大模型时代，如何搭建数据的“智能化流水线” ？｜甲子光年

作者：甲子光年发布时间：2023-10-16

人工智能

技术将逐渐成为高质量数据的“第一生产力”。

作者｜刘杨楠

编辑｜栗子

“人工智能会改变世界，那谁会改变人工智能？”著名计算机科学家李飞飞曾多次发问。

回看人工智能60多年的发展历史，大部分时间里，研究者对这个问题给出的答案恐怕都是“模型”。

直到2012年，在ImageNet大规模视觉识别挑战（ILSVRC）上，杰弗里·辛顿带领团队创造了深度学习的“ImageNet时刻”。“数据”第一次站在人工智能舞台的聚光灯下。

某种程度上，大模型的智能涌现，是ImageNet在自然语言理解（NLP）领域“复制”成功的结果。

过去半年，在国内外逐渐解开“大模型谜团”的过程中，数据、算法、算力这“三驾马车”在人工智能中扮演的角色正在被重新分配。技术驱动的高质量数据，正在成为驱动模型能力提升的最关键要素。与之相伴的AI数据服务行业也迎来了全新的时代。

1.大模型时代，“数据为王”？

大模型时代，整个数据服务行业都在面临一次“翻新”。

正如汽油需要从原油中提炼才能供汽车使用一样，AI产业链条中，大多数据为非结构化数据，AI公司通过数据标注获得结构化数据，以此“喂养”算法进行AI训练，最终生成的模型数据可用于各种场景，从而激发数据的AI价值。因此，数据标注一直是人工智能深度学习路径下不可或缺的存在。

“大模型时代，数据为王。”这是部分行业观察者给出的一则判断。当前的AI大模型训练过程中，算法端逐渐向Transformer神经网络“收敛”，算力端依赖于具备大规模并行计算能力的AI服务器集群，数据端则需要涵盖巨量数据的大规模数据集持续投喂。

必须承认，大模型的智能涌现是三大要素彼此交织的工程学胜利。但某种程度上，算力决定了模型能力的“下限”，而在实际应用场景中，数据质量决定了模型能力的“上限”。

数据是直接影响AI大模型落地效果的关键因素。相比于模型算法和底层算力，高质量数据更为稀缺。

大模型时代，所谓“高质量”数据，也有了更丰富的含义。

Mckinsey Global Institute研究报告表明：深度学习模型对训练数据的数据量、多样性和更新速度方面提出较高要求。具体而言，约1/3的算法模型每月至少更新一次，约1/4的算法模型每日至少更新一次。算法模型的持续更新，将进一步拓展各领域训练数据的需求空间。

大模型的研发和应用链路更长。简单来看，大模型训练包含“模型方案设计-数据采集-数据清洗-数据标注-数据质检-模型训练-模型测试-模型评估”八大环节。

其中，“数据采集-数据清洗-数据标注-数据质检”四步是AI基础数据服务的关键技术流程；在模型训练环节，大模型也对预训练数据、微调数据（SFT/RLHF）需求量更大且对质量要求更高；在模型评估和应用环节，模型评估标准、测试数据集，以及应用阶段的Prompt工程成为基础数据服务企业面临的新挑战。

需求端的变化重构了数据服务领域原有的游戏规则，传统数据标注行业“作坊式”的工作模式和工作效率越来越无法满足激增的“工业化”数据需求。

基础数据服务企业一方面要夯实交付能力，提升数据质量和作业效率；同时还要开拓各类算法、AI辅助等技术，以弥补重人力投入带来的高成本、低效率等问题。

长久来看，基础数据服务需要一条更完善、更高效的“智能流水线”，来匹配大模型时代的新需求。

2.给数据建一套“智能流水线”

国外一家初创企业已经走在前列。

ChatGPT爆火后，AI数据服务商Scale AI被当作“站在OpenAI背后的公司”而备受关注。

自2016年成立以来，Scale AI在最初四年专注为人工智能/机器学习模型所需要的数据做标注。在之后的时间，Scale AI逐渐向下游扩展，开发自有模型，并逐步进入人工智能产业链的更多环节。

