作者|付夢珍
「貧困山村裡，沒上過大學的女人們在喂養AI。」
「富士康工人流向AI標註廠。」
「跟AI打工，貧困縣也能月薪7000。」
在「有多少智能，就有多少人工」的AI時代，有一批人通過採集現實世界的圖像、視頻、文字等信息，清洗標註後將數據轉化為代碼輸送給機器，從事這份工作的人叫做數據標註員。
打開關於AI數據標註行業的新聞，我們隨處可見上述標題。低門檻、勞動密集、高度程式化、標準操作流水線，成為了數據標註工人身上最大的標籤特徵。而在國際上，因為有大量的非洲肯亞人在做相關工作，他們又有一個灰色暱稱，「肯亞人」。
而這，也與數據公司的甲方——百度、阿里等，致力於要用技術改變世界的大公司們形成了鮮明的對比。大洋彼岸，數據標註服務公司Scale AI市值73億美元，彰顯了數據公司的資本潛力，也讓我們看到了數據公司走向百億美金估值的可能性。
隨著AIGC時代的到來，數據標註員的工作有何改變？上述新聞標籤是否是他們的行業常態？數據標註行業現在存在哪些問題？未來又有哪些發展前景？更重要的是，他們展現了AI行業背後的什麼樣的困難？
帶著這些問題，娛樂資本論走進了四家數據標註公司，發現了如下的行業現狀：
VOL.1.標註行業對員工的素質要求越來越高，本科生占比高
VOL.2.兼職的標註人員中寶媽較穩定，更受歡迎
VOL.3.垂類行業的數據標註訂單增多，對垂類標註人才的需求量增多
VOL.4.底層數據標註員的工資與最低工資標準類似
VOL.5.AI只帶來了短期的訂單增加，小型數據標註公司很卷
VOL.6.多數數據標註公司沒有構建自己的數據壁壘
VOL.7.數據公司的發展趨勢：、利用AI技術降本增效 、專注於某一垂類的數據 、往產業鏈上遊走，做數據採集、合成等
本科生越來越多，寶媽更受喜愛，監獄不方便
「我們不是富士康的流水線模式。」
當被問及公司的員工現狀時，幾家數據公司都給出了類似的回答。
龍貓數據成立於2014年，累計服務了60餘家主機廠和自動駕駛公司，為客戶提供整體的數據解決方案。
今年AIGC爆火後，龍貓接到了很多圖文標註、視頻標註需求的訂單，會有很多多模態應用場景，比如車內座艙的文娛軟體等。龍貓副總裁胡邱飛向娛樂資本論指出「這要求標註人員能理解大模型的應用，而大模型會考察幾乎所有領域的通識類知識。此外，標註內容要和客戶的模型價值儘量貼近。所以這也要求我們找的標註人員絕大多數學歷在本科以上。」
龍貓公司一角
針對垂直領域，龍貓則會配備專業領域人員，比如為數學相關大模型招聘會高等數學的人，「如果不是這專業的人，你根本看不出細節上的區別。」
成都的匯眾天智總經理駱靖元也在AIGC浪潮後提高了對員工的素質要求，「三四年前對員工的素質要求還不高，但是現在甲方對質量和效率的要求提高了。公司之前90%是大專，現在本科占到了一半，甚至有研究生。」
2018年，做軟體的丁一峻，在朋友的引薦下接到了阿里數據標註的訂單，2019年創立了飛火大數據公司。之後，出於成本考慮丁一峻回到家鄉創業做數據標註公司，「那時的數據標註行業確實能提供大量就業，洛陽數據局2019年的時候也牽頭想做數據處理公司，招人好招，但交付難。」
2019年做百度某數據標註業務項目截圖
「數據標註本質是高級搬磚。」丁一峻向娛樂資本論指出，「有標註需求的多是大公司，現在很多標註公司會外放做不過來的訂單，這就讓市面上很多沒跟甲方深度捆綁的公司，接的訂單都特零碎。這種訂單一是邊緣化業務，比如小語種。二是時間周期短的業務，很考驗外部公司的交付能力。」
這兩類訂單，也倒逼著丁一峻要提高對員工素質的要求。這期間，丁一峻嘗試過和學校監獄合作，相繼作罷，「學校要考慮領導、輔導員各種利益分配，監獄對網絡要求高，不如找全職。」
飛火大數據公司一角
綜合原因下，大部分的數據公司更傾向於招聘兼職人員。瀋陽正午數據公司人事小蘇接受河豚君採訪的前一天，剛在Boss直聘上發了招聘兼職的通知，「行業本身利潤有限，全職成本太高了，根本就不能實現。」
