深度｜AI 標註員——新時代「數據民工」

科技 12-09

打開今日頭條，查看更多圖片

去年的某一天，小袁被理髮店老闆開除了，原因是聽力能力有限，耽誤工作得罪了客戶。

這是「90後」小袁的第39次失業，在此之前，他在飯店做過傳菜工、在工廠做過皮鞋、在廣告公司公司做過牌匾、在奶粉廠裝過箱子……她總是因為無法避險、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。」她用如此悲傷的文字描述自己內心世界。

終於，小袁的第40份工作滿足了她內心的渴望——掙錢不僅僅是混口飯吃，也是「為了做人的基本尊嚴」。

她用一個月時間的刻苦訓練，學會了用模板做數據標註，成了人工智慧革命浪潮背後的一位「數據標註員」，為企業提供圖像、語音、文本等的數據標註服務。「我很慶幸，也能成為一個在人工智慧產業中有用的人。」

AI 的應用越來越多，社會影響也越來越大。但在「人臉識別」、「自動駕駛」、「語音識別」等應用領域崛起的背後，核心依然是越發龐大但要求越發精準的數據。

離開數據談人工智慧應用，與「無米之炊」無異。「數據標註」工作自然也就成為將最原始數據變成演算法可用數據的關鍵步驟，是關乎整個AI產業的基礎，更是機器感知現實世界原點。

而「數據標註員」，正是未被寫出的、有關人工智慧產業幕後的隱形故事：中國有10萬名全職數據標註員和100萬名兼職數據標註員，他們源源不斷的用人工標註為人工智慧發展供應最重要的「數據燃料」。

這100多萬個標註數據的人，雖然大多學歷不高，卻決定了中國整個人工智慧行業的發展態勢：他們之間有小袁這樣生理缺陷者，找不到理想工作的職高學生，從工地輾轉而來的新生代農民工以及此前在淘寶「刷單」、而後賦閑在家的中年婦女。

1/流水線上加工數據

深度｜AI 標註員——新時代「數據民工」

25歲的羅雪嬌，正把手寫體的古德文轉錄為印刷體字母，然後把這些轉錄出的文字發給OCR(光學字元識別)公司——這些被羅雪嬌一個個標註出來的字母，將作為後者機器訓練的數據材料。

這個工作並不容易。要知道，即便在德國，認識這種古老字體的人也寥寥無幾；但羅雪嬌卻如同流水線上的機器人，需要每秒鐘準確輸入1個字母。

在羅雪嬌的旁邊，另一位同事正為路況圖片中的各種機動車、非機動車、自行車和行人打標籤、做標記，並標註行進方向和是否有遮擋——這將用於安防系統，甚至能成為「能2秒過濾全球所有人口」的中國天網系統的基礎；另一位同事則在標記圖片中汽車的可行駛區域，之後會用於無人駕駛場景的訓練，他需要分毫不差的描繪建築物的邊緣，將靜止畫面中鱗次櫛比的大樓一一分割，標註成不同的色塊。

他們這種介於手寫錄入和圖像標記之間的工作，共同的行業學名叫做「人工智慧數據標註」——儘管數據標註並不算一個完全新興的產業，早在1998年「海天瑞聲」就已成立，但彼時人工智慧尚未興起，數據應用也相對較少。

「2011年針對AI的數據標註開始出現，2015年真正開始，2017年有了大爆發。」一家數據標註外包公司的主管說。

人工智慧浪潮催生了這一切，相關數據顯示，2017年，僅北京中關村大數據產業規模就超過700億元，貴陽則超過了1500億元。聯合國教科文組織信息與傳播知識社會局主任英德拉吉特·班納吉也認為，到 2030 年，人工智慧將向世界經濟貢獻 16 萬億美元。

對於AI而言，優質數據必不可少，需要標註的領域也越來越多：自動翻譯的語音識別、機場安檢時的人臉識別、識別選取商品的無人商店、安全行駛的無人駕駛等等。

所以，就像傳統工廠一樣，一個叫「數據標註」的隱形產業正在迅速擴大，數據正在流水線上處理，被分塊加工，然後應用到不同領域。

「這是整個 AI 產業的基礎，是機器感知現實世界原點。」京東眾智一位高層人士對記者說，一張圖片識別系統能瞬間認出某個物品，一套語音識別系統能瞬間讀懂你說的話，其實也是一張張圖片、一段段語音素材後天訓練出來的結果。