2020年，成立5年的Scale AI突破了1亿美元的ARR，成为有史以来最快达到这一里程碑的公司之一。

Scale AI爆发性成长的根源在于，它颠覆了数据标注行业作为“劳动密集产业”的历史，并以一己之力将行业推向“技术密集型”产业。

商业世界中，时代更替、优胜劣汰的故事屡见不鲜，国内也开始浮现一个声音——谁是“中国的Scale AI”？

中国基础数据服务市场大致有互联网企业、初创企业及传统数据服务商三类玩家。

其中，传统数据服务商大多“重人力，轻技术”，多依赖众包或外包模式起家，延续一直以来的“人海战术”，能够满足部分低端需求，具备部分AI辅助标注能力，但整体欠缺算法能力。

创业公司则“重技术，轻人力”，从智能化标注工具的小赛道切入，较成熟的创业公司建有自己的数据标注基地，逐渐形成全栈式交付能力。

相比之下，互联网企业虽然不算入局最早的，却是起点最高的。互联网企业有充足的资金、人才和技术储备，能够强势整合平台资源，加注技术研发，是近年来AI数据服务领域发展势头最猛的力量。

三大玩家均在不同程度“对标”ScaleAI，向人工智能产业链下游延伸，并拉开数据采标的智能化变革。然而，真正拥有一套完整智能化流水线的玩家却不多。

火山引擎，已经率先展开探索。

据火山引擎AI数据中心负责人金亮介绍，火山引擎AI数据服务已经给数据搭建了一套“智能化流水线”，即智能化标注平台。该平台包含两大能力套件——智能作业套件及智能管理套件。

金亮向张一甲介绍智能化标注平台

智能作业套件基于标注领域的模型，建设了机标、预标、辅标的智能作业能力矩阵，以模型能力部分替代和全部替代人工标注作业；辅以模型持续优化流程及智能评估、调度能力，保障整体模型覆盖度和提效表现。

作业套件沉淀了多种标注模板，包含ASR，NLP，CV等全品类的模板覆盖。如ASR的短语音标注、长语音标注、图像的关键点、矩形框，点云、2/3D融合标注、连续帧、离散帧等标准模板，能够保障数据安全、平台操作便捷且可定制化。项目经理只需要简单配置一下，便可以执行任何类型的任务。

平台集成了预标注与边标边训和主动学习式的模型，用各类模型辅助甚至代替部分人工操作。同时根据不同的项目阶段，选择适合的模型能力接入相应的项目阶段。

例如，在数据标注初期，火山引擎AI数据服务利用模型过滤大量数据，即进行模型预标，减少人工作业的数据量。模型预标后，只需抽取置信度不高的少量数据，由标注员进行确认或修改即可。既完成交付，也能够给模型提供反馈，持续提升模型性能。

此外，火山引擎AI数据服务还会利用模型进行纠错，即标注员提交的结果会过一遍模型，两者相差过大模型会进行纠错，避免标注员提交质量显著偏低的结果。在质检作业时，模型可以辅助筛选需重点质检任务或直接完成数据的验收，最终可实现约20%-40%的效率提升。

智能管理套件则基于NLP和对话模型的交付助理GPT、作业助理GPT等助理能力，通过模型的场景优化和策略引擎，实现管理过程中的智能预警和干预，以及业务知识的个性化查询，提升整体管理效率，降低培训成本。

此外，金亮表示，基于智能化标注平台，火山引擎AI数据服务团队也摸索了一套“人机结合”的作业模式。“我们把复杂的业务通过技术拆解成最小单元，把每一个小业务变成简单的业务，做机器标注解决，若干个简单的任务，最后通过技术进行合并，让使用者都能低门槛使用火山引擎的标注平台。”金亮说。