「我們招人基本要求大專以上，發了以後有上百人聯繫我，但是很多人沒經驗。」小蘇招聘時，會和兼職強調對數據保密性的要求，「不知道是不是受網絡的影響，很多人戒備心很重，聽到要保密就不做了。但我們公司有良心，必須強調保密。」
杭州景聯文是一家從事數據採集標註、數據融合挖掘的公司，現有1000多位全職標註人員，其CEO劉雲濤向河豚君透露，「標註項目難度越來越高，要求標註員的學歷和專業知識水平越來越高，比如語言標註團隊，要求會各種小語種。醫療標註，需要醫學院畢業的學生。」
龍貓則是全職兼職兩手抓。胡邱飛透露，「我們現在線上註冊用戶400多萬，活躍全職的1萬人左右。」線上之外，龍貓在西南地區做了線下標註基地，「那邊高校多，學生素質也更高，員工500人左右。」
龍貓的全職運營會了解兼職的情況，「我們更喜歡用沒有全職工作的群體，比如寶媽，她們時間充沛，更好管理，也更穩定。」
整體來說，如今數據行業的標註人員發展如同美團般發展成了全職、服務站、眾包等階梯式的人力模式。胡邱飛透露，「我們線上眾包是強管控，最終交付結果都是計件的。」
小蘇介紹，目前公司兼職的員工大概兩三千，常駐人員1000左右，流失率一半。丁一峻透露，「基礎的標註員往往都是屬於地方上的最低工資標準，三線城市兩三千左右，質檢員和項目經理，能到七千左右。」
層層外包下，標註公司活少錢少風險高
「太卷了。」
這幾乎是數據公司們共同的心聲。
「我們現在就像河南的食品代加工廠一樣，品牌是別人的，工作相當於幫別人養孩子。」丁一峻的公司高峰時有兩三百人，現在公司只有40多位員工，「老客戶的需求還在，能維持正常運營，但這種單子很雞肋，一個月幾百幾千跟辦公室採購差不多，利潤太低，項目體量也不穩定。數據行業缺乏像蘋果、特斯拉一樣需求穩定的工廠。不然我也不想裁人，有活還需要找外包。」
駱靖元指出，AIGC爆火後自己招人和以前相比省去了科普人工智慧的環節，但在接活上更卷了，「大公司有定期篩選的機制，比如說這批我需要10家公司。那我就從100個裡面篩選，其中哪兩三個不合適，我再動態替換。這使得一些公司不斷報低價，惡性循環。」
為了接到訂單，丁一峻一直在努力降本增效，「為了提高效率，我們開發了AI工具，之前2D拉框要8分一個，現在降到了5、6分，操作更便捷。質量上，如果客戶不想要目標物低於某像素值的，工具直接調數值，標註員就不用標了。」
但是這種工具標註公司基本只能自用，「同行有能力買的，自己有開發的實力。沒開發實力的，出不起這個錢。」說著，丁一峻給我發來了網上開源的標註工具，「每家平台都差不多，都是基於labelme的底層邏輯。早幾年能打個信息差，賣平台賺點錢，現在不行了，大家都知道套路，直接上源碼加個UI就成產品了。」
某標註工具圖
「今年2月GPT剛火的時候訂單多了一些，那時大公司的目的更多是為了割韭菜炒股價。後來這些AI大公司發現變現難，七八月份就很少在數據標註上投入了。」保定的數據標註老闆周三體說，標註公司遇到的困難，仿佛也印證了AI潮冷去的某種現實，「AI公司的客戶很多還是G端，根本不在乎AI能力，更在意能不能喝酒、能不能墊資」。
為了接活，周三體努力降低成本，「2D拉框最早是1毛5一個，現在降到了8、9分一個框。」
景聯文在努力將非標準化產品標準化，現在將2D拉框標註項目的成本降低了50%。
打開天眼查搜索數據標註公司，我們也能發現大部分的公司經營所在地都在河北、山東、河南等人口大省，這與當地勞動力密集且廉價息息相關。「大廠會把業務承包給有資歷和實力的公司，這種公司再外包，到我們價格很低了，還需要墊款，壓力很大。」周三體說時嘆了口氣。
回憶起2017年創業的日子，駱靖元說那時借著自動駕駛行情數據行業很火，訂單像雨後春筍一樣地湧現，「像百度做了語音採集，高德、訊飛會再做一遍。算法都沒變，標註都是新瓶裝舊酒，同樣一批人臉識別的圖片，A公司做完B公司做，之後C公司再做，我們始終是在給別人做嫁衣。」但這樣的日子也好景不長，如今訂單量變少，「人員迅速增加後又會有斷檔期，大部分公司死在了斷檔期里。」
被問及是否覺得公司的運營模式是新時代的數據工廠時，丁一峻認為，「AI的產品線不像工廠那麼完善，缺乏法律和社會面的支持，比如版權、數據安全。」
