當(dāng)前，大模型正處在產(chǎn)業(yè)落地前期，高質(zhì)量的數(shù)據(jù)，是大模型實現(xiàn)產(chǎn)業(yè)化的關(guān)鍵要素。

最近，一項來自Epoch AI Research團(tuán)隊的研究拋出了一個殘酷的事實：模型還要繼續(xù)做大，數(shù)據(jù)卻不夠用了。

研究人員預(yù)測了2022年至2100年間可用的圖像和語言數(shù)據(jù)總量，并據(jù)此估計了未來大模型訓(xùn)練數(shù)據(jù)集規(guī)模的增長趨勢。

結(jié)果表明：高質(zhì)量的語言數(shù)據(jù)存量將在2026年耗盡，低質(zhì)量的語言數(shù)據(jù)和圖像數(shù)據(jù)的存量將分別在2030年至2050年、2030年至2060年枯竭。

這意味著，如果數(shù)據(jù)效率沒有顯著提高或有新的數(shù)據(jù)源可用，那么到2040年，模型的規(guī)模增長將放緩。

對數(shù)據(jù)端的建設(shè)該重視起來了。

 高質(zhì)量數(shù)據(jù)成“搶手貨”

隨著全球新一輪AI熱潮來臨，大量訓(xùn)練數(shù)據(jù)已成為AI算法模型發(fā)展和演進(jìn)的“燃料”。

從GPT的實驗發(fā)現(xiàn)，隨著模型參數(shù)量的增加，模型性能均得到不同程度的提高。

但值得注意的是，通過來自人類反饋的強(qiáng)化學(xué)習(xí)（RLHF）生成的InstructGPT模型，比100倍參數(shù)規(guī)模無監(jiān)督的GPT-3模型效果更好，也說明了有監(jiān)督的標(biāo)注數(shù)據(jù)是大模型應(yīng)用成功的關(guān)鍵之一。

如果以上預(yù)測是正確的，那么毫無疑問數(shù)據(jù)將成為做模型繼續(xù)做大的主要制約因素，AI的進(jìn)展也會隨著數(shù)據(jù)量的耗盡而放緩。

阿里巴巴達(dá)摩院基礎(chǔ)視覺團(tuán)隊負(fù)責(zé)人趙德麗博士曾在采訪中表示，數(shù)據(jù)側(cè)的建設(shè)將會成為每一個做大模型工作的機(jī)構(gòu)必須要考慮的問題，大模型有多少能力，往往取決于有什么樣的數(shù)據(jù)。

據(jù)趙德麗博士介紹，與文生圖大模型相比，做文生視頻大模型要難得多，原因就在于視頻數(shù)據(jù)的數(shù)量遠(yuǎn)比不上文本和圖像，更不要談數(shù)據(jù)的質(zhì)量了。相應(yīng)地，目前已有的文生視頻模型的效果都不盡如人意。

結(jié)合上述研究結(jié)果，如果當(dāng)下的趨勢繼續(xù)下去，人類現(xiàn)有的數(shù)據(jù)庫存一定會耗盡，而且高質(zhì)量的數(shù)據(jù)會更少。

正因如此，一場數(shù)據(jù)爭奪戰(zhàn)正在拉開序幕。

目前，Adobe利用其數(shù)以億計的庫存照片數(shù)據(jù)庫構(gòu)建了自己的人工智能工具套件，名為Firefly。自3月份發(fā)布以來，F(xiàn)irefly已被用于創(chuàng)建超過10億張圖像，而Adobe股價已因此上漲了36%。

一些初創(chuàng)公司也正在蜂擁至這個新領(lǐng)域。今年4月，專注于人工智能的數(shù)據(jù)庫公司W(wǎng)eaviate融資5000萬美元，估值達(dá)到2億美元。

僅僅一周后，其競爭對手PineCone就以7.5億美元的估值籌集了1億美元資金。

本月早些時候，另一家數(shù)據(jù)庫初創(chuàng)公司Neon也獲得了4600萬美元的融資。

在國內(nèi)，百度智能云近期也升級了大模型數(shù)據(jù)服務(wù)能力，建設(shè)了國內(nèi)首個專業(yè)大模型數(shù)據(jù)標(biāo)注基地。百度智能云方面表示，目前已經(jīng)在全國與各地政府合作，共建了10多個數(shù)據(jù)標(biāo)注基地。

顯然，對數(shù)據(jù)的爭奪才剛剛開始。

數(shù)據(jù)標(biāo)注再次迎來爆發(fā)

