為推動(dòng)智能時(shí)代的巨輪滾滾向前，AI行業(yè)需要龐大的、標注好的數據作為養分。這些數據大多出自一些學(xué)歷不高的人，他們是“人工智能背后的人工”。

人工智能暗角

在人工智能的世界里，存在不為人知的“數據折疊”：一邊是炫酷科技、智能應用層出不窮的光鮮表象;一邊是大量人工拿著(zhù)不高的工資，埋頭生產(chǎn)機器學(xué)習的“食物”，即標注好的數據。

例如，由北郵和華騰碩博合辦的300人規模的電子商務(wù)培訓班，其中近一半的人都會(huì )兼職數據標注項目。他們多是18歲左右的學(xué)生，每天盯著(zhù)電腦屏幕給圖片拉框，做著(zhù)枯燥的工作，而標注好的數據將用于炫酷的無(wú)人駕駛項目。他們一個(gè)月的收入在2 000元左右，如果全職做，收入能有4 000~5 000元。

培訓班學(xué)員參與的標注項目多是“外包”。某數據標注主管說(shuō)，2011年AI數據標注項目的外包市場(chǎng)剛打開(kāi)，2015年才開(kāi)始發(fā)展，緊接著(zhù)2016年下半年出現收縮，到了2017年又有了新一輪的爆發(fā)。

最近的這次爆發(fā)與人工智能行業(yè)的發(fā)展有關(guān)。大量人工智能機器落地后，為了投入實(shí)戰，需要進(jìn)行深度學(xué)習，于是整個(gè)行業(yè)對數據的需求量增大。但非結構數據需要經(jīng)標注后才能使用，這意味著(zhù)需要大量人力完成數據標注工作。

不過(guò)，創(chuàng )業(yè)團隊和巨頭公司為了集中精力開(kāi)展研發(fā)，或保持團隊的高學(xué)歷占比，很少選擇完全自建數據標注團隊。因此，BAT、人工智能創(chuàng )業(yè)公司，學(xué)術(shù)團體，以及政府、銀行等機構都可能成為“發(fā)包方”，將數據標注工作外包出去。

在“外包方”一端，有 “眾包”和“工廠(chǎng)”兩種模式。前者是把任務(wù)通過(guò)平臺轉接給網(wǎng)民，如“百度眾包”“京東眾智”“龍貓數據”;后者要么是正規的機構，要么是20人以下規模不等的“小作坊”，它們接到項目后會(huì )負責數據標注的所有流程。

總體來(lái)看，數據標注是“勞動(dòng)密集型”的中低收入行業(yè)，大多散落在三四線(xiàn)城市，而愿意做這行的人，大多把數據標注當成外賣(mài)、快遞行業(yè)的替代品。

例如，在距離貴陽(yáng)市中心50公里的百鳥(niǎo)河數字小鎮，就有一個(gè)規模500人的“數據工場(chǎng)”。在這500名標注員中，近一半來(lái)自附近一家扶貧高職的學(xué)生。

這些學(xué)生很珍惜這個(gè)兼職機會(huì )，因為每月能掙1 500元，足以自立，省吃?xún)€用還能補貼家庭，而且數據標注不用在戶(hù)外經(jīng)受日曬雨淋，相對輕松且體面。

但未來(lái)工作前途的不可預期，相對低的收入，較大的家庭負擔，仍然是這些年輕人無(wú)法擺脫的苦惱。

野蠻生長(cháng)，坑與機會(huì )并存

數據標注是一個(gè)勞動(dòng)密集型行業(yè)，進(jìn)入門(mén)檻并不高。因此，許多公司就通過(guò)壓低“成本”“薄利多量”開(kāi)展競爭。

據記者了解，許多專(zhuān)職數據標注的公司大多通過(guò)招聘臨時(shí)工來(lái)省去五險一金的人力成本，因此，僅憑7~8萬(wàn)元的啟動(dòng)資金，就可以在縣級小城組起一個(gè)“工作室”。

另一方面，AI公司也傾向壓低成本——某數據標注外包公司主管表示，部分AI公司不夠重視數據標注，因此在壓低項目總體預算時(shí)，會(huì )選擇把數據標注工作外包給一些不靠譜的團隊;但這些團隊做不下來(lái)，又會(huì )把任務(wù)轉包給另一些小團隊，或重新找到大的數據標注公司，直接影響最終質(zhì)量和交付期限。

