9月20日的直播，我們邀請了星塵數據創始人、CEO章磊，共同討論在自動駕駛和大模型發展的大背景下，數據標注行業將如何配合迭代進化。

嘉賓精彩發言及觀點：

• 當前數據標注的工具越來越復雜，管理越來越細致，自動化的算法要求越來越高；

• 隨著自動駕駛的發展，我們會發現數據量本身其實不是問題，更重要的是數據價值；

• 大模型標注需要你像一個完整的人，需要用到大量的知識，對人的要求非常高，甚至需要具備一些專家的知識才能夠去進行標注；

• 未來每一個行業都可能需要大模型，那么大模型怎么去落地，怎么產生直觀的效果提升辦公效率或者提高產出質量等會很關鍵。

以下為直播聊天實錄，有所刪減，完整直播視頻請查看「智車星球」視頻號：

智車星球：數據標注這幾年有什么變化？有觀察到哪些趨勢？

章磊：數據的復雜程度和需求的復雜程度越來越高。幾年前是2D的圖像識別，后來是3D識別，然后是2D和3D融合、BEV、4D標注等等。越來越多的技術方案，標注規則也越來越細，對標注人員的要求也越來越高。

對于我們，挑戰主要有幾個，一是標注工具越來越復雜，二是管理得越來越細致，三是自動化的算法要求越來越高。以前可能一個算法就可以進行預標注或者輔助標注，現在得有七八個甚至十幾個算法做輔助配合，才能夠把一個標注的結果做到自動化。

目前行業主要有幾種發展策略，一是進行人力運營的優化，比如說將職高院校或者學校納入管理體系，讓人力變得更便宜，或者增加一些人力管控方案。

另外一種策略是商務路線或者銷售路線，去打大客戶，保證長期穩定的項目，這樣也能保證一定的利潤。

第三種是做營銷路線，這種可能不賺錢，甚至是貼錢，但先把規模做大，然后通過融資滾動起來。

還有一種是我們走的技術路線，通過自動化的輔助標注，加上數據閉環的迭代，真正有效地降低標注成本，提高標注效率。這條路線相對不能在比較短的時間內產生比較好的效果，比如一個算法迭代一版可能就是一到兩個月，要真正迭代出效果，可能需要在一個方向花費一年、兩年甚至更長的時間。

這么長的一個時間周期，對于商務合作、運營管理以及整個公司的運作都是挑戰和難度，但我們相信算法可以降低90%以上的人力成本，也可以大幅提升交付效率，滿足整個行業的需求。

但從一個技術人員的角度來說，技術本身都沒有難點，只要在時間和資源無限的情況下，沒有一個技術是因為認知而導致有門檻的。但這是理想情況，現實情況下，你的時間節點、資源、人力和規劃都不可能是完美的，所以如何對任務進行編排、分解、每一個任務怎樣去協同，是比較有挑戰的。本質上這是個任務管理工作，你得在認知算法的前提下進行管理，另外還有就是要把招人和管理這兩件事做好。

智車星球：如何看待和自動駕駛車企的合作競爭，隨著自動標注的自動化比例不斷提升和大模型的發展，車企有可能自己來做標注嗎？

章磊：我們是產業鏈的一環，是基礎設施算法，自研就要考慮投入產出比這件事。

前兩年很多大廠因為要滿足市值維護和不斷提升股價的需求，它需要不斷擴充業務邊界。但我覺得這不是一個常態，一個成熟的市場應該是大家各自分工，各自做最專業的事情。

當然我們不能完全排除車廠自己去做標注工作，一方面內部迭代可能效率會更高，第二數據相對會更安全，基于這兩點肯定會有公司自己去做。

但任何一個方案都不是100%去替代其他東西的，就像電視機出來那么多年，收音機仍然存在。

智車星球：標注企業是否會始終聚焦在標注，還是說會有發展成人工智能公司？

章磊：我們的定位并不是一家數據標注公司，我們是一家數據的基礎設施公司。

我們處理的數據實際上是AI、機器學習要用到的數據，這其實是一個比較新的領域。我們想解決的是AI數據層的問題，這些問題不僅僅是數據標注。隨著自動駕駛的發展，我們會發現數據量本身其實不是問題，更重要的是數據價值。

我們認為最終一個完整的數據閉環，它如果能解決數據的入庫、流程編排、預處理、數據的價值發現以及數據的送標，數據驗收，還有模型訓練過程管理和模型價值指標分析等等這些工作，那么這個數據閉環可以極大加快算法的迭代過程。

