無處不智能：AI數據的“消費升級”，剛剛開始

“新基建”的哨聲吹響，想必大家已經從各個渠道感受到了產業(yè)智能化的火熱。

這一次，AI 不再停留于“人工智能又碾壓人類了”的科幻劇情，而是化身為社會通用型技術，各種家居、汽車、商超、3C 產品等領域，都開始高頻出現(xiàn)帶有 AI 身影的宣傳。

其中，人工智能三要素——數據、算法、算力中，最基礎、最核心的部分——數據，自然也就成為烹飪產業(yè)智能化這道美味所必不可少的原材料，也愈加受到更多矚目。

如果我們將產業(yè)智能化的紅利，看做是等待切分的蛋糕。那么坐在電腦前對圖片或文字一點點打上標簽的數據標注師，可能就是在智能沃土上種植小麥的人。

這些處理好的食物，被算法工程師拿到后投喂給機器，教會它們認識什么是貓，什么是狗，行人和紅綠燈的區(qū)別，“這幾天天天天氣不好”表達了什么意思……

聽起來，AI 數據的“種植”是不是挺簡單的。確實，在人工智能前期發(fā)展階段，AI 數據采集和標注，也常常被看做一個“沒有壁壘”的事情，甚至稱之為新時代的血汗工廠。

但就如粗谷吃多了總會開始追逐健康、有機、精加工，AI 數據行業(yè)也早已在我們目之所及的地方，開啟了一次“制造升級”。

產業(yè)智能化的滋味，你和數據都想了解

雖然 AI 數據不是算法訓練的唯一要素，但絕對是不可或缺的一部分。

一方面，AI 數據更豐富且廉價的領域，更容易誕生出 AI 的火苗。比如機器翻譯發(fā)展了數十年，積累了非常多的雙語對照語料，因此一遇機器學習便化龍，深度神經網絡的引入很快讓翻譯系統(tǒng)的效果全面超越了以統(tǒng)計模型為基礎的 SMT（統(tǒng)計機器翻譯）。如今，NWT 神經機器翻譯早已是智能語音產品的標配了。

另外，AI 數據的質量也決定了 AI 產品是否貼合使用場景，影響著用戶體驗乃至產品生命周期。在挖掘人工智能產業(yè)化富礦的時候，對 AI 數據的重視，再怎么強調都不為過。

由此，也誕生出了專業(yè)的第三方 AI 數據產業(yè)鏈，來滿足高質量、大規(guī)模的數據需求。

不過，當人工智能高歌猛進的時候，AI 數據產業(yè)的掣肘也接踵而至。

首先，傳統(tǒng)的爬蟲或眾包模式，數據采集的多而淺，難以滿足高性能、高精準算法對數據的需求。舉個例子，在金融等場景中，銀行對人臉識別算法的精準度要求可能是 99.99%，才能達到保護客戶財產安全、防范安全風險的級別，傳統(tǒng)的平面臉部數據顯然是不夠的，需要維度更加豐富、角度更加多樣的 3D 臉部圖像才能訓練出所需的算法。

此外，機器學習的數據依賴，也增加了 AI 訓練的直接成本。無論是采集或購買數據本身的支出，還是調用數據增強等技術來增加數據樣本，背后都是不小的成本。

至于 AI 學術界剛剛興起的膠囊網絡、少樣本甚至零樣本學習等，雖然能不必再為數據規(guī)模而掣肘，但目前都還在實驗室階段，在產業(yè)落地上的成熟和穩(wěn)定性都不可預知，距離實用還有很遠的距離。所以在當下，以深度神經網絡為核心的機器學習，依然是人工智能走向產業(yè)化的技術托舉。這也決定了對 AI 數據的饑渴，將在一段時間內始終伴隨 AI 行業(yè)的發(fā)展。

從產業(yè)化與工程化的邏輯視角來看，今天企業(yè)想要打造出效果與口碑受到肯定的 AI 產品，可能購買的通用型“面粉”已經不能滿足挑剔的用戶了，還得學會自己耕種數據的沃土。

夜來南風起，小麥覆隴黃：AI 數據場景化的成熟時

?

新基建的風潮一來，AI 數據產業(yè)也以超乎預期的速度在飛馳生長。

原因無他，數字技術與千行萬業(yè)的融合，是今天中國普遍展開的主基調，而數據更是遍灑在大地上的種子，等待完成一場智能的豐收。

那么，到底需要怎樣的種植邏輯，才能讓它們茁壯生長，有資格進入生產車間，最后變成滋養(yǎng)社會智能的高營養(yǎng)食品呢？答案或許也隱藏在中國人的“耕種天賦”里：

第一，尊重規(guī)律的專業(yè)化。

我們知道，一些有實力的科技大廠如 BAT，往往都自建數據中心，來完成算法的精進。而對于更廣大的企業(yè)來說，面對的是一片數據的洪潮，爆炸式創(chuàng)新也必然帶來爆發(fā)式增長的數據規(guī)模，有預測顯示，到 2025 年有 80%的計算來自于 AI 計算，涉及的數據也有 180ZB 之多，比現(xiàn)在增長了 4 倍。要在如此龐大且復雜的數據群落里，找出最適宜自家土壤的“種子”，顯然不是一件容易的事。

