插畫｜AI繪圖工具Disco Diffusion
(資料圖)
全世界都在談論ChatGPT將帶來顛覆性的技術革命，但人工智能訓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如同初代網吧的屋子里，每天對著電腦劃拉鼠標幾千次。
他的職責是為訓練人工智能模型準備“飼料”，將大量的文字、語音、圖像打上標記——“眼珠”、“四川話”、“綠化帶”。只有被標注過的數據，才能被人工智能模型識別，訓練出它的分辨能力。
李杰做得最多的是道路圖片標注，亦即給道路圖片上的物體標注好名稱、顏色等詳細信息，業內俗稱“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、身在西北縣城的青年來說，這份收入還過得去。
|一家數據標注工廠
同樣的場景也出現在非洲的肯尼亞。該國首都內羅畢有30多名工人，成為了ChatGPT的數據標注員，他們每天工作9個小時，閱讀150-200段文字，并標注出其中包含性、暴力與仇恨言論的內容。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，時薪可以上升至1.44美元，并有大約70美元的獎金，相當于一個月掙2500元—3000元人民幣，比當地一般藍領工作強些。
在人工智能產品卷起巨浪的時候，從肯尼亞、烏干達再到印度、中國，水下還有一群不被看見的“人工智能訓練師”，在簡陋的工作環境下，以最簡單的技能，與最前沿的技術產生了聯系。
李杰對人工智能的理解，是手機上的智能語音助手，“就好像蘋果的Siri”。
他在職校念電子商務，同學大多去了電商公司當客服，他時常聽到同學對工作的抱怨。相較之下，數據標注的工作枯燥，卻也純粹，他只需要按部就班地完成任務、“可以在辦公室吹空調，也沒什么難度，就是有點費眼睛”。
|給汽車進行“拉框”，一張圖片就要重復數次類似操作
在2021年版的《人工智能訓練師國家職業技能標準》中，對該職業的能力特征描述是“具有一定的學習能力、表達能力、計算能力；空間感、色覺正常”，普遍受教育程度寫的是“初中畢業”。言外之意，這是一份幾乎零門檻的職業。
年過50歲的郭梅，原本在山西當地的煤礦上班，“抬頭是山，低頭是煤”。離開煤礦之后，她長時間找不到工作，最后成為數據標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、人工智能有關系。”
|正在給汽車拉框的數據標注員
除了“拉框”，李杰也會接到語音標注的項目，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，仔細地辨認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問，可能是講著廣東普通話的阿姨對著麥克風發出指令，有時候，他甚至會聽到臟話。
這些聲音被李杰一一轉錄成準確的文字，有時還需要打上說話人的性別、情緒等更細分的標簽，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、地圖導航等產品中。
人工智能的三大基石是數據、算力與算法，數量越多質量越高的數據，往往越能夠訓練出更“聰明”的模型。
人工智能的主流方向是深度學習。在過去，由人來告訴機器，貓身上都有哪些特征，機器根據這些特征判斷一個物體是不是貓；深度學習則是通過“喂養”大量不同貓的圖片，機器就能自行歸納出貓的特征。這就需要大量經人工標注的圖片，俗話說，有多少智能，就得付出多少人工。
數據標注領域有過一個神話——ImageNet項目。這個項目數據庫擁有超過1400萬張已被標注的圖片，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多萬張標注圖片，其中超100萬張帶有邊框
項目源于斯坦福大學的人工智能專家李飛飛。2009年，業內普遍研究方向都是模型與算法，她另尋蹊徑，改進數據質量。如今，ImageNet已經是世界上最大的圖像識別數據庫，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5萬名數據標注員，他們足足花了三年時間才完成了全部圖片的標注。
李杰算是圖片標注的老手了，通常發給他的數據包內通常會有數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、綠化帶等物體標注。另外還有一種常見的標注任務，則是標注道路的車道線。
這種數據標注要求特別多，“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”。這些數據的最大流向是用于自動駕駛的機器學習，要確保駕駛安全，通常需要提供數以百萬計的標注數據對人工智能加以訓練——背后則是無數在電腦前點擊鼠標、敲擊鍵盤的李杰們。
貴陽，大數據之城。
在距離貴陽市中心約50公里的惠水縣百鳥河數字小鎮，有一家擁有超過500名數據標注員的公司夢動科技——其中的一半人，是附近盛華職業學院的學生。
大三學生鄭成安在夢動科技實習，公司里的全職員工只有十來個人，管理層也是學校里的老師，“上課就是上班，老師就是經理”。
|位于百鳥河數字小鎮的盛華職業學院
他很熱愛這份工作，數據標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個縣區中經濟水平排在中游，2020年時的GDP為139.16億元，農村常住居民人均可支配收入12924元——相當于每月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，標注員的工作很難一直做下去，他暗自下定目標，要成為管理標注員的人。
像貴陽這樣的城市，中國不止一個。
