插畫｜AI繪圖工具Disco Diffusion
(資料圖)
全世界都在談?wù)揅hatGPT將帶來顛覆性的技術(shù)革命，但人工智能訓(xùn)練師李杰卻一點也激動不起來。
為了完成單價4分錢的計件工作，李杰和幾十個人坐在一間擺設(shè)如同初代網(wǎng)吧的屋子里，每天對著電腦劃拉鼠標(biāo)幾千次。
他的職責(zé)是為訓(xùn)練人工智能模型準(zhǔn)備“飼料”，將大量的文字、語音、圖像打上標(biāo)記——“眼珠”、“四川話”、“綠化帶”。只有被標(biāo)注過的數(shù)據(jù)，才能被人工智能模型識別，訓(xùn)練出它的分辨能力。
李杰做得最多的是道路圖片標(biāo)注，亦即給道路圖片上的物體標(biāo)注好名稱、顏色等詳細(xì)信息，業(yè)內(nèi)俗稱“拉框”。
效率高的時候，他一天可以拉2000-3000個框，按照一個框4分錢計算，他一個月能賺三千塊左右。對于職校畢業(yè)、身在西北縣城的青年來說，這份收入還過得去。
|一家數(shù)據(jù)標(biāo)注工廠
同樣的場景也出現(xiàn)在非洲的肯尼亞。該國首都內(nèi)羅畢有30多名工人，成為了ChatGPT的數(shù)據(jù)標(biāo)注員，他們每天工作9個小時，閱讀150-200段文字，并標(biāo)注出其中包含性、暴力與仇恨言論的內(nèi)容。由于每天閱讀大量極具沖擊力的文字，有人會因為一段描寫而做上一周噩夢。
這些工人能獲得每小時1.32美元的稅后收入，如果完成既定的任務(wù)，時薪可以上升至1.44美元，并有大約70美元的獎金，相當(dāng)于一個月掙2500元—3000元人民幣，比當(dāng)?shù)匾话闼{(lán)領(lǐng)工作強(qiáng)些。
在人工智能產(chǎn)品卷起巨浪的時候，從肯尼亞、烏干達(dá)再到印度、中國，水下還有一群不被看見的“人工智能訓(xùn)練師”，在簡陋的工作環(huán)境下，以最簡單的技能，與最前沿的技術(shù)產(chǎn)生了聯(lián)系。
李杰對人工智能的理解，是手機(jī)上的智能語音助手，“就好像蘋果的Siri”。
他在職校念電子商務(wù)，同學(xué)大多去了電商公司當(dāng)客服，他時常聽到同學(xué)對工作的抱怨。相較之下，數(shù)據(jù)標(biāo)注的工作枯燥，卻也純粹，他只需要按部就班地完成任務(wù)、“可以在辦公室吹空調(diào)，也沒什么難度，就是有點費眼睛”。
|給汽車進(jìn)行“拉框”，一張圖片就要重復(fù)數(shù)次類似操作
在2021年版的《人工智能訓(xùn)練師國家職業(yè)技能標(biāo)準(zhǔn)》中，對該職業(yè)的能力特征描述是“具有一定的學(xué)習(xí)能力、表達(dá)能力、計算能力；空間感、色覺正?！保毡槭芙逃潭葘懙氖恰俺踔挟厴I(yè)”。言外之意，這是一份幾乎零門檻的職業(yè)。
年過50歲的郭梅，原本在山西當(dāng)?shù)氐拿旱V上班，“抬頭是山，低頭是煤”。離開煤礦之后，她長時間找不到工作，最后成為數(shù)據(jù)標(biāo)注基地中的一名員工，每天要拉兩千個以上的框。“我從來沒有想過自己會和無人駕駛、人工智能有關(guān)系?！?/strong>
|正在給汽車?yán)虻臄?shù)據(jù)標(biāo)注員
除了“拉框”，李杰也會接到語音標(biāo)注的項目，通常是甲方采集到的不同地域、不同人群的語音，李杰必須戴上耳麥，仔細(xì)地辨認(rèn)出每一個聲音的含義。
一天下來，他要聽來自幾百個陌生人在不同場景下的發(fā)言，可能是伴隨著車流聲、喇叭聲的中年男人在馬路上大聲質(zhì)問，可能是講著廣東普通話的阿姨對著麥克風(fēng)發(fā)出指令，有時候，他甚至?xí)牭脚K話。
這些聲音被李杰一一轉(zhuǎn)錄成準(zhǔn)確的文字，有時還需要打上說話人的性別、情緒等更細(xì)分的標(biāo)簽，最后教會人工智能模型理解人類的語言，用于智能客服、智能音箱、地圖導(dǎo)航等產(chǎn)品中。
人工智能的三大基石是數(shù)據(jù)、算力與算法，數(shù)量越多質(zhì)量越高的數(shù)據(jù)，往往越能夠訓(xùn)練出更“聰明”的模型。