「對圖片標註仍然需要依靠人力，」上述高層人士表示，儘管互聯網催生了浩如煙海的內容，但標註這件需要耐心和專註的「小事」，暫且還需要大量人力，「圖片包含的特性太多，比如在不同光線下的拍攝，模糊，清晰等等。即便在對5000萬張圖片進行歸類之後，也只有幾種特性被準確的標註出來了。」

深度｜AI 標註員——新時代「數據民工」

標註作業有時並不簡單，比如這種關聯性標註

關於「數據標註」，上述京東眾智高層人士打了一個形象比喻：和小孩一樣，要認識一個足球，你不能告訴它是「圓形的」、「用腳踢的」、「黑白相間網格的」，最簡單最常用的辦法是，找來一個真實足球擺在小孩面前，告訴他「這就是足球」，沒有真球，用圖片或視頻也行。試過幾遍就會發現，孩子就能「自然而然」地認出足球。

機器也一樣，工程師想讓 AI 準確識別出足球，最好辦法不是用代碼來描述足球，而是直接找來很多張帶有足球的圖片，用 AI 能讀取的方式把圖片、視頻里的足球「標註」出來，扔進 AI 模型訓練，之後它「自然而然」就獲得了識別足球的能力。

和小孩不同的是，機器需要在不同場景、不同角度下反覆學習，這個漫長的教授過程就是羅雪嬌們在 AI 產業中的位置——標註大量用於訓練機器學習模型的數據，讓機器越來越像人。

3/一個讓人崩潰的「辛苦活」

圖片為簡單標註方式的一種

通常而言，數據標註得越準確、數量越多，最終訓練出來的模型效果就越好。

對羅雪嬌而言，她必須保證給機器標註的數據達到90%以上精度（即是指標註的正確率），否則最直接的後果是機器也會跟著犯錯，這對演算法模型訓練而言將毫無意義。

90%的精度，意味著100個點裡有10個點錯誤就會被打回。

羅雪嬌遇到過一次「讓人崩潰」的經歷，那是一張人物群體站立圖，只要露出了頭、脖子、胸口，羅雪嬌就要從圖片的左上角開始畫矩形，框住這些動作、著裝完全一致的人。重複拖動50個框後，要再放大這些帶有藍色陰影矩形框，從頭到四肢標註完每個人的骨骼點。最後，600多個點密密麻麻地落在了那張圖裡。

這個項目讓她不記得重複了多少次，「拉框要求十分精細，偏差絲毫都不行。最後無論是滴眼藥水，還是冷水洗臉，拍打臉部、揉眼睛，都沒有任何作用，只剩下流眼淚了。」羅雪嬌說。

「有些任務圖上密密麻麻的點，看兩個小時以上眼睛絕對會花掉了，只有要求員工不斷克服人本身的一些『消極因素』，才能避免標錯數據。」數據標註公司、BasicFinder創始人杜霖說。

其實，看似簡單的操作，要達到90%的精度對大多數標註者來講卻是天方夜譚。據了解，很多兼職標註團隊最高精度只能達到70%，即便是在全職、全把控情況下，很多項目只能達到50%的精度，基本上承接的每個項目都需要重複三次以上才能達到90%的精度。

但現在，越來越多的客戶要求達到95%甚至97%的精細化標註。「95%以上的準確率是理想情況，但從95%提到97%所需花的成本就不再是一兩倍了，可能是100 倍。」杜霖說。

每個行業人士都認為這是一個「讓人崩潰的辛苦活」。提起「數據標註」四個字，2002年成立，來自上海的華院數據的首席科學家尹相志不禁苦笑：幾個月前，華院數據舉辦過一次大數據應用比賽，在「通過賣場貨架圖片自動計算產品的貨架佔有率」這項測試中，她們拍攝了1600多張真實的貨架圖片作為原始數據，為了讓比賽的難度不那麼「變態」，她們還為選手們提供了「精細化標註」後的貨架圖片——也就是貨架上每一包緊挨著的零食、泡麵，都要延邊緣仔細劃分。最終，這一千多張圖片的標註耗費了12個人大半個月時間，負責標註工作的組員「幾近崩潰」。

另一個例子是，李飛飛創辦的ImageNet，是目前世界上圖像識別最大的資料庫，擁有1500萬張標註圖片，不過大部分人不知道，這是來自167個國家的48940名工作者，花費了2年時間，清理、分類、標記了近十億張通過互聯網搜集到的圖片，才得到這個有1500萬張圖片的數據集。

