在生成式AI时代，大模型的三个支柱——数据、算法、算力都迎来新的发展阶段。在基于Transformer的算法进化，和“烧钱”的算力提升之后，数据正在成为制约大模型发展的瓶颈。
大模型已几乎用尽互联网上所有容易获取的数据，如果缺少高质量数据，大模型可能将进入性能停滞的发展阶段。如果说在AI新纪元，数据资产是有待挖掘的金矿，围绕数据而设计的“卖铲人”将有巨大的发展机会。
在算法和算力领域，已经有OpenAI、英伟达等。在数据领域，最受关注的则是数据标注平台Scale AI，其在今年第二季度完成了10亿美元融资，估值飙升至138亿美元。
文/九合创投
观察Scale AI的发展，可以看到：
1.Scale AI早期业务主要是为自动驾驶公司提供数据标注外包服务，在2022年后随着Scaling Law下大模型参数规模的快速膨胀及所需训练数据量的上升，与OpenAI等展开合作，逐步转型为提供大规模数据标注业务。
2.其将在数据标注业务中的know-how沉淀在数据引擎平台上，结合AI标注能力大模型解决细分场景下的数据质量差的难题。
3.Scale AI本身不提供大模型产品，而是可以帮助客户测试大模型的性能，帮助客户对大模型进行微调、最终根据场景将大模型进行落地部署。公司因此从数据标注服务拓展为企业级数据集成公司。
4.技术和行业的双门槛。Scale AI有几十名相关领域的博士进行数据标注，并借此机会与拥有专业数据标注能力的相关人员进行了绑定，通过和重要行业客户的合作完成了行业知识的积累
九合创投在2014年投资了龙猫数据，这也是一家始于自动驾驶行业、兴于大模型时代的数据标注公司，龙猫数据创始人昝智认为，“当前是数据标注公司发展的历史性发展机遇。这个机遇来源于AI技术的飞速发展，特别是大模型在各个领域的应用扩展，使得高质量数据的需求持续增长。作为中国本土数据标注领域的领先企业，龙猫数据在这波浪潮中扮演着关键角色。”
2023年，龙猫数据推出了自动驾驶大模型AutopilotGPT，能快速处理和标注大规模驾驶数据，提高数据处理效率和标注精度，同时引入先进的自动化数据标注工具和数据合成技术，降低人工标注成本，覆盖大模型公司。
昝智认为，Scale AI的成功经验对于中国的数据标注行业具有重要的参考价值。他指出：“Scale AI之所以能够迅速崛起，并非仅仅依靠算力和算法，而是通过技术积累和行业知识的深度结合，成功搭建了从数据标注到AI评估的完整闭环。这种能力使得Scale AI在大模型时代不仅扮演了数据供应者的角色，更成为了AI领域的重要推动者。”
在九合看来，数据市场仍处于快速发展阶段，中国拥有比国外更丰富的应用场景。随着AI对不同行业的渗透，数据将成为大模型时代价值飙升的金矿，“卖铲人”或者“数据铸造厂”将成为大模型浪潮中最具确定性的获利者之一。
01
数据：重新定义对模型的思考方式
“很多人仍然关心模型，但也很关注数据。数据重新定义了我们对模型的思考方式。”——李飞飞
数据被重视可以追溯到以计算机视觉为代表的AI 1.0时代。
十几年前的计算机物体识别依靠抓取特征，然后给出结果。但计算机抽象出来的模型，仍然经常会出现认错的情况。当时很多研究人员专注于构建更好的算法，但时任斯坦福大学任助理教授的李飞飞意识到，瓶颈可能在于缺乏大规模、高质量的数据集，如果数据无法反映真实世界，再好的算法也难以通过训练达到模拟人脑的效果。
于是，她开始搭建ImageNet数据集，并依托亚马逊众包平台 Mechanical Turk 分发给全球用户“接单”，解决了人工标注的庞大工作量，这可能是数据标注众包平台的前身，数据标注行业由此拉开序幕。
