國(guó)產(chǎn)ChatGPT還沒火，數(shù)據(jù)標(biāo)注公司已經(jīng)漲了幾輪。
創(chuàng)業(yè)邦（ID：ichuangyebang）原創(chuàng)
作者丨洪雨晗
(資料圖)
編輯丨昝立永
題圖丨unsplash
國(guó)內(nèi)又一AI領(lǐng)域的大牛宣布進(jìn)軍大模型領(lǐng)域創(chuàng)業(yè)。
3月19日晚，創(chuàng)新工場(chǎng)董事長(zhǎng)兼CEO李開復(fù)在朋友圈發(fā)布消息稱其正在親自籌組 Project AI 2.0，一個(gè)致力打造 AI 2.0 全新平臺(tái)和 AI-first 生產(chǎn)力應(yīng)用的全球化公司。李開復(fù)認(rèn)為目前的人工智能應(yīng)用，僅僅是AI 2.0 能力的開端，而在他的計(jì)劃中，Project AI 2.0 不僅僅要做中文版 ChatGPT，更要去引領(lǐng)全球的人工智能浪潮。
李開復(fù)表示：“AI 2.0帶來(lái)的平臺(tái)型機(jī)會(huì)將比移動(dòng)互聯(lián)網(wǎng)大十倍，這也是中國(guó)第一次迎來(lái)平臺(tái)競(jìng)逐的機(jī)會(huì)。新平臺(tái)上所有用戶入口和界面都將被重寫，能夠建立下一代平臺(tái)的公司將會(huì)取得巨大的優(yōu)勢(shì)和話語(yǔ)權(quán)。”
上周是人工智能領(lǐng)域有史以來(lái)最瘋狂的一個(gè)星期，從GPT-4、Microsoft 365 Copilot、Midjourney V5、Google PaLM API、文心一言，再到周末晚李開復(fù)朋友圈發(fā)布“英雄帖”，人工智能領(lǐng)域的一枚枚重磅炸彈讓人應(yīng)接不暇。
在大模型以及ChatGPT的消息刷屏，各AI領(lǐng)域的大牛集結(jié)向國(guó)產(chǎn)大模型發(fā)起沖擊之時(shí)，其實(shí)有一家公司在數(shù)月前ChatGPT火熱之時(shí)已經(jīng)賺麻了。
站上風(fēng)口，老天喂飯
從上周微軟正式宣布，將Microsoft 365服務(wù)全面接入聊天機(jī)器人技術(shù)AI Copilot，以海天瑞聲為代表的數(shù)據(jù)標(biāo)注企業(yè)漲幅就已超過15%，如果將時(shí)間線延長(zhǎng)至今年1月份，海天瑞聲的股價(jià)已從當(dāng)時(shí)的每股60元上下暴漲至每股近200元，股價(jià)翻了三倍多。
即便海天瑞聲緊急發(fā)布公告作出風(fēng)險(xiǎn)提示：“自然語(yǔ)言業(yè)務(wù)對(duì)公司整體貢獻(xiàn)大約在10%左右”“公司尚未與OpenAI開展合作，其ChatGPT的產(chǎn)品和服務(wù)尚未給公司帶來(lái)業(yè)務(wù)收入”，但資本市場(chǎng)的熱情仍然不減，公司的股價(jià)一直在高位徘徊。
資本市場(chǎng)對(duì)以海天瑞聲為代表的數(shù)據(jù)標(biāo)注企業(yè)的偏愛不難理解，有投資人打趣道：“有實(shí)際產(chǎn)品就是不一樣，AI這三個(gè)月的熱度超過了元宇宙三年間積攢的熱度。”在ChatGPT火熱之時(shí)，相關(guān)概念股自然也是水漲船高，更何況根據(jù)海天瑞聲的招股書顯示，其主要客戶名單中有Open AI背后的投資公司微軟的身影。
也就是說(shuō)海天瑞聲雖然沒有給ChatGPT母公司Open AI提供相關(guān)數(shù)據(jù)標(biāo)注服務(wù)，但其在投資者互動(dòng)平臺(tái)表示微軟一直是公司多年合作的頭部客戶，而且除了微軟外，百度、騰訊、阿里、字節(jié)等國(guó)內(nèi)有實(shí)力做中文大模型的互聯(lián)網(wǎng)大廠幾乎都是海天瑞聲的重要客戶。
