数据标注工：训练AI，被AI替代

图片来源：由无界AI生成

作者｜马慧

前景和覆灭同时存在，数据标注从业者代延从未如此矛盾。

30岁的内蒙古人代延在今年初创业，组建了一个近30人的线上标注团队。此前代延曾在数据标注的众包平台做了两年。可以称为是“熟工”的他，对眼下的局面既期待又紧张。

他从年初就关注到ChatGPT。从AI企业注册量的粗暴增长上，代延看到了AI的行业爆火与数据标注的创业机会。天眼查数据显示，仅今年一季度就新增注册17万家人工智能相关企业，目前总计已有267万家。

他想象着自己能跟随行业共进，公司未来能发展到100人的规模。但眼下的现状却难以支撑他的期盼：数据标注的圈子很快被冲破——大量标注需求、标注工人和中间商一同涌入，单价更低了。

就像工程队接触不到有建筑需求的甲方，只能从承包方手上接项目一样，代延接触的工价因项目层层转手越压越低。他拒绝干一天只能拿到30元的标注项目。

与此同时，代延还面临着标注业没有职业晋升、没有合同保障、被拖款也投诉无门的窘迫。他自嘲：“我们就是新时代的数据民工。”

但这并不是问题的全部。更大的问题在于，自动化标注也正在吞噬他们手上仅有的项目。由代延这样的数据标注员训练的AI，正在人类监督中自我学习，进行自标注。

自动化标注将极大减少企业成本，也成为数据标注市场上最被看好的方向。

代延不得不为“AI可能完全取代人”做准备。他带着团队同时做文本标注类别的教辅标注和3D点云标注项目。一个是文字，一个是图片视频。代延做好了一个项目如果被AI颠覆，就立马带着团队转型去另一个领域的打算。

此外，团队人数也要精简。代延划掉了脑海中想象的百人公司规模。他认为最终或许只会保留20人的熟手团队。

这些由数据标注员一手训练的AI，一边让他们梦想着赚得更多，同时逼着他们做好被颠覆的打算。

标注，让AI睁眼看世界

为了让机器像人一样理解文字、语音、图片，人类创造了一个机器的学习链条：采集物理世界的实物图像和声音，对数据进行标注、清洗，将数据转换为一串串代码后输送给机器。

AI学者认为，三岁婴儿通过眼睛“拍摄”了数亿张图片，反复认识世界。所以只要给机器灌输足够多的数据，也能让机器从学会识字、认句子，最终理解语言背后的深意。

标注图集ImageNet上有1500万张图片，这个数据集帮助无数AI企业获得在计算机视觉上的突破，比如人脸识别、搜图看看。

为了搭建ImageNet，全球167个国家的近5万名数据标注工一起标注了两年半，他们都来自众包平台Mechanical Turk。

标注要求十分简单，MTurk常见的工作内容就是区分照片的颜色，或者对图像中出现的动物进行分类，或是用一个个方框框定选定对象，标注其名称：这是蛋糕、这是汽车、这是一朵云等等。

图：整数智能

该平台上的20万名零工分布在人力成本低廉的非洲和东南亚，甚至形成了特色「数据标注村」。他们标记的数据支撑着科技企业在AI上的探索。

而中国的上百万名标注员分布在贵州、山西、山东、河南等省份的二三线城市，并逐步向人力成本更低的县城渗透。他们或是依赖线上众包平台，或是加入线下的数据标注公司和标注基地。

标注内容根据场景区分为文本、图像和语音，对应着帮助机器获得识字、识图和听声音的功能。

早期的标注项目集中在互联网企业，主要标注语音和文本。现在则转向自动驾驶企业标注由激光雷达扫描获得的3D场景，比如点云标注；或是更垂直的文本和语音标注方向：帮助教育公司的大模型提供教辅类标注数据；或是为医疗机构的大模型提供校对后的医疗数据。

当AI迈入2.0时代，ChatGPT惊艳了投资者、企业家和创业者，大家对AI的期待已经不仅仅是死板地识别文本、语音和图片的信息了。人们还希望AI能像人一样真正理解事物之间的联系，识别微小的区别和动作背后的情绪，主动地分辨和搜集信息。

比如让自动驾驶汽车区分前方是一个空扁的塑料袋，而不是一块颜色体积相近的石头；让游泳池旁的摄像头不再只是记录泳池旁发生了什么，而是理解发生了什么，在有人溺水时发出警报。

这些依然需要依赖数据标注，并且对标注提出更高的要求——更垂直、更精确、更节约。

标注市场的热潮也由此开始。

“订单多到做不过来”

很难有数据直接说明新的标注需求激增，但这并不难判断。因为仅2023年一季度，中国就新增了17万家人工智能企业，而只要是用到AI的公司，就势必有数据标注的需求。

需求很快传导至数据标注市场。在数据标注从业者聚集的贴吧内，一天能刷新出十几条项目招人的帖子，包括且不限于文本标注、录题审核、无人机售卖视频标注、2D检测杆、3D点云等从文本到图片视频的标注项目。