“低價(jià)競爭和行業(yè)不規范導致的層層外包是行業(yè)的噩夢(mèng)。”京東眾智平臺的負責人李工認為，除此之外，外包直接折損了小團隊的利潤。

例如，何軍就在2017年底投入10萬(wàn)元，在河南周口成立了一個(gè)40人團隊的數據工作室。

“利潤其實(shí)不高，”何軍細細算賬，“一個(gè)拉框值4分錢(qián)，一個(gè)標注員一天能做大約4500個(gè)，但過(guò)關(guān)率只有90%，實(shí)際只有160元左右，再除去審核的成本，再給每個(gè)標注員每天發(fā)110元左右的工資，平均下來(lái)工作室每天也就從每個(gè)人身上賺30元吧。”何軍一直接的是二手項目，第一個(gè)月虧了本，第二個(gè)月勉強持平，因此，他希望在2018年“爭取接到一手項目”。

事實(shí)上，小團隊只能接二手甚至是好幾手的項目，一手項目就像江湖傳說(shuō)，聽(tīng)過(guò)沒(méi)見(jiàn)過(guò)。

另一方面，大平臺也反感層層外包。畢竟要完成一些特定的復雜任務(wù)，需要對人員進(jìn)行長(cháng)達1~3個(gè)月的培訓，但是由臨時(shí)工組建而成的小團隊大多做不到;不僅如此，許多小團隊在理解客戶(hù)需求、保證數據的多樣性、隨機性上，也欠缺足夠的能力。

在這之中，還有一個(gè)角色在攪渾水——代理人。代理人就是拉項目跑活的人。一些小公司會(huì )高薪養代理人，以期打通中國人情社會(huì )中的關(guān)鍵節點(diǎn)。

而數據標注行業(yè)在經(jīng)歷了早期瘋狂生長(cháng)后，最終一定進(jìn)入洗牌時(shí)期，屆時(shí)，行業(yè)變得更為規范化、透明化，數據標注的質(zhì)量會(huì )成為需求方最優(yōu)先考慮的變量。

大浪淘沙，最終會(huì )有兩類(lèi)機構留下來(lái)：注重質(zhì)量及服務(wù)的中小型數據標注公司，以及自有整套數據技術(shù)的平臺。

還有5年，只有5年

由于對技術(shù)動(dòng)向缺乏把握，何軍時(shí)常處于一種對未來(lái)的不安之中。于是，當他聽(tīng)聞“算法升級后，將不再需要大量人工標注”時(shí)，便緊張起來(lái)。

但數據服務(wù)商BasicFinder的CEO杜霖則認為，數據標注的市場(chǎng)才剛打開(kāi)，未來(lái)5年內，數據需求將緊隨人工智能的大規模落地，引來(lái)一波爆發(fā)式增長(cháng)。

首先，這是由于人工智能行業(yè)本身的發(fā)展將進(jìn)一步帶動(dòng)數據標注行業(yè)。

其次，目前能被建模量化的數據只占真實(shí)世界中的極少一部分，而現有的數據標注業(yè)務(wù)又主要集中在安防和自動(dòng)駕駛領(lǐng)域，未來(lái)，隨著(zhù)AI深入更多垂直行業(yè)，新的數據需求將不斷出現。

何軍回憶到，前些天北航的學(xué)生找上門(mén)來(lái)，要對“積云”進(jìn)行標注。而杜霖也分享了一個(gè)很有意思的標注項目——標注指甲區域，因為客戶(hù)要做美甲機器人。

第三，在當下主流的“有監督學(xué)習”算法模型下，為了讓算法準確率更高，對數據的需求量也將隨之增大。

第四，從感知智能向認知智能的進(jìn)化過(guò)程中，將需要不同維度的數據，這可能進(jìn)一步催生出更精細的數據標注需求。比如，對一段對話(huà)數據的標注，不僅要知道對話(huà)內容、語(yǔ)義，可能還需要標注談話(huà)者的身份、情緒變化等。

杜霖提到，目前在人工智能公司的總支出中，20%~30%都用于數據，而現階段大陸市場(chǎng)數據采集及標注的規模保守估計有五十億元。綜合以上四點(diǎn)，在未來(lái)，包括采集、標注、清洗等流程的數據市場(chǎng)將達上百億元。

而這一切都是基于“有監督學(xué)習”這個(gè)大前提。如果算法從“有監督學(xué)習”升級為“無(wú)監督學(xué)習”等新算法后，數據標注需求將大大減少。但是在目前，無(wú)監督學(xué)習等新算法尚不能用在大規模的商業(yè)落地中。