「無論國內外，情況都差不多。一旦要求質量，每個人的產出量就不會太多。熟練者平均一天可以標註40張圖片，前提是只需要為圖片中的物體打框、標註類別和前後關係。如果涉及到刻畫建築物邊緣等複雜細節，一天標註10張已是極限。」一位數據標註行業人士說，看似簡單的數據標註背後，其所耗費的時間與人力，遠非一般項目可比。

在高質量數據標註不容易，同時又決定了一家人工智慧公司競爭力情況下，國內外大大小小的科技公司都開始用另一種方式，來完成這樣細碎的任務，以獲得更細緻、更準確的數據。

3/AI時代的「富士康」

這種方式，就是外包。

實際上，無論是Google Open Image Datasets中的900萬張圖片，還是YouTube-8M中包含了800萬段被標記的視頻，這些精心標記的數據，大部分是由亞馬遜勞務外包平台「Amazon Mechanical Turk」（以下簡稱AMT）上數十萬名註冊用戶花費2年時間完成的。

科技網站TechRepublic的一篇文章描述稱：這些分布在全球各地的50萬名工人們，晝夜交替、時常待命，對數據進行手工輸入、分類，區分出下一張照片中是否有「狗」，語句中的「bass」到底是低音還是鱸魚。

文章評價稱，人類變成投喂機器的流水線工人，亞馬遜AMT也順勢成為AI時代的富士康。

在國內，人工智慧創業公司、BAT同樣採用了目前數據標註行業的主流模式——「外包」。某數據標註公司負責人就透露，BAT、商湯、曠視、雲從科技這類大的人工智慧公司，一年在數據上的外包支出高達數千萬元。此外，學術團體、政府、銀行等傳統機構的需求相對較小但有不斷增長的趨勢。

「按照人員規模劃分，現在的數據標註行業分為小型工作室（20 人左右）、中型公司以及巨頭企業。」京東金融眾智平台項目負責人對記者表示，而從外包方式來看，也分為「眾包」和「工廠」兩種模式。

眾包（Crowdsourcing）平台是《連線》（Wired）雜誌2006年發明的一個專業術語，用來描述一種新的商業模式，即企業利用互聯網來將工作分配出去、發現創意或解決技術問題。

京東金融方面提供給本報的數據顯示，2018年1月，京東金融發布國內首個聚焦人工智慧領域的數據眾包平台——京東眾智，通過聚合擁有碎片化時間和閑暇時間的普通人，為企業提供圖像、語音、文本、視頻的數據標註等服務。

「百度眾包」、「龍貓數據」、數據堂等同樣是這個模式。去年11月，龍貓數據宣布獲得3370萬元A輪融資，且用戶量達到百萬級，為百度、騰訊、小米等數十家科技公司提供數據標註業務。數據堂則成立於2011年,並在2014年12月10日成為第一家在新三板上市的數據標註企業。

記者觀察發現，無論是百度眾包，還是京東眾智、龍貓數據、數據堂，官網首頁都有明顯的「任務簡單、輕鬆賺錢」廣告，其實質都是把任務轉嫁給網民——某知名數據眾包平台就據稱，其擁有超過5000名數據標註專員，上十萬數據標註兼職人員，單日可處理超過200萬條數據，能穩定提供數據標註服務。

「亞馬遜AMT也是如此，每天會發布任務給墨西哥以及印度兼職人員，但很多高精度工作是不適合眾包的。」在杜霖看來，由於參與眾包標註的工作者數量很多，專業背景和工作能力參差不齊，其標註質量也並非所說的那麼可靠，一些任務收集到的標註內容中存在雜訊甚至錯誤，不能直接作為正確的標註使用。

以定製為主的數據標註「工廠」模式應運而生——也就是自己經營團隊，成為一個上游，對整個流程進行控制。

BasicFinder採用的正是「工廠」模式，其註冊成立於2015年， 2017年3月份完成了一千多萬元pre-A輪融資。目前與二十來家「數據工廠」有長期業務合作，這些數據工廠有些是參與投資，有些是深度合作，少則幾十人，多則兩三百人。