丁一峻曾承接過一家證券公司的標註工作，「剛好有一家標註員是這家證券公司的用戶，他提出了抗議，後來私下花錢和解了。誰採集數據，出了問題誰負責，所以一般我們也不會過問數據來源情況。」
技術壁壘低、政策法規不健全、訂單量少且不穩定，數據行業面臨著多種困境，這也逼著其從業者尋找新的轉型發展之路。
被AI代替？還是用AI起飛？
為了降本增效，龍貓研究了AI加持下的數據標註管理系統，「自動駕駛上節省了40%，AIGC在探索引入GPT等大語言模型校準標註結果。作為機器和人的交叉驗證，保證輸出的一個質量。因為人會有波動，機器更加穩定，偏差小。」
此外，龍貓在嘗試通過AI技術省去標註環節，直接進入到審核和質檢環節。
高質量語料，尤其是私域數據，是做好數據標註的關鍵，AI在仿寫改寫上的潛力，讓人看到了其在合成語料上的潛力。「根據最新的生成式AI管理辦法，用戶擁有自己5張照片的版權，但5張照片合成後生成的數據版權屬於合成方。」胡邱飛據此出發，在探索數據擬合向業務，目的在於擁有數據的所有權，標註後多次復售數據包。
AI創業者周曉明指出，「AIGC賦能合成數據，能夠解決真實數據獲取難、獲取成本高、多樣性不足、缺乏隱私保護等痛點問題，替代真實是大勢所趨。」
對此，丁一峻則未敢嘗試，「AIGC合成數據需要看政策，現在是灰色地帶，好不好獲取，就看膽子大不大了。誰也不知道未來會不會出爆款，有比擬真實數據的內容出現。」
此外，龍貓也在探索獲取高質量數據的新方式，打造公司壁壘，胡邱飛說，「國外出現的一種趨勢是用戶主動售賣自己的數據，讓數據公司得以繞開原始數據的廠商壟斷的局面。我們也在想，怎麼讓那些有時間、素質又高的人做數據輸出和標註，比如說通過做題的方式，讓他們小程序上答題賺錢。」
「數據標註是自我淘汰的行業，AI可以通過模型優化做部分標註工作。發展到最後，這個行業可能只會剩下質檢員這些崗位。」丁一峻為了應對變化，將公司從洛陽搬到了工業配套更完善的蘇州，做數據採集車業務，「我們要給甲方提供硬體採購和數據服務的整套方案，這樣甲方對我們的依賴度才能更深。」
AI作圖 by娛樂資本論
景聯文則選擇了深耕垂類賽道，專注於教育和醫療領域，劉雲濤透露，「教育方面，我們手上有3億道從小學到職業教育的題，格式統一，解析維度包括專題分類、分析過程、考點解析、解答過程、教師點評等。現在大模型號稱百模大戰，至少有60家都要買我們的題庫。」
醫療方面，景聯文積累了400TB的醫學資料資料庫和三甲醫院的專家的病理數據。「我們兩年前開始拓展標註場景，選了醫療賽道，不管經濟多不景氣，醫療始終有存在的意義和價值。」
值得一提的是，龍貓AIGC業務線負責人李亞向娛樂資本論透露，龍貓正在打造自己的垂類大模型，「大模型一是做輔助標註，讀懂題目後給答案讓人選。第二是做全自動標註，AI直接出結果。這種情況我們會做雙盲的實驗，比如一個答案用三個標準做一遍，裡面我們會拆一個一個人或者兩個人用這種形式做，這樣不需要再做抽檢和質檢，有些項目我們已經用GPT交付了，準確率方面達到了80%多，與人工接近。」
對市場規範化的呼籲，成為了不少數據標註從業者的心聲，劉雲濤指出，「未來，怎麼讓數據流通合規化、安全化是很大的問題。現在很多城市在建立大數據交易中心，是積極的信號。」
艾瑞數據的人工智慧數據報告指出，三年後，中國人工智慧的數據治理市場規模預計將突破百億。
但更現實的問題是，吐槽中文語料庫差的新聞屢見報端，大量的中小型數據標註公司正在卷生卷死，大批數據標註公司的業務產品，在批量化、利潤率、風險性方面甚至不及富士康產品，映照到市場上的，則是逐漸遇冷的大模型市場以及越來越像「高科技施工隊」的中國AI商業環境。
當我們試圖尋找解決之道時，駱靖元回憶其工作多年感受時的話也許是最好的答案，「對我們同事來說，當看到應用落地的時候，還是比較欣慰的事情。雖然工資低，但終歸是做了點有用的事情。」
「數據是AI走向智能的基礎，少開點發布會炒股價，多投點錢在標註上才是正事。」採訪接近尾聲時，周三體發來了這句話。