一位从业多年的数据标注工作者察觉到，今年的无人车标注项目有所增加，而由AI2.0热催生的垂直领域大模型创业，让原本没落的文本标注项目细分至不同赛道，也增加了小众的数据标注的需求。

在需求的推动下，成立新团队淘金的不止代延。山东东营的张唯在去年底也开始投身数据标注创业，半年发展为一个十几人的小团队。依靠当地政府的补贴和扶持，张唯的公司不仅获得免费的办公室，政府还帮忙拉通甲方资源。

项目订单不少，从最初十几万的项目到最近的40万订单，紧迫的交付任务让张唯更积极地寻找标注工：前几天，张唯仅一天就添置了6台电脑。

在河南郑州，一家做数据标注的众包平台正迁移至能容纳百人的两层办公楼。它们在门口招牌、办公室里都写上公司的定位：“AI人工智能大数据研发基地”“重复的数据清洗，是为了你的AI更智能”。

“标注项目订单多到做不过来。”其负责人说。

一家数据标注公司的乔迁仪式现场

图片来源：受访对象提供

热钱也久违地进入了标注公司的口袋。数据标注龙头海天瑞声，在今年的3~5月股价最高涨了4倍。

根据36氪消息，今年以来B轮及以前的十余家数据标注平台，集体迎来了接近100%增幅的高估值。从去年下半年开始，自动标注公司陆续获得新融资。

2022年9月，博登智能获得千万元融资；12月，星尘数据完成A轮融资5000万元，相距上一次2018年6月获得融资已经时隔4年半。

2023年4月，数据标注解决方案公司「恺望数据」获得新一轮战略融资；6月，AI数据公司「整数智能」获得数千万Pre A轮融资。

他们斗志昂扬地打出替代人工标注的口号：“重构数据标签生产”“自动化产线+规模化人力”“打破自动驾驶标注的手工模式”。

显然，资本市场也正重新关注这个新兴领域。

更卷，也更严格

数据标注的链条由三部分组成。

上游：1~150人的数据标注公司、线上散兵和小作坊。

中游：数据服务商，一类是承接上下游的中介方众包平台，一类是企业为稳定投入产业而选择自建标注基地。

下游：科技公司、行业企业、AI公司、科研单位，在2018年左右以互联网企业为主导，现在转至车企、自动驾驶企业。

行业普遍采取分包模式，即先由甲方企业发标，第三方服务商参与竞标，竞标成功后进入企业的供应商梯队，其中核心供应商能享受优先任务选择权和更多订单。

企业对核心供应商的要求是拥有至少30人的交付团队，成熟的订单交付经验，建立培训体系、把控交付质量和数量的能力。稳定的生产团队，最终导向让公司更有竞争力的低报价。

然而，管控团队带来的低价优势已然被打乱。“今年竞标惨烈！”一位服务商告诉「甲子光年」，“一个项目我们报200元，有人报80元一天。”

最终项目由报价低的团队拿下，最后却回到更成熟的团队手上。“他们完不成又被甲方转回给我们，但价格已经上不去了。”

由于代延的线上团队不直接接触甲方。所以市面上多级分包层层压价的混乱局面，让他们倍感压力。

数据标注是资源型行业，谁能拿到和甲方的合作谁就有优势。代延透露，一些个体注册公司后，谎称有40-50人的专业团队，以极低的价格参与投标，拿下项目后，拆分成4-5份分给不同的团队，小团队再往下分，层层抽佣，中间商赚到差价，分给数据标注工的计件价越来越低。

只要有人接盘，就会一直螺旋向下。

「甲子光年」得到的一份价格表显示，从2D标注到3D激光点云标注，标注项目单价一般为0.5～1.5元/框。代延曾接到过打了对折的单框价，“至少转过四五手了”。

单价内卷直接导致标注人员的薪资缩水。代延和团队属于半全职状态，团队成员多为宝妈、大学生、自由职业者和职高学生，每天拉框6小时。保持着这样的状态，代延在2022年疫情期间，每月有4~5千元的收入。

“有电脑、有电就能操作”，这是数据标注招人贴中常见的吸引人入行的话。过去，这一度是数据标注行业最显著的优势。但今天这种优势却让整个行业陷入内卷。现在代延每月收入只有2～3千元。

虽然收入降低，但工作量并没有下降。恰恰相反，数据标注的工作更加复杂与细致。

数据标注的资深从业者们更怀念互联网时期的标注市场：单框价格高3倍，项目量大。一个60~70人的团队，能拿到月入30万的业绩。“现在市场上都是产值（单人每天标注产生的价值）不到百元的项目，以前一天大几百。”一位从业者说。

