AI合成数据是趋势，我们正在打造标注大模型｜专访龙猫
人工通过采集现实世界的图像、视频、文字等信息，清洗标注后将数据转化为代码输送给机器，机器人最终能具备智能意识，像人一样理解语言背后的深意。
从事这份工作的人叫做数据标注员，他们在做的事情，也是在给人工智能算法增加“燃料。”
随着AIGC时代的到来，很多人对数据标注员的工作产生了好奇，他们在做什么工作？现状如何？行业存在哪些问题？未来有何发展前景？带着这些问题，娱乐资本论·视智未来专访了龙猫副总裁胡邱飞。
龙猫成立于2014年，是一家AI数据及平台服务商，累计服务了60余家主机厂和自动驾驶公司，为客户提供整体的数据解决方案。
---以下为采访实录---
关于公司业务
视智未来：你们是什么时候开始转型做AI数据服务的？
龙猫副总裁胡邱飞（下同）：
2016年，我们见证了国内AI从计算机视觉、人脸识别检测、手势检测到应用场景的自动驾驶、NLP相关的发展历程。
公司主要是自动驾驶和AIGC两条业务线。做AIGC是因为未来它是更大的赛道，市场预计到万亿级别，模型和产品都需要大量单模态到多模态的数据。
比如类3D的物体标注，以前是拿全景摄像机还原室内场景，现在是第一个人写指令，AI能看着场景找东西。
视智未来：以后是不是可以不用实拍了，直接AI标注AIGC内容了？
有可能。但Prompt生成的内容和三维世界相比缺少位置信息，摄像头没法测距。也有人在做这样的事情，比如谷歌李飞飞的具身智能模拟器。这个适用场景是机器人，创业公司好融资。
视智未来：AIGC对你们的业务产生了什么影响？
今年AIGC爆火后，龙猫接到了很多图文标注、及图视频标注需求的订单，会有很多多模态应用场景，比如车内座舱的文娱软件等。
视智未来：这种手势多模态和车机识别怎么做交互？你们在其中起到什么作用？
我们给他整体提供一套数据解决方案，了解他的应用场景，需要什么数据。有没有基础大模型，还是需要从零开始搭？多数应用层客户会先选一些基础大模型评测。
视智未来：他们评测还是委托你们？
有的会委托我们，比如他列一些API，我们给他研究竞品。
关于标注员
视智未来：你觉得数据行业未来会发展成像美团那样三到四个不同的阶梯，有些是交社保的，有些是交给服务站的，有些是众包的人力模式吗？
现在已经是这个模式了。我们线上众包是强管控，但最终交付结果是计件的。
视智未来：你们线上选人有什么标准呢？
员工加入工会后，有做用户运营的同学管理。我们更喜欢用没有全职工作的群体，他们有生活压力，更稳定。
视智未来：你们自己研发了数据标注平台吗？
对，我们有自己整套的数据管理标注系统。
视智未来：加入AI技术后，你们和之前相比能节省多少人力？
自动驾驶上节省了40%，AIGC在考虑引入GPT等大语言模型校准标注结果。作为机器和人的交叉验证，保证输出的质量。因为人会有波动，机器更加稳定，偏差小。
视智未来：你们现在众包官方采集公会有多少人？
线上注册用户400多万，活跃全职的1万人左右。线上之外，我们在西南地区做了线下标注基地，那边高校多，学生素质更高，员工500人左右。
视智未来：现在有AIGC后，对标注员的素质要求更高了吗？
会。大模型会考察几乎所有领域的通识类知识，AIGC要求标注人员有对大模型的应用和理解，标注内容要和客户的模型价值尽量贴近，我们找的标注人员学历多数本科以上。
针对垂直领域，龙猫则会配备专业领域人员，比如为数学相关大模型招聘会高等数学的人，如果不是这专业的人，你根本看不出细节上的区别。
之前还接了互联网问诊的平台，要求三甲医生出数据，这数据标注的价格很贵了。
视智未来：你们在探索怎么用AI生成训练素材吗？