此前就有谷歌工程師在被問到眾包平臺 M-Turk（在公開平臺發(fā)布任務，參與者自由申領）的效果時，聲稱“回收的數據良莠不齊”。

用一句 AI 界的話來說，“garbage in，garbage out”，如果喂給算法垃圾食材，在無監(jiān)督學習的情況下，就很有可能發(fā)展出讓產品口碑崩盤的病灶。

比如此前市面上就出現(xiàn)過一款針對青少年的智能音箱，在對話時突然冒出了臟話。原來是訓練時沒有對數據集做好清洗，導致不良數據混了進去，讓 AI 化身“祖安人”，廠商不得不臨時全面停止調用，重新進行大規(guī)模的內部審查。

要是再一不小心用到了被限制的數據，比如歐盟 GDPR 通用數據保護條例的紅線，那不僅失去了當年的收成不說，很可能還要搭上一大筆賠款。真是谷歌聽了沉默，F(xiàn)acebook 聽了流淚。

難以把控的數據質量，很可能讓企業(yè)的心血直接變成秋風中的寂寞。所以，更為專業(yè)的數據采集與標注平臺，也就成為珍惜天時地利的 AI 企業(yè)者們所需要的伙伴。

第二，因地制宜的場景化。

在商業(yè) AI 數據平臺中，“基于 AI 落地場景”是一個相對較新的模式。

是開源數據集不香，還是通用數據不便宜呢？場景化數據開始流行，或許與 AI 計算產業(yè)接下來發(fā)展可能觸碰到的一個矛盾點有關，那就是競爭。

我們知道，目前 AI 已經成為一種通用目的技術 GPT，這也代表著它會以更廣泛地姿勢融入人類社會，在此基礎上生發(fā)出新產品新技術，甚至更新生產和組織方式。

既然是 GPT，就意味著泛 AI 算法不再稀缺，而是遍布在日常生活中的水和空氣。如何在 AI 產品上與同業(yè)者拉開競爭身位，從 AI 數據上重新奠定自己的核心優(yōu)勢，就成為科技企業(yè)們的必然選擇。

舉個例子，以前的商超門店大家都沒有智能化，如今則幾乎每家店都在嘗試引入零售智慧解決方案。這種情況下，一個零售商超的企業(yè)主，掌握了自己的獨家的場景化數據，也就能夠更精準地認識自己的經營狀況。比如在此基礎上了解顧客面對貨架、在場內走動的表情，能夠輔助判斷陳列方案以及個性化的營銷推送，進一步提高轉化和復購。

這種更高級別的場景化數據，想要獲取并交付給算法端去使用，并不是一件簡單的事。

云測數據總經理賈宇航舉了一個例子，比如在線上訂票這樣的對話場景中，會有許多種表達方式，“有去 XX 的航班嗎”“幫我查一下機票”……如何讓 AI 助理在不同的表達中都能明白對方的意圖，就需要 AI 數據服務企業(yè)與訂票平臺仔細地對接需求，并在標注時往適當的方向去拆解和作業(yè)，這樣才能因地制宜，讓大量高質量的數據轉化為垂直行業(yè)的智能養(yǎng)料。

一個有意思的數據是，盡管今天我們已經聽到了太多 AI 的新聞，但 AI 與行業(yè)結合的整體滲透率只有 4%。在未來很長的一段時間內，對于數據場景化的押注，值得重點關注。

第三，提升能效的工程化。

當然，伴隨著數字經濟進入成熟期，二話不說就對 AI 一擲千金的情況已經不存在了。企業(yè)在選擇數據模式時，勢必會考慮投入產出比。

那么場景化數據的重工重時，是否能夠讓產業(yè)智能化達到最大化回報呢？

答案是，不一定。場景化數據的成本并不低，“有多少人工，就有多少智能”在這里體現(xiàn)得淋漓盡致。曾經有某 AI 算法平臺的工作人員告訴我，為了訓練出一個精準識別人體動作的模型，他們合作的 3D 建模數據方會聘請人員，在姿勢采集中心拍攝好 CV 數據，因為數據量太大，只能放在硬盤里，靠工作人員不斷往返兩地，將數據送到實驗室。

聽起來是不是一點也不“高科技”？

所以，工欲善其事必先利其器，隨著場景化 AI 數據產業(yè)的發(fā)展，工程化能力的提升、效率工具的引入，才會讓場景數據的整體成本接近商業(yè)平衡點，降低 AI 企業(yè)的成本風險。

