“在一條看不見的戰(zhàn)線上，數(shù)百萬(wàn)成人組成的“螞蟻雄兵”，正在主導(dǎo)AI產(chǎn)業(yè)的走向。

很少有人意識(shí)到——所有人工智能的奇跡，始于百萬(wàn)雙人類的手對(duì)原始數(shù)據(jù)的艱難標(biāo)注。這些散布在山西、貴州，乃至印度、非洲的標(biāo)注員，正用最原始的方式喂養(yǎng)最前沿的科技。

他們的工作有多重要，簡(jiǎn)單來(lái)說(shuō)，沒有這些人，AI得吃土。

數(shù)據(jù)標(biāo)注顧名思義，就是給數(shù)據(jù)（文字、語(yǔ)音、視頻）打標(biāo)簽，告訴AI這些數(shù)據(jù)代表的含義。比如，一張圖片是鹿還是馬，一段語(yǔ)音是京劇還是相聲，這些看似簡(jiǎn)單的標(biāo)注工作，卻筑造了AI這座大廈的底座。

☆一場(chǎng)看圖說(shuō)話的比賽

數(shù)據(jù)標(biāo)注乃至當(dāng)前的AI跟一場(chǎng)看圖說(shuō)話的比賽——ImageNet關(guān)系很大。ImageNet提供了上百萬(wàn)張標(biāo)注好的圖片（比如有貓、狗）。參賽隊(duì)伍的任務(wù)是：訓(xùn)練一個(gè)計(jì)算機(jī)程序，準(zhǔn)確識(shí)別一個(gè)新圖片的內(nèi)容是什么。

2012年以前，參賽團(tuán)隊(duì)基本上都是采用“盲人摸象”的方式，比如先識(shí)別貓的尖尖耳朵的特征、然后長(zhǎng)長(zhǎng)的胡須、再看眼睛的形狀以及毛茸茸的質(zhì)感……這種方式的準(zhǔn)確率始終很低。

2012年一支名叫AlexNet的團(tuán)隊(duì)奪冠，他們采用了一種叫做“深度卷積神經(jīng)網(wǎng)絡(luò)”的技術(shù)，這種技術(shù)不同于此前的方式，他們不再一條條硬性規(guī)定電腦“貓長(zhǎng)什么樣”。而是給這個(gè)“神經(jīng)網(wǎng)絡(luò)學(xué)生”看海量的貓及非貓的圖。并告訴它哪個(gè)是貓、哪個(gè)不是貓。然后，讓這個(gè)“學(xué)生”自己總結(jié)規(guī)律！最終成為一名鑒貓大師，掃一眼就知道這貓“開不開門”。

深度學(xué)習(xí)從此點(diǎn)燃了AI復(fù)興的燎原之火，擁有海量標(biāo)注數(shù)據(jù)+強(qiáng)大的并行計(jì)算能力（GPU）+深度神經(jīng)網(wǎng)絡(luò)模型，就能訓(xùn)練出超強(qiáng)的AI。這成為了后續(xù)AI發(fā)展的標(biāo)準(zhǔn)范式。

在AI的發(fā)展浪潮中，數(shù)據(jù)堂這個(gè)名字或許并不為大眾所熟知，但在數(shù)據(jù)標(biāo)注領(lǐng)域，它卻是一個(gè)響當(dāng)當(dāng)?shù)拇嬖凇?shù)據(jù)堂成立于2010年，就在ImageNet比賽引發(fā)AI革命的前兩年（值得一提的是，數(shù)據(jù)堂也是ImageNet重要的數(shù)據(jù)標(biāo)注服務(wù)商）。從時(shí)間線上看，這似乎是一個(gè)奇妙的巧合，但從另一個(gè)角度看，這也預(yù)示著數(shù)據(jù)標(biāo)注即將在AI領(lǐng)域大放異彩。

在WAIC 2025，數(shù)據(jù)猿與數(shù)據(jù)堂COO何鴻凌對(duì)話，探討大模型時(shí)代下數(shù)據(jù)標(biāo)注的進(jìn)化和演變。

從教AI“認(rèn)字”到教AI“思考”

在數(shù)據(jù)標(biāo)注員眼里，AI跟一個(gè)寶寶沒啥區(qū)別，都是教他認(rèn)字?！白铋_始數(shù)據(jù)標(biāo)注就像教幼兒園小朋友認(rèn)卡片?！焙硒櫫枭鷦?dòng)地表示，“標(biāo)注員的任務(wù)就是告訴機(jī)器，這是貓，這是狗，紅燈停、綠燈行——簡(jiǎn)單粗暴。”