那时的项目操作简单且没有要求，比如给无人车做2D场景标注，对图片中的车辆拉框时，只要能框住就行，没有要求。

但现在不同，“贴合度”是甲方最看重的验收标准。“去年还要求误差在5~7毫米，今年就要3~5毫米了。误差要求越来越小。”代延说。

人工智能学者吴恩达多次强调，有标注的高质量数据才能释放人工智能的价值，高质量数据越多，人工智能的发展就会越快。

在无人车的标注数据中，表现为矩形框与标注对象的贴合度，贴合度越高算法精度越高，算法对车辆的控制越精准。

高质量的文本标注项目，表现为语义理解的正确性、答题的正确率等。正确率越高，被训练的大模型越聪明。

熟手才能保证数据交付又快又好。代延曾经让一个新手参与核验ChatGPT做完的数学题是否完整、逻辑是否正确、语言能否被小学生理解。新手标注的7500个数据因正确率太低，被甲方要求返工，代延和同事花了十几天才纠正完。

数据标注越来越不是一个没门槛的活。复杂的语音标注，医疗、法律、金融等专业数据集标注生产，更需要有学科知识储备的专业人才做专业标注。

代延认为，以无人车项目为例，新人成为2D标注熟手需要做3个月，成为3D熟手需要练习4～6个月。

这种练习是指，训练拉框的精确度，用鼠标在电脑的标注页面一气呵成拉出一个矩形框，能准确盖住标注对象，不踩线、不漏点，甚至是严丝合缝。

图：数据标注熟手指出标注中的问题

只是，当机器开始自学，替代人为机器做标注，人们花费时间训练的技能还有意义吗？

替代危机

代延意识到AI在靠近，是从前段时间做的图片标注项目中。

这是一个代延做了两年的老项目——识图。数据标注工需要识别图片中的文字并打印出来，价格是8毛/张。代延标注的数据，被喂入了识图模型中。现在，这一模型已经熟练地识别图片中的文字。代延的标注工作开始被缩减为订正和审核。难度下降了，标注单价也下跌了。

被人类用标注训练的AI，正在替代人力的标注工作。在苏黎世大学的调查报告中，研究人员通过实测发现，ChatGPT在15项标注任务中的处理能力高于众包人员。大模型嵌入众包平台的进度条也被拉快了。洛桑联邦理工学院之后的研究发现，已有超过30%的众包标注者在处理文本标注时使用了大模型。

AI无疑比人工更省时省力：研究人员表示，ChatGPT的单位成本只相当于MTurk的1/20。

代延也做好了这条业务线随时会被“更完善的AI”取代的准备。他把未来押宝在更有技能要求的自动驾驶标注中。

但自动驾驶标注也正被AI侵入。相比人工的拉框方式，自动化标注只需要内置大模型，进行参数设置后，原本需要手动标注的矩形框会自动生成。目前唯一的问题是，生成的矩形框有踩线、贴合度太低等质量问题，需要人工逐一检验。

效率的提升让车企惊喜。理想在使用大模型2.0进行自动化标定，效率是人的1000倍；特斯拉一直在积极推进自动标注的进展，比如在2022年6月裁撤了200名为特斯拉标注视频，以改进辅助系统的美国员工，因为特斯拉的自动标注能力大幅改善，标注10000个不到60秒的视频，只需要大模型运行一周，而不再需要人工标注几个月。

AI数据公司整数智能的创始人林群书说，越来越多的车企和AIGC企业采用大模型产品做自动化标注，营收正在大幅增长。他们最新的动作是在新加坡建立研发分部。

但对于自动化标注的增长，第三方服务商没那么乐观。河南一家众包平台的项目经理说，自动化标注还不能取代60%以上的标注需求，只能作为辅助标注工具，处理单一或特定数据，提升人效。

另一家数据标注公司的产品经理认为，自动标注只能过滤简单的基础数据，还不能像人一样从复杂有争议的场景中精确识别物体。这也是数据标注市场，如今依然是以自动驾驶标注数据为主导的原因。

不过大家也认同，未来的数据标注将从重人力转向重技术的趋势。

总之，不是被同行“卷死”，就是被技术“卷死”。但坐以待毙肯定不行，数据标注的第三方公司在寻找未来的出路。

代延的计划是紧跟市场，保持警惕，随时裁员，同时向做自动化标注工具的方向发展。一家众包平台的创始人在和同行交流时说，未来不能堆人力，要有研发能力。

对于个人呢？行业里流传的职场路径是，新手标注工——熟手标注工——标注项目管理员/经理——甲方公司数据分析师，最终实现月薪上万的晋升。

代延认识的数据标注工没人在朝这个方向走，他们要么停留在原地，要么退出，最好的情况是建立自己的标注团队，像代延这样，不过他也没有觉得更轻松。

一边是AI风口带来的项目需求增长，一边是更混乱的竞价、更低的人均产值和正迅速成长的AI。两种情绪是交织的，AI会带来无限机遇，AI也会淘汰“我们”。

巴比特园区开放合作啦！