「數據摺疊」:人工智慧背後的人工

編輯:火柴Q 採訪、撰文:咖啡貓

設計:孫佳棟 微信公眾號:甲子光年(ID: jazzyear)

5到10年後,當人工智慧全面普及,科技先驅和新一代商業巨子註定會被時代的聚光燈銘記。

但今天,「甲子光年」卻想說一個關於人工智慧「從未被講出」的故事,寫一群時代大幕後的「隱形者」——標數據的人

智能時代滾滾巨輪之下,一批批用於「人臉識別」、「自動駕駛」、「自然語言處理」的標註好的數據,正是出自這些學歷不高,每天對著電腦工作8到10小時的人手中——他們是「人工智慧背後的人工」

「甲子光年」採訪了多個數據標註服務商、數據標註工作室和數據標註者。據業內人士估計,中國全職的「數據標註者」已達到10萬人,兼職人群的規模則接近100萬

他們中有職高學生,有嘗試過40份工作的聾啞人,有從工地輾轉而來的新生代農民工……他們源源不斷地為人工智慧的發展供應最重要的「數據燃料」——在現有的技術框架下,數據量越大,質量越好,演算法模型就表現越好。可以說,數據決定著整個人工智慧行業的發展態勢。

但標註工作本身是一個勞動密集型工種,收入並不高。隨著技術的進一步發展,未來還有被取代的可能。許多數據標註者的父輩是參與了中國房地產奇蹟的農民工。如今,父輩手裡的鐵鏟變成了年輕人的滑鼠、鍵盤,但和父輩一樣,他們仍是邊緣者。在這個除夕,他們也像父輩一樣踏上了歸鄉的旅途,不僅是從城市回到鄉村,也是從科技前線回到古老的火爐前。

小志從貴陽坐了四小時的大巴回到山區家中,第一件事就是將錢塞到母親手裡;

犇犇給父親買了新的電動剃鬚刀;

何軍家在河南周口,打算把錢都存著娶媳婦,過年期間就要見幾個相親對象;

小袁想再掙點錢後換一副助聽器,現在這個他已戴了好多年,把他不斷長大的耳蝸磨出了新新舊舊的傷……

我們無法預判他們的命運,但選擇講出他們的故事。這些科技進步背後的「無名者」值得一次認真的注視。

數據摺疊

人工智慧的世界裡,存在不為人知的「數據摺疊」

一邊是炫酷的科技、神奇的智能應用;一邊是大量人工每天重複地生產機器學習的「食物」——標註好的數據。

北京和貴陽,是數據標註世界裡的兩座「雙子星」城市。北京聚集了大量人工智慧公司;貴陽近年來著力發展「大數據戰略」,已擁有相對完整的數據服務產業生態。

2017年,僅北京中關村大數據產業規模就超過700億元;貴陽2017年的大數據產業及其關聯產業規模總量超過1500億元。AI行業的總規模也在持續增加,根據麥肯錫2017年4月發布的一份報告,到2025年,AI應用的總市場可能達到1270億美元。

但標註數據的人,生活在這些巨額數字之外,拿著不高的工資,活動在「第二空間」。

從三里屯驅車1小時,行駛30公里,就到了北京郵電大學宏福校區。這裡有北郵和華騰碩博合辦的電子商務培訓班,學生總數300多人,高峰時期,有120多人參與數據標註的兼職項目。

標註工作室佔滿了某棟教學樓二層的5個房間,150台電腦前坐著一群十八九歲的學生,正盯著電腦屏幕給圖片拉框。他們流程化地操作滑鼠——這些枯燥的工作,最終將用於熱鬧炫酷的無人駕駛項目。

從做數據標註的教室窗口向外望,可以看到北郵的教一,那裡有國際學院和計算機專業學生專用的機房。

兼職標數據的培訓班學員一個月的收入在2000元左右。如果全職做,人均工資約4000到5000元。而坐在教一的未來演算法工程師,剛畢業時,起薪就可能達到30萬元/年。

BasicFinder旗下某數據工廠

培訓班學員參與的標註項目,採用了目前數據標註行業的主流模式之一——「外包」。

某數據標註主管告訴「甲子光年」,AI數據標註的外包市場2011年開啟,2015年真正開始,2016年下半年出現收縮,2017年又有了新一輪的爆發

外包盛行,是因為人工智慧的發展需要大量人力對非結構的數據進行加工,以用於機器學習。而創業團隊和巨頭公司,為了集中精力研發或保持團隊的高學歷佔比,很少完全自建數據標註團隊。