即使是NLP領(lǐng)域，涉及的實(shí)體關(guān)系、語(yǔ)法等也比較簡(jiǎn)單。這對(duì)于標(biāo)注員的要求也比較低，只要是成年人且可以熟練操作電腦，不一定上過(guò)大學(xué)，就能勝任這份工作。

但隨著大模型時(shí)代的加速到來(lái)，數(shù)據(jù)標(biāo)注的內(nèi)涵和作用悄然發(fā)生變化。何鴻凌指出，當(dāng)大模型發(fā)展到一定程度之后，參數(shù)和算力提升對(duì)于性能提升的邊際效用降低，數(shù)據(jù)的戰(zhàn)略價(jià)值就會(huì)凸顯。這是一個(gè)非常自然的進(jìn)化過(guò)程，需要更好的數(shù)據(jù)和更專業(yè)的能力?！艾F(xiàn)在標(biāo)注員在教AI‘思考’，自己先得會(huì)思考?！?何鴻凌表示，“以前招工要求‘識(shí)字就行’，現(xiàn)在得考邏輯推理——AI在進(jìn)化，人更不能躺平?！?/strong>

大模型時(shí)代對(duì)于數(shù)據(jù)標(biāo)注而言，可以說(shuō)是2012年那場(chǎng)比賽之后，又一個(gè)顛覆性時(shí)刻，在很多方面都帶來(lái)了巨大的變化：

·標(biāo)注對(duì)象發(fā)生質(zhì)變：從識(shí)別物體轉(zhuǎn)向標(biāo)注“思維鏈”， 大模型出現(xiàn)之后，AI的任務(wù)從聽、說(shuō)、讀、寫轉(zhuǎn)變?yōu)樗伎?。?dāng)用戶提出一個(gè)問(wèn)題，大模型必須保證回答的準(zhǔn)確性和完整性，以及推理過(guò)程的邏輯性。這就要求標(biāo)注員需解析“AI為何認(rèn)為天空是藍(lán)色的”，而非簡(jiǎn)單標(biāo)記“天空=藍(lán)色”。

·數(shù)據(jù)質(zhì)量至關(guān)重要：識(shí)別錯(cuò)了小貓小狗也許無(wú)傷大雅，但隨著大模型在關(guān)鍵場(chǎng)景，如醫(yī)療、金融、自動(dòng)駕駛等深入應(yīng)用，數(shù)據(jù)的精準(zhǔn)度和質(zhì)量將產(chǎn)生巨大的影響。甚至在一些領(lǐng)域，如自動(dòng)駕駛，數(shù)據(jù)標(biāo)注的質(zhì)量將直接影響人身安全。

·人類標(biāo)注員角色升級(jí)：標(biāo)注員從原來(lái)的低端重復(fù)勞動(dòng)，變成了高端且具有創(chuàng)造性的工作。此前的AI像教一個(gè)死記硬背的學(xué)生，需要靠老師一條條灌輸知識(shí)點(diǎn)。但大模型不一樣，它有強(qiáng)大的泛化能力。例如我們只需要給大模型學(xué)習(xí)一萬(wàn)個(gè)化學(xué)方程式，它可以推導(dǎo)出更多的化學(xué)知識(shí)。在這種模式下，標(biāo)注員更多的扮演精神導(dǎo)師的角色，讓AI能夠自己推導(dǎo)和衍生，而不是手把手教它怎么做。

·數(shù)據(jù)形態(tài)碎片化：客戶的需求越來(lái)越多樣化，可能突然需要“兩周內(nèi)完成5000條東南亞方言金融欺詐對(duì)話數(shù)據(jù)”，傳統(tǒng)流水線式的標(biāo)注方式已經(jīng)無(wú)法滿足這種碎片化的需求。

·數(shù)據(jù)生產(chǎn)模式的變化：AI不再單純依賴人類的單向“輸出”，開始主動(dòng)收集和吸收知識(shí)。此前，AI主要與人交互。現(xiàn)在，AI與物理環(huán)境的交互越來(lái)越多，像具身智能、自動(dòng)駕駛等，已經(jīng)能夠從物理環(huán)境中主動(dòng)“索取”數(shù)據(jù)，這對(duì)于傳統(tǒng)的數(shù)據(jù)生產(chǎn)和標(biāo)注，將產(chǎn)生巨大的影響。

