曹留进 口吃A曹留进 口吃I数据告急，大厂盯上廉价年轻人_ZAKER新闻
A曹留进 口吃I数据告急，大厂盯上廉价年轻人_ZAKER新闻
做大做强特色产业，各地正忙着全产业链发力。这里是新疆霍城万亩薰衣草花海，曾经，花期短、品种少是制约当地薰衣草产业壮大的瓶颈，破解难题，当地抓住村企合作的契机，以薰衣草为中心布局产业链。向前，发展观光、研学等项目；向后，开发精油、干花等衍生产品。2022年，全村人均收入达2.2万元。
为了拿到新数据、训练 AI 大模型，字节等互联网大厂正在亲自下场，以单次 300 元不等的价格招募 "AI 录音员 "，定制语料库。坐落于北京大钟寺的字节办公楼，集中了字节的抖音业务团队和火山引擎业务团队，从年初便开始招募素人为豆包大模型录音。两人结组、单次 3 小时，包括 80 分钟的自由聊天，有提示词的 60 组对话，单次结算金额为 300 元。长达 3 小时的录音，有至少 2 名字节员工全程陪同。" 对话不能水时长，要有内容和信息，质量太差会酌情扣款 "，" 不能修改提示词，大模型理解不了 "。从晚上 6 点到 9 点，字节员工在录制过程中的指令，则更多透露着对于录音质量的关注。图注：大钟寺录音室内部图实际上，成都、太原、贵州等二线城市，早已成了字节、百度、阿里等大厂的 AI 数据外包之城。" 去年，数据标注、方言朗读，专科生就能做。现在招的都是 211、985 的实习生带外包。" 某大模型产品经理表示。在 9 月刚刚推出视频大模型的 MiniMax，其创始人闫俊杰告诉字母榜，在上海，除了语料公司的高质量数据之外，MiniMax 也会采购一些平台化数据。数据、算法和算力是 AI 大模型的三大支柱，其中数据是大模型进行训练的根基。但由于互联网数据散布在不同平台，并被重重壁垒所环绕，AI 大模型可以用来训练的公开数据正在走向枯竭。6 月，研究机构 Epoch AI 发布了一项新研究预测，可用于 AI 语言模型公开训练的数据，将在 2026 年到 2032 年间，被科技公司耗尽。而早在 2023 年 5 月，OpenAI 首席执行官阿尔特曼便公开承认，AI 公司在不久的将来会耗尽互联网上所有的数据。如何寻找高质量的新数据 " 喂养 " 大模型，成了所有 AI 大模型团队的共同难题。由于存在擅自使用第三方数据的嫌疑，一些大公司屡屡陷入纠纷。8 月，OpenAI 被超过 100 位 YouTube 主播集体诉讼，指控其擅自转录了数百万个 YouTube 视频来训练大模型。英伟达、苹果、Anthropic 等巨头也涉及其中。对于大厂而言，拥有自己的闭源高质量数据，才能保证喂养大模型的数据时效性和质量。而跳过品控不稳定的第三方平台，试图亲自下场为 AI 写 " 剧本 "，或许是大模型厂商们的一条新路子。今年初，在小红书等平台上，悄悄出现了标价 300 元一次的 AI 录音兼职。相比起 BOSS 直聘等平台 30-55 元时薪的 AI 录音兼职，300 元单次、录制地在北京大钟寺的所谓 " 头部大厂录音兼职 " 显得颇具诱惑力。8 月，通过微信被拉到录音群内时，字母榜（ID: wujicaijing）发现群内已经有了 200 多名等候录音的人。由于规定为 2 人一组录制对话，时间长达 3 小时，进群后，" 找搭子 "" 有人和我一起录吗？" 的微信消息弹出的最多。而实际上，300 元一次，做 AI 录音员，" 给 AI 写剧本 " 并不轻松。