外包江湖門派眾多、良莠不齊。

從業者是這樣打招呼的,「你是發包方還是外包方?」

BAT、人工智慧創業公司,學術團體,以及政府、銀行等機構都可能成為發包方。BAT和人工智慧公司需求最大,學術團體次之,政府、銀行等傳統機構的需求最小但有不斷增長的趨勢。某數據標註主管告訴「甲子光年」,他目前所接觸到的上述三類業務需求的比例為7:2:1。

某數據標註公司負責人透露,商湯、曠視這類大的人工智慧公司,一年在數據上的支出有數千萬

在「外包方」一端,有 「眾包」和「工廠」兩種模式。前者是把任務通過平台轉接給網民,如「百度眾包」、「京東眾智」、「龍貓數據」;後者是自己經營團隊,對整個流程進行控制,如貴陽夢動科技經營了一個500人的「數據工場」;BasicFinder與二十來家「數據工廠」有長期業務合作,少則幾十人,多則兩三百人。而在規範的機構之外,還遊離著三五人到十幾人規模不等的「小作坊」。

許多機構在眾包和自營工廠兩方面都有涉足,眾包平台上也有許多以團隊為單位接單的「公會」。

演算法公司和人才多集中在北深杭等科技核心區域,而作為一個「勞動密集型」的中低收入行業,數據標註人員散落三四線城市。

在距離貴陽市中心50公里的百鳥河數字小鎮,有一個規模500人的「數據工場」,500名標註員中,近一半是附近一家扶貧高職「盛華職業學院」的學生。

位於貴陽的「數據工場」

他們很珍惜這個接近「白領」的兼職機會,1月能掙到1500元,經濟上足以自立,省點還可以補貼家用,相比其他兼職選擇:去餐廳辛苦端盤子或頂著風雨送外賣,數據標註相對輕鬆且體面。

盛華學院大數據專業老師,同時也是貴陽夢動科技人工智慧服務部總監的曹珊告訴「甲子光年」,她曾帶著七個學生來北京某人工智慧公司參加圖像標註培訓,通過後可留下來實習,但競爭激烈,五十九人只留十個,其中不少是北京本地學校的競爭者。最終,這7位來自貴陽的同學都留了下來。

這些年輕的數據標註者,一頭連著最前沿的科技,一頭連著他們正在回去的家鄉——那裡往往是貧困、閉塞的所在,是科技的影響力最微弱的「第三空間」。

小志是曹珊的學生,數據工廠臘月二十七才放假,小志坐了四小時大巴回到山區的家裡,父母都務農,身體也不好,家裡除了房子和田,唯一像樣的財產是一頭牛。

進高職前,小志甚至都沒碰過電腦,唯一會的操作是按開關鍵。電腦極大地打開了他的世界,但也讓他一度沉迷遊戲。最嚴重的時候,課不上了,數據不標了,覺也不睡了。

曹珊為此和小志長談了多次,目前小志的生活漸漸步入正軌,成了數據標註的小組長,手裡帶著十多個同學。

但未來工作前途的不可預期,相對低的收入,較大的家庭負擔,仍然是這些年輕人無法擺脫的苦惱。

父輩的積累相當頑固,無論是財富、聲望,還是貧窮和負擔。

父輩與我:從建築工地到「智能工地」

犇犇的人生在某種程度上,是對父親的繼承。

他是西安某數據標註工作室的標註員,犇犇和他所在的工作室代表了數據標註行業的另一種典型模式「小作坊」。

今年26歲的犇犇,先後做過廚師、進過工廠、推廣過數種數字貨幣,但沒有一份工作做得長久。

犇犇父親在他這個年紀時,是鎮上棉紡站的一名工人。2005年棉紡站關門,下崗後的父親去甘肅當過兩年鑽井工人,此後一直在做建築。

直到2017年12月初,犇犇還不知道數據標註這個工種。

當時他接到靈的一個電話,邀請他一起做數據標註工作室。靈和犇犇曾一起推廣數字貨幣,行情最好時,一筆交易能拿兩萬提成。但好好的幣,玩著玩著沒了,他們的這次合作鎩羽而歸。