數(shù)據(jù)堂打出一套組合拳

面對(duì)大模型新需求和新形勢(shì)，數(shù)據(jù)堂打出一套組合拳：

針對(duì)大模型應(yīng)用的兩大環(huán)節(jié)——訓(xùn)練和推理進(jìn)行突破。在訓(xùn)練環(huán)節(jié)，數(shù)據(jù)堂根據(jù)客戶需求定制版權(quán)數(shù)據(jù)集，這些數(shù)據(jù)集對(duì)于提升模型的底層能力起到立竿見影的效果。在推理環(huán)節(jié)，數(shù)據(jù)堂準(zhǔn)備了高質(zhì)量的推理數(shù)據(jù)集，通過(guò)模仿學(xué)習(xí)和推理能力的提升，讓AI減少學(xué)習(xí)成本，突破思考上限，真正做到“學(xué)以致用”。

“此前，我們更加關(guān)注AI的聽、說(shuō)、讀、寫能力，現(xiàn)在我們關(guān)注的是AI的思考能力。如果說(shuō)過(guò)去數(shù)據(jù)標(biāo)注的責(zé)任是讓AI吃得飽，現(xiàn)在我們的任務(wù)就是讓AI學(xué)得快、訓(xùn)得好?！?何鴻凌指出。

☆數(shù)據(jù)供給革命

在大數(shù)據(jù)時(shí)代，行業(yè)流傳這么一個(gè)說(shuō)法：更多的數(shù)據(jù)勝過(guò)更好的算法。當(dāng)前，大模型面臨公開數(shù)據(jù)枯竭的“困境”。人類創(chuàng)造數(shù)據(jù)的速度和規(guī)模，遠(yuǎn)遠(yuǎn)跟不上AI所需要的。

“在供給端，我們采用工業(yè)化方法加大數(shù)據(jù)的‘開采’。同時(shí)，也在探索以具身智能主動(dòng)汲取外部數(shù)據(jù)的新路徑?！焙硒櫫柚赋觥?/p>

除此以外，盡管數(shù)據(jù)堂目前所有的技術(shù)儲(chǔ)備都在現(xiàn)實(shí)數(shù)據(jù)的采集和標(biāo)注上，但對(duì)合成數(shù)據(jù)這一全新數(shù)據(jù)生產(chǎn)形式也非常重視。合成數(shù)據(jù)在很多領(lǐng)域已經(jīng)被大量應(yīng)用，比如AI生成的視頻數(shù)據(jù)、文檔數(shù)據(jù)等，自動(dòng)駕駛領(lǐng)域比如攝像頭圖像、激光雷達(dá)點(diǎn)云、毫米波雷達(dá)數(shù)據(jù)，這些合成數(shù)據(jù)為大模型的發(fā)展提供了新的養(yǎng)料。

“我們?cè)趥鹘y(tǒng)模型訓(xùn)練中的數(shù)據(jù)增強(qiáng)，也可以將其理解為一種合成數(shù)據(jù)的方法。在合成數(shù)據(jù)的模式下，我們與客戶的合作關(guān)系會(huì)發(fā)生怎樣的改變，需要進(jìn)一步觀察?！?/p>

☆數(shù)據(jù)標(biāo)注技術(shù)創(chuàng)新

同時(shí)，數(shù)據(jù)堂也在大力推進(jìn)標(biāo)注技術(shù)創(chuàng)新。他們采用AI預(yù)標(biāo)注、實(shí)時(shí)標(biāo)注和人工完成等多種方法，結(jié)合模型的反饋，不斷優(yōu)化標(biāo)注流程，提高標(biāo)注效率和質(zhì)量。

2025年，多模態(tài)已經(jīng)成為大模型的主旋律。多模態(tài)大模型打破了數(shù)據(jù)藩籬，實(shí)現(xiàn)文本、圖像、音頻的深度協(xié)同。

針對(duì)此，數(shù)據(jù)堂專門開發(fā)了圖像文本標(biāo)注工具和工藝。用戶可上傳圖片或PDF數(shù)據(jù)，工具支持通過(guò)拉框選定區(qū)域進(jìn)行自動(dòng)預(yù)標(biāo)注，并能識(shí)別表格和公式結(jié)構(gòu)。該過(guò)程生成的預(yù)標(biāo)注結(jié)果需經(jīng)人工校對(duì)和修正，最終可根據(jù)客戶需求調(diào)整并轉(zhuǎn)換為標(biāo)準(zhǔn)格式輸出。此平臺(tái)基于數(shù)據(jù)堂原有的內(nèi)部系統(tǒng)構(gòu)建，其內(nèi)置流程確保了標(biāo)注質(zhì)量與傳統(tǒng)方式一致，相當(dāng)于新增的專業(yè)工具，適用于圖像理解與生成任務(wù)。