而具體到標記過程，杜霖表示都是流水線式的，從最前端的任務定義、採集數據，到中間的清洗、加工，以及後端的質量檢測、訓練迭代等全部環節分開作業，並開發了一套系統輔助人工提高效率。

算上合作的周邊工廠，杜霖的公司已經有 2000 多人，他們可以同時進行 20 多個不同項目的標註。在「工廠」內部，如同傳統製造加工業一樣，這裡的各個小組都有自己的管理者。管理者之上是項目經理、高層管理者。員工「生產」的內容會經過質檢人員的核驗，全部合格後才會最終交付項目方，以便保證穩定的標註效率和質量。

同樣，受困於人力成本，「工廠」很多時候不得不把一些業務外包給小團隊，因此在這些相對規範的機構之外，還遊離著眾多規模不等的「小作坊」——在京東眾智負責人看來，這同樣是一個短板：「小作坊沒有標註工具，而工廠更多是流程化操作，缺乏合理的運營模式。」

4/搖身一變都做AI數據標註

外包的興起，讓數據標註員成為一個熱門行業——相關數據顯示，截至2018年1月，目前中國有10萬的全職數據標註員，以及100萬的兼職數據標註員。

「在提供無差別人力勞動這件事上，大家是沒有門檻。原來干淘寶刷單的、送快遞的、賦閑在家的大媽，現在也能搖身一變做AI數據標註。」杜霖說。

無從統計那100萬兼職數據標註員都來自何方，但數據標註工廠，目前多集中在貴州、河北、河南、山東、山西等地區，這和傳統製造企業富士康契合——演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「大數據之都」貴陽市中心50公里的惠水縣百鳥河數字小鎮，有一個規模500人的「數據工場」，合作對象包括百度等AI巨頭，500名數據標註員中，近一半是隔壁一家扶貧高職「盛華職業學院」的學生。

除上課外，這些不懂AI的學生們每天有大約6個小時可以工作，「易於管理、盡職盡責」是該數據工場負責人給這些學生的評價。對於當地政府和學生而言，這是一件雙贏的事：學生們大多來自貧困山區，在數據加工公司兼職賺來的錢不僅足夠生活，有些學生還會拿出一部分補貼家用。當地媒體《貴州日報》稱，未來三年百度將在百鳥河基地完成2萬小時的數據加工,直接解決1000人就業,促進惠水縣每年近5000餘名大學生優質就業。

作為一個勞動密集型行業，門檻並不高，幾萬元啟動資金，就可以在四五線小城組起一個「工作室」。在河北衡水，原來在化工廠製品上班的小蘇，帶著原先 30 多人的銷售團隊轉行數據標註，隊員小的到 20 不到，老的超過40，共同點是都不明白什麼是AI。

高中學歷是小蘇在招人時的最高期望——在行業中，這個招聘標準已經算是較高水平，在某些眾包平台上，有的標註者只有小學文憑，在北京的全職工廠中，最高學歷是大專或者中專。而在京東眾智平台上，則重點強調眾智工作的殘疾人士比例，截至目前，在京東眾智平台上從事數據標註工作的總人數已達到30000人，其中殘疾人士1000人左右。

在這個行業，理想標註精度和學歷沒什麼關係，而且操作非常簡單，經過培訓，誰都能做——一家數據標註公司的高層人員就表示，一個農民在標註方言語音時，可能會比不懂這種語言的大學生還好。

事實上，對發布任務的甲方公司來講，誰來標註、學歷高低、如何管理這些都不是他們需要擔心的問題，成本和按時保質交付才是核心。

某數據公司的主管說，通常數據工廠需要處理的客戶訂單往往以萬為單位。比如客戶要求 6 萬張圖片，7 天內完成標註，理論上這個訂單需要 200人左右，共同機械般工作 7 天才能完成。

但部分AI公司卻過分壓低預算，把項目外包給一些不靠譜的團隊，工期又很短；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。

這種情況下，層層外包也就出現了，「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。」曾做室內裝修，現在轉行做AI數據標註的小何說，他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」

「數據標註行業比較混亂，沒有一個標準，低價競爭和行業不規範，導致層層外包是行業的噩夢。」京東眾智平台的負責人李工說。

甚至，這還可能涉及欺詐。「我們這邊剛收到的上家發來的一個數據標註任務，到公司應該是四五手資源了。公司為了節約成本讓我們在網上發帖招收大量任務標註員，然後剩下的就能想像到了。」7月4日，某數據標註公司一位內部人士老柳對記者稱，公司以試標題的形式要求兼職人員完成，一般都是以時間或者數量，第一次給你打回去，然後讓你反覆的試題，最後合格了，我們再以各種理由推脫拒絕薪酬。

