那些人工智能背後的人工，回鄉了

 

5到10年後，當人工智能全面普及，科技先驅和新一代商業鉅子注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能“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“人工智能背後的人工”。

 

「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能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，算法模型就表現越好。 可以說，數據決定著整個人工智能行業的發展態勢。

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鼠標、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須刀；

 

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。

數據折疊

人工智能的世界裡，存在不為人知的“數據折疊”：

 

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能公司；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。 他們流程化地操作鼠標——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，是因為人工智能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、人工智能創業公司，學術團體，以及政府、銀行等機構都可能成為發包方。 BAT和人工智能公司需求最大，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能公司，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，還游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”。

 

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能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能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。

 

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。

 

數據標註的晉升之路只有兩條，每條都是窄門：

 

要么進數據公司，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；要么進人工智能公司當數據標註員，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：“人工智能就像是一個孩子，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能科技公司，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」，部分人工智能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，是中國人情社會里長出的變量。 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量：

“人工智能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能的大規模落地引來一波爆發式增長。

 

首先，人工智能行業本身的發展，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”的算法模型下，為了讓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，藍線是深度神經網絡算法，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」，人工智能公司的總支出中，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。 行業的一個變量是，如果算法從“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能的“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佈局、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-AI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也有類似佈局，他們希望一手對接垂直行業裡的數據生產者，一手對接上游的算法模型公司，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，聾啞人要花三週或更久。

 

但是他們的優點是專注、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, 初衷是找到人工智能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，促進人工智能行業的發展，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。

其實整個人工智能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“折疊”。

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能領域的“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。