還有隨著大模型的發展，我們發現大模型需要的數據也是五花八門。今年下半年的一個趨勢，就是垂類的應用。垂類應用它就需要業務相關的數據，把它分成預訓練數據、人類偏好數據等等這些流程的數據策略。

首先有了數據策略以后，就可以進行一個任務的編排，然后做數據的生產。之后就可以通過數據閉環去檢測模型缺什么，可以通過benchmark或者其他一些方式去發現模型的缺陷，然后進一步的去迭代和改進。

我們在做的另一件事就是benchmark本身——怎么去衡量算法和模型。每家客戶都有自己內部的一些指標，但這個指標或者說你沿著這條路徑走了很長時間以后，你不知道自己是領先還是落后，與行業平均水平相比到底如何。這就需要一家第三方公司去給一些反饋和建議，這也是未來數據層比較好的一個方向。

智車星球：目前高速NOA做數據標注的話，數據量大概是多少？

章磊：高速場景一般比較干凈，我們認為一般20~50萬幀的數據量，是可以訓練出一款比較好的算法。這里的一幀是指所有傳感器的一幀，所以一幀可能包括了有好幾張圖片。

智車星球：數據孤島這個問題現在還存在嗎？

章磊：數據孤島的定義分企業內和企業外。企業內的數據孤島是每一個部門有自己的數據，很多大企業各個部門之間數據很難打通，這是一種。另外一種是企業和企業之間，數據孤島的原因是源于交易雙方的不信任。

當然也會有改變，如果自動駕駛最后變成一個標準化的問題，那么就像小學、初中、高中課本，我們是可以統一去定制的。到了大學里面，每家客戶的場景不一樣，我們就按照自定義的方式去做定制化的開發。

智車星球：現在星塵也有很多大模型客戶，請您介紹一下大模型的數據標注有哪些的特點和難點？

章磊：CV的標注可能更需要像個運動員，能夠高效且非常整齊地做一個動作，比如說把車識別出來。而在NLP中，更需要你像一個完整的人，比如數學的問題或者代碼問題集，這可能需要你用到大量的知識去把它寫出來。

從這個角度來講，對人的要求非常高，甚至需要具備一些專家的知識才能夠去進行標注。另外，你要根據他的垂類應用場景去幫他設計一整套的數據集，里面包括開源數據、閉源數據和專業的私有化數據，從這些角度規劃和設計，然后把這些數據生產出來，然后再進行模型訓練。

智車星球：最近Scale AI在嘗試一些新業務，尋找第二增長曲線，但目前還沒有找到另一個核心支撐。您怎么看？

章磊：Scale AI做了很多工具，比如管理工具、測試工具、開發工具等。我們可以看到它從一家數據標注公司已經變成了一家數據閉環和infer的這么一家公司，它覆蓋的面會更大。

當然如果從財報看，直至上個季度它的大模型收入體量并不大，但是結果永遠是滯后的。我們從投資人的角度或者說從未來去看，我們能看到一個明顯趨勢，過去我們服務的是一小部分懂算法的人，但是今天或者將來會越來越多去服務各行各業的人。每一個行業都可能會需要大模型，那么大模型怎么去落地，怎樣產生直觀的效果提升辦公效率或者提高產出質量等會很關鍵。

對于大模型這樣的需求，其實算法公司會很難，雖然大部分大模型的流程和所需要的工具類似，但算法會涉及到很多定制化的需求，其中很大一部分就是數據生產工作，而數據生產工作正好就是數據公司的一個強項。從這個角度來講，我們將來的路其實是會越來越寬的。

智車星球：覺得現在數據行業在國內已經是紅海市場了嗎？

章磊：市場環境的第一個特點是長江后浪推前浪。最近自動駕駛和電動車的一波熱潮，又帶動了很多新的進入者，但商業規律本身是沒有變化的，任何急功近利的人都可能被拍死在沙灘上。比如說想靠低價去快速擴大規模的，可能因為資金鏈斷裂，或者是任何這個行業的融資情況變化，就會導致現金流支撐不下去，這是一種。

另外一種就是靠客戶關系，但數據服務這件事情是具備可比性的，客戶關系做得即便很強，可能并不是核心競爭力。還有就是優化人力，一旦發現人力優化不下去但技術還在往前走的時候，就沒有辦法去克服客觀規律，當所有的成本已經低于人力成本的時候，就沒法正常經營了。

我們也看到有一些新的公司，他們也是通過技術來解決問題。整個行業肯定不可能只有一家公司最后走出來，我們也希望大家各有各自的特點，然后去解決各自一些有優勢的問題，我覺得這是一個比較良好的健康的行業和氛圍。

返回第一電動網首頁 >