AI大模型帶來了大量需求，與之相伴的是中國數(shù)據(jù)標(biāo)注行業(yè)的迅速發(fā)展。

招商證券認(rèn)為，一方面，進(jìn)入大數(shù)據(jù)時代后，人們各種行為的電子化、網(wǎng)絡(luò)化帶來海量數(shù)據(jù)，但產(chǎn)生的數(shù)據(jù)只有1%能被收集和保存，并且收集的數(shù)據(jù)中90%是非結(jié)構(gòu)化的數(shù)據(jù)；另一方面，人工智能的興起帶來模型訓(xùn)練所用結(jié)構(gòu)化數(shù)據(jù)的巨大需求，數(shù)據(jù)標(biāo)注的重要性逐漸突顯。

有業(yè)內(nèi)人士認(rèn)為，預(yù)計今年10月國內(nèi)會迎來一波大的類chatGPT大模型的數(shù)據(jù)需求，而且這是一個海量的需求，以目前國內(nèi)幾家頭部數(shù)據(jù)標(biāo)注公司來看，目前產(chǎn)能還不足以滿足需求。

艾瑞咨詢數(shù)據(jù)顯示，包括數(shù)據(jù)采集、數(shù)據(jù)處理（標(biāo)注）、數(shù)據(jù)存儲、數(shù)據(jù)挖掘等模塊在內(nèi)的AI基礎(chǔ)數(shù)據(jù)服務(wù)市場，將在未來數(shù)年內(nèi)持續(xù)增長。

到2025年，國內(nèi)AI基礎(chǔ)數(shù)據(jù)服務(wù)市場的整體規(guī)模預(yù)計將達(dá)到101.1億元，整體市場增速將達(dá)到31.8%（2024-2025年）。

據(jù)iResearch數(shù)據(jù)，2019年我國數(shù)據(jù)標(biāo)注市場規(guī)模為30.9億元，預(yù)計2025年市場規(guī)模突破100億元，年復(fù)合增長率達(dá)到14.6%。

隨著數(shù)據(jù)量的不斷增長和數(shù)據(jù)結(jié)構(gòu)的不斷變化，數(shù)據(jù)標(biāo)注行業(yè)涉及的領(lǐng)域也越來越廣泛，特別是在自動駕駛、AIGC等領(lǐng)域內(nèi)，數(shù)據(jù)標(biāo)注需求量極大。

作為AI大語言模型高質(zhì)量回答的基礎(chǔ)，數(shù)據(jù)標(biāo)注的生產(chǎn)過程主要包括四個環(huán)節(jié)：設(shè)計（訓(xùn)練數(shù)據(jù)集結(jié)構(gòu)設(shè)計）、采集（獲取原料數(shù)據(jù)）、加工（數(shù)據(jù)標(biāo)注）及質(zhì)檢（各環(huán)節(jié)數(shù)據(jù)質(zhì)量、加工質(zhì)量檢測）。

其中，數(shù)據(jù)標(biāo)注需要識別圖像、文本、視頻等原始數(shù)據(jù)，并添加一個或多個標(biāo)簽為機(jī)器學(xué)習(xí)模型指定上下文，幫助其做出準(zhǔn)確的預(yù)測。

當(dāng)前，大部分?jǐn)?shù)據(jù)標(biāo)注任務(wù)仍然需要人工完成，而且各種數(shù)據(jù)類型和應(yīng)用領(lǐng)域都需要相應(yīng)領(lǐng)域的專業(yè)標(biāo)注員來完成標(biāo)注任務(wù)。

隨著技術(shù)的發(fā)展，數(shù)據(jù)標(biāo)準(zhǔn)行業(yè)正在成為半人工智能、半人工化的行業(yè)。

面對大語言模型動輒上百億參數(shù)的數(shù)據(jù)質(zhì)量控制，需要通過標(biāo)注平臺將一個個復(fù)雜RLHF需求拆成很多個簡單的工作流，讓機(jī)器去做預(yù)處理，人去做深層的基于理解的反饋，以減少人在簡單問題上的精力消耗，專注在專業(yè)問題上的標(biāo)注。

業(yè)內(nèi)一般采用主動質(zhì)檢加被動質(zhì)檢的方式，前者靠人為去做質(zhì)檢，后者是靠算法去做一些預(yù)識別。

但目前數(shù)據(jù)標(biāo)注工具的準(zhǔn)確率部分僅百分之幾，部分準(zhǔn)確率則可以達(dá)到80%、90%。機(jī)器標(biāo)注的識別率越高，人工需求就會越少，成本、利潤、速度、質(zhì)量都能更加可控。

隨著技術(shù)不斷發(fā)展，未來數(shù)據(jù)標(biāo)注行業(yè)可能會實現(xiàn)更高的自動化程度，不過應(yīng)用領(lǐng)域不同，仍然需要一定數(shù)量的標(biāo)注人員來進(jìn)行標(biāo)注任務(wù)。

