算法、算力、數(shù)據(jù)，是AI技術(shù)發(fā)展的三大要素。

其中算力、數(shù)據(jù)提供商們，被看作為AI時代中的“賣水人”。

在算力賽道上，生產(chǎn)了A100、H100GPU的英偉達，一度擠入了與亞馬遜、蘋果、微軟等同列的萬億美金市值梯隊。

(資料圖片)

而數(shù)據(jù)服務(wù)商們也成為了“既得利益者”。即便國內(nèi)大模python型還處在“亂戰(zhàn)”之中，資本已經(jīng)給予了數(shù)據(jù)服務(wù)商們足夠的“熱情”。

成立于2005年的海天瑞聲，是國內(nèi)最早從事AI訓(xùn)練數(shù)據(jù)的研發(fā)設(shè)計、生產(chǎn)及銷售業(yè)務(wù)的企業(yè)之一。今年以來，海天瑞聲的市值從年初最低的17.5億左右，漲到了截至6月12日收盤的66.4億元，漲幅超過了270%。半年之中，其市值最高時一度飆升超過了110億元。

在一級市場上，據(jù)36氪報道，今年以來B輪及以前的十余家數(shù)據(jù)標注平臺，集體迎來了接近100%增幅的高估值。

對于海天瑞聲做的是一門什么樣生意的問題，海天瑞聲CEO王曉東做了這樣一個比喻:

“現(xiàn)在叫數(shù)據(jù)時代新基建，我們公司是賣水泥的，提供的是高質(zhì)量水泥。無論你蓋什么樓，砌墻、打樓板、打地基，你都得需要水泥?！?/p>

作為一種剛需，AI大模型時代的到來，對整個數(shù)據(jù)行業(yè)而言，意味著更多的機會，更大的市場，從業(yè)者們均不愿意錯過。

在近期，海天瑞聲進行了一場企業(yè)品牌煥新，英文名稱從“SpeechOcean”改成“DataOcean AI”，中文名“海天瑞聲”不變。

王曉東表示:“此次品牌升級不僅是一個簡單的改名，還代表著海天瑞php聲將在數(shù)據(jù)科技和人工智能領(lǐng)域的進一步發(fā)展和探索?！?/p>

但另一方面，行業(yè)也迎來了全新挑戰(zhàn)。

在技術(shù)上，基于人類反饋的強化學習（RLHF）成為了一項可能讓機器像人一樣思考的重要技術(shù)。其原理是將人類的反饋納入訓(xùn)練過程，為機器提供了一種自然的、人性化的互動學習過程。眾所周知，RLHF 也是ChatGPT 成功的秘密武器。

而傳統(tǒng)的數(shù)據(jù)標注停留在更加基礎(chǔ)的階段，難以滿足AI大模型的需求。

海天瑞聲CTO黃宇凱也用了一個比喻形容傳統(tǒng)數(shù)據(jù)標注與RLHF的區(qū)別:“以前教起來簡單，這個學生是小學生或者幼兒園，現(xiàn)在學生成長為初中生、高中生了，教他會更難一些?！?/p>

這不僅意味著數(shù)據(jù)企業(yè)需要對RLHF相關(guān)技術(shù)進行更多的投入，還意味著對數(shù)據(jù)訓(xùn)練師的專業(yè)要求也在提高。

不能忽略的是，入局大模型之爭的互聯(lián)網(wǎng)企業(yè)、科技公司出于對自身核心數(shù)據(jù)的重視，也在加快布局數(shù)據(jù)標注團隊。以百度為例，其擁有行業(yè)內(nèi)最大的自建標注團隊，在山東濟南、山西臨汾、重慶奉節(jié)等10個地區(qū)有自建標注基地。

相關(guān)數(shù)據(jù)標注頁面 圖片來源:曼孚科技

這也讓第三方數(shù)據(jù)服務(wù)商的處境更加尷尬。

行業(yè)的洗牌已經(jīng)來臨，沒有資源積累、技術(shù)壁壘、人才儲備的數(shù)據(jù)企業(yè)，將很難在這一輪洗牌中留下。而對于數(shù)據(jù)行業(yè)的頭部企業(yè)來說，“越洗越大”的機會也在來臨。

對于數(shù)據(jù)行業(yè)的發(fā)展、AI大模型時代給數(shù)據(jù)行業(yè)帶來的挑戰(zhàn)和機會、企業(yè)如何保持核心競爭力等話題，全天候科技與黃宇凱進行了一次對話。

以下為全天候科技與海天瑞聲CTO黃宇凱對話內(nèi)容，經(jīng)全天候科技整理:

1

數(shù)據(jù)是門怎樣的生意

全天候科技:從業(yè)這么多年中，你感受到AI行業(yè)或者是下游科技企業(yè)，對數(shù)據(jù)的需求有哪些變化?順應(yīng)需求，你們在做哪些業(yè)務(wù)調(diào)整和拓展?