火山引擎AI数据中心负责人金亮

在无数次实战中，火山引擎AI数据服务已经形成完整的一站式服务能力体系。

AI链路上，火山引擎AI数据服务可支持数据采集、清洗、标注、格式处理、数据管理、模型训练与运维、模型评测等AI基建能力；
算法技术上，其可支持CV、智能语音、NLP等机器学习/深度学习算法，及LLM、SD等类别的大模型训练数据；
服务类型上，可提供高质量的定制化采标服务、模型优化和迭代、预标模型定制化、智能化数据服务平台等产品服务；
应用场景上，可覆盖行业95%以上的业务场景，应用于泛互、社交娱乐、媒体咨询、自动驾驶、智能金融、智能家居、推荐理解、智慧医疗等垂类场景。

2021年火山引擎AI数据服务迎来了第一家客户——国内某top级别的自动驾驶解决方案商。

客户要求的项目类型是图像BEV算法标注（即“鸟瞰图的标注”，基于图像/Lidar/多模态数据的3D检测与分割任务），并要求交付图片准确率要达到98%以上。

为实现超预期交付，项目经理直接带着团队到客户现场驻场，参与客户车辆测试路跑数十公里，想尽各种办法，最大程度贴合客户真实的业务场景，为客户量身定制质量管理方案。最终，该项目达到了99.6%的交付准确率。

超客户预期的高质量交付结果帮助客户将自动泊车指数提升了304%。也正因如此，首家客户和火山引擎在AI数据服务上的合作一直持续到了今天。

接下来的两年中，火山引擎AI数据服务成长迅速。

目前，火山引擎AI数据服务也面向火山方舟提供多项服务。

火山方舟是火山引擎发布的大模型服务平台，面向企业提供模型精调、评测、推理等全方位的平台服务（MaaS，即Model-as-a-Service）。目前，“火山方舟”集成了百川智能、出门问问、复旦大学MOSS、IDEA研究院、澜舟科技、MiniMax、智谱AI（以拼音首字母排序）等多家AI科技公司及科研院所的大模型。

“企业使用大模型，首先要解决安全与信任问题”，火山引擎总裁谭待表示，“火山方舟”实现了大模型安全互信计算，为企业客户确保数据资产安全。基于“火山方舟”独特的多模型架构，企业可同步试用多个大模型，选用更适合自身业务需要的模型组合。

火山引擎AI数据服务已经向火山方舟提供包括RLHF多轮对话训练、SFT阶段数据精调标注、RM排序数据精调训练、问答改写精调标注、文本大模型综合标注模板及Prompt工程指令库等服务。

火山引擎AI数据服务正在探索一条以技术为主引擎的高质量数据道路。

3.技术，高质量数据的“第一生产力”

三年前，整个“数据”行业迎来一次历史性转折。

2020年4月，中共中央、国务院发布《关于构建更加完善的要素市场化配置体制机制的意见》，将数据作为与土地、劳动力、资本、技术并列的生产要素，要求“加快培育数据要素市场”。

一时间，各种声音开始解读——这一变化究竟意味着什么？

相关政策指出，数据要素涉及数据生产、采集、存储、加工、分析、服务等多个环节，是驱动数字经济发展的“助燃剂”。换言之，数据要真正成为生产要素，意味着数据不能是“一盘散沙”，而需要以“数据”为中心，生长出一条完整的产业链。

如今，数字经济已然行至水深处，不少领域甚至开始走入“无人区”。此时此刻，人工智能，则是让数字经济走出无人区，通往开阔地带的一把锁；高质量的数据养料，则是打开这把锁的一把密钥。

在数据的“智能流水线”背后，是一整套体系的系统性升级。

基础设施层，基于云服务的AI训练全栈式服务，可以充分衔接AI基础数据服务及模型训练过程；平台层，工具链及AI标注平台为模型训练整体提效；工具层，各类AI辅助标注工具提高各环节服务质量，最终实现模型训练过程中的快速迭代。

火山引擎AI数据中心负责人金亮告诉「甲子光年」，目前AI标注工具正处于半自动化状态，能够实现简单的数据标注。但未来，随着生成式AI技术的发展，AI对语音、语义、图像分割等理解能力实现重要突破，AI标注工具则能实现AI全自动化/半自动化高交互的终极状态。