对，有很多公司会用大模型生成的内容直接标注，但是中文语料库的理解方面一定是需要人工的。我们用GPT和人生生成的内容进行对比，发现答案的重合度只有60%左右。
视智未来：我理解是这个40%如果越大的话，说明你们的工作做得越好吗？
可以，人工在标注这件事情上价值会更明显一些。
我们在尝试通过AI技术省去标注环节，直接进入到审核和质检环节。
视智未来：我能反向理解，如果客户在你们这要求越高，就说明这家公司的AI技术越先进。
可以这么说，但如果某家客户和别人的需求差异很大，也可能是算法弱。
关于业务发展
视智未来：你们的技术壁垒是什么？
第一，我们一直在主动沉淀，会形成所谓的垄断。公司有一个打法是做系统集成，之后客户再替换，隐性成本很高。第二是公司的氛围很好，以产品为驱动，不像其他公司靠管理和人力密集。我们做项目要么赚钱，要么沉淀知识。在努力实现自动标注，而不是通过压榨人力提升竞争力。
视智未来：你觉得数据公司以后竞争的点是什么？
数据公司要比客户更理解他们的算法要什么数据，会有不同垂类的巨头公司出现。
我们在做产品的数据集复售。数据集分公域和私域的数据集。公域数据集数量多，但私域更重要。
视智未来：不少人觉得数据标注门槛低，是乡村扶贫工作。
这是特例，不是行业现象。
视智未来：你们以后会做自己的大模型吗？
正在做，大模型一是做辅助标注，读懂题目后给答案让人选。第二是做全自动标注，AI直接出结果。这种情况我们会做双盲的实验，比如一个答案用三个标准做一遍，里面我们会拆一个一个人或者两个人用这种形式做，这样不需要再做抽检和质检，有些项目我们已经用GPT交付了，准确率方面达到了80%多，与人工接近。
关于数据采集
视智未来：数据采集上你们有新动作吗？
国外出现的一种趋势是用户主动售卖自己的数据，让数据公司得以绕开原始数据的厂商垄断的局面。我们也在想，怎么让那些有时间、素质又高的人做数据输出和标注，比如说通过做题的方式，让他们在小程序上答题赚钱。
产品设计上需要想想人性的问题，有人又想挣钱又想舒服，这样的人员画像和我们现在人员画像有一个冲突。我们现在的画像是宁可下沉，有全职时间，产品设计上需要想想人性的问题，有人又想挣钱又想舒服，这样的人员画像和我们现在人员画像有一个冲突。我们现在的画像是宁可下沉，有全职时间，要不然就是大学生，他们时间充沛，更好管理，也更稳定。宣传渠道上，龙猫基本靠口口相传，吸引的人群类似，很少做公域推广，否则群体不搭。产品要考虑怎么既保证质量，又有爽感。到宣传渠道，龙猫基本靠口口相传，吸引的人群类似，很少做公域推广，否则群体不搭。产品要考虑怎么既保证质量，又有爽感。
视智未来：于数据公司而言，以后用AI做数据合成是不是很重要？
对，这种高质量的数据集已经不太够了，怎么获取？一是直接找用户信息，但很少有用户愿意共享数据。但现在可以做数据的拟合，类似抄写数据，一样能达到可用的标准。AI 合成、改写部分可以洗掉它类似的标和专有信息，生成通用内容。
成本方面，最好是现有甲方需求给到我们，再去做原始数据的融合，第一次卖出就可以赚回成本钱。也有很多有数据的甲方在自己做数据集，比如百度、京东。
视智未来：自动化做标注和数据集，你们担不担心那种混合拟合的问题，质检会很难。
强化学习上，你要给他做奖励模型，重新纠偏。其次也要看整体比例，GPT整体数据集几十个TB，合成数据的指标才不到10%。
做数据公司持续的壁垒，一个是的数据集合成能力，第二是给大模型做人的强化学习。我们也在想怎么通过小程序沉淀用户数据。
视智未来：版权能确定吗？
生成式AI上最新的管理意思是，你的5张照片是你的，但我拿来合成照片之后版权就是我的了。