人工智能的主流方向是深度學(xué)習(xí)。在過去，由人來告訴機(jī)器，貓身上都有哪些特征，機(jī)器根據(jù)這些特征判斷一個物體是不是貓；深度學(xué)習(xí)則是通過“喂養(yǎng)”大量不同貓的圖片，機(jī)器就能自行歸納出貓的特征。這就需要大量經(jīng)人工標(biāo)注的圖片，俗話說，有多少智能，就得付出多少人工。
數(shù)據(jù)標(biāo)注領(lǐng)域有過一個神話——ImageNet項目。這個項目數(shù)據(jù)庫擁有超過1400萬張已被標(biāo)注的圖片，其中識別出的物體種類超過20000種——包括120個不同品種的狗。
|ImageNet圖片集中有1400多萬張標(biāo)注圖片，其中超100萬張帶有邊框
項目源于斯坦福大學(xué)的人工智能專家李飛飛。2009年，業(yè)內(nèi)普遍研究方向都是模型與算法，她另尋蹊徑，改進(jìn)數(shù)據(jù)質(zhì)量。如今，ImageNet已經(jīng)是世界上最大的圖像識別數(shù)據(jù)庫，被用于成千上萬個人工智能研究項目和實驗。
而在ImageNet項目背后，是來自167個國家的5萬名數(shù)據(jù)標(biāo)注員，他們足足花了三年時間才完成了全部圖片的標(biāo)注。
李杰算是圖片標(biāo)注的老手了，通常發(fā)給他的數(shù)據(jù)包內(nèi)通常會有數(shù)百張不等的道路拍攝照片，李杰需要按照項目方的要求，對道路上的車輛、行人、綠化帶等物體標(biāo)注。另外還有一種常見的標(biāo)注任務(wù)，則是標(biāo)注道路的車道線。
這種數(shù)據(jù)標(biāo)注要求特別多，“框框不能超過也不能小于，更不能漏點，一出錯誤驗收不合格就得重新拉”。這些數(shù)據(jù)的最大流向是用于自動駕駛的機(jī)器學(xué)習(xí)，要確保駕駛安全，通常需要提供數(shù)以百萬計的標(biāo)注數(shù)據(jù)對人工智能加以訓(xùn)練——背后則是無數(shù)在電腦前點擊鼠標(biāo)、敲擊鍵盤的李杰們。
貴陽，大數(shù)據(jù)之城。
在距離貴陽市中心約50公里的惠水縣百鳥河數(shù)字小鎮(zhèn)，有一家擁有超過500名數(shù)據(jù)標(biāo)注員的公司夢動科技——其中的一半人，是附近盛華職業(yè)學(xué)院的學(xué)生。
大三學(xué)生鄭成安在夢動科技實習(xí)，公司里的全職員工只有十來個人，管理層也是學(xué)校里的老師，“上課就是上班，老師就是經(jīng)理”。
|位于百鳥河數(shù)字小鎮(zhèn)的盛華職業(yè)學(xué)院
他很熱愛這份工作，數(shù)據(jù)標(biāo)注給了他生活多一種選擇。他在上高職之前甚至沒碰過電腦，現(xiàn)在卻可以憑借一份電腦前的兼職，一個月能拿到1500元以上的收入。
鄭成安所在的惠水縣，在貴陽88個縣區(qū)中經(jīng)濟(jì)水平排在中游，2020年時的GDP為139.16億元，農(nóng)村常住居民人均可支配收入12924元——相當(dāng)于每月1000元出頭。
有時候為了多掙一些生活費，碰上緊急的項目，鄭成安會主動加班。他清楚地知道，標(biāo)注員的工作很難一直做下去，他暗自下定目標(biāo)，要成為管理標(biāo)注員的人。
像貴陽這樣的城市，中國不止一個。
數(shù)據(jù)標(biāo)注產(chǎn)業(yè)的誕生最早可以追溯到2005年。當(dāng)時，著名計算機(jī)視覺專家、人工智能專家朱純松從美國回到了故鄉(xiāng)湖北鄂州，創(chuàng)辦了蓮花山研究院，籌建據(jù)稱是當(dāng)時世界上最早的大數(shù)據(jù)標(biāo)注團(tuán)隊。
在深度學(xué)習(xí)成為人工智能主流之后，日益增長的互聯(lián)網(wǎng)大數(shù)據(jù)成為了人工智能的最好養(yǎng)分。
據(jù)數(shù)據(jù)公司IDC統(tǒng)計，全球每年生產(chǎn)的數(shù)據(jù)量將從2016年的16.1ZB猛增至2025年的163ZB，其中80%-90%都是原始數(shù)據(jù)數(shù)據(jù)。這些在經(jīng)過清洗和標(biāo)注后，變成標(biāo)準(zhǔn)化格式數(shù)據(jù)，才能被人工智能所理解。
