逐浪AIGC?｜AI催生“數據標注員”需求 數據質量或釋放更多價值

南方財經全媒體記者江月 上海報道人工智能產業發展催生了“新流水線工人”，時薪介于10元至30元之間，它時髦的新名字叫“數據標注員”。

人工智能大模型給人們帶來強烈的智慧沖擊，令人驚嘆于它前沿的神經網絡研究、精密的計算機設備和光鮮亮麗的精英人才結構。然而，這種智慧背后還有極致枯燥的工作。

(資料圖片)

近期，南方財經全媒體記者留意到，全國多地數據標注招聘市場火熱、相關創業模式也不斷涌現。提升數據質量成為人工智能開發商“彎道超車”的一記策略，但為相關勞動者提升工作價值，也是長遠發展中不容忽視的問題。

數據標注市場需求大增

“10元-30元/小時（與項目難度呈正相關，3D類>語音類>2D類>普通拉框轉寫類、打碼類）?！?月13日，南方財經全媒體記者在招聘App“Boss直聘”上看到一則招聘廣告中如是寫道。在AI產業中，這類崗位令人聯想起電子廠的“流水線”工作。

2023年春天，市場的關注度被“大模型”吸走了一大半，但有一批公司正轉移到“數據端”另辟蹊徑，這是他們抓住這波AI浪潮的機遇。

算力、算法、數據，是人工智能的“三駕馬車”。一位從事計算視覺的程序員告訴南方財經全媒體記者：“對某些公司而言，算力、算法提優，遠遠沒有數據提優的效益大。”

眼下，算力和算法的賽道上，頭部公司最為耀眼。無論是微軟、谷歌、OpenAI，還是華為、阿里、百度，對大模型斥下的資金成本令其他公司望塵莫及，購買芯片動輒上千萬元，高薪聘請（或“挖角”）人才更不計代價。

不過變革席卷全行業，“幕后英雄”也浮出水面。4月初在復旦大學舉行的一場研討會上，計算機科學技術學院教授、MOSS系統負責人邱錫鵬提到，OpenAI的成功不止來自大家津津樂道的模型、微軟提供的昂貴算力，也得益于外包的專業數據清洗公司。

美國某高校數據分析碩士專業畢業生李夢（化名）告訴南方財經全媒體記者，她目前正在一家生物醫藥公司實習，所做的工作正是優化數據標注程序。

“大模型依賴數據訓練，但要先做好數據采集、清洗、標注和質檢。”李夢介紹。

數據標注領域知名學術人物李飛飛，在2009年發布了ImageNet數據集的論文，激起一場算法競賽。依托ImageNet海量得到標注的圖片，算法公司展開了圖像識別的競賽，最低錯誤率者獲勝。直到現在，很多人將ImageNet視為本輪人工智能浪潮的催化劑。

如今，數據標注依然如此重要，且有更大需求量。人工智能在哪個行業施展拳腳，就需要哪個行業給模型大量“喂料”，這不局限于城市安防、物聯網、交通、生物制藥。

數據標注的“顆粒度”也在提升。4月5日，Meta人工智能實驗室發表了有關Segment Anything這一計算視覺模型和數據集的論文。論文中提到，需要人工標記的圖片高達12萬張，平均每張圖片有44個圖層，每個圖層的標注時間需要14秒?？傮w計算之下，人工標注的時間需要20533個小時。如果聘用一個百人團隊每天工作9個小時，這需要23天。

枯燥無味的流水線工作

“如果數據量太大，一般公司會雇外包公司承擔?！崩顗粝蛴浾咧赋?。外包公司將數據標注變成了算計件工分的一種工作。

按照前述Boss直聘App上的廣告，時薪價格依據工作內容不等。時薪能達到30元檔的是指3D類工作，一般是對實際場景中的特定事物進行標注，例如對一條道路上的雷達車道線、雷達目標拉框。接著是語音類，是指對音轉文、方言轉寫、喚醒助手等進行標注。