首先在录音前，所有人都必须上传一段 2-3 分钟的对话录音做 " 样音 "，字节的审核人员要通过样音的效果来决定是否通知兼职录音。而这个过程会有 3 名员工负责审核，其中 2 名员工审核都通过，才能直接预约录音时间，如果不通过，还有交叉审核。在样音二审过后，张雪在提交样音的第二周预约了晚上 6-9 点的录音时间。而在群聊内，不少人都被卡在了样音环节，" 审核老师喜欢能聊的，爱聊的。" 情绪高昂的对话，内容有主题，让更多的人卡在了筛选的第一道门槛。图注：大钟寺录音群图源：字母榜截图录制当晚，张雪隔着录音室的透明玻璃坐在椅子上，调节到语音能够被清晰录入的最佳位置，通过耳机收听字节员工的指令。第一个环节，就是两人 80 分钟的无主题自由聊天。而字节人员的要求，则是聊天不能是 " 片汤话 "，要有内容，同时每个话题都不能超过 10 分钟，并且不能出现大段大段的独白，要保证是相对平均的对话状态。张雪和搭档在录音室内隔着巨大的头麦对谈，尽量不停顿地谈话 80 分钟。同时，还要尽量克制身体不能乱动，发出咳嗽声、笑声等扰乱录音质量的声音。为了保证语音质量，字节人员通过耳机不时插入，提示出现了杂音要重新录制，或者聊天 " 不自然，引导痕迹过重 "，也要重新录制。高质量语音的标准是聊天自然、话题连续，情绪积极但不能抢话，还要有内容、不流水账。经过反复重调，第一个环节就花费了近 2 个小时的时间。而到了第二个环节，要录制有提示词的 60 组对话。尽管有了剧本可供参考，但作为 AI 录音员，张雪不仅要根据情境编对话，还要保证严格的对话模式，即上一组对话是 A 结束收尾，那么下一组对话必须由 B 开始。同时，为了适应大模型的调试需求，每一次的指令都必须清晰明确地说出提示词，" 可以详细一些吗？可以更详细一些吗？可以再详细一些吗？" 而在耳机内，字节人员也明确表示，剧本都可以改，但只有提示词不能动，换个说法，AI 就可能难以识别。为了保证录音质量，录音不清晰、吞字或者情绪不足，都会重新录制。等录制结束，张雪离开大钟寺，时间已经走到了晚上近 10 点。而一次 3 小时的录音，字节人员一天要录制 3 场，每周的日程几乎都是满的。除了北京，字节已经在上海、杭州、重庆、南京、成都、天津等多个城市招募录音员。对于渴求新数据的大模型厂商们来说，" 砸钱拿数据 " 的操作并不新奇。2023 年，随着 AI 大模型成为新风口，大厂们不仅直接通过第三方公司购买数据，也创造出了 " 大数据标注师 "、"AI 编辑 " 等外包岗位。2023 年，小语种专业的阿琳，在考研期间就通过 BOSS 直聘等网站，开始为大模型 " 打工 "。通过一家叫做 "X 数据 " 的公司，阿霖为大模型图片识别的文字内容做验收，即检验大模型图片识别后的小语种文字是否与图片一致。按照 " 一个词或一句话算一个核算框，一个框算 1 毛钱 " 的价格，核算几百条，阿霖一次能赚几十元。到了今年，阿霖同样通过第三方的数据公司接单，做翻译类的 AI 数据标注，价格涨成了 1 元多一条。但要人工判断大模型翻译出的法语等小语种是否准确，标注员不仅要找出错误之处，还要用不同的颜色，对 5-6 个大模型的翻译内容进行标注。" 有时看一条得花 10-15 分钟 "。为 AI 打工之后，阿霖也发现，这些大模型，一旦脱离了原本小语种的教科书语料库，对于社交平台新的用词，或者小众人群的惯用词，即自身的数据库没有收录，大模型就开始降智，" 受限于版权，学不到新的文本内容，翻译效果也受影响。"