文|阿爾法工場
如果說，當下的生成式AI，是一個正在茁壯成長的孩子，那么源源不斷的數(shù)據(jù)，就是其喂養(yǎng)其生長的食物。
而數(shù)據(jù)標注，就是制作這一“食物”的過程。
然而，這一過程真的很卷，很累人。
進行標注的“標注師”不僅需要反復地識別出圖像中的各種物體、顏色、形狀等，有時候甚至需要對數(shù)據(jù)進行清洗和預處理。
隨著AI技術(shù)的不斷進步，人工數(shù)據(jù)標注的局限性也日益顯現(xiàn)。人工數(shù)據(jù)標注不僅耗時耗力，而且質(zhì)量有時難以保障。
為了解決這些問題，谷歌最近提出了一種用大模型替代人類進行偏好標注的方法，稱為AI反饋強化學習（RLAIF）。
研究結(jié)果表明，RLAIF可以在不依賴人類標注的情況下，產(chǎn)生與人類反饋強化學習（RLHF）相當?shù)母倪M效果，兩者的勝率都是50%。同時，RLAIF和RLHF都優(yōu)于監(jiān)督微調(diào)（SFT）的基線策略。
這些結(jié)果表明，RLAIF不需要依賴于人工標注，是RLHF的可行替代方案。
那么，倘若這一技術(shù)將來真的推廣、普及，眾多還在靠人工“拉框”的數(shù)據(jù)標注企業(yè)，從此是否就真的要被逼上絕路了？
01 數(shù)據(jù)標注現(xiàn)狀
如果要簡單地總結(jié)目前國內(nèi)標注行業(yè)的現(xiàn)狀，那就是：勞動量大，但效率卻不太高，屬于費力不討好的狀態(tài)。
標注企業(yè)被稱為AI領域的數(shù)據(jù)工廠，通常集中在東南亞、非洲或是中國的河南、山西、山東等人力資源豐富的地區(qū)。
為了控制成本，標注公司的老板們會在縣城里租一塊場地，擺上電腦，有訂單了就在附近招人兼職來做，沒單子就解散休息。
簡單來說，這個工種有點類似馬路邊上的臨時裝修工。
在工位上，系統(tǒng)會隨機給“標注師”一組數(shù)據(jù)，一般包含幾個問題和幾個回答。
之后，“標注師”需要先標注出這個問題屬于什么類型，隨后給這些回答分別打分并排序。
此前，人們在談論國產(chǎn)大模型與GPT-4等先進大模型的差距時，總結(jié)出了國內(nèi)數(shù)據(jù)質(zhì)量不高的原因。
但數(shù)據(jù)質(zhì)量為何不高？一部分原因，就出在數(shù)據(jù)標注的“流水線”上。
目前，中文大模型的數(shù)據(jù)來源是兩類，一類是開源的數(shù)據(jù)集；一類是通過爬蟲爬來的中文互聯(lián)網(wǎng)數(shù)據(jù)。中文大模型表現(xiàn)不夠好的主要原因之一就是互聯(lián)網(wǎng)數(shù)據(jù)質(zhì)量，比如，專業(yè)人士在查找資料的時候一般不會用百度。
因此，在面對一些較為專業(yè)、垂直的數(shù)據(jù)問題，例如醫(yī)療、金融等，就要與專業(yè)團隊合作。
可這時，問題又來了：對于專業(yè)團隊來說，在數(shù)據(jù)方面不僅回報周期長，而且先行者很有可能會吃虧。
例如，某家標注團隊花了很多錢和時間，做了很多數(shù)據(jù)，別人可能花很少的錢就可以直接打包買走。
面對這樣的“搭便車困境”，國內(nèi)大模型紛紛陷入了數(shù)據(jù)雖多，但質(zhì)量卻不高的詭異困境。
既然如此，那目前國外一些較為領先的AI企業(yè)，如OpenAI，他們是怎么解決這一問題的？
其實，在數(shù)據(jù)標注方面，OpenAI也沒有放棄使用廉價的密集勞動來降低成本，
例如，此前就曝出其曾以2美元/小時的價格，雇傭了大量肯尼亞勞工進行有毒信息的標注工作。但關(guān)鍵的區(qū)別，就在于如何解決數(shù)據(jù)質(zhì)量和標注效率的問題。
具體來說，OpenAI在這方面，與國內(nèi)企業(yè)最大的不同，就在于如何降低人工標注的“主觀性”、“不穩(wěn)定性”的影響。
02 OpenAI的方式
為了降低這樣人類標注員的“主觀性”和“不穩(wěn)定性”，OpenAI大致采用了兩個主要的策略：
1、人工反饋與強化學習相結(jié)合；
這里先說說第一點，在標注方式上，OpenAI的人工反饋，與國內(nèi)最大的區(qū)別，就在于其主要是對智能系統(tǒng)的行為進行排序或評分，而不是對其輸出進行修改或標注。
智能系統(tǒng)的行為，是指智能系統(tǒng)在一個復雜的環(huán)境中，根據(jù)自己的目標和策略，做出一系列的動作或決策。
例如玩一個游戲、控制一個機器人、與一個人對話等。
智能系統(tǒng)的輸出，則是指在一個簡單的任務中，根據(jù)輸入的數(shù)據(jù)，生成一個結(jié)果或回答，例如寫一篇文章、畫一幅畫。