顯然，對于 AI 數據的場景化，既是產業(yè) AI 的必由之路，也密布著大量的冰層等待鑿穿。

穿透數據冰層：云測數據在產業(yè)端如何種植 AI

當社會經濟體與智能技術開始耦合，場景化數據的產業(yè)服務者也開始展露頭角。

目前來看，成立于 2011 年的 Testin 云測，旗下 AI 數據采集標注品牌——云測數據已經成為了中國市場 AI 數據場景化的首選。

在 AI 數據的土壤上遍布的冰層，是如何被云測數據一一鏟除的？

1. 手把鋤犁的硬件。

場景化數據的采集與標注，有不少硬骨頭。比如 NLP、CV（計算機視覺）等，既需要標注者精準理解相關語義，又要結合具體的產業(yè)需求進行標注。

為了保證 AI 數據的高質量交付，云測數據在華東、華北、華南設有數據標注基地和數據采集場景實驗室，用來保障 AI 數據的專業(yè)化、場景化與精細化。

賈宇航（云測數據總經理）給我們舉了一個例子，為了幫助疲勞檢測系統(tǒng)精準判斷駕駛員的狀態(tài)，疲勞狀態(tài)的數據是必不可少的。因此，云測數據會還原駕駛場景中的疲勞駕駛狀態(tài)，來幫助采集到貼合真實場景的疲勞數據。讓訓練算法模型能夠精準識別并及時預警，來保護人員的行車安全。

除此之外，為了提升 AI 數據的標注能效，云測數據還開發(fā)了不少工程化工具，不斷提升數據標注工具的技術含量。

比如云測數據自研的數據標注平臺上，就對 3D 點云的標注系統(tǒng)優(yōu)化了渲染引擎，可以融合多幀點云數據和異維數據，讓數據視圖一目了然，保證整個過程的流暢和快捷，從而減輕標注員的重復勞動壓力。

2. 潤物無聲的軟件。

在 AI 的世界里，我們總是在強調硬件——更大的算力，更好的數據，更優(yōu)的算法。是不是擁有這些就意味一切呢？事實顯然并非如此，否則 Deepmind 早就是商業(yè)化最成功的 AI 公司。

從技術概念到產業(yè)落地之間的管理邏輯，就如同產業(yè)之上的春雨，“隨風潛入夜，?潤物細無聲”。

我們都知道“好雨知時節(jié)”，“好”在哪里？

好在適時而下。比如 Testin 云測在企業(yè)服務領域積累了近 9 年的經驗，其管理模式也讓數據采集與標注不再是枯燥的流水線作業(yè)，十分注重對標注人員的培養(yǎng)，以應對越來越高標準的數據要求。

例如，云測數據會專門招聘一些法律、金融等垂直領域的相關人員，對標注人員進行專業(yè)知識的培訓，使其能夠從產業(yè)端的視角去揣測語料中的具體意圖，進而對數據進行更加細致的標注，以滿足客戶的精度訴求。

此外，在管理流程上，云測數據也做到了任務的合理派發(fā)，不同類型數據的人員不混用、多層交叉質檢等等。

正是這樣的“軟實力”，不僅鑄造了云測數據的能力優(yōu)勢，也拉高了整個行業(yè)的人員素質和業(yè)務標準，轉化為滋養(yǎng)整個 AI 產業(yè)的雨水。

3. 捍衛(wèi)底線的信念。

如果你聽說過三聚氰胺、地溝油之類的食品安全事件，那么 AI 領域一旦出現(xiàn)數據安全問題，損害的可能就是數萬人的財產和人身安全。

舉個例子，不少數據都是企業(yè)的最高級機密，如果不慎從第三方平臺手中流出，不僅可能讓企業(yè)聲譽掃地，還可能成為競爭對手的利劍，造成搬起石頭砸自己腳的局面。

目前來看，AI 數據行業(yè)還沒有形成統(tǒng)一的安全保障規(guī)范和標準，所以，企業(yè)的自我意識、技術措施就顯得尤為重要。

就云測數據而言，就設置了一系列安全保障機制，比如對于客戶的定制數據在交付后絕不留底、絕不復用，徹底清刪杜絕了泄露隱患；

另外，在數據采集時也會與被采集方簽訂數據授權協(xié)議，讓 AI 企業(yè)拿到的數據都合規(guī)合法，沒有侵犯隱私風險的后顧之憂。

防火墻設置、內部信息系統(tǒng)、終端不聯(lián)網、USB 接口封死等機制，也從源頭保護了客戶的數據安全。

賈宇航（云測數據總經理）也曾多次公開表示，無論是 AI 公司還是數據服務公司，眼光都要長遠一些，采用未經授權的數據當然可以控制成本，野蠻發(fā)展終究會造成不良后果。

云測數據的業(yè)務場景覆蓋了智能駕駛、智慧城市、智能家居、智慧金融、新零售等多個領域，無不是對數據安全要求奇高的領域。作為 AI 數據服務的頭部企業(yè)，云測數據的安全探索，可以看做是在安全合規(guī)層面對整個行業(yè)交上的參考答案。

對于數據安全底線的捍衛(wèi)，也是這個新興產業(yè)的生命線。

?

從云測數據的耕耘之中，不難發(fā)現(xiàn)，解鎖 AI 數據的每一步縱然充滿難題，但也是形成產業(yè)壁壘的關鍵過程。

像云測數據這樣持續(xù)為 AI 訓練注入安全高質的數據“養(yǎng)料”，這些都將轉化為產業(yè)的優(yōu)勢積累，并撬動智能時代的無限可能。

對數據沃土的耕種，才能讓我們在 AI 風起時，得見一片片豐收的麥浪。