除了第三方外包公司，大厂也建立起了自己的数据基地。例如，百度的数据基地分布在如南昌、阳泉、太原、贵州等非一线城市，并在这些城市完成数据标注、方言朗读等数据的采集，只需 " 招一些当地的专科生，会操作电脑就行。月工资也往往在 3000-5000 元之间。" 美团也早就有了自己的驻厂 AI 训练师。不过，相比起舍得砸钱的大厂，大模型四小龙们想要拿到高质量数据，难度高了不少。" 核心的闭源高质量数据，往往都已经被大厂垄断，AI 创业公司，甚至是 AI 四小龙，都可能只能拿到边缘数据。"某大模型厂商的算法人员 Leo 告诉字母榜。由于高质量数据能够显著提升模型效果，因此，在开源的公开数据数据之外，大模型厂商们为了实现技术迭代，需要更高质量的数据完成训练。但这些数据往往被大公司把握，如国内的新闻数据掌握在腾讯、字节等大厂内部，海外则由 Common Crawl、GDELT、The Pile 等占据。在海外，即便是 YouTube，也在 6 月底宣布，将向顶级唱片公司提供许可协议，以换取版权音乐用于训练。OpenAI 一直在与 Politico、《大西洋月刊》、《时代》、《金融时报》等新闻出版商达成付费协议，使用并引用它们的新闻资料。当关键数据主要掌握在 " 渠道方 " 内部，比如腾讯、字节和 Meta 等公司，关键用户数据早在移动互联网时代被瓜分完毕，要想实现技术突围，AI 四小龙首先就得交一笔不小的 " 数据费 "。对于厂商们来说，行至大模型创业下半场，" 大数据幻觉 " 也是大模型集体降智、测不出 9.11 和 9.9 哪个大的原因之一。当字母榜在 MiniMax 的海螺 AI 内输入 " 一个小女孩怀里抱着一只布偶猫 "，耗时 2 分钟，生成的 6 秒视频内，小女孩抱猫咪的手指细节丰富，只是怀里抱着的，并非是一只布偶猫。面对生成结果，MiniMax 的视频大模型员工解释，" 这是因为用于训练大模型的数据，在猫咪的绑定图片里，并没有布偶猫。"当模型生成的内容与现实世界事实或用户输入不一致，即大模型出现幻觉，开始 " 胡说八道 "。对于渴望新用户的大模型厂商而言，生成效果显然决定了产品是否有机会出圈。" 输入的指令是提取 8 月所有娱乐新闻，结果 AI 生成的是 2019 年 8 月的娱乐新闻内容。" 在使用某头部大模型产品时，忠实用户孔昉已经抓到了好几次 AI" 胡言乱语 " 的瞬间，或是编纂出根本不存在的引用文献，或是不能理解近两年的新概念，这让孔昉对大模型产生了信任危机。现在，孔昉会同时用 2-3 个不同厂商的大模型 " 跑 " 同一个问题，然后交叉对比，对于时间、数量、文献等关键信息，也会通过搜索引擎二次确认，" 现在 AI 生成很像抽卡，效果不可控，而且还容易智障。" 孔昉无奈道。而高质量数据或将逐渐耗尽，想要解决 " 大模型幻觉 " 问题，拿什么数据来 " 喂养 " 大模型，显然颇为关键。某接近百度的人士告诉字母榜，大模型厂商们都会通过三方公司直接购买数据，省时省力但并 " 不省事 "，就是因为购买来的数据，无论是文本、录音还是视频，质量都是不可控的。对于积极发展 B 端客户的头部大模型而言，针对某个客户，更个性化地定制大模型成为如今大厂 AI 业务主要的收入来源。但想要训练出这样个性化的模型，就需要相应高标准筛选下的数据来 " 喂养 "，甚至根据不同阶段大模型的学习效果，进行数据需求的调控，" 不是随便买一堆语音来，大模型就能学会的 "。