海天瑞聲可以說(shuō)非常幸運(yùn)，雖然沒有去刻意追尋時(shí)代的風(fēng)口，但其自2005年成立以來(lái)卻數(shù)次乘上人工智能爆發(fā)的東風(fēng)，實(shí)現(xiàn)了迅猛發(fā)展，當(dāng)然，這和海天瑞聲創(chuàng)始人賀琳的專業(yè)技術(shù)背景密不可分。
據(jù)公開資料顯示，海天瑞聲創(chuàng)始人賀琳是68年生人，從北京大學(xué)畢業(yè)后就一直在中國(guó)科學(xué)院聲學(xué)研究所，從事語(yǔ)音識(shí)別、語(yǔ)音合成、漢語(yǔ)語(yǔ)言理解、語(yǔ)音心理測(cè)試等方面的研究工作，先后參與了“漢語(yǔ)人機(jī)語(yǔ)音對(duì)話系統(tǒng)工程”、“漢語(yǔ)語(yǔ)音參數(shù)合成”等國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目。
賀琳35歲創(chuàng)立海天瑞聲的原因在于基礎(chǔ)訓(xùn)練數(shù)據(jù)的缺乏：“當(dāng)時(shí)我認(rèn)為這是未來(lái)的一個(gè)方向，因?yàn)榇蠹以诠ぷ髦卸紩?huì)遇到這樣的瓶頸。一些企業(yè)的研究員更想專注于做算法，但又缺乏數(shù)據(jù)。”
海天瑞聲成立初期主要從事語(yǔ)音采集及利用方面的業(yè)務(wù)，很明顯，憑借賀琳的專業(yè)技術(shù)底蘊(yùn)對(duì)采集的開源語(yǔ)音進(jìn)行加工處理，也因此海天瑞聲在智能語(yǔ)音方面積累了深厚的研究成果。
隨著人工智能行業(yè)的迅猛發(fā)展，數(shù)據(jù)標(biāo)注訓(xùn)練的市場(chǎng)需求開始涌現(xiàn)，海天瑞聲拓展了業(yè)務(wù)范圍，在訓(xùn)練數(shù)據(jù)方面進(jìn)行了技術(shù)研發(fā)，并在此期間拿下了微軟、百度、三星等大客戶。
“我們的許多客戶都是全球性的大型科技公司和頭部人工智能企業(yè)，他們的產(chǎn)品需要推廣到世界各個(gè)角落，所以產(chǎn)品中的語(yǔ)種/語(yǔ)言功能也需要能夠匹配其所布局的地方區(qū)域。”賀琳表示，隨著人工智能行業(yè)的進(jìn)一步發(fā)展，海天瑞聲的業(yè)務(wù)量猛增，根據(jù)海天瑞聲2022年半年報(bào)，其在國(guó)內(nèi)市場(chǎng)占有率達(dá)12.9%。
還能火多久？
賀琳曾對(duì)外表示：“數(shù)據(jù)是算法發(fā)展和演進(jìn)的‘燃料’，算法、算力、數(shù)據(jù)這三個(gè)要素一定要互相作用，才能使AI行業(yè)得以發(fā)展。”
AI數(shù)據(jù)標(biāo)注是訓(xùn)練AI大模型過程中不可或缺的一環(huán)，AI數(shù)據(jù)的處理過程包括對(duì)數(shù)據(jù)的收集、原始數(shù)據(jù)的清洗以及對(duì)數(shù)據(jù)進(jìn)行標(biāo)注，數(shù)據(jù)標(biāo)注通常被視為沒有什么技術(shù)含量的“dirty work（臟活累活）”，因?yàn)閿?shù)據(jù)標(biāo)注僅僅是工人對(duì)文本、圖像、視頻進(jìn)行分類劃分，把數(shù)據(jù)轉(zhuǎn)化為機(jī)器模型可以理解的信息。
海天瑞聲的NLP數(shù)據(jù)標(biāo)注服務(wù)，圖源：海天瑞聲官網(wǎng)