傳統(tǒng)數(shù)據(jù)標(biāo)注亟待升級

值得注意的是，在如今火爆的大模型訓(xùn)練浪潮中，傳統(tǒng)的數(shù)據(jù)標(biāo)注需求，很可能是下降的。

讓ChatGPT更具有“人味”的關(guān)鍵——強(qiáng)人工反饋RLHF，帶來的是另一種更高要求的數(shù)據(jù)標(biāo)注需求。

相關(guān)分析顯示，在RLHF環(huán)節(jié)，模型首先在大數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，再與專業(yè)的人工智能訓(xùn)練師進(jìn)行交互，專業(yè)的標(biāo)注人員會對ChatGPT生成的回答進(jìn)行標(biāo)注、評估和反饋，給出一個針對回答的分?jǐn)?shù)或者標(biāo)簽。

這些標(biāo)注數(shù)據(jù)可以作為強(qiáng)化學(xué)習(xí)過程中的“獎勵函數(shù)”來指導(dǎo)ChatGPT的參數(shù)調(diào)整，最終幫助模型進(jìn)行強(qiáng)化學(xué)習(xí)和不斷優(yōu)化。

也就是說，讓ChatGPT“更具人味兒”的精妙之處很可能就在于——它可以利用人工標(biāo)注的反饋結(jié)果不斷優(yōu)化自身模型，實現(xiàn)更合乎人類思維邏輯的表達(dá)。

但傳統(tǒng)數(shù)據(jù)標(biāo)注模式很難滿足RLHF的需求。

在過去，數(shù)據(jù)標(biāo)注公司的主流商業(yè)模式以銷售工具系統(tǒng)和標(biāo)注服務(wù)為主。一方面，缺少自有數(shù)據(jù)很少有出售精準(zhǔn)數(shù)據(jù)集的服務(wù)。另一方面，人才升級作為一個系統(tǒng)工程，對數(shù)據(jù)標(biāo)注公司的考驗更高。

在完成這一步后，RLHF訓(xùn)練還涉及到不少事實判斷和價值判斷。其中，價值判斷涉及到公認(rèn)的"公序良俗"，理論上是更容易拉齊AI認(rèn)知的部分，事實判斷則涉及各行業(yè)Know-How。

這往往需要行業(yè)專業(yè)人士出手，不是傳統(tǒng)數(shù)據(jù)標(biāo)注員，簡單針對詞性、圖片細(xì)節(jié)進(jìn)行標(biāo)注就能實現(xiàn)的。

也就是說，要跟上新一代AI浪潮，數(shù)據(jù)標(biāo)注公司不僅需要在數(shù)據(jù)層面進(jìn)行升級，人才的更新?lián)Q代同樣重要。

目前的確已有標(biāo)注公司開始在內(nèi)部撰寫《人員提升教程》，他們將在接下來重點培訓(xùn)標(biāo)注人員對“升級后”的標(biāo)注需求理解，以及回答方式的合規(guī)性等。

但是，在專業(yè)壁壘非常高的醫(yī)療等領(lǐng)域，數(shù)據(jù)標(biāo)注仍面臨著人才困境。

某數(shù)據(jù)標(biāo)注公司運(yùn)營負(fù)責(zé)人曾表示，“特別是醫(yī)療，有些是普通人經(jīng)過培訓(xùn)可以標(biāo)的，有的必須要醫(yī)療從業(yè)者，這背后的人才招聘難度可想而知。”

但即便困難重重，也不意味著數(shù)據(jù)標(biāo)注公司會立馬進(jìn)行一波洗牌——至少，在大模型訓(xùn)練的幾個階段內(nèi)，初始階段的半監(jiān)督學(xué)習(xí)同樣對傳統(tǒng)數(shù)據(jù)標(biāo)注存在需求。

面對大模型和RLHF的機(jī)遇，重現(xiàn)大規(guī)模投入似乎在所難免。

有業(yè)內(nèi)人士認(rèn)為，如果數(shù)據(jù)標(biāo)注公司期望在垂直領(lǐng)域做更高層級的數(shù)據(jù)服務(wù)，可能要成立一個全新的產(chǎn)品線。甚至，具備AI研發(fā)背景的創(chuàng)始人會是更合適的數(shù)據(jù)標(biāo)注創(chuàng)業(yè)者。

面對新一代AI浪潮，沒有人可以躺著掙錢——這是每一次技術(shù)迭代沖擊背后，暗中標(biāo)注好的“價格”。

 相關(guān)閱讀

生成式AI大模型，或?qū)⒑硠釉品��?wù)市場格局

大模型時代，AI基礎(chǔ)軟件機(jī)會何在？

AI商業(yè)化之爭：高質(zhì)量NLP數(shù)據(jù)成“搶手貨”

還在糾結(jié)深度學(xué)習(xí)算法？計算機(jī)視覺CV的關(guān)鍵在于數(shù)據(jù)采集和標(biāo)注！

【科技云報道原創(chuàng)】

轉(zhuǎn)載請注明“科技云報道”并附本文鏈接

       原文標(biāo)題 : AI大模型終于走到了數(shù)據(jù)爭奪戰(zhàn)