【AI的正面与侧面】披着光鲜的外衣的“数据民工”

“目前人工智能背后还是需要很多的人工工作。”一位创业者曾经这么说，如果作为门外汉，首次听说这样的观点可能会十分费解。

人工智能，无论是从科幻电影还是现实生活中给我们的印象，都是属于高大上的范畴，抑或是人类顶尖人才参与的未来事业，先进的技术会给我们生活带来无尽的便捷和想象力，不应该是大幅解放劳动力的么？怎么还需要投入大量的人力？

所以本篇整理了人工智能不那么智能的一面，这里有一个很少被提及也容易被遗忘的人群，那就是人工智能浪潮下辛苦劳作的“人工”。

人工智能需要数据，高质量的标注数据决定了一家人工智能公司竞争力。通常来说，数据标注得越准确、数量越多，算法模型的效果就越好，自然产品的体验也会更近一步，然而这么多结构化数据哪里来？于是有种产业叫数据工厂。

眼下这些数据工厂业务大多是标注数据，即根据项目方要求，人工为图片、视频和语音内容打标签、做标记。标注好的数据会被人工智能公司用来训练算法模型，然后应用到图像识别、语音识别、动作识别、自动驾驶等不同领域。

小编曾采访过一家专业的数据加工平台，旗下有12家下辖数据工厂及2000余名数据操作员来支持数据的采集、清洗、标记等产品化服务。与专业的数据标注公司业务类似的还有数据众包平台，以百度众包平台为例，号称是有10000+名专职外场数据采集员，5000+在线数据标注人员。

两者的区别在于众包平台上多为互联网网民兼职操作，由于没有受过专业化培训，在质量和数量都难以满足专业化的数据加工需求。

随着人工智能产业热度提升，数据加工厂的业务需求也越来越丰富，标注画面中不同的人脸，标注一段语音中的关键字段等等都是比较常见的数据标注工作；此外还有勾画图片中人体的关节点，将复杂的人体姿态标注成点和线的形式，可以用来训练识别人体体态的模型。

为路况图片中的车辆、摩托车、自行车和行人打上边框，并标注行进方向和是否有遮挡，这类图片多用来训练智能安防系统的识别能力；描绘建筑物的边缘，将静止画面中的大楼标注成不同的色块，这类数据多用在自动驾驶中车辆对环境的认知。

还有负责视频标注的工作，需要从每段视频中抽出 10 帧，标注相近两帧中物体的方向和坐标的变化，这些数据也许会被用来训练机器对物体连贯性的感知，也许用来训练机器预判物体的位置变化。

其中，精细化标注更不是什么容易事，华院数据曾举办过一次大数据应用比赛，在通过卖场货架图片自动计算产品的货架占有率这项测试中，她们拍摄了 1600 多张真实的货架图片作为原始数据，所谓精细化标注，就是货架上每一包紧挨着的零食、泡面，都要延边缘仔细划分。这一千多张图片的标注耗费了 12 个人大半个月时间，负责标注工作的人员几近崩溃。

可以说，现阶段的数据标注是个劳动密集型产业，和南方的普通加工厂基本没什么不同，只不过加工的产品是数据。

包括世界顶尖计算机视觉专家李飞飞参与建立的ImageNet ，是来自 167 个国家的 48940 名工作者，花费了 2 年时间，清理、分类、标记了近十亿张通过互联网搜集到的图片，才得到这个拥有 1,500 万张标注图片的数据集，其所耗费的时间与人力可想而知。

除了数据标注工作之外，前不久，智能音箱背后的声优也浮出水面，2014年以前行业都是采用参数合成的技术，提取出声音的特征模拟生成，这需要声优的声音更加端庄、严肃。彼时的配音人员大多是播音员、各大院校播音主持专业学生、主持人等，录音库只需要4、5千句就行。但是从2014年以后，为了让合成的声音更自然，业内都采用了拼接算法，提取出原声中的片段进行合成，这就要求更大的数据量，更多的样本。

以天猫精灵智能音箱为例，幕后声优的语音录制时间长达两个月，产品发布前已经录制20多万字，并且还在进行中，整体是要做到2万句，30万字的目标。

为智能产品配音和影视剧完全不一样，需要绝对的稳定性，语速要保持一致，而且情绪也不能有波动，因此效率并不高，声优每天需要录三到四个小时，一个小时大概只有100句话左右，能不能通过还得看录音师的判断。

据天猫精灵配音钰莹介绍，300-400句/天是一个配音演员比较正常的工作量，但是一开始的时候工作强度比较大，她一天录了500-600句，一连录了8天之后她的嗓子就发炎了，只能在家休息。

在大部分人看来，人工智能是个高级又轻松的概念，未来的一切都将因为AI技术的普及而变得更简单、更美好、更智能。

稍微熟悉一点，对人工智能的印象会变成工程师、科学家们口中的专有名词，GPU阵列、神经网络、深度学习、自然语言处理、迁移学习、计算机视觉等等一大串相关技术理论。

而在产业链的最底层是更为现实的一面，一批批身份各异，从未被提起的人们成为了新时代的数据民工。人工智能，仍需要大量的人工劳动给养，其实并不高大上。