AI訓(xùn)練下半場，數(shù)據(jù)成為關(guān)鍵詞。

新眸原創(chuàng)·作者 | 簡瑜

兩個(gè)月前，Meta豪擲約150億美元（約合人民幣1078億元）入股Scale AI，一舉拿下49%股份。交易完成后，Scale估值被推高至290億美元。

作為硅谷AI賽道近幾年最猛的黑馬，Scale AI從成立到估值飆升至138億美元，僅用了5年時(shí)間，幾乎創(chuàng)造了一個(gè)行業(yè)的神話。

這家公司的主業(yè)，是數(shù)據(jù)標(biāo)注。低成本的員工門檻和海量的人工參與，這個(gè)看似枯燥且“苦力活”的領(lǐng)域，長期以來被視為是AI產(chǎn)業(yè)鏈里最不性感、最缺乏想象力的一環(huán)。

然而，正是憑借這門“臟活累活”，Scale在大模型時(shí)代迅速完成了從幕后到臺前的躍遷，成為硅谷最炙手可熱的明星公司。Meta的出手，則進(jìn)一步將數(shù)據(jù)標(biāo)注這個(gè)原本處于產(chǎn)業(yè)底層的環(huán)節(jié)，推向了聚光燈下。

更耐人尋味的是，這場收購并不僅僅是資本層面的“下注”。

作為交易的一部分，Scale創(chuàng)始人兼CEO汪滔將卸任，帶領(lǐng)部分核心員工加入Meta，組建所謂的「超級智能小組」，同時(shí)保留Scale董事會席位。換句話說，Meta買的不只是數(shù)據(jù)，更是汪滔本人的戰(zhàn)略眼光和執(zhí)行能力。

這場來勢洶洶的收購背后，折射出的是Meta的數(shù)據(jù)焦慮。

2024年，Meta推出的Llama4Behemoth，曾因訓(xùn)練數(shù)據(jù)質(zhì)量問題飽受詬病，原因在于Llama4Behemoth約30%的語料源自低質(zhì)量社交媒體內(nèi)容，導(dǎo)致模型在多模態(tài)理解、長文本推理等核心指標(biāo)上，仍落后GPT-4.5約12%。對Meta而言，缺乏高質(zhì)量數(shù)據(jù)成為了限制其模型追趕的最大短板。

某種程度上，在AI模型訓(xùn)練對數(shù)據(jù)依賴日益加深的當(dāng)下，數(shù)據(jù)標(biāo)注作為模型訓(xùn)練的第一道防線，其戰(zhàn)略地位正在被重新估值。

從苦力活到智能化 數(shù)據(jù)標(biāo)注進(jìn)化之路

什么是數(shù)據(jù)標(biāo)注？

一句話概括，就是給原始數(shù)據(jù)打上標(biāo)簽，把“人類能理解的信息”轉(zhuǎn)化為“AI能識別的訓(xùn)練樣本”。比如在自動駕駛場景中，采集車上傳的只是道路影像，但AI無法直接看懂。只有當(dāng)人類標(biāo)注員把車道線、路牌、行人等元素逐一框選、標(biāo)記，這些影像才真正具備訓(xùn)練價(jià)值。

在這個(gè)行業(yè)里，大致存在三類玩家：

第一類是純?nèi)肆π凸�司。依靠大量低成本勞動力完成�?biāo)注，適合做圖像分類、語音轉(zhuǎn)寫等標(biāo)準(zhǔn)化任務(wù)。技術(shù)門檻不高，客戶往往需要自帶工具和平臺，符合大眾對“數(shù)據(jù)標(biāo)注就是體力活”的固有印象。

第二類是互聯(lián)網(wǎng)大廠的眾包平臺。典型代表如京東眾智、百度眾測，主要用于滿足公司自身業(yè)務(wù)場景需求，再通過眾包機(jī)制把任務(wù)拆解、分發(fā)給外部勞動力池。

第三類則是智能型服務(wù)商。這類公司具備自主研發(fā)平臺和算法能力，能提供自動化標(biāo)注工具、質(zhì)量控制體系以及高度定制化的解決方案，尤其擅長3D點(diǎn)云、多模態(tài)等復(fù)雜任務(wù)，往往在效率和準(zhǔn)確性上顯著領(lǐng)先同行。

長期以來，前兩類公司本質(zhì)上都是“人力堆砌型”企業(yè)，規(guī)模和利潤空間有限，天花板非常明顯。尤其是第一類，更多時(shí)候只是第三類智能公司的外包池子。事實(shí)上，今天大多數(shù)頭部智能型企業(yè)，幾乎都是從這種人力公司一步步進(jìn)化而來。