黃宇凱:變化挺大的，2005年左右還是以語音數(shù)據(jù)為主，我們當時做語音合成，后來做語音識別相關(guān)的數(shù)據(jù)服務(wù)。也會做一些NLP，比如說與搜索相編程客棧關(guān)的數(shù)據(jù)服務(wù)，在2010年左右，搜索還是很熱的。然后是圖像圖片，有一陣子圖像識別很火，我們就去做圖像識別的數(shù)據(jù)。

我們永遠是跟著AI下游的客戶的技術(shù)發(fā)展做各種突破，他們的數(shù)據(jù)需求我們都可以去提供服務(wù)。

2012年前后，深度學習突飛猛進。數(shù)據(jù)集的需求不斷變化，從一開始的找貓找狗，識別率比較低，到后來學深度學習發(fā)展起來，立馬提升了一個大臺階，原因是背后的范式發(fā)生了變化。深度神經(jīng)網(wǎng)絡(luò)復(fù)雜度越來越高以后，它的數(shù)據(jù)需求量就有了一個飛速增長的過程。

我們可以說半被動地去接受，響應(yīng)技術(shù)的變化。以前可能幾十小時，后來幾百小時，以前可能一兩百人，后來要上千人，大規(guī)模的這種數(shù)據(jù)集業(yè)務(wù)，對我們來說都是很好的業(yè)務(wù)機會。

到這兩年，AI大模型起來了，我們看到（客戶）對數(shù)據(jù)的需求有新的變化，對我們來說也有大量的新機會。我們要有一定的敏感度，要挖掘到大模型對數(shù)據(jù)的要求和傳統(tǒng)深度學習對數(shù)據(jù)要求有什么相同的地方，我們怎么去學習掌握它一樣的地方，利用好我們原來的一些優(yōu)勢。

全天候科技:數(shù)據(jù)量的需求上去了，就需要企業(yè)在數(shù)據(jù)量上多去布局，多去搜集，現(xiàn)在還是誰擁有的數(shù)據(jù)最多，誰就有更多優(yōu)勢的階段嗎?

黃宇凱:這里有一個關(guān)鍵的點——數(shù)據(jù)量上去以后，設(shè)計其實很重要。

比如山東人說普通話，你要做這樣一個語音識別的數(shù)據(jù)集，讓1000個山東人來說普通話，你怎么選這1000個人?讓這1000個人說什么樣的話?這里面是有很高的技術(shù)壁壘的。又比如某些語言里平翹舌音不分，我們要提供數(shù)據(jù)集，就要在平翹舌音的覆蓋面上盡量多放一些這種句子。

這些都需要語言學家去理解語言或者方言的特點，要去設(shè)計數(shù)據(jù)集的結(jié)構(gòu)。

再舉一個圖像方面的例子，比如找貓找狗，不是說有1000張、10000張貓的圖片，就是一個很好的數(shù)據(jù)集。要去判斷貓的種品種、顏色，又比如貓的姿態(tài)、體態(tài)，在什么光線下拍的照片，在這張圖片里的占比、位置，要做出這么一張數(shù)據(jù)集，最好包含了多樣性，才是一個比較好的數(shù)據(jù)集，這背后是有一套的設(shè)計方案和邏輯的 。

我們的團隊有很多的經(jīng)驗，大概知道客戶要做什么，對數(shù)據(jù)集的要求是什么，能設(shè)計出一個好的數(shù)據(jù)集。把數(shù)據(jù)集給到客戶后，他的算法團隊拿這個數(shù)據(jù)去訓(xùn)練，讓他的訓(xùn)練效果很好，這樣客戶才愿意第二次、第三次來找我們。

全天候科技:如何設(shè)計數(shù)據(jù)集的結(jié)構(gòu)呢?怎樣的數(shù)據(jù)集才能算是好的數(shù)據(jù)集呢?

