手工小作坊，終究敵不過工廠流水線。

　　如果說，當下的生成式AI，是一個正在茁壯成長的孩子，那么源源不斷的數據，就是其喂養其生長的食物。

　　而數據標注，就是制作這一“食物”的過程。

　　然而，這一過程真的很卷，很累人。

　　進行標注的“標注師”不僅需要反復地識別出圖像中的各種物體、顏色、形狀等，有時候甚至需要對數據進行清洗和預處理。

　　隨著AI技術的不斷進步，人工數據標注的局限性也日益顯現。人工數據標注不僅耗時耗力，而且質量有時難以保障。

　　為了解決這些問題，谷歌最近提出了一種用大模型替代人類進行偏好標注的方法，稱為AI反饋強化學習(RLAIF)。

　　研究結果表明，RLAIF可以在不依賴人類標注的情況下，產生與人類反饋強化學習(RLHF)相當的改進效果，兩者的勝率都是50%。同時，RLAIF和RLHF都優于監督微調(SFT)的基線策略。

　　這些結果表明，RLAIF不需要依賴于人工標注，是RLHF的可行替代方案。

　　那么，倘若這一技術將來真的推廣、普及，眾多還在靠人工“拉框”的數據標注企業，從此是否就真的要被逼上絕路了?

　　01 數據標注現狀

　　如果要簡單地總結目前國內標注行業的現狀，那就是：勞動量大，但效率卻不太高，屬于費力不討好的狀態。

　　標注企業被稱為AI領域的數據工廠，通常集中在東南亞、非洲或是中國的河南、山西、山東等人力資源豐富的地區。

　　為了控制成本，標注公司的老板們會在縣城里租一塊場地，擺上電腦，有訂單了就在附近招人兼職來做，沒單子就解散休息。

　　簡單來說，這個工種有點類似馬路邊上的臨時裝修工。

　　在工位上，系統會隨機給“標注師”一組數據，一般包含幾個問題和幾個回答。

　　之后，“標注師”需要先標注出這個問題屬于什么類型，隨后給這些回答分別打分并排序。

　　此前，人們在談論國產大模型與GPT-4等先進大模型的差距時，總結出了國內數據質量不高的原因。

　　但數據質量為何不高?一部分原因，就出在數據標注的“流水線”上。

　　目前，中文大模型的數據來源是兩類，一類是開源的數據集;一類是通過爬蟲爬來的中文互聯網數據。

　　中文大模型表現不夠好的主要原因之一就是互聯網數據質量，比如，專業人士在查找資料的時候一般不會用百度。

　　因此，在面對一些較為專業、垂直的數據問題，例如醫療、金融等，就要與專業團隊合作。

　　可這時，問題又來了：對于專業團隊來說，在數據方面不僅回報周期長，而且先行者很有可能會吃虧。

　　例如，某家標注團隊花了很多錢和時間，做了很多數據，別人可能花很少的錢就可以直接打包買走。

　　面對這樣的“搭便車困境”，國內大模型紛紛陷入了數據雖多，但質量卻不高的詭異困境。

　　既然如此，那目前國外一些較為*的AI企業，如OpenAI，他們是怎么解決這一問題的?

　　其實，在數據標注方面，OpenAI也沒有放棄使用廉價的密集勞動來降低成本，

　　例如，此前就曝出其曾以2美元/小時的價格，雇傭了大量肯尼亞勞工進行有毒信息的標注工作。

　　但關鍵的區別，就在于如何解決數據質量和標注效率的問題。

　　具體來說，OpenAI在這方面，與國內企業*的不同，就在于如何降低人工標注的“主觀性”、“不穩定性”的影響。

　　02 OpenAI的方式

　　為了降低這樣人類標注員的“主觀性”和“不穩定性”，OpenAI大致采用了兩個主要的策略：

　　1、人工反饋與強化學習相結合;

