AI合成数据是趋势，我们正在打造标注大模型｜专访龙猫

今日不肯埋头，明日何以抬头！每日一句努力自己的话哈哈~哈喽，今天我将给大家带来一篇《AI合成数据是趋势，我们正在打造标注大模型｜专访龙猫》，主要内容是讲解等等，感兴趣的朋友可以收藏或者有更好的建议在评论提出，我都会认真看的！大家一起进步，一起学习！

通过收集现实世界的图像、视频、文字等信息，人工清洗和标注后，将数据转化为代码并输入给机器，最终使机器人能够具备智能意识，像人一样理解语言背后的深层含义

这项工作的从业者被称为数据标注员，他们的任务是为人工智能算法提供“燃料”

随着AIGC时代的到来，很多人对数据标注员的工作产生了好奇，他们在做什么工作？现状如何？行业存在哪些问题？未来有何发展前景？带着这些问题，娱乐资本论·视智未来专访了龙猫副总裁胡邱飞。

龙猫成立于2014年，是一家提供AI数据及平台服务的公司。我们已经为60多家主机厂和自动驾驶公司提供了服务，并为客户提供了全面的数据解决方案

以下是采访的实录：

关于公司业务

视智未来：你们何时开始转型为AI数据服务？

龙猫副总裁胡邱飞（下同）：

2016年，我们见证了国内AI从计算机视觉、人脸识别检测、手势检测到应用场景的自动驾驶、NLP相关的发展历程。

公司的主要业务包括自动驾驶和AIGC两个领域。选择从事AIGC是因为未来它有更大的发展潜力，市场预计将达到万亿级别，而且模型和产品都需要大量的单模态和多模态数据

比如类3D的物体标注，以前是拿全景摄像机还原室内场景，现在是第一个人写指令，AI能看着场景找东西。

视智未来：以后是不是可以不用实拍了，直接AI标注AIGC内容了？

有可能。但与三维世界相比，Prompt生成的内容缺乏位置信息，摄像头无法测距。也有人在进行类似的工作，比如谷歌的李飞飞正在开发具身智能模拟器。这个技术适用于机器人领域，对于创业公司来说，这是一个很好的融资机会

视智未来：AIGC对你们的业务产生了什么影响？

今年AIGC爆火后，龙猫接到了很多图文标注、及图视频标注需求的订单，会有很多多模态应用场景，比如车内座舱的文娱软件等。

视智未来：在多模态手势和车机识别方面，交互方式是如何实现的？您在其中扮演了什么角色？

我们给他整体提供一套数据解决方案，了解他的应用场景，需要什么数据。有没有基础大模型，还是需要从零开始搭？多数应用层客户会先选一些基础大模型评测。

视智未来：他们评测还是委托你们？

有的会委托我们，比如他列一些API，我们给他研究竞品。

关于标注员

未来的数据行业会发展成为类似美团的三到四个不同阶梯，其中一些是交社保的，一些是交给服务站的，还有一些是采用众包的人力模式。你认为呢？

现在已经是这个模式了。我们线上众包是强管控，但最终交付结果是计件的。

视智未来：你们线上选人有什么标准呢？

员工加入工会后，有做用户运营的同学管理。我们更喜欢用没有全职工作的群体，他们有生活压力，更稳定。

视智未来：你们自己研发了数据标注平台吗？

是的，我们拥有我们自己完整的数据管理标注系统

未来的视智：加入人工智能技术后，与之前相比，你们能节省多少人力？

自动驾驶技术成功地实现了40%的节省。AIGC正在考虑引入GPT等大型语言模型来校准标注结果，以确保输出的质量。通过机器和人的交叉验证，可以减少人为因素的波动，使输出更加稳定且偏差较小