黃宇凱:數(shù)據(jù)集方案我們需要和客戶溝通不止一輪，客戶的算法團隊從算法、訓(xùn)練模型的角度，我們從數(shù)據(jù)采集和數(shù)據(jù)標注處理的角度，兩者放在一起，才能變成一個更好的模型。

這個過程我們要來回碰，雙方的技術(shù)人員要去討論方案。第一版方案做出來，我們還要去推導(dǎo)、精細調(diào)優(yōu)它，一版一版做。微軟、亞馬遜，國內(nèi)的BAT都是我們的頭部大客戶，我們和這些頭部大客戶的算法團隊一起成長。

像一些自動駕駛領(lǐng)域的客戶，有些客戶對于什么樣的數(shù)據(jù)集能夠幫助他的算法做得更好，他一開始也不明確，因為行業(yè)內(nèi)沒有標準。我們做的時候可以告訴他應(yīng)該如何調(diào)整，有的地方標注精度99%就夠了，有的就需要99.9%，有些類型以靜態(tài)物為主，標的時候可以粗一些，有些類型就需要標的細一些……這些方案都是需要和客戶之間來回磨合，客戶慢慢就知道了。

他在成長，其實我們也在成長，所以我們和很多大客戶有很強的綁定關(guān)系。這個行業(yè)很多大客戶一般和一php家數(shù)據(jù)公司合作以后，他不會輕易更換。因為數(shù)據(jù)很關(guān)鍵，對核心數(shù)據(jù)供應(yīng)商的頻繁調(diào)整，對他其實是一個消耗。

而對我們來說，這些knowhow也可以服務(wù)一些其他的客戶。

2

做技術(shù)投入，太早太晚都不行

全天候科技:數(shù)據(jù)行業(yè)是否也是一個有先發(fā)優(yōu)勢的行業(yè)，比如早期積累的數(shù)據(jù)集越多，服務(wù)了越多的客戶，做了足夠多的方案，你們的邊際成本也會下降?

黃宇凱:邊際成本肯定是有的。

最簡單的一個例子，節(jié)省了磨合時間。我們的項目管理團隊、供應(yīng)商，以及我們自建的標注基地、標注員之間，是有一個已經(jīng)磨合好的信任關(guān)系的。初期磨合可能難一些，順了以后形成了穩(wěn)定團隊，項目的輸出能力就是很強的，數(shù)據(jù)質(zhì)量也是有保證的，這是一個邊際效應(yīng)。

我們還有一類邊際效應(yīng)是我們的數(shù)據(jù)集產(chǎn)品，我們的業(yè)務(wù)形態(tài)里，接近一半是通過數(shù)據(jù)集的形式去賣的。

比如A客戶找我們一起來去打造一個算法，我們做出了一個很好的數(shù)據(jù)集，對他算法提升很不錯。這里有一個商業(yè)邏輯，數(shù)據(jù)的擁有權(quán)是屬于客戶還是屬于我們，這是可以協(xié)商的事情。

知識產(chǎn)權(quán)完全歸他，我們的項目團隊也能繼續(xù)服務(wù)其他客戶。很多客戶他不需要知識產(chǎn)權(quán)，而我們擁有知識產(chǎn)權(quán)，我們就可以對它做復(fù)賣。

我們管這些叫成品庫，如果B客戶也想做相關(guān)的業(yè)務(wù)，我就可以直接把庫賣給他。他拿到這個庫以后，可以用更短的時間迅速的做出一個好的產(chǎn)品。

我們目前在語音方面有近1000多個成品庫，并且整個庫的質(zhì)量是很高的?；旧系诙螐?fù)賣的時候，就除了銷售成本沒有其他成本，幾乎是100%毛利。

全天候科技:但現(xiàn)在大模型起來了，它對數(shù)據(jù)的需求也在發(fā)生變化，比如它用到的RLHF和傳統(tǒng)的數(shù)據(jù)標注就不一樣，你們原來的優(yōu)勢還會在嗎?