以行業(yè)龍頭Scale AI為例，它的前身其實(shí)叫“ScaleAPI”。最初，它并不是一家數(shù)據(jù)平臺公司，而是提供一個(gè)“人力API”：開發(fā)者只需寫一行代碼，就能調(diào)度一支遠(yuǎn)程勞動力團(tuán)隊(duì)，幫忙完成內(nèi)容審核、數(shù)據(jù)提取、預(yù)約安排等瑣碎任務(wù)。

這種以人工驅(qū)動的輕量模式，既幫Scale拿下了豐田、本田等早期大客戶，也積累了大量高價(jià)值數(shù)據(jù)。

有了基礎(chǔ)數(shù)據(jù)的積累，再加上AI能力的升級，自2018年起，Scale就開始逐步用模型替代掉部分重復(fù)性、套路化的人力工作，構(gòu)建起一套“機(jī)器預(yù)標(biāo)注+人工復(fù)核”的混合工作流。先由算法完成預(yù)標(biāo)注，再由人工專家審核和修正。

這種AI代替的模式，為公司的效率和質(zhì)量帶來了雙重提升。根據(jù)OpenAI的測算，ChatGPT的平均標(biāo)注成本低于0.003美元，比傳統(tǒng)眾包平臺便宜20倍。而在準(zhǔn)確率上，GPT-4完成的標(biāo)注結(jié)果可達(dá)到88.4%，甚至超過了人類標(biāo)注員的86.2%。

全球數(shù)據(jù)標(biāo)注版圖：美國為何能占四成？

根據(jù)DMR（DimensionMarketResearch）在2024年7月發(fā)布的預(yù)測報(bào)告，全球數(shù)據(jù)標(biāo)注行業(yè)市場規(guī)模約為20億美元，其中美國市場規(guī)模為8.38億美元，占據(jù)約40%的份額。這也是目前能查到的最新數(shù)據(jù)。

為什么美國能長期占據(jù)全球數(shù)據(jù)標(biāo)注的主導(dǎo)地位？

一方面，數(shù)據(jù)標(biāo)注本質(zhì)上是人力密集型產(chǎn)業(yè)。標(biāo)注員的工作門檻低、流動性大，導(dǎo)致人力幾乎成為成本控制的核心競爭力。

為了減輕組織壓力，企業(yè)通常會選擇外包或眾包的方式來派發(fā)項(xiàng)目。在這一點(diǎn)上，美國公司憑借全球化分工的優(yōu)勢，將基礎(chǔ)標(biāo)注任務(wù)外包給低成本國家，實(shí)現(xiàn)了極致的成本壓縮。

典型的例子，Scale AI通過旗下眾包平臺Remotasks，它將最基礎(chǔ)的框選標(biāo)注任務(wù)分發(fā)給菲律賓、肯尼亞等低成本地區(qū)。除官網(wǎng)披露的900名正式員工外，其平臺上注冊工人超過24萬人，遍布全球。

其次，在技術(shù)水平和自動化程度上，國內(nèi)外廠商存在明顯差距。目前國內(nèi)最大的標(biāo)注公司云測數(shù)據(jù)，早在2021年就嘗試引入自動標(biāo)注功能，但應(yīng)用范圍仍主要集中在智能駕駛領(lǐng)域；另一家專注語音的海天瑞聲，也在研發(fā)自動語音切割等工具，但整體智能化水平有限，仍高度依賴人工。

相比之下，Scale AI在2018年就布局自動化標(biāo)注，雖然同樣是自動駕駛起家，但業(yè)務(wù)已經(jīng)擴(kuò)展到語言、金融、醫(yī)療甚至軍事等領(lǐng)域。

更重要的是，Scale AI不只是一家單純的數(shù)據(jù)標(biāo)注商公司，此次 Meta重金挖走的汪滔，被稱為華裔“天才少年”，19歲那年從美國麻省理工學(xué)院輟學(xué)，創(chuàng)立Scale AI，在最近的一段采訪中，他提到，不僅是數(shù)據(jù)標(biāo)注，在招聘流程、質(zhì)控流程、數(shù)據(jù)分析、銷售報(bào)告等環(huán)節(jié)，Scale AI都已經(jīng)實(shí)現(xiàn)了自動化管理。

某種程度上來說，作為一個(gè)因大模型訓(xùn)練需求而誕生的行業(yè)，國內(nèi)企業(yè)布局的短板，很大程度上是由市場需求的缺失所決定的。

數(shù)據(jù)標(biāo)注最大的兩個(gè)服務(wù)場景分別是大模型和自動駕駛，而這兩個(gè)產(chǎn)業(yè)的絕對主力軍大多分布美國。出于數(shù)據(jù)天然涉及隱私和安全考量，企業(yè)更傾向于選擇本國標(biāo)注商合作。

