「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.