图片来源@视觉中国

文| 阿尔法工场

如果说，当下的生成式AI，是一个正在茁壮成长的孩子，那么源源不断的数据，就是其喂养其生长的食物。

而数据标注，就是制作这一“食物”的过程。

然而，这一过程真的很卷，很累人。

进行标注的“标注师”不仅需要反复地识别出图像中的各种物体、颜色、形状等，有时候甚至需要对数据进行清洗和预处理。

随着AI技术的不断进步，人工数据标注的局限性也日益显现。人工数据标注不仅耗时耗力，而且质量有时难以保障。

为了解决这些问题，谷歌最近提出了一种用大模型替代人类进行偏好标注的方法，称为AI反馈强化学习（RLAIF）。

研究结果表明，RLAIF可以在不依赖人类标注的情况下，产生与人类反馈强化学习（RLHF）相当的改进效果，两者的胜率都是50%。同时，RLAIF和RLHF都优于监督微调（SFT）的基线策略。

这些结果表明，RLAIF不需要依赖于人工标注，是RLHF的可行替代方案。

那么，倘若这一技术将来真的推广、普及，众多还在靠人工“拉框”的数据标注企业，从此是否就真的要被逼上绝路了？

01 数据标注现状

如果要简单地总结目前国内标注行业的现状，那就是：劳动量大，但效率却不太高，属于费力不讨好的状态。

标注企业被称为AI领域的数据工厂，通常集中在东南亚、非洲或是中国的河南、山西、山东等人力资源丰富的地区。

为了控制成本，标注公司的老板们会在县城里租一块场地，摆上电脑，有订单了就在附近招人兼职来做，没单子就解散休息。

简单来说，这个工种有点类似马路边上的临时装修工。

在工位上，系统会随机给“标注师”一组数据，一般包含几个问题和几个回答。

之后，“标注师”需要先标注出这个问题属于什么类型，随后给这些回答分别打分并排序。

此前，人们在谈论国产大模型与GPT-4等先进大模型的差距时，总结出了国内数据质量不高的原因。

但数据质量为何不高？一部分原因，就出在数据标注的“流水线”上。

目前，中文大模型的数据来源是两类，一类是开源的数据集；一类是通过爬虫爬来的中文互联网数据。

中文大模型表现不够好的主要原因之一就是互联网数据质量，比如，专业人士在查找资料的时候一般不会用百度。

因此，在面对一些较为专业、垂直的数据问题，例如医疗、金融等，就要与专业团队合作。

可这时，问题又来了：对于专业团队来说，在数据方面不仅回报周期长，而且先行者很有可能会吃亏。

例如，某家标注团队花了很多钱和时间，做了很多数据，别人可能花很少的钱就可以直接打包买走。

面对这样的“搭便车困境”，国内大模型纷纷陷入了数据虽多，但质量却不高的诡异困境。

既然如此，那目前国外一些较为领先的AI企业，如OpenAI，他们是怎么解决这一问题的？

其实，在数据标注方面，OpenAI也没有放弃使用廉价的密集劳动来降低成本，

例如，此前就曝出其曾以2美元/小时的价格，雇佣了大量肯尼亚劳工进行有毒信息的标注工作。

但关键的区别，就在于如何解决数据质量和标注效率的问题。

具体来说，OpenAI在这方面，与国内企业最大的不同，就在于如何降低人工标注的“主观性”、“不稳定性”的影响。

02 OpenAI的方式

为了降低这样人类标注员的“主观性”和“不稳定性”，OpenAI大致采用了两个主要的策略：

人工反馈与强化学习相结合

这里先说说第一点，在标注方式上，OpenAI的人工反馈，与国内最大的区别，就在于其主要是对智能系统的行为进行排序或评分，而不是对其输出进行修改或标注。

智能系统的行为，是指智能系统在一个复杂的环境中，根据自己的目标和策略，做出一系列的动作或决策。

例如玩一个游戏、控制一个机器人、与一个人对话等。