因此杜霖判斷，新的革新性算法至少在5年內都不會(huì )出現。深度學(xué)習訓練平臺Novumind創(chuàng )始人吳韌也認為，深度學(xué)習+大數據較難出現顛覆性的其他路徑。

5年，這對公司來(lái)說(shuō)是一個(gè)可以布局、掉頭的“窗口期”。京東眾智的李工說(shuō)，他們應對變化的策略是著(zhù)力研發(fā)加速AI落地速度的Pre-A.I.產(chǎn)品，并同時(shí)研發(fā)平臺技術(shù)，做到“數據與流程分離架構”，因此數據標注不是他們的核心戰略。

BasicFinder也有類(lèi)似布局，他們希望一手對接垂直行業(yè)里的數據生產(chǎn)者，一手對接上游的算法模型公司，共同推進(jìn)AI的落地。

但對數據標注者個(gè)體來(lái)說(shuō)，5年后也許就得面臨一次“失業(yè)”。那時(shí)，他們還能跟隨時(shí)代的腳步騰挪轉移嗎?

燙手的小袁

小袁暫時(shí)想不到5年后那么長(cháng)久的事。

他作為一名換過(guò)40份工作的聾啞人，很慶幸終于在數據標注行業(yè)成了“有用的人”?，F在，他是京東眾智平臺上“靜公會(huì )”的聾啞人標注員，而這個(gè)公會(huì )全部由聽(tīng)障人士組成。

聾啞人的世界里多為名詞，缺乏形容詞。比如，要向他們解釋這根線(xiàn)標得不“直”，就會(huì )比較費勁。因此，在數據標注工作上，健全人1周能完成的培訓，聾啞人要花3周或更久。但是他們的優(yōu)點(diǎn)是專(zhuān)注、較真、對視覺(jué)信號敏銳，數據標注行業(yè)就成了他們的機會(huì )。

像小袁這樣的聾啞人在眾智平臺上還有一千多名，京東為他們成立的“靜公會(huì )”，在項目工作上優(yōu)先照顧。比如，杜霖手下也有3個(gè)殘疾人團隊，總共約80人。

杜霖和京東眾智平臺負責人都表示，愿意為更多殘疾人提供工作機會(huì )，這里是他們的家。而其中的少數人，也許能通過(guò)轉型為數據質(zhì)檢者，獲得更長(cháng)期的職業(yè)生涯。

但科技的發(fā)展，必將帶來(lái)智能升級，也使整個(gè)行業(yè)更加規范化。因此，盡管數據標注者的工作是幫機器更好地學(xué)習，促進(jìn)人工智能行業(yè)的發(fā)展，但行業(yè)發(fā)展到一定階段時(shí)，可能將不再需要大量的人工標注。

可說(shuō)到底，對知識的無(wú)限追求既是人類(lèi)的天賦，也是人類(lèi)攜帶的危險，它早已深藏在我們的基因之中，呼喚我們不斷逼近未知邊界，所以更高的智能一定會(huì )到來(lái)。屆時(shí)，認知差距將取代財富差距成為人群劃分的最顯著(zhù)標準——而那可能是一種更無(wú)形的“折疊”。

未來(lái)，當我們真正享受智能帶來(lái)的各種便捷時(shí)，歷史會(huì )遺忘這些人工智能領(lǐng)域的“首批工人”嗎?

這可能是除了技術(shù)水平之外，判斷那個(gè)未來(lái)是好是壞的更重要的標準。

(本文摘編自微信公眾號“甲子光年”)

編 輯：李垣諭 penguinpen@163.com

鏈接：

[1]數據標注：我們準備一張有家具的圖片，在上面框出家具，并標注“家具”兩個(gè)字，就是數據標注的工作。機器通過(guò)大量圖片學(xué)習了家具的特征后，再給機器任意一張有家具的圖片，它就能識別家具。

[2]非結構數據：沒(méi)有預定義的數據模型，不方便用數據庫二維邏輯表來(lái)表現的數據。

[3]有監督學(xué)習：使用已知正確答案的示例來(lái)訓練網(wǎng)絡(luò )的。

無(wú)監督學(xué)習：可以做到通過(guò)人工智能在視頻網(wǎng)站中找貓。具體做法是：算法自動(dòng)將包含貓的視頻組合在一起，而不需要任何明確的訓練數據。