早期的AI模型訓(xùn)練有一個(gè)廣為流傳的說(shuō)法——“有多少人工，就有多少智能”。舉一個(gè)簡(jiǎn)單的例子，一個(gè)AI模型想要學(xué)會(huì)識(shí)別狼和狗的圖像，那么一種方法就是先用人工識(shí)別標(biāo)注好的數(shù)據(jù)進(jìn)行分類，喂給AI模型進(jìn)行學(xué)習(xí)，AI模型的能力越強(qiáng)，背后人工的付出就越多。
因而這項(xiàng)工作對(duì)勞動(dòng)力幾乎沒有要求，所以不少企業(yè)把這項(xiàng)工作外包給第三方。像Open AI就將部分?jǐn)?shù)據(jù)標(biāo)注工作外包給肯尼亞勞工，但因工作環(huán)境糟糕，加之低廉的薪水，從而被不少媒體報(bào)道批評(píng)。
Meta首席人工智能科學(xué)家Yann LeCun就曾評(píng)論ChatGPT稱：“（它）并不具有創(chuàng)新性，也不具有革命性……它只是個(gè)巧妙的組合”。
其實(shí)不僅是Open AI，國(guó)內(nèi)不少專門的數(shù)據(jù)標(biāo)注公司也是設(shè)立在十八線的鄉(xiāng)鎮(zhèn)城市，國(guó)內(nèi)媒體《三聯(lián)生活周刊》就有一篇報(bào)道專門講述了黃土高原縣城里的一群寶媽成了AI訓(xùn)練師。就連海天瑞聲也不例外的將其最基礎(chǔ)的數(shù)據(jù)分類、標(biāo)注公司外包給了第三方。
可以說(shuō)，很長(zhǎng)一段時(shí)間以來(lái)，AI數(shù)據(jù)的處理和標(biāo)注其實(shí)就是一個(gè)簡(jiǎn)單的人力“內(nèi)卷”的生意。誰(shuí)的人工更便宜，誰(shuí)就能接到更多的訂單，誰(shuí)的勞動(dòng)力更多，誰(shuí)就能接到更大的數(shù)據(jù)包標(biāo)注工作。
然而，隨著行業(yè)對(duì)ChatGPT研究越多，發(fā)現(xiàn)傳統(tǒng)的數(shù)據(jù)標(biāo)注工作已難以支撐起GPT-4這樣的人工智能模型，GPT-4可以根據(jù)人工標(biāo)注的反饋結(jié)果來(lái)不斷優(yōu)化自身模型，專業(yè)的標(biāo)注、評(píng)估和反饋相當(dāng)于ChatGPT進(jìn)化過程中的獎(jiǎng)勵(lì)函數(shù)。
海天瑞聲CV標(biāo)注，圖源：海天瑞聲官網(wǎng)
不少有志于自身打造中文世界大模型的公司已開始意識(shí)到這件事情，不再外包數(shù)據(jù)標(biāo)注的工作。不少標(biāo)注師的工作也從圖像是貓還是狗變成了一些涉及意識(shí)形態(tài)和價(jià)值觀判斷的工作，在一些專業(yè)細(xì)分領(lǐng)域還涉及了行業(yè)的Know-How，工作門檻已開始提高，普通標(biāo)注師進(jìn)行簡(jiǎn)單的圖像、文字劃分已難以完成這部分工作。
這些變化已開始對(duì)現(xiàn)在的AI數(shù)據(jù)標(biāo)注行業(yè)造成了沖擊，雖然在人工智能迅猛發(fā)展的今天，部分初始階段的普通數(shù)據(jù)標(biāo)注需求依然存在，但數(shù)據(jù)標(biāo)注公司想要長(zhǎng)久發(fā)展，就需要在無(wú)監(jiān)督（含自監(jiān)督）、半監(jiān)督的機(jī)器學(xué)習(xí)技術(shù)上有投入和積累，還需要不斷提高數(shù)據(jù)標(biāo)注師的素質(zhì)能力，升級(jí)自己的人才梯隊(duì)，而不是簡(jiǎn)單的外包給人力成本更低的第三方。
從“dirty work”到有一定技術(shù)門檻的工作，沒有人能躺著掙到錢，海天瑞聲想要繼續(xù)站在風(fēng)口，必須開始行動(dòng)起來(lái)了。