2023年4月底，一个亚洲面孔登上了著名杂志《福布斯》的封面。这是一位年仅26岁的华裔企业家，名叫Alexandr Wang。

他手握最高估值73亿美元的科技公司。

2017年，Alexandr创立了一家名叫Scale AI的公司，走的是最热的AI赛道。7年后，他做的东西已经无可替代。据《福布斯》报道，Scale AI如今包揽了多家头部自动驾驶车企的服务，谷歌的Waymo、丰田汽车是它的拥趸。2020年起，它还从美国国防部处拿下了多个天价订单。

2022年，美国国防部已经在用该公司的技术分析乌克兰卫星图。

Scale AI走的路子，是常被头部大厂和AI创业者忽略的方向，叫AI的标注数据集。

这是AI领域里的石油，有数据才能源源不断给深度学习提供燃料。一项数据显示，截至2021年，全球排名前1000万的网站中，英文内容占比为60.4%，中文内容占比仅1.4%。中国AI需要依赖大量英文数据集训练。

实际上，国内不乏做AI数据集和数据标注的公司。上市公司海天瑞声、头部创业公司云测数据、数据堂等等，是业内佼佼者。

比起人工智能产业给人“高大上”的直觉，数据工作面临繁琐的清洗、标注、处理等过程。业内因此盛传一句话，“人工有多强大，智能才有多强大”。

AI分析公司Cognilytica数据显示，在AI项目中，数据相关的处理过程占据超过80%的时间。

云测数据总经理贾宇航对南风窗总结，互联网大厂、创业公司更多在研究算法，AI数据服务公司在做工程的事情。

在各家巨頭猛追Open AI的当下，是时候关注支持AI深度学习的第一步—数据了。

机遇来了

不管业务是否与大模型挂钩，国内AI数据服务公司近日受到了一大波关注。

数据集上市公司海天瑞声在3月底只用了3个交易日，累计涨幅近33%。股价创历史新高，比年初翻了三倍多，尽管该公司早已贴出风险提示：“自然语言业务对公司整体贡献大约在10%。”“公司尚未与OpenAI开展合作，其ChatGPT的产品和服务尚未给公司带来业务收入。”

因为ChatGPT，云测数据总经理贾宇航也在2023年收到了来自各行各业对大模型和数据集的关注和问询。“每个人都对大模型各有各的看法，我们相互学习。”他告诉南风窗。

单论技术角度而言，ChatGPT代表的大模型，采用了与过往AI数据标注不同的技术路径。在过去，机器学习的主流依赖于human-in-the-loop，即有监督的学习。

有监督学习依赖大量人工对数据进行预处理、标注。例如，猫的图片，需要人类事先标注，用机器听得懂的语言告诉它只是一只猫。行内公认的规则是，人类上传的标注数据越多、越准确，机器学习的效果越好。

而ChatGPT代表的大模型，采用的是自监督学习模式。简单来说，考验的是机器自我学习能力。

清华大学计算机系自然语言处理实验室副教授刘知远告诉南风窗：“大模型的不同之处在于，不事先假定到底需要完成哪些任务或者特定能力。它穷尽互联网尽可能获取多的数据，让模型自动地从这些数据里面学习知识。”

OpenAI曾披露，训练GPT的模型是基于公开网站的数据，包括维基百科、专业论坛、电子书网站和媒体报道等各类高质量文本。

据美媒报道，拥有发达智能水平的ChatGPT，背后还有一群来自非洲肯尼亚的数据标注员。他们每天工作9个小时，最终，一个月获得约合2500～3000元人民币的报酬。

尽管对数据标注的需求减少，ChatGPT的成功，却给了众人更有用的启示：高质量数据集对训练AI大模型至关重要。