作為勞動密集型產(chǎn)業(yè)，數(shù)據(jù)標(biāo)注企業(yè)更多地選在三四線城市落地，地方政府無論是為了扶貧或是搭上互聯(lián)網(wǎng)的順風(fēng)車，都能與互聯(lián)網(wǎng)公司們一拍即合。
2018年，位于太原的山西轉(zhuǎn)型綜合改革示范區(qū)就與百度達(dá)成合作，打造了號稱“全國范圍內(nèi)人員和產(chǎn)值規(guī)模最大的單體數(shù)據(jù)標(biāo)注基地”，基地占地面積超1萬平米，已經(jīng)引進(jìn)了至少35家數(shù)據(jù)標(biāo)注公司，超過2000名數(shù)據(jù)標(biāo)注員。
|百度山西數(shù)據(jù)標(biāo)注基地
在新疆和田，有4000人在當(dāng)?shù)氐臄?shù)字經(jīng)濟(jì)產(chǎn)業(yè)園從事數(shù)據(jù)標(biāo)注工作，和田地區(qū)更是拋出了“數(shù)據(jù)標(biāo)注產(chǎn)業(yè)之都”和10萬人數(shù)據(jù)標(biāo)注就業(yè)基地的目標(biāo)。
在河南，數(shù)百家數(shù)據(jù)標(biāo)注公司從無到有；在濟(jì)南，山東第一個數(shù)據(jù)標(biāo)注基地，已經(jīng)容納了1500名“人工智能訓(xùn)練師”；在新三板上市的數(shù)據(jù)堂，也在保定、合肥，分別建立了容納數(shù)百名數(shù)據(jù)標(biāo)注員同時工作的基地。
而數(shù)據(jù)標(biāo)注員身上的標(biāo)簽是“互聯(lián)網(wǎng)民工”、“賽博流水線”。而對于絕大多數(shù)身在其中的人而言，一個互聯(lián)網(wǎng)版的富士康，已經(jīng)是當(dāng)下不可多得的選擇。
當(dāng)數(shù)據(jù)標(biāo)注成為“風(fēng)口”，淘金者也隨之而來。
2017年，周華偶然在朋友口中得知，做數(shù)據(jù)標(biāo)注能賺錢，剛剛創(chuàng)業(yè)失敗的他，決定再賭一把。
他算過一筆賬，一名數(shù)據(jù)標(biāo)注員一個月的產(chǎn)值能到7000元，除掉3000元的工資和質(zhì)檢、場地設(shè)備等費用，還能賺1500元。“如果招100個人，一個月就賺15萬元?！?/strong>
他找來合作伙伴，采購電腦、確定場地，又迅速地招聘了一批沒有學(xué)歷、工作經(jīng)驗要求的數(shù)據(jù)標(biāo)注員，緊鑼密鼓地接單。
|正在工作的數(shù)據(jù)標(biāo)注員
此時的數(shù)據(jù)標(biāo)注產(chǎn)業(yè)，趕上人工智能創(chuàng)業(yè)潮。根據(jù)前瞻產(chǎn)業(yè)研究院統(tǒng)計，數(shù)據(jù)標(biāo)注公司從2014年開始不斷增加，并在2017年達(dá)到高峰，當(dāng)年數(shù)據(jù)標(biāo)注相關(guān)融資事件達(dá)到9起，到2021年4月，已經(jīng)有有18家公司獲得融資，投融資事件39起。
數(shù)據(jù)標(biāo)注行業(yè)有三種不同的公司，一種是大型互聯(lián)網(wǎng)公司內(nèi)部的數(shù)據(jù)標(biāo)注部門，處理公司內(nèi)部的數(shù)據(jù)；一種是像數(shù)據(jù)堂這類有自己基地的數(shù)據(jù)標(biāo)注公司，他們有獨立承接訂單的能力，甚至外包給第三方；數(shù)量最多的則是以工作室形態(tài)存在的小公司，他們通常只能在眾包平臺上接單，或者第三方中介公司轉(zhuǎn)過來的層層分包的訂單——在平臺上，他們或被稱為“公會”、“團(tuán)隊”。
周華的工作室便屬于最后一種，當(dāng)時主要依賴百度眾測的平臺訂單，平臺上會分發(fā)各類任務(wù)，在行業(yè)內(nèi)稱為“放題”，包括數(shù)據(jù)采集、圖片標(biāo)注、文本標(biāo)注等。據(jù)百度眾測的數(shù)據(jù)，平臺上有2500萬的注冊用戶。
但百度眾測上的單并不是都能到周華的手里。有時候他必須主動承接一些二手乃至三手的訂單，那些掌握渠道的公司則可以賺取差價。