黃宇凱:RLHF就是我們經(jīng)常說的強化學習，它和傳統(tǒng)的數(shù)據(jù)標注形式上不一樣，但本質(zhì)是一樣的。

舉個例子，讓AI寫一個摘要，以前做NLP的標注你給個文章寫出來就行了。所謂摘要，就是給長段的文本用三四句話歸納一下。標注場景其實相對簡單，比較直接。

而大模型時代里，同樣去訓(xùn)練大模型學會寫摘要的能力，就要用RLHF這種方式，數(shù)據(jù)標注員做標注就不是那么簡單了。不僅要準確，還要考慮到各方面的代表性，甚至語氣、長度、篇幅，要求會很高。

但本質(zhì)都是一樣的，還是把人的知識通過那幾條、幾十條或者幾百條的數(shù)據(jù)，教會這個模型。只是以前教起來簡單，這個學生是小學生或者幼兒園，現(xiàn)在學生成長為初中生、高中生了，教他會更難一些。以前可能普通老師就行，現(xiàn)在就得是碩士、博士畢業(yè)的老師才能做這個工作。

全天候科技:這是不是也對數(shù)據(jù)標注員的專業(yè)素養(yǎng)提出一個更高的要求?

黃宇凱:是的，比方說985、211畢業(yè)的學生，我不是開玩笑，是真的能招到這樣的一些人才來做數(shù)據(jù)學習?；蛘哒f有一些技術(shù)點的人才，我們最近比較關(guān)注人才的工程化能力，特別是大模型訓(xùn)練的工程化能力這一塊。

以前我們這塊是不需要做太多的積累和投入的，所以這塊人員比較少，現(xiàn)在到大模型時代，我們需要有這樣的人，我們也會去定向招聘這樣的人才。

全天候科技:海天瑞聲對于大模型的關(guān)注可能更早，你們有在提前布局跟大模型相關(guān)的業(yè)務(wù)嗎?

黃宇凱:我們關(guān)注比較早，GPT2的時候我們就開始關(guān)注。今年大模型起來了，我們判斷后再去做的投入，我們還是相對謹慎的。因為技術(shù)投入有一定的風險，要去判斷、預(yù)測未來技術(shù)方向到底在哪，因為技術(shù)方向有可能會變。

去年大家都不知道今年大模型會火成這個樣子，國內(nèi)現(xiàn)在學術(shù)界也開始關(guān)注這些事情。在這些基礎(chǔ)上，我們從上到下也會去投入做學習理解。另一面也是看客戶，我們有非常高水平的客戶群，他們會有很多的反饋給到我們。

Q:現(xiàn)在會不會晚了?今年需求肯定急速增長，如果沒有提前布局，會抓不住這些機會嗎?

黃宇凱:我覺得早、晚都是有可能的，就像中國在大模型上，肯定已經(jīng)晚了。只是晚多久的判斷，有些人說幾個月，悲觀的人認為晚兩年。國外也是，Google它也晚了。

對我們數(shù)據(jù)公司來說，現(xiàn)在我們會做一些投入，就像幾年前我們做自動駕駛，要去判斷什么時候切入自動駕駛。

一開始我們做自動駕駛也是有一些零散的項目找過來，我們自己會去研究一些技術(shù)和論文，看看自動駕駛到底在一個怎樣的水平，然后做一些有限的投入。隨著商業(yè)的節(jié)奏，我們的技術(shù)節(jié)奏也起來了。

如果你永遠擔心晚了，永遠是早投，你會面臨浪費的問題，這個度它也沒有什么標準答案。

至少我們現(xiàn)在和中國行業(yè)里做大模型的節(jié)奏差不多。我們做了一些投入研究，一些原來我們不擅長的再補補課，原來擅長的再加深一下。在業(yè)務(wù)側(cè)，像RLHF有些項目在持續(xù)推進，這也不是說一兩周、一兩個月的事情，已經(jīng)比較長時間了。

3

大模型時代的數(shù)據(jù)行業(yè)洗牌

全天候科技:今年以來，AI大模型的熱度超過了所有行業(yè)，許多投資人也在試圖找數(shù)據(jù)標注企業(yè)進行投資。對于AI的“數(shù)據(jù)商”們來說，這是一個怎樣的階段?