通常來說，智能系統(tǒng)的行為比輸出更難以用“正確”或“錯誤”來判斷，更需要用偏好或滿意度來評價。
而這種以“偏好”或“滿意度”為標準的評價體系，由于不需要修改或標注具體的內(nèi)容，從而減少了人類主觀性、知識水平等因素對數(shù)據(jù)標注質(zhì)量以及準確性的影響。
誠然，國內(nèi)企業(yè)在進行標注時，也會使用類似“排序”、“打分”的體系，但由于缺乏OpenAI那樣的“獎勵模型”作為獎勵函數(shù)來優(yōu)化智能系統(tǒng)的策略，這樣的“排序”和“打分”，本質(zhì)上仍然是一種對輸出進行修改或標注的方法。
2、多樣化、大規(guī)模的數(shù)據(jù)來源渠道；
國內(nèi)的數(shù)據(jù)標注來源主要是第三方標注公司或科技公司自建團隊，這些團隊多為本科生組成，缺乏足夠的專業(yè)性和經(jīng)驗，難以提供高質(zhì)量和高效率的反饋。
而相較之下，OpenAI的人工反饋則來自多個渠道和團隊。
OpenAI不僅使用開源數(shù)據(jù)集和互聯(lián)網(wǎng)爬蟲來獲取數(shù)據(jù)，還與多家數(shù)據(jù)公司和機構(gòu)合作，例如Scale AI、Appen、Lionbridge AI等，來獲取更多樣化和高質(zhì)量的數(shù)據(jù)。
與國內(nèi)的同行相比，這些數(shù)據(jù)公司和機構(gòu)標注的手段要“自動”和“智能”得多。
例如，Scale AI使用了一種稱為 Snorkel的技術(shù)，它是一種基于弱監(jiān)督學習的數(shù)據(jù)標注方法，可以從多個不精確的數(shù)據(jù)源中生成高質(zhì)量的標簽。
同時，Snorkel還可以利用規(guī)則、模型、知識庫等多種信號來為數(shù)據(jù)添加標簽，而不需要人工直接標注每個數(shù)據(jù)點。這樣可以大大減少人工標注的成本和時間。
在數(shù)據(jù)標注的成本、周期縮短的情況下，這些具備了競爭優(yōu)勢的數(shù)據(jù)公司，再通過選擇高價值、高難度、高門檻的細分領域，如自動駕駛、大語言模型、合成數(shù)據(jù)等，就可不斷提升自己的核心競爭力和差異化優(yōu)勢。
如此一來，“先行者會吃虧”的搭便車困境，也被強大的技術(shù)和行業(yè)壁壘給消弭了。
03 標準化VS小作坊
由此可見，AI自動標注技術(shù)，真正淘汰的只是那些還在使用純?nèi)斯さ臉俗⒐尽?/p>
盡管數(shù)據(jù)標注聽上去是一個“勞動密集型”產(chǎn)業(yè)，但是一旦深入細節(jié)，便會發(fā)現(xiàn)，追求高質(zhì)量的數(shù)據(jù)并不是一件容易的事。
以海外數(shù)據(jù)標注的獨角獸Scale AI為代表，Scale AI不僅僅在使用非洲等地的廉價人力資源，同樣還招聘了數(shù)十名博士，來應對各行業(yè)的專業(yè)數(shù)據(jù)。
數(shù)據(jù)標注質(zhì)量，是Scale AI為OpenAI等大模型企業(yè)提供的最大價值。
而要想最大程度地保障數(shù)據(jù)質(zhì)量，除了前面提到的使用AI輔助標注外，Scale AI的另一大創(chuàng)新，就是了一個統(tǒng)一的數(shù)據(jù)平臺。
這些平臺，包括了Scale Audit、Scale Analytics、ScaleData Quality 等。通過這些平臺，客戶可以監(jiān)控和分析標注過程中的各種指標，并對標注數(shù)據(jù)進行校驗和優(yōu)化，評估標注的準確性、一致性和完整性。
可以說，這樣標準化、統(tǒng)一化的工具與流程，成為了區(qū)分標注企業(yè)中“流水線工廠”和“手工小作坊”的關(guān)鍵因素。
在這方面，目前國內(nèi)大部分的標注企業(yè)，都仍在使用“人工審核”的方式來審核數(shù)據(jù)標注的質(zhì)量，只有百度等少數(shù)巨頭引入了較為先進的管理和評估工具，如EasyData智能數(shù)據(jù)服務平臺。
如果在關(guān)鍵的數(shù)據(jù)審核方面，沒有專門的工具來監(jiān)控和分析標注結(jié)果和指標，那對數(shù)據(jù)質(zhì)量的把關(guān)，就仍舊只能淪為靠“老師傅”眼力見的作坊式水準。
因此，越來越多的國內(nèi)企業(yè)，如百度、龍貓數(shù)據(jù)等，都開始利用機器學習和人工智能技術(shù)，提高數(shù)據(jù)標注的效率和質(zhì)量，實現(xiàn)人機協(xié)作的模式。
由此可見，AI標注的出現(xiàn)，并不是國內(nèi)標注企業(yè)的末日，而只是一種低效、廉價、缺乏技術(shù)含量的勞動密集型標注方式的末日。