同樣和他一樣撞上風(fēng)口的，還有當(dāng)時還是創(chuàng)業(yè)公司的星塵數(shù)據(jù)。
星塵數(shù)據(jù)的創(chuàng)始人章磊，在華爾街、硅谷工作10年，曾在投資平臺CircleUp擔(dān)任資深數(shù)據(jù)科學(xué)家。2017年回國時，他本想繼續(xù)在投資領(lǐng)域創(chuàng)業(yè)，嘗試打造一個投研機(jī)器人——通過對大量公司年報、招股書等金融文檔的學(xué)習(xí)，輔助投資人決策。當(dāng)時國內(nèi)的數(shù)據(jù)標(biāo)注往往往往只能機(jī)械化地完成客戶需求，這種“新穎”的數(shù)據(jù)標(biāo)注要求，業(yè)內(nèi)難以實現(xiàn)。章磊卻看到了機(jī)會。
他創(chuàng)辦的星塵數(shù)據(jù)，號稱為客戶量身打造數(shù)據(jù)標(biāo)注方案。這家位于北京三里屯的公司，早在2018年1月就完成1000萬元人民幣的Pre-A輪融資，最新在去年8月又完成了5000萬人民幣的A輪融資，如今更多是做“數(shù)據(jù)標(biāo)注平臺”的生意——他們會去競標(biāo)大公司給出的數(shù)據(jù)標(biāo)注訂單，再分包給類似一些小型的“數(shù)據(jù)工廠“，周華是他們的其中一個合作伙伴。
2005年成立的海天瑞聲，在此次生成式人工智能風(fēng)潮中更是“賺麻了”。這家在業(yè)內(nèi)以語音數(shù)據(jù)標(biāo)注著稱的公司，21年在科創(chuàng)板成功上市，今年一月以來，股價從每股60元左右暴漲到了每股超過200元。
|海天瑞聲最早從語音標(biāo)注項目起家
畢竟對于國內(nèi)眾多研發(fā)人工智能的大廠而言，基礎(chǔ)的數(shù)據(jù)標(biāo)注是剛需，卻不可能永遠(yuǎn)自己來做。那么只要有訂單，無論是周華這樣的工作室，還是海天瑞聲、星塵數(shù)據(jù)這樣的大公司，都能賺個盆滿缽滿。并非所有入局者都能有周華的運氣，周華就知道不少同行，因為訂單缺乏、結(jié)算周期長，公司早早退場。
當(dāng)然，隨著GPT-4和文心一言的陸續(xù)出場，人工智能正“升級換代”，數(shù)據(jù)標(biāo)注行業(yè)也伴隨著新的變化。
人工智能研究者們已經(jīng)開始嘗試向機(jī)器“喂養(yǎng)”未標(biāo)注的數(shù)據(jù)與部分標(biāo)注數(shù)據(jù)，亦即“半監(jiān)督學(xué)習(xí)”，而不依賴于人工標(biāo)注的自監(jiān)督學(xué)習(xí)與數(shù)據(jù)標(biāo)注，也在業(yè)界開始出現(xiàn)實踐。
去年6月底，美國加州圣馬特奧縣的特斯拉辦公室，多名特斯拉員工在一次會議中被告知，他們被裁員了。最終被裁員的200人中，大多數(shù)都是數(shù)據(jù)標(biāo)注員。特斯拉目前正在開發(fā)的計算機(jī)Dojo，就采用自監(jiān)督學(xué)習(xí)技術(shù)，用于訓(xùn)練人工智能模型，對數(shù)據(jù)標(biāo)注的需求正越來越低。
|非洲的數(shù)據(jù)標(biāo)注員
騰訊、阿里、字節(jié)跳動等一眾大廠，也都在研發(fā)自監(jiān)督學(xué)習(xí)的算法，甚至有些數(shù)據(jù)標(biāo)注公司也都已經(jīng)有60%內(nèi)容來自于機(jī)器的自動化標(biāo)注。
李杰聽過一個說法，數(shù)據(jù)標(biāo)注員是“人工智能的老師”，是他和同事們?nèi)諒?fù)一日的拉框，教會了人工智能理解人類世界。
但他從沒想過，當(dāng)人工智能時代真正到來的那一天，取代他們的，恰恰會是自己曾經(jīng)的學(xué)生。
（為保護(hù)隱私，文中人物均為化名）
參考資料：
TIME《 OpenAI Used Kenyan Workers on Less Than $2 Per Hour to Make ChatGPT Less Toxic》
財經(jīng)《火爆“智能”下的慘淡“人工”》
第一財經(jīng)《人工智能背后的“人工”：誰在訓(xùn)練AI？》
關(guān)鍵詞：