經歷上一次失敗後,靈又殺進數據標註領域,很快,她組建了15人規模的工作室,團隊成員都跟犇犇一般大,氛圍很好,他們常常一邊標數據,一邊聊天,時間並不難熬。

最難受的是眼睛。從早上九點到晚上六點,工作內容就是盯著屏幕給圖片拉框。拉框要求十分精細,偏差絲毫都不行。犇犇眼睛乾澀時,會起身去樓道抽煙。

犇犇所在的工作室

眼睛的難受熬熬就能過去,更愁人的是工資不高。

犇犇笑著說,入不敷出啊。他在供一套鄭州的房子,每個月要還4700的房貸,而工資撐死就五六千。

在犇犇看來,這份工作也沒什麼前途:「跟電子廠一樣,多做多得。」

犇犇的夢想是在全國開很多養老院,因為小時候的鄰居是獨居的七十歲老人,「沒人養很可憐」。

但開養老院對現在的犇犇來說太難了,他養自己都難。

數據標註的晉陞之路只有兩條,每條都是窄門:

要麼進數據公司,爬完標註員-標註組長-數據經理-數據總監這個鏈條,層層打怪升級;要麼進人工智慧公司當數據標註員,然後憑藉超人毅力自學技術曲線救國。

前一條路不需要學歷,但是千百人過獨木橋,且依舊是在數據標註圈子裡打轉;後一條路能真正學到東西,但對學歷有要求。

犇犇只有高中學歷,連高考都沒參加。因為不願再讀書,他跟父親起過很大爭執,父親深知打工有多苦。高三的那個暑假,犇犇也去體驗了一把:跟著父親去工地上搬磚。

現在,他成了一名「智能工地」上的新型「搬磚者」。

對科技、社會和自身的關係,如今犇犇有清醒的認知:「人工智慧就像是一個孩子,標註好的圖片就像是孩子的食物,而我們就是製作食物的人,最苦最累的我們做了,成名的只是那些製造孩子的人。」犇犇說。

兩代人的命運在此重疊。

農民工一磚一瓦壘起了實體城市的高樓;數據標註者一框一線搭建起了演算法的智能。前者是城市的邊緣者,高樓起來了,他們仍是邊緣者;後者是科技世界的邊緣者,機器變聰明了,他們還是邊緣者。

犇犇會最終棲居在數據標註這份工作上嗎?他給的答案是不確定的,他不知道這份工作是否不出幾年就被取代,也不知道自己是否就此乖乖認命。

中國有五千多萬的農民工以建築為生,到了五六十歲還在工地上忙碌。數據標註的市場才剛打開,「甲子光年」從從業者口中得知,截止2018年年初,以數據標註為生的全職標註員規模達近十萬,這個數字未來會繼續增長,未來將達數十萬。數字標註也將成為新生代農民工的聚集地。

野蠻生長,坑與機會並存

相比聚光燈之下的人工智慧科技公司,數據標註行業是個在暗處的行業,存在大量灰色地帶。

作為一個勞動密集型行業,進入門檻並不高,壓低「成本」、「薄利多量」,就成了許多團隊的競爭手段。

許多公司招的標註員都是沒有交五險一金的臨時工。7、8萬的啟動資金,就可以在四五線小城組起一個「工作室」。

AI公司也傾向壓低成本——某數據標註公司主管告訴「甲子光年」,部分人工智慧公司對數據標註的重視不夠,過分壓低預算,把項目外包給一些不靠譜的團隊;這些團隊做不完、做不了,又會把任務轉包給另一些小團隊,或重新找到大的數據標註公司,使質量和交期都無法保證。

「低價競爭和行業不規範導致的層層外包是行業的噩夢。」京東眾智平台的負責人李工告訴「甲子光年」。

對小團隊來說,外包直接折損了利潤。

做過室內裝修的何軍,在2017年底投入十萬積蓄作為啟動成本,在河南周口成立了一個40人團隊的數據工作室。他2018年的最大計劃,就是「爭取接到一手項目」。

「利潤其實不高」,何軍一邊抖著腿,一邊掰著手指頭細細算賬,「你看啊,一個拉框平均4分錢,一個員工一天能做大約4500個,一共180塊。過關率90%,再除去審核的成本,再給每個標註員每天發110元左右的工資,平均下來工作室每天也就從每個人身上賺30塊吧。」何軍第一個月虧了本,第二個月勉強持平。