2009年，李飞飞发表了一篇名为《ImageNet: A Large-Scale Hierarchical Image Database》的论文，来自全球167个国家近5万名工作者以众包的方式，标注出1500万图像，成为AI 历史上有标志性意义的数据集。
2012年，AlexNet算法成为李飞飞发起的ImageNet大规模视觉识别挑战赛的冠军，识别准确率高达85%，创造了计算机视觉识别领域的世界纪录。AlexNet 是一种卷积神经网络(CNN)模型，自此引发了新一代神经网络的热潮。
2017年，ImageNet挑战赛落幕，完成了自己的使命，获奖者的算法正确识别率已超越人类。但ImageNet的影响仍在延续，它让人们意识到数据在AI发展中的重要地位。
02
数据标注：从ImageNet到Scale AI
ImageNet和对数据的重视加速了机器学习的突破，而机器学习的兴起反过来又带动了数据标注等产业的发展。
数据标注是AI领域的一个关键步骤， 提供高质量的标记数据，用于训练机器学习模型，并为模型训练提供洞察。常见的标注任务包括图像分类、物体检测、语义分割、文本分类、情感分析、语音识别等。
在深度学习算法兴起前，对大规模标注数据的需求较小。2010年到2016年，特别是随着ImageNet挑战赛影响力的扩大，深度学习算法对大量标注数据的依赖，使得大规模标注数据的需求迅速增加。对于很多公司而言，数据标注并非核心业务，有强烈的外包意愿，因此催生了数据标注产业。
昝智表示，这个时期数据标注行业刚刚开始形成，最重要的是解决数据标注的准确性和效率问题。当时，由于深度学习算法对大量数据的需求增加，标注的精度直接影响了模型的训练效果。然而，手工标注不仅耗时耗力，还容易出现错误。为了提高标注质量，行业内开始探索如何通过技术手段提升标注效率，如自动化工具、人工智能辅助标注等。对此，龙猫数据采取了创新的标注流程优化策略，通过引入半自动化标注工具和多层次质量审核机制，极大提高了数据标注的准确性和效率。
特别是在自动驾驶等需要精确数据标注的领域，数据的细微差别都可能对训练结果产生重大影响。自动驾驶技术对道路、车辆、行人等的识别，需要海量且高质量的标注数据，因此对于标注效率和精准度的需求尤为迫切。龙猫数据通过与汽车制造商、自动驾驶企业的深入合作，推动了高精度数据标注技术的进一步发展。
2017年，自动驾驶技术的崛起成为数据标注行业发展的助推器。训练和测试自动驾驶系统需要大规模的高质量标注数据，数据标注行业迎来庞大的市场需求。龙猫数据于2016年开始提供 AI 数据服务，是国内最早布局相关领域的公司之一，拥有可承担样本量最大、智能化程度最高、结果最精准的数据服务平台。
“在很长一段时间里，数据服务行业都是重人力的劳动密集型行业，关键点在于人员效率和交付质量。”昝智表示，国外的数据标注公司往往在菲律宾、肯尼亚、委内瑞拉等劳动力成本较为低廉的国家招募数据标注人员，而国内在人力成本方面具有较大的优势。
以龙猫数据为例，公司采用众包模式，构建了一套高效健全的系统，拥有多重审核机制，可实现根据需求实时调配人员，任务反应迅速，并支持将标注系统直接部署在客户服务器上，从精度、速度、安全性三方面确保数据结果。
新的转折点发生在2020年左右。造车新势力的兴起与自动驾驶技术公司热衷于投入“数据”，传统主机厂也纷纷在自动驾驶数据标注方面加大投入，数据标注公司开始追求智能和高效。
例如龙猫数据在与众多汽车和自动驾驶客户的合作中，开发了软件加速系统，并建立了严格的质量控制体系，以确保每一条标注数据的准确性和一致性。