數據標注產業的誕生最早可以追溯到2005年。當時，著名計算機視覺專家、人工智能專家朱純松從美國回到了故鄉湖北鄂州，創辦了蓮花山研究院，籌建據稱是當時世界上最早的大數據標注團隊。
在深度學習成為人工智能主流之后，日益增長的互聯網大數據成為了人工智能的最好養分。
據數據公司IDC統計，全球每年生產的數據量將從2016年的16.1ZB猛增至2025年的163ZB，其中80%-90%都是原始數據數據。這些在經過清洗和標注后，變成標準化格式數據，才能被人工智能所理解。
作為勞動密集型產業，數據標注企業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網的順風車，都能與互聯網公司們一拍即合。
2018年，位于太原的山西轉型綜合改革示范區就與百度達成合作，打造了號稱“全國范圍內人員和產值規模最大的單體數據標注基地”，基地占地面積超1萬平米，已經引進了至少35家數據標注公司，超過2000名數據標注員。
|百度山西數據標注基地
在新疆和田，有4000人在當地的數字經濟產業園從事數據標注工作，和田地區更是拋出了“數據標注產業之都”和10萬人數據標注就業基地的目標。
在河南，數百家數據標注公司從無到有；在濟南，山東第一個數據標注基地，已經容納了1500名“人工智能訓練師”；在新三板上市的數據堂，也在保定、合肥，分別建立了容納數百名數據標注員同時工作的基地。
而數據標注員身上的標簽是“互聯網民工”、“賽博流水線”。而對于絕大多數身在其中的人而言，一個互聯網版的富士康，已經是當下不可多得的選擇。
當數據標注成為“風口”，淘金者也隨之而來。
2017年，周華偶然在朋友口中得知，做數據標注能賺錢，剛剛創業失敗的他，決定再賭一把。
他算過一筆賬，一名數據標注員一個月的產值能到7000元，除掉3000元的工資和質檢、場地設備等費用，還能賺1500元。“如果招100個人，一個月就賺15萬元。”
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歷、工作經驗要求的數據標注員，緊鑼密鼓地接單。
|正在工作的數據標注員
此時的數據標注產業，趕上人工智能創業潮。根據前瞻產業研究院統計，數據標注公司從2014年開始不斷增加，并在2017年達到高峰，當年數據標注相關融資事件達到9起，到2021年4月，已經有有18家公司獲得融資，投融資事件39起。
數據標注行業有三種不同的公司，一種是大型互聯網公司內部的數據標注部門，處理公司內部的數據；一種是像數據堂這類有自己基地的數據標注公司，他們有獨立承接訂單的能力，甚至外包給第三方；數量最多的則是以工作室形態存在的小公司，他們通常只能在眾包平臺上接單，或者第三方中介公司轉過來的層層分包的訂單——在平臺上，他們或被稱為“公會”、“團隊”。
周華的工作室便屬于最后一種，當時主要依賴百度眾測的平臺訂單，平臺上會分發各類任務，在行業內稱為“放題”，包括數據采集、圖片標注、文本標注等。據百度眾測的數據，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口的，還有當時還是創業公司的星塵數據。
星塵數據的創始人章磊，在華爾街、硅谷工作10年，曾在投資平臺CircleUp擔任資深數據科學家。2017年回國時，他本想繼續在投資領域創業，嘗試打造一個投研機器人——通過對大量公司年報、招股書等金融文檔的學習，輔助投資人決策。當時國內的數據標注往往往往只能機械化地完成客戶需求，這種“新穎”的數據標注要求，業內難以實現。章磊卻看到了機會。
他創辦的星塵數據，號稱為客戶量身打造數據標注方案。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“數據標注平臺”的生意——他們會去競標大公司給出的數據標注訂單，再分包給類似一些小型的“數據工廠“，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潮中更是“賺麻了”。這家在業內以語音數據標注著稱的公司，21年在科創板成功上市，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注項目起家
畢竟對于國內眾多研發人工智能的大廠而言，基礎的數據標注是剛需，卻不可能永遠自己來做。那么只要有訂單，無論是周華這樣的工作室，還是海天瑞聲、星塵數據這樣的大公司，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、結算周期長，公司早早退場。
當然，隨著GPT-4和文心一言的陸續出場，人工智能正“升級換代”，數據標注行業也伴隨著新的變化。
人工智能研究者們已經開始嘗試向機器“喂養”未標注的數據與部分標注數據，亦即“半監督學習”，而不依賴于人工標注的自監督學習與數據標注，也在業界開始出現實踐。
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，大多數都是數據標注員。特斯拉目前正在開發的計算機Dojo，就采用自監督學習技術，用于訓練人工智能模型，對數據標注的需求正越來越低。
|非洲的數據標注員
騰訊、阿里、字節跳動等一眾大廠，也都在研發自監督學習的算法，甚至有些數據標注公司也都已經有60%內容來自于機器的自動化標注。
李杰聽過一個說法，數據標注員是“人工智能的老師”，是他和同事們日復一日的拉框，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，恰恰會是自己曾經的學生。
（為保護隱私，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《火爆“智能”下的慘淡“人工”》
第一財經《人工智能背后的“人工”：誰在訓練AI？》
關鍵詞：