「開年就去跑工商註冊,然後一家家聯繫大公司,得接到一手項目,給員工的多發點工資,現在太低了。」何軍說。

小團隊只能接二手甚至是好幾手的項目,一手項目就像江湖傳說,聽過沒見過。

處境相似的趙聰也特別想接到一手項目。他是2017年10月入場的標註者,自己攢了三個人的團隊兼職做數據標註。「我們的項目都是從小公司手裡接的,連發包方的名字都不知道」,趙聰說,「利潤很低」,三個人,三個月,三個項目,每人也就獲得了一千塊收入。

大平台也反感層層外包,因為這嚴重擾亂行業秩序。

「數據標註看起來門檻很低,但其實管理的門檻並不低。價格、產能、交期和質量都要兼顧。很多小團隊,拿到的項目自己消化不了,最後又會找到我們。」BasicFinder的杜霖說。

而針對一些特定的複雜任務,還需要進行足夠的培訓,有的培訓期需要1到3個月。在理解客戶需求、保證數據的多樣性、隨機性上,許多小團隊也欠缺必要的能力。

層層外包,對數據標註員的直接影響是:攤薄了收入,錢被中間環節分掉:一手的項目在誰手上,價格多高,會經歷多少層級,每層有多少利潤,都是謎。

還有另一個角色在攪亂這趟渾水——代理人。

代理人說白了就是拉項目跑活兒的人,關係戶,是中國人情社會裡長出的變數。一些小公司會高薪養代理人,以期打通關鍵節點。

趙聰無奈地說,「靠關係吃飯的社會」,最末端的標註者最缺這種關係資源。

杜霖認為,這個行業經歷了早期的瘋狂生長,最終一定會經歷一番洗牌,變得更為規範化、透明化。屆時質量會取代成本,成為需求方最優先考慮的變數

「人工智慧公司的本質需求是能找到靠譜團隊。大家最後都會明白,背著抱著一邊沉,想省的錢都省不掉,要保證質量,就是一分錢一分貨。 」

大浪淘沙,有兩類機構會最終留下來:注重質量及服務的中小型數據標註公司,以及自有整套數據技術的平台。

而犇犇、何軍以及趙聰都有可能被行業清洗出去。

還有5年,只有5年

經營小工作室的何軍已經開始緊張了,他聽說演算法升級後,將不再需要大量人工標註。由於對技術動向缺乏把握,他時常處於一種對未來的不安之中。

杜霖則認為,至少在5年內,數據標註行業的增長空間還很大,數據標註的市場才剛打開,數據需求將緊隨人工智慧的大規模落地引來一波爆髮式增長。

首先,人工智慧行業本身的發展,將進一步帶動數據標註行業。目前能被建模量化的數據只佔真實世界中的極少一部分。現有的數據標註業務主要集中在安防和自動駕駛領域,未來,隨著AI深入更多垂直行業,新需求將不斷出現。

何軍告訴「甲子光年」,前些天就出現了一個他沒見過的標註內容,北航的學生找上門來,要對「積雲」進行標註。杜霖也跟「甲子光年」分享,他們做過一個很有意思的標註項目——標註指甲區域,因為客戶要做美甲機器人。

其次,在現有的主流「有監督學習」的演算法模型下,為了讓演算法有更高的準確率,數據不嫌多。Google的技術大牛Jeff Dean曾在一次公開課上展示一個海量數據的訓練結果,如下圖所示:橫軸代表數據規模,縱軸代表準確率,藍線是深度神經網路演算法,綠線是傳統訓練方法。

可以看到,藍線的準確率和數據規模及質量持續成正比,並沒有出現趨於平滑的拐點,這說明深度學習對數據有源源不斷的需求。

第三,從感知智能到認知智能的跨越,需要的數據維度會更大,這可能催生更精細的數據標註需求——如對一段對話數據的標註,不僅要知道對話內容、語義,可能還需要標註談話者身份、情緒變化等。

杜霖告訴「甲子光年」,人工智慧公司的總支出中,目前有20%-30%用於數據,現階段大陸市場數據採集及標註的規模保守估計有五十億。一個參考是,新三板上市公司數據堂2016年的營收達到了9680萬元人民幣。

京東眾智平台的負責人李工對未來也很樂觀,他認為,包括採集、標註、清洗等流程的數據市場未來將達上百億。

但這一切都是基於「有監督學習」這個大前提。行業的一個變數是,如果演算法從「有監督學習」升級為無監督學習、強化學習或遷移學習,數據標註需求將大大減少。

技術進步和躍升自有其規律,目前無監督學習等新演算法仍然只是學界的探索,尚不能用在大規模的商業落地中。

杜霖判斷,新的革新性演算法,至少5年內都不會出現。Novumind創始人吳韌此前接受「甲子光年」專訪時則認為,深度學習加大數據就是人工智慧的「way to go」,較難出現顛覆性的其他路徑。