視頻標(biāo)注邏輯與此類似，但因其增加了時(shí)間維度而更為復(fù)雜。數(shù)據(jù)堂在圖像/視頻標(biāo)注（包括單幀與連續(xù)幀標(biāo)注）方面擁有豐富的經(jīng)驗(yàn)，因此在多模態(tài)數(shù)據(jù)的標(biāo)注方面擁有天然優(yōu)勢(shì)。

何鴻凌表示：“同時(shí)，我們正關(guān)注阿里、騰訊等發(fā)布的3D世界模型，這將是下一步工作方向，需在視頻的時(shí)間維度基礎(chǔ)上，進(jìn)一步增加3D連續(xù)幀的空間維度進(jìn)行標(biāo)注?！?/p>

☆產(chǎn)業(yè)模式重構(gòu)

數(shù)據(jù)標(biāo)注是一個(gè)“重人力資源”的產(chǎn)業(yè)，大模型的飛速發(fā)展極大擴(kuò)張了對(duì)標(biāo)注員的需求。但是“養(yǎng)”一支大規(guī)模的數(shù)據(jù)標(biāo)注軍團(tuán)，對(duì)于任何一家企業(yè)都是難以承受的。

數(shù)據(jù)堂采取了三種模式高效、靈活的組建了一支龐大的標(biāo)注軍團(tuán)。

第一種，標(biāo)注基地。標(biāo)注基地是數(shù)據(jù)堂的“根據(jù)地”，在基地的標(biāo)注員都是全職員工，規(guī)模有幾千人。基地的標(biāo)注員有考核指標(biāo)，受公司規(guī)章約束，作業(yè)過(guò)程要在可控的環(huán)境中進(jìn)行。他們的技術(shù)門檻和能力要求都非常高，負(fù)責(zé)核心、高端的標(biāo)注任務(wù)，為各類業(yè)務(wù)持續(xù)提供高質(zhì)量數(shù)據(jù)集。

第二種，企業(yè)級(jí)合作商。據(jù)透露，數(shù)據(jù)堂目前國(guó)內(nèi)外的合作商有兩千多家，龐大的合作商保證數(shù)據(jù)供給的豐富度。

第三、眾包員工。數(shù)據(jù)標(biāo)注的工作中有一部分內(nèi)容涉及到數(shù)據(jù)采集，數(shù)據(jù)的多樣性非常重要?！皵?shù)加加是數(shù)據(jù)堂旗下的數(shù)據(jù)標(biāo)注眾包平臺(tái)，用戶可以在平臺(tái)上自由‘接活’?；钴S在平臺(tái)上的數(shù)據(jù)標(biāo)注員規(guī)模達(dá)到上百萬(wàn)，光是通過(guò)數(shù)據(jù)堂培訓(xùn)考試的人數(shù)就高達(dá)幾十萬(wàn)?！边@些數(shù)據(jù)標(biāo)注員大量分布在三四線城市，以及印度、韓國(guó)、東南亞和非洲等國(guó)家，他們共同組成了一條隱秘的戰(zhàn)線。

目前，數(shù)據(jù)堂已構(gòu)建強(qiáng)大的基礎(chǔ)數(shù)據(jù)集，包括：

·語(yǔ)音數(shù)據(jù)：200萬(wàn)小時(shí)

·圖像/視頻數(shù)據(jù)：800TB，覆蓋全球百萬(wàn)ID

·文本數(shù)據(jù)：PB級(jí)

如此海量的數(shù)據(jù)， 90%基礎(chǔ)數(shù)據(jù)由全球百萬(wàn)眾包完成，10%核心數(shù)據(jù)交安全屋內(nèi)的資深標(biāo)注員完成。隨著大模型發(fā)展加速、質(zhì)量要求提升，數(shù)據(jù)堂的生產(chǎn)模式正在發(fā)生重要變化：從依賴眾包與合作商（基地占小部分產(chǎn)出），轉(zhuǎn)向以基地為核心、占據(jù)主要產(chǎn)出的模式。

為敏感數(shù)據(jù)搭建安全屋

在數(shù)據(jù)標(biāo)注的過(guò)程中，數(shù)據(jù)安全一直是至關(guān)重要的問(wèn)題。特別是在醫(yī)療、金融、個(gè)人隱私和地圖街景等領(lǐng)域，數(shù)據(jù)的安全保護(hù)需求更是嚴(yán)格。數(shù)據(jù)堂深知這一點(diǎn)，針對(duì)不同數(shù)據(jù)需求，設(shè)置了多個(gè)層級(jí)的安全措施。