智能系统的输出，则是指在一个简单的任务中，根据输入的数据，生成一个结果或回答，例如写一篇文章、画一幅画。

通常来说，智能系统的行为比输出更难以用“正确”或“错误”来判断，更需要用偏好或满意度来评价。

而这种以“偏好”或“满意度”为标准的评价体系，由于不需要修改或标注具体的内容，从而减少了人类主观性、知识水平等因素对数据标注质量以及准确性的影响。

诚然，国内企业在进行标注时，也会使用类似“排序”、“打分”的体系，但由于缺乏OpenAI那样的“奖励模型”作为奖励函数来优化智能系统的策略，这样的“排序”和“打分”，本质上仍然是一种对输出进行修改或标注的方法。

多样化、大规模的数据来源渠道

国内的数据标注来源主要是第三方标注公司或科技公司自建团队，这些团队多为本科生组成，缺乏足够的专业性和经验，难以提供高质量和高效率的反馈。

而相较之下，OpenAI的人工反馈则来自多个渠道和团队。

OpenAI不仅使用开源数据集和互联网爬虫来获取数据，还与多家数据公司和机构合作，例如Scale AI、Appen、Lionbridge AI等，来获取更多样化和高质量的数据。

与国内的同行相比，这些数据公司和机构标注的手段要“自动”和“智能”得多。

例如，Scale AI使用了一种称为 Snorkel的技术，它是一种基于弱监督学习的数据标注方法，可以从多个不精确的数据源中生成高质量的标签。

同时，Snorkel还可以利用规则、模型、知识库等多种信号来为数据添加标签，而不需要人工直接标注每个数据点。这样可以大大减少人工标注的成本和时间。

在数据标注的成本、周期缩短的情况下，这些具备了竞争优势的数据公司，再通过选择高价值、高难度、高门槛的细分领域，如自动驾驶、大语言模型、合成数据等，就可不断提升自己的核心竞争力和差异化优势。

如此一来，“先行者会吃亏”的搭便车困境，也被强大的技术和行业壁垒给消弭了。

03 标准化VS小作坊

由此可见，AI自动标注技术，真正淘汰的只是那些还在使用纯人工的标注公司。

尽管数据标注听上去是一个“劳动密集型”产业，但是一旦深入细节，便会发现，追求高质量的数据并不是一件容易的事。

以海外数据标注的独角兽Scale AI为代表，Scale AI不仅仅在使用非洲等地的廉价人力资源，同样还招聘了数十名博士，来应对各行业的专业数据。

数据标注质量，是Scale AI为OpenAI等大模型企业提供的最大价值。

而要想最大程度地保障数据质量，除了前面提到的使用AI辅助标注外，Scale AI的另一大创新，就是了一个统一的数据平台。

这些平台，包括了Scale Audit、Scale Analytics、ScaleData Quality 等。通过这些平台，客户可以监控和分析标注过程中的各种指标，并对标注数据进行校验和优化，评估标注的准确性、一致性和完整性。

可以说，这样标准化、统一化的工具与流程，成为了区分标注企业中“流水线工厂”和“手工小作坊”的关键因素。

在这方面，目前国内大部分的标注企业，都仍在使用“人工审核”的方式来审核数据标注的质量，只有百度等少数巨头引入了较为先进的管理和评估工具，如EasyData智能数据服务平台。

如果在关键的数据审核方面，没有专门的工具来监控和分析标注结果和指标，那对数据质量的把关，就仍旧只能沦为靠“老师傅”眼力见的作坊式水准。

因此，越来越多的国内企业，如百度、龙猫数据等，都开始利用机器学习和人工智能技术，提高数据标注的效率和质量，实现人机协作的模式。

由此可见，AI标注的出现，并不是国内标注企业的末日，而只是一种低效、廉价、缺乏技术含量的劳动密集型标注方式的末日。