5年,對公司來說是一個可以布局、掉頭的「窗口期」。京東眾智的李工告訴「甲子光年」,他們應對變化的策略是輕運營和「產品化」,著力研發加速AI落地速度的Pre-A.I.產品,並同時研發平台技術,做到「數據與流程分離架構」。數據標註本身不是他們的核心戰略。

BasicFinder也有類似布局,他們希望一手對接垂直行業里的數據生產者,一手對接上游的演算法模型公司,共同推進AI的行業落地。

但對數據標註者個體來說,5年後,也許就不得不面臨再一次「失業」。到時,他們還能跟隨時代的腳步騰挪轉移嗎?

燙手的小袁

小袁暫時想不到5年後那麼長久的事。

作為一名換過40份工作的聾啞人,他很慶幸,終於在「數據標註」領域成了「有用的人」。

小袁是京東眾智平台上「靜公會」的聾啞人標註員,這個公會全部由聽障人士組成。

先後在餐廳、奶粉廠打工的小袁,總是因為無法避險、難以溝通被辭退:「我是燙手的小袁,因為我是聾啞人,所以我總是會燙到身邊的人,被扔出很遠很遠。」

相比過去的工作,數據標註的安全性更高,但也需要相互溝通。

杜霖和殘疾人群體深入交流後發現,聾啞人的世界裡多為名詞、缺乏形容詞,比如要向他們解釋這根線標得不「直」,就會比較費勁。由於輸入信號會被擋掉一半,所以聾啞人接受速度只有健全人的三分之一到五分之一。健全人一周能搞定的培訓,聾啞人要花三周或更久。

但是他們的優點是專註、較勁兒、對視覺信號敏銳,數據標註行業對他們來說是機會。

齊工是京東眾智平台的培訓講師,幾乎每天都去給小袁和工友講課。齊工說,「想當把英雄,承擔更多的責任。」

齊工給聾啞人培訓,左一為齊工,右一為小袁

第一次,他們在工作中找到了歸屬感。像小袁這樣的聾啞人在眾智平台上還有一千多名,京東為他們成立專門的「靜公會」,項目上優先照顧。全職每月有三四千收入,兼職每月有一千以上收入。

杜霖手下也有三個殘疾人團隊,總共約80人。杜霖和京東負責人都表示,願意為更多殘疾人提供工作機會。

在數據標註這份職業消失之前,這裡是他們的家。其中的少數人,也許能通過轉型為數據質檢者,獲得更長期的職業生涯。

杜霖將公司取名為BasicFinder, 初衷是找到人工智慧世界中最本真的一層關係——數據。新生代農民工和聾啞人,投身於數據標註這份工作中,也是希望找到最本真的生活。他們的要求很樸實,用犇犇的話來講是:有一份穩定的工作,有一個幸福的家庭。

但科技的發展,必將帶來智能升級,也使整個行業更加規範化。

這有點像武士的悖論:武士存在是為了消滅敵人,但是消滅了敵人武士也就失去了存在的理由,這個意義上,他們是在消滅自己

數據標註者的工作是幫機器更好的學習,促進人工智慧行業的發展,而當行業發展到一定階段,可能將不再需要如此眾多的人工標註。

其實整個人工智慧的發展歷程也有點像「孤獨的武士」:人類發明了機器,到頭來機器很可能取代大部分人工,甚至是「發明者」本人。

但是,是武士,就必須去消滅敵人。對知識的無限追求既是人類的天賦也是人類的危險,它早已深藏於我們的基因之中,呼喚我們不斷逼近未知邊界。

更高的智能一定會到來,認知差距將取代財富差距成為最顯著的人群劃分標準——那可能是一種更無形的「摺疊」。

未來,當我們真正享受智能帶來的各種便捷時,歷史會遺忘這些人工智慧領域的「首批工人」嗎?

這可能是除了技術水平之外,判斷那個未來是好是壞的更重要的標準。

END.


推薦閱讀:

2018年人工智慧將如何刺激印度經濟
有自我意識和自由意志的強AI能否實現
Cousera deeplearning.ai筆記 — 超參數調試、批標準化、多分類、深度學習框架
最具價值的50個機器學習應用[2017年]
人工智慧時代 我們該如何生存

TAG:人工智慧 | 數據 |