重要？
對，這種高質(zhì)量的數(shù)據(jù)集已經(jīng)不太夠了，怎么獲�。恳皇侵苯诱矣脩粜畔�，但很少有用戶愿意共享數(shù)據(jù)。但現(xiàn)在可以做數(shù)據(jù)的擬合，類似抄寫數(shù)據(jù)，一樣能達(dá)到可用的標(biāo)準(zhǔn)。AI 合成、改寫部分可以洗掉它類似的標(biāo)和專有信息，生成通用內(nèi)容。
成本方面，最好是現(xiàn)有甲方需求給到我們，再去做原始數(shù)據(jù)的融合，第一次賣出就可以賺回成本錢。也有很多有數(shù)據(jù)的甲方在自己做數(shù)據(jù)集，比如百度、京東。
視智未來：自動(dòng)化做標(biāo)注和數(shù)據(jù)集，你們擔(dān)不擔(dān)心那種混合擬合的問題，質(zhì)檢會(huì)很難。
強(qiáng)化學(xué)習(xí)上，你要給他做獎(jiǎng)勵(lì)模型，重新糾偏。其次也要看整體比例，GPT整體數(shù)據(jù)集幾十個(gè)TB，合成數(shù)據(jù)的指標(biāo)才不到10%。
做數(shù)據(jù)公司持續(xù)的壁壘，一個(gè)是的數(shù)據(jù)集合成能力，第二是給大模型做人的強(qiáng)化學(xué)習(xí)。我們也在想怎么通過小程序沉淀用戶數(shù)據(jù)。
視智未來：版權(quán)能確定嗎？
生成式AI上最新的管理意思是，你的5張照片是你的，但我拿來合成照片之后版權(quán)就是我的了。