正因此，美國既孕育出了Scale這樣的全能型選手，還有surgeAI、Turing這樣面向微調(diào)服務(wù)，以及Lionbridge這樣面向文本、語音的數(shù)據(jù)公司。

相比之下，國內(nèi)由于本身勞動力較為密集，互聯(lián)網(wǎng)大廠通常會采用眾包模式而非專門標(biāo)注公司，且在部分模型采用蒸餾的前提下，國內(nèi)市場需求要遠(yuǎn)少于國外。

大模型下半場，數(shù)據(jù)標(biāo)注地位正在反轉(zhuǎn)

隨著AI技術(shù)的快速迭代，業(yè)界曾一度流傳一種觀點(diǎn)：AI標(biāo)注與合成數(shù)據(jù)將徹底取代人工標(biāo)注。但就目前的技術(shù)現(xiàn)實(shí)而言，這種可能性依然遙遠(yuǎn)。

AI標(biāo)注的前提，是數(shù)據(jù)結(jié)構(gòu)和規(guī)則高度明確，并且有充足的歷史樣本支撐。因此，它的應(yīng)用范圍天然受限，目前仍只能覆蓋交通圖像、人臉識別等較為標(biāo)準(zhǔn)化的任務(wù)。

在工作流上，AI主要替代的是標(biāo)注的中游環(huán)節(jié)，而規(guī)則制定、質(zhì)量把關(guān)等關(guān)鍵節(jié)點(diǎn)，仍然需要人工介入。

與此同時(shí)，隨著大模型逐漸強(qiáng)調(diào)垂直化場景，訓(xùn)練重心也從預(yù)訓(xùn)練轉(zhuǎn)向了強(qiáng)化學(xué)習(xí)。不同于預(yù)訓(xùn)練對數(shù)據(jù)質(zhì)量要求相對寬松，強(qiáng)化學(xué)習(xí)更依賴高精細(xì)度和專業(yè)化數(shù)據(jù)，常常涉及醫(yī)療影像、法律文本、情感語言等高門檻領(lǐng)域。

這種變化使得標(biāo)注員的角色愈發(fā)復(fù)雜。

他們不僅要具備專業(yè)知識，還需要抽象思維與跨學(xué)科能力。正如一位業(yè)內(nèi)人士所說，如今的任務(wù)往往牽涉推理鏈條、多模態(tài)對齊等新場景，“早已不是簡單的框選和分類能夠解決的”。

Surge AI就是這一趨勢的典型代表。該公司自2020年創(chuàng)立起，就將核心放在高質(zhì)量數(shù)據(jù)的生成上，例如為編程模型提供優(yōu)質(zhì)代碼數(shù)據(jù)，以提升模型性能。憑借這種定位，SurgeAI在2024年的營收已達(dá)到10億美元，甚至超越了行業(yè)老大Scale AI的8.7億美元。

另一條被寄予厚望的替代路徑是合成數(shù)據(jù)。理論上，它能夠在數(shù)據(jù)不足時(shí)填補(bǔ)空缺，但現(xiàn)實(shí)問題不容忽視：合成數(shù)據(jù)畢竟是在既有條件下生成的，當(dāng)現(xiàn)實(shí)場景發(fā)生變化，它難以保持有效性；同時(shí)，數(shù)據(jù)安全風(fēng)險(xiǎn)也限制了其大規(guī)模泛化的可能。

從這個(gè)角度來看，數(shù)據(jù)標(biāo)注并不會消失，而是會向更高質(zhì)量、更強(qiáng)專業(yè)化方向演進(jìn)。

回顧過去，數(shù)據(jù)標(biāo)注長期被視為“三駕馬車”里最弱的一環(huán)：算法有OpenAI，算力有英偉達(dá)，而在數(shù)據(jù)標(biāo)注領(lǐng)域，即便是行業(yè)龍頭Scale AI，其市值也不到OpenAI的十分之一。

究其原因，很大程度上源于行業(yè)門檻低、收入上限有限。但當(dāng)AI模型訓(xùn)練進(jìn)入下半場，數(shù)據(jù)標(biāo)注的技術(shù)壁壘被不斷拔高，Meta對Scale AI的收購，只是一個(gè)開始，在不遠(yuǎn)的將來，數(shù)據(jù)資源正在被推向產(chǎn)業(yè)競爭的核心。

       原文標(biāo)題 : 大模型下半場：誰在掘金數(shù)據(jù)標(biāo)注？