视智未来：你们现在众包官方采集公会有多少人？

我们有超过400万的线上注册用户，大约有1万名活跃用户。除了线上用户，我们还在西南地区设立了线下标注基地，该地区有很多高校，学生素质更高，我们有大约500名员工

视智未来：现在有AIGC后，对标注员的素质要求更高了吗？

会。大模型会考察几乎所有领域的通识类知识，AIGC要求标注人员有对大模型的应用和理解，标注内容要和客户的模型价值尽量贴近，我们找的标注人员学历多数本科以上。

对于特定领域，龙猫会配备专业人员，例如在数学相关的大型模型展会上，会招聘高等数学专业的人员。如果不是这个领域的人，你根本无法看出细节上的区别

我之前还接了一个互联网问诊的平台，要求三甲医生提供数据，但是这些数据的价格标注得很高

视智未来：你们是否正在探索如何利用人工智能生成训练素材？

对，有很多公司会用大模型生成的内容直接标注，但是中文语料库的理解方面一定是需要人工的。我们用GPT和人生生成的内容进行对比，发现答案的重合度只有60%左右。

视智未来：如果这个40%越大，是否意味着你们的工作做得越好呢？

可以，人工在标注这件事情上价值会更明显一些。

我们在尝试通过AI技术省去标注环节，直接进入到审核和质检环节。

智能技术的未来展望：我能够逆向思考，如果客户对你们的要求越高，就意味着这家公司的人工智能技术越先进

如果某家客户和其他人的需求差异很大，那么算法可能会变得不够强大

关于业务发展

未来展望：你们面临的技术障碍是什么？

需要被改写的内容是：首先，我们一直在积极积累经验，这可能导致所谓的垄断。公司的策略是进行系统集成，然后再由客户进行替换，这会带来很高的潜在成本。其次，公司的工作氛围非常好，以产品为驱动，不像其他公司依赖于管理和大量人力资源。我们在项目中要么盈利，要么积累知识。我们正在努力实现自动标注，而不是通过过度依赖人力来提升竞争力

未来的视智：你认为数据公司未来的竞争重点是什么？

数据公司要比客户更理解他们的算法要什么数据，会有不同垂类的巨头公司出现。

我们在做产品的数据集复售。数据集分公域和私域的数据集。公域数据集数量多，但私域更重要。

视智未来：不少人觉得数据标注门槛低，是乡村扶贫工作。

这是特例，不是行业现象。

视智未来：你们以后会做自己的大模型吗？

重写后的内容是：我们正在进行的工作主要有两个方面。第一是辅助标注大型模型，即在理解问题后提供答案供人选择。第二是进行全自动标注，由人工智能直接生成结果。为了保证实验的严谨性，我们会进行双盲实验，例如将一个答案使用三个标准进行重复标注，其中我们会将一个或两个人以这种方式进行拆分。这样就不需要再进行抽检和质检。在某些项目中，我们已经使用GPT进行交付，准确率已经达到了80%以上，接近于人工标注的水平

关于数据采集的内容需要进行改写

智能未来：你们在数据采集方面有新的举措吗？

一种在国外出现的趋势是用户主动售卖自己的数据，以便绕过数据公司对原始数据的垄断。我们也在思考，如何让那些有时间、素质又高的人参与数据输出和标注工作，例如通过做题的方式，在小程序上让他们通过答题来赚钱

产品设计上需要想想人性的问题，有人又想挣钱又想舒服，这样的人员画像和我们现在人员画像有一个冲突。我们现在的画像是宁可下沉，有全职时间，产品设计上需要想想人性的问题，有人又想挣钱又想舒服，这样的人员画像和我们现在人员画像有一个冲突。我们现在的画像是宁可下沉，有全职时间，要不然就是大学生，他们时间充沛，更好管理，也更稳定。宣传渠道上，龙猫基本靠口口相传，吸引的人群类似，很少做公域推广，否则群体不搭。产品要考虑怎么既保证质量，又有爽感。到宣传渠道，龙猫基本靠口口相传，吸引的人群类似，很少做公域推广，否则群体不搭。产品要考虑怎么既保证质量，又有爽感。

视智未来：于数据公司而言，以后用AI做数据合成是不是很重要？

对，这种高质量的数据集已经不太够了，怎么获取？一是直接找用户信息，但很少有用户愿意共享数据。但现在可以做数据的拟合，类似抄写数据，一样能达到可用的标准。AI 合成、改写部分可以洗掉它类似的标和专有信息，生成通用内容。

成本方面，最好是现有甲方需求给到我们，再去做原始数据的融合，第一次卖出就可以赚回成本钱。也有很多有数据的甲方在自己做数据集，比如百度、京东。

智能未来展望：对于自动化标注和数据集的使用，你们是否担心混合拟合问题以及质检的困难

在强化学习方面，你需要重新设计奖励模型来纠正错误。此外，还需要考虑整体比例的问题。GPT的整体数据集有几十个TB，而合成数据只占不到10%

做数据公司持续的壁垒，一个是的数据集合成能力，第二是给大模型做人的强化学习。我们也在想怎么通过小程序沉淀用户数据。

视智未来：版权能确定吗？

生成式AI上最新的管理意思是，你的5张照片是你的，但我拿来合成照片之后版权就是我的了。

文中关于AI合成数据,标注大模型,龙猫的知识介绍，希望对你的学习有所帮助！若是受益匪浅，那就动动鼠标收藏这篇《AI合成数据是趋势，我们正在打造标注大模型｜专访龙猫》文章吧，也可关注golang学习网公众号了解相关技术文章。