何鴻凌解釋道，最安全的模式，是將平臺(tái)部署到本地。比如針對(duì)銀行、保險(xiǎn)、醫(yī)療等客戶，把我們的自動(dòng)化標(biāo)注工具數(shù)加加，部署到企業(yè)內(nèi)部，企業(yè)內(nèi)部的數(shù)據(jù)不用出機(jī)房。我們的員工到客戶現(xiàn)場(chǎng)，在客戶可控的環(huán)境中進(jìn)行標(biāo)注。手機(jī)被禁止攜帶到現(xiàn)場(chǎng)，以防任何人通過(guò)拍攝或者拷貝的方式拿到任何數(shù)據(jù)。但相應(yīng)的，這種方式成本會(huì)非常高。

第二種方式，客戶通過(guò)連接專線或者VPN的方式從數(shù)據(jù)堂的標(biāo)注基地獲取信息，避免在互聯(lián)網(wǎng)上傳輸。我們每個(gè)標(biāo)注基地都有安全屋，標(biāo)注員作業(yè)過(guò)程中受到嚴(yán)格的監(jiān)控。

第三種安全措施，我們會(huì)在客戶那里租用遠(yuǎn)程桌面，從客戶那里傳遞過(guò)來(lái)的只是畫面，而不是數(shù)據(jù)，這樣可以有效保護(hù)隱私和客戶機(jī)密數(shù)據(jù)。

目前數(shù)據(jù)堂每年都會(huì)有20、30個(gè)部署實(shí)例。其中一半在云上實(shí)現(xiàn)，另一半分散到各個(gè)業(yè)務(wù)中。

自動(dòng)駕駛—數(shù)據(jù)標(biāo)注新戰(zhàn)場(chǎng)

除了聚焦大模型，數(shù)據(jù)堂也正在其第二大業(yè)務(wù)賽道——自動(dòng)駕駛領(lǐng)域，狂飆突進(jìn)。

自動(dòng)駕駛這個(gè)業(yè)務(wù)場(chǎng)景的特點(diǎn)，是數(shù)據(jù)密集且運(yùn)行環(huán)境開放。當(dāng)前，自動(dòng)駕駛正在“去地圖化”，以前要靠高清地圖“指路”，現(xiàn)在要求AI要能在任意天氣和場(chǎng)景下實(shí)時(shí)理解環(huán)境?？紤]到中國(guó)的復(fù)雜路況（如臨時(shí)封路、不清晰或被破壞的標(biāo)線），對(duì)障礙物檢測(cè)和環(huán)境理解提出了極高的要求。

而且，端到端的自動(dòng)駕駛不僅涉及感知（“看到什么”），更關(guān)鍵的是場(chǎng)景理解和決策（“如何思考和行動(dòng)”）。這部分?jǐn)?shù)據(jù)的標(biāo)注是高度主觀且復(fù)雜的，需要構(gòu)建高質(zhì)量數(shù)據(jù)集。例如，面對(duì)黃燈，不同駕駛員的選擇（加速通過(guò)或停車），雨天該優(yōu)先避讓孩童還是老人？這些數(shù)據(jù)的標(biāo)注不僅是科學(xué)問(wèn)題，也是哲學(xué)問(wèn)題。

因此，這類數(shù)據(jù)的標(biāo)注必須由經(jīng)驗(yàn)豐富的專家完成，他們要能理解復(fù)雜情境并做出可靠判斷。

“總結(jié)來(lái)說(shuō)，前端的感知標(biāo)注（如障礙物、標(biāo)識(shí)）雖工具復(fù)雜、工序繁瑣，但本質(zhì)是客觀的，可通過(guò)詳細(xì)規(guī)則手冊(cè)規(guī)范化。我們真正的挑戰(zhàn)在于后端的主觀決策標(biāo)注，因其涉及大量難以總結(jié)、規(guī)則化的隱性知識(shí)。”何鴻凌表示。

作為數(shù)據(jù)基礎(chǔ)設(shè)施的構(gòu)建者，數(shù)據(jù)堂自創(chuàng)立之初就踐行“From AI，F(xiàn)or AI，By AI”的理念。數(shù)據(jù)堂的發(fā)展是AI與數(shù)據(jù)標(biāo)注相伴相生的縮影， AI在前面攻城略地，數(shù)據(jù)標(biāo)注在后面提供彈藥支援。AI發(fā)展到哪里，數(shù)據(jù)就“標(biāo)注”到哪里。數(shù)據(jù)“標(biāo)注”到哪里，AI才能抵達(dá)哪里。隨著大模型邁向發(fā)展的深水區(qū)，數(shù)據(jù)標(biāo)注的戰(zhàn)略價(jià)值越發(fā)凸顯。未來(lái)，AI這出大戲的更多戲份，或許會(huì)在數(shù)據(jù)標(biāo)注的身上上演。