黃宇凱:數(shù)據(jù)行業(yè)是一個非常好的賽道，（AI）技術(shù)越往后發(fā)展，它越是以數(shù)據(jù)為載體來做傳播，所以數(shù)據(jù)會越來越重要。

大模型發(fā)展起來以后，AI也開始平民化，以前AI也是無處不在，目前AI感覺更厲害，觸角伸到各行各業(yè)，它背后或多或少都有數(shù)據(jù)的需求。對我們數(shù)據(jù)行業(yè)來說，這個市場就會非常大，就看你能不能抓住這個機會。

做好技術(shù)投入、資源管理、knowhow積累，把自己壁壘越建越高，那就行了。如果你不好好做這些事情，你可能就失去這個機會了。

全天候科技:很多互聯(lián)網(wǎng)、科技公司在做AI大模型的時候，也在搭建自己的數(shù)據(jù)團隊，也在搶奪人才，他們的加入，對數(shù)據(jù)行業(yè)會有怎樣的影響?

黃宇凱:我覺得這個行業(yè)會是一個長期共存的狀態(tài)，有三類企業(yè)會一直存在。一類就是算法公司自建團隊，一類是像我們這樣的專業(yè)數(shù)據(jù)服務(wù)提供商，第三類是我們的上游供應(yīng)商，會給我們提供人力外包。

這個行業(yè)這么多年來，不管你是機器學習階段、深度學習時代，還是大模型時代，都有共存的關(guān)系。

客戶不自建團隊了，全部找我們這家公司，我覺得也不可能。因為他們內(nèi)部有一些最高級別的數(shù)據(jù)安全要求，或者內(nèi)部有其他數(shù)據(jù)，大公司總是會保留一定的自建團隊。

但我也不覺得他們會把我們的份額都拿走，因為確實存在一些競爭的問題，導(dǎo)致客戶互相之間是隔離的，特別是很重要的數(shù)據(jù)，互相之間肯定會屏蔽。對于這些壁壘，海天有這么多的資源，全球的采集能力，說實話也不是隨便一家公司能有的。

Q:作為一個中立的數(shù)據(jù)服務(wù)商，你們可以給大廠提供哪些方面的數(shù)據(jù)補充?如果只是第三方，是否意味著你們只能做一些邊緣業(yè)務(wù)?

黃宇凱:我覺得他們需要什么我們都可以做。很多人認為大廠做什么都行，因為大廠有所謂的生態(tài)。國內(nèi)大廠經(jīng)常是什么都想做，但最終還是會有很多業(yè)務(wù)劃分出來，形成一個生態(tài)上下游關(guān)系，這是正常的技術(shù)發(fā)展的趨勢。

我不覺得我們是邊緣業(yè)務(wù)，他們有數(shù)據(jù)，但要用起來那才叫有用。而從那么多數(shù)據(jù)里面，把有用的挑選出來，這個過程相當于把數(shù)據(jù)做蒸餾，這個才是核心技術(shù)。

這部分技術(shù)就是我們的knowhow。就像銀行的某個數(shù)據(jù)，這是他有的，但是我知道怎么把這類數(shù)據(jù)用最高效的方式、最節(jié)約成本，最快的速度變成他的算法。

Q:AI大模型它對數(shù)據(jù)的需求變化，會讓數(shù)據(jù)提供商行業(yè)有一個洗牌嗎?什么樣的企業(yè)更能夠適應(yīng)這個時代，而什么樣的企業(yè)可能被這個時代拋下了?

黃宇凱:更關(guān)注技術(shù)、對商業(yè)敏感的企業(yè)，更關(guān)注資源、有資源積累的企業(yè)，更關(guān)注安全合規(guī)的企業(yè)，在這三類上關(guān)注度比較高的企業(yè)更容易活下來。

技術(shù)的投入是需要代價的，但如果有些企業(yè)在技術(shù)投資上長期處于謹慎狀態(tài)，投入比較少，長期來說它的護城河就不夠，那就慢慢會有風險。像我們這種頭部企業(yè)，我們一直非常注重技術(shù)的投入、資源的培養(yǎng)，以及合規(guī)這三塊，也有持續(xù)的投入，在洗牌的過程中也會越洗越大。

相對來說，市場占比小的企業(yè)更可能被洗掉。特別是剛才提到的第三類，提供人力外包的這些公司，說實話他們可能真的要想清楚他們的壁壘在哪，不然他們有可能會被替換掉。

關(guān)鍵詞：