2022年底ChatGPT发布后，大模型时代的序幕开启，对数据标注的高标准成为新需求。“传统的低成本竞争优势被重塑。大模型对标注人员有了很高的要求，不仅要对大模型的理解，而且还需要对垂直领域具备一定的专业知识。”昝智强调。
在大模型的推动之下，数据标注行业迎来了“发展的春天”。
2022年底，Grand View Research报告显示， 2022 年全球数据标注解决方案和服务市场规模为 118.3 亿美元，预计从2023年到2030年的复合年增长率为 21.3%。
Scale AI也已经转型为硅谷最大的人工智能公司之一，创始人Alexandr Wang被称为“下一个马斯克”。
03
大模型时代需要怎样的数据标注
Scale AI核心业务为数据标注，成立初期，以效率为核心竞争力。据Scale AI 2016年的官网介绍，他们可以对客户给出的数据在三小时内给出响应。这个时期，Scale AI更多地依赖于人工标注。
Scale AI成立之初的三年完全专注于自动驾驶和自动驾驶汽车，将人工、自主开发平台和机器学习相结合，进行数据标注的核查，来提高其数据标注的速度以及准确性。AI算法辅助标注员进行标注，标注员所标注的图像又反过来对Scale AI的算法进行训练，提高算法的准确度，进入了良性的“自循环”模式。
2018年，Scale AI将公司目标变为“提供可靠、经济高效、可扩展的基础架构，以便更轻松地构建令人难以置信的应用程序”，表明Scale AI已不满足于做一个单纯的数据标注公司，而是尝试成为以数据标注为基础的应用开发平台。
2020年8月，Scale AI推出了数据调试SaaS产品Nucleus，用于理解、可视化、整理和协作处理公司数据，使团队能够构建更好的ML模型。这意味着Scale AI在转型之路中迈出一大步，由单纯的数据标注商向数据管理、分析和模型搭建服务商转变，由劳动密集型向科技驱动型公司转变。
生成式AI浪潮给Scale AI带来新的收入增长点。Scale AI创始人Alexandr Wang表示，公司2019年开始研究生成式AI，并与OpenAI合作研究GPT。2023年，Scale AI 的年收入从一年前的2亿多美元跃升至约7亿美元，成为目前生成式AI领域最赚钱的公司之一，并完成了新一轮10亿美元融资，估值飙升至138亿美元。
如今，Scale AI在数据标注之外，拓展了丰富的产品线。产品主要分成3大类：数据引擎、AI应用以及AI评估，客户覆盖自动驾驶、金融科技、政府、零售与电商、AR/VR等领域。在大模型领域，Scale AI与Open AI、Meta都有合作。
国内数据标注行业也迎来了相同的发展轨迹，正积极拓展第二增长曲线。龙猫数据推出了自动驾驶大模型AutopilotGPT，能快速处理和标注大规模驾驶数据，提高数据处理效率和标注精度，同时引入先进的自动化数据标注工具和数据合成技术，降低人工标注成本。
除了数据标注服务的升级，龙猫数据还拓展了数据生成和合成服务，满足大模型训练的多样化需求，并推出模型搭建和优化服务，帮助客户提升AI模型的性能和应用效果。
作为国内发展时间最长的数据标注公司，昝智表示，互联网20年产生的海量数据已经几乎被用尽，接下来只能通过数据合成方式产生新的数据，这样才能继续推动大模型的发展，“这既可能是数据行业的潜力所在，也是企业决胜未来的关键”。
Scale AI创始人Alexandr Wang在近期采访中表示，在大模型竞争中，算法和算力的壁垒有可能被打破，数据是为数不多可以持续构建护城河的领域之一，将产生长期的竞争优势。
·氧分子网（www.yangfenzi.com）延伸阅读：
后 ImageNet 时代：李飞飞视觉基因组重磅计划，新一轮竞赛！