2D類被認為更簡單，是指對平面圖像、文字段落進行標注，或者是OCR（文字識別）轉寫，例如對交通違規圖片里的人和車、紅綠燈、交通標示進行識別。

價格最低的打碼類，是指驗證碼里的計算題、哪些圖片中含有火車這類工作。

“數據標注十分枯燥無味，純體力活，每標注200個就有一種想吐的感覺。”正在浙江某高校讀研的小何對南方財經全媒體記者表示。

以此謀生的數據標注師，工作強度可能更為難忍，除了需要耐心在電腦前面坐上幾小時、耗盡眼力，可能還要面對原始數據里的限制級內容，涉及性、暴力、仇恨言論等。

數據標注產業正在持續爆發。早在2021年，人社部就發布了《人工智能訓練師》國家職業技能標準，覆蓋數據標注員、人工智能算法測試員兩個工種，反映當時相關產業已經成勢。這份標準將人工智能訓練師分為5個等級，從初級工到高級技師。

數據標注看似“無腦”，但卻因實際落地需要而需要嚴謹的工作態度。比方說，如果對自動駕駛領域的標注缺乏質量把控，那么相關軟件就無法令汽車安全地行駛在道路上。

然而，圍繞著數據標注員的低薪、長期伏案、內容重復和精神壓力，社會輿論也正圍繞著相關職業保護而發酵。如果無法改善數據標注師的工作環境、提升價值，這種職業的長久性仍令人存疑。

市場前景看漲

近期，南方財經全媒體記者從數個招聘渠道了解到，從北京、上海、廣州到陜西榆林市清澗縣、“大數據之城”貴陽市的惠水縣百鳥河數字小鎮，數據標注公司正在市場上急迫地發出招聘廣告。與此對應的是，數據標識公司本身也被視為利益潛力大增的投資標的。

記者發現，數據標識行業“個體戶”正大量涌現。在百度貼吧上，大量項目正在召集所謂“團隊”接標，從發帖內容可以看出，只要有一個相對固定人數、固定工作時長的團隊，就可以接下大公司分發下來的項目標。有從業者介紹，刨去場地租賃、電腦和桌椅配置、每月水電費、人工開支，這種個體分包商賺取的是中間差價。

不過，這個行業當然也正向著規?；?、公司化的方向發展。行內有兩種類型的公司，一種是大型互聯網公司的內部部門、一種是外包公司。后者正成為資本市場上的“香餑餑”。

2021年登陸科創板的海天瑞聲，今年股價從1月初的60元水平一度暴漲至超過200元。該公司從事語音識別、語音合成、自然語言處理、計算機視覺等數據集技術開發。2022年，該公司收入達到2.63億元，和2021年相比僅增長27.3%，凈利潤則微跌6.56%至2953萬元。盡管如此，按照4月12日收盤價每股187元計算，該公司市值已經達到80億元，動態市盈率為326倍。

未上市的公司也獲得了更多的資本青睞。2022年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。這也反映，資本市場可能正重新關注這個新興領域。

“由于‘廉價勞動力’常常是數據標注公司的招牌，致使其無法獲得足夠的重視?！毙菈m數據在其官方一篇新聞稿中這樣寫道。該公司稱，正通過自動化來提升標注效率。

人工智能的飛輪滾動，數據還在海量增長。數據公司Exploding Topics的數據顯示，2023年全球新增數據或將達到120ZB，2025年近一步達到181ZB。其中，美國、德國、英國、中國是排名前四的數據產生大國。

不過，業內正在爭議“以數據為中心的人工智能”是否將取代“以模型為中心的人工智能”。知名人工智能學者吳恩達（Andrew Ng）是前一論點的持有者，他曾多次強調，有標注的高質量數據才能釋放人工智能的價值，如果業界將更多精力放在數據質量上，人工智能的發展會更快。

基于原始數據增長而產生的數據標注，因此也仍繼續擴大，并將市場需求而價值波動。華經產業研究院在近期的一份報告中預測，到2029年中國數據標注市場規模將達到204.3億元。這和2019年的43.3億元相比，增長了大約3.7倍。

數據標注行業能否在未來去除“人力工廠”的標簽，又將如何用自動化和技術手段提升數據策略、融入AI更高階的發展浪潮中？人們拭目以待。

關鍵詞：