「甚至，人們不會想到的是，兼職人員做過的題，我們自己改動下也能節省很多時間。」老柳說。

他們也有自己的無奈，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。對小團隊來說，層層外包下來，其實沒什麼利潤了，「比如，一個拉框平均4分，一個人一天最多能做4000個，一共160元。過關率90%，再除去審核成本，再給每個標註員每天發100元左右的工資，平均下來工作室每天也就從每個人身上賺20元，公司都虧損了，還拿什麼去付給兼職的呢？」

人物特寫/

1年前的秋天，18歲的小芳坐上了數據標註工廠派來接他們入職、開往河北的大巴車。同行的，還有10名在同一個加工廠工廠實習的同學。

彼時，只有中專文憑的小芳怎麼也想不明白，怎麼老闆就看上了自己，自己也可以去做人工智慧這種高大上產業相關的工作。要知道，出身農村的小芳，都是在上初中後才接觸過電腦。

1年後，現在的小芳已經被老闆表揚為最出色的幾個員工之一。踏實幹好現在的工作是她從入職以來唯一的想法，也是她改變農村貧困環境的最好方式——最近一段時間，由於工期趕得很急，小芳已經連續幾個周末到公司加班，每天十多個小時盯著顯示器讓她倍感疲憊，但她不想停下，基礎加計件的工資構成總是多勞多得。「我計劃著，能拿多一些錢，好寄回去給長期腰痛的媽媽買點葯，給弟弟妹妹添一件衣服。」

不過，同所有的人力密集型產業一樣，人人都能在此求生的同時，收入並不高。某自動駕駛創業公司數據標註負責人經常私底下開玩笑說，與動輒幾十萬、甚至上百萬的AI工程師相比，從事著AI數據標註的行業可謂是個「血汗工廠」，兼職員可能收入1000多元，全職的收入也不過三四千元。

通常，一件普通任務是按分、甚至是厘算的，比如在一堆不同圖片中識別某人是否是同一個人，這樣的工作只能按厘算。只有複雜標註圖時，收入可能更高，有可能甲方出到每小時幾十元，以便保質保量完成。

因此，在這個超過110萬人的數據標註員軍團中，人來人往，有許多人進來了，也有更多人難以忍受低收入、枯燥單調重複的工作而離開——兼職做過數據標註的小貓說，她曾接到過一個在所給圖片中辨別不同角度素菜的任務，幾天後，她標註了一萬張圖，沒有一張返工，但她說自己再也不會做這個工作，因為就像「流水線上的螺絲釘」一樣不斷重複。

實際上，堅持留下的，往往是家庭條件並不好，想憑自己努力改變家庭和命運的人。算上加班費，小芳現在每個月能拿到3000多元，這讓她很是滿意了，畢竟家裡父親種地一年也不過這個數字。而且，每次回老家，當家人問起小芳的工作，她說自己是做一些人臉、骨骼點標註的「數據標註員」，家人不懂，但如果說是人工智慧相關的工作，從電視上看到過這個名詞家裡人就會停止追問，並覺得這是一個響亮的高科技職位。

這樣故事，還有很多很多，他們的夢想，則與AI這個高大上的行業相去甚遠：職高學生小志從貴陽坐了四小時的大巴回到山區家中，第一件事就是將做數據標註得來的錢塞到母親手裡，他的家裡父母都務農，身體也不好，家裡除了房子和田，唯一像樣的財產是一頭牛。先後做過廚師、進過工廠的犇犇，在轉行做數據標註員後，用工資給在建築工地打工的父親買了電動剃鬚刀；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……

至於小袁，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——在此之前，這個戴了多年的助聽器，讓小袁在飯店做傳菜工時，因為廚房的尖銳噪音不得不關掉，最終導致他在工作中頻頻出錯被辭退。

相關鏈接/常見的幾種數據標註類型

1. 分類標註：就是常見的打標籤。一般是從既定的標籤中選擇數據對應的標籤，一張圖就可以有很多分類/ 標籤：成人、女、黃種人、長發等。對於文字，可以標註主語、謂語、賓語，名詞動詞等。

深度｜AI 標註員——新時代「數據民工」