　　這里先說說*點，在標注方式上，OpenAI的人工反饋，與國內*的區別，就在于其主要是對智能系統的行為進行排序或評分，而不是對其輸出進行修改或標注。

　　智能系統的行為，是指智能系統在一個復雜的環境中，根據自己的目標和策略，做出一系列的動作或決策。

　　例如玩一個游戲、控制一個機器人、與一個人對話等。

　　智能系統的輸出，則是指在一個簡單的任務中，根據輸入的數據，生成一個結果或回答，例如寫一篇文章、畫一幅畫。

　　通常來說，智能系統的行為比輸出更難以用“正確”或“錯誤”來判斷，更需要用偏好或滿意度來評價。

　　而這種以“偏好”或“滿意度”為標準的評價體系，由于不需要修改或標注具體的內容，從而減少了人類主觀性、知識水平等因素對數據標注質量以及準確性的影響。

　　誠然，國內企業在進行標注時，也會使用類似“排序”、“打分”的體系，但由于缺乏OpenAI那樣的“獎勵模型”作為獎勵函數來優化智能系統的策略，這樣的“排序”和“打分”，本質上仍然是一種對輸出進行修改或標注的方法。

　　2、多樣化、大規模的數據來源渠道;

　　國內的數據標注來源主要是第三方標注公司或科技公司自建團隊，這些團隊多為本科生組成，缺乏足夠的專業性和經驗，難以提供高質量和高效率的反饋。

　　而相較之下，OpenAI的人工反饋則來自多個渠道和團隊。

　　OpenAI不僅使用開源數據集和互聯網爬蟲來獲取數據，還與多家數據公司和機構合作，例如Scale AI、Appen、Lionbridge AI等，來獲取更多樣化和高質量的數據。

　　與國內的同行相比，這些數據公司和機構標注的手段要“自動”和“智能”得多。

　　例如，Scale AI使用了一種稱為 Snorkel的技術，它是一種基于弱監督學習的數據標注方法，可以從多個不精確的數據源中生成高質量的標簽。

　　同時，Snorkel還可以利用規則、模型、知識庫等多種信號來為數據添加標簽，而不需要人工直接標注每個數據點。這樣可以大大減少人工標注的成本和時間。

　　在數據標注的成本、周期縮短的情況下，這些具備了競爭優勢的數據公司，再通過選擇高價值、高難度、高門檻的細分領域，如自動駕駛、大語言模型、合成數據等，就可不斷提升自己的核心競爭力和差異化優勢。

　　如此一來，“先行者會吃虧”的搭便車困境，也被強大的技術和行業壁壘給消弭了。

　　03標準化VS小作坊

　　由此可見，AI自動標注技術，真正淘汰的只是那些還在使用純人工的標注公司。

　　盡管數據標注聽上去是一個“勞動密集型”產業，但是一旦深入細節，便會發現，追求高質量的數據并不是一件容易的事。

　　以海外數據標注的獨角獸Scale AI為代表，Scale AI不僅僅在使用非洲等地的廉價人力資源，同樣還招聘了數十名博士，來應對各行業的專業數據。

　　數據標注質量，是Scale AI為OpenAI等大模型企業提供的*價值。

　　而要想*程度地保障數據質量，除了前面提到的使用AI輔助標注外，Scale AI的另一大創新，就是了一個統一的數據平臺。

　　這些平臺，包括了Scale Audit、Scale Analytics、ScaleData Quality 等。通過這些平臺，客戶可以監控和分析標注過程中的各種指標，并對標注數據進行校驗和優化，評估標注的準確性、一致性和完整性。

　　可以說，這樣標準化、統一化的工具與流程，成為了區分標注企業中“流水線工廠”和“手工小作坊”的關鍵因素。

　　在這方面，目前國內大部分的標注企業，都仍在使用“人工審核”的方式來審核數據標注的質量，只有百度等少數巨頭引入了較為先進的管理和評估工具，如EasyData智能數據服務平臺。

　　如果在關鍵的數據審核方面，沒有專門的工具來監控和分析標注結果和指標，那對數據質量的把關，就仍舊只能淪為靠“老師傅”眼力見的作坊式水準。

　　因此，越來越多的國內企業，如百度、龍貓數據等，都開始利用機器學習和人工智能技術，提高數據標注的效率和質量，實現人機協作的模式。

　　由此可見，AI標注的出現，并不是國內標注企業的末日，而只是一種低效、廉價、缺乏技術含量的勞動密集型標注方式的末日。