在某三方数据工作做过 AI 翻译的阿霖也发现，" 作为提供数据的甲方，她所在的公司似乎并不真的关心大模型生成的语音质量。"对于专攻法语、西班牙语等小语种的阿霖来说，她需要为甲方同时对比 5-6 个大模型将小语种语音翻译成文字的生成效果，但只需要粗略得打分，对于生成的 5-6 份文字，到底有哪些细节的语言差异，能够如何改进，三方公司并不会询问，" 漠不关心 "。而缺乏高质量数据，或许也正是不少用户表示 " 用哪家的大模型生成的内容都差不多 " 的原因，也正是用户一旦 " 一家大模型收费，就直接换另一家 " 的根因。对于用户而言，宣称追赶 OpenAI，在技术上持续迭代的国产大模型，或许并无实质差异，也谈不上成为忠诚用户，这也给急着商业化的大模型厂商们蒙上了一层淡淡的阴影。因此，即便亲自下场 " 为 AI 编剧本 " 费时费力又费钱，字节也趟出了一条新路子。而可以预见的是，为了解决商业化和用户拉新的关键问题，大手笔咬牙 " 买数据 "，恐怕将成为大模型厂商们的新赛点。（文中阿霖、孔昉、张雪为化名）koa12jJid0DL9adK+CJ1DK2K393LKASDad
编辑:罗元发
TOP1热点：杭州一狗狗离家出走逃票上地铁被抓
这幅画，蜕变于滚滚烟尘。“‘千万工程’实施，村里痛下决心，关停矿山、水泥厂。”村党支部书记汪玉成说。。
TOP2热点：第五人格弓箭手
盛夏时节，万物竞秀，广袤田野，生机勃勃。
TOP3热点：孟子义短发vs长发二虎进入温如玉是哪一章出现的
人民群众是社会实践的主体，也是一切发展的目的。
TOP4热点：律师提醒情人节捡垃圾或违法中国美团小鲜肉gary2022
湖北石首，临靠长江，西连荆江起点，东接洪湖流域。这里的农田生态健康，关系长江水环境健康和水生态安全。
TOP5热点：檀健次魏哲鸣battle雷电将军乳液狂飙乳液app
“串百家门，知百家情，解百家难，连百家心，办百家事，致百家富。”上世纪90年代开始，绍兴嵊州市，党员干部走村入户，掏出日记本，记下烦心事，拉近干群心。
TOP6热点：南宁一高中老师被举报性侵学生暴躁老妈的视频素材
19年过去，线路长了，站点多了，而车费只要2元，刷公交卡只要1元。
TOP7热点：一葱油饼老板因跳投卖饼走红被雨惊醒的图片
绿水逶迤去，青山相向开。行走山水浙江，一个个“金星村”映入眼帘。
生态治理进行曲，绿色发展说明书，乡村振兴路线图，城乡统筹启示录。“千万工程”20年，打开一扇窗，让世界看到中国特色社会主义制度的显著优势。
TOP8热点：一葱油饼老板因跳投卖饼走红国外大但人文艺术
一阵清新的海风吹来，苏北地区的时令仿佛突然间就进入了初夏。此时，坐在窗前，极目远眺黄河故道上起伏不平的沙砾、滩涂、水塘以及断断续续的河道，再看看这片湿地上一望无际的梨树林、苹果园，一片片被塑料大棚覆盖着的生态农业产业园，一座座绿树掩映中的现代化生产厂房，几天来的采访让我对滨海这座从黄河故道上崛起的城市又增添了新的感悟和认知。
6月24日，火炬手李雪芮（中）在火炬传递中。新华社记者黄伟摄
TOP9热点：南宁一高中老师被举报性侵学生旗袍双开襟做运动
水下机器人由3万多个精密部件组成。重，可推动上千吨水下结构物的安装；轻，可巧拧两毫米的钢丝。为了深入了解水下机器人，韩超下班后几乎每天都泡在控制间和维修间，反复拆装零件，不停翻阅资料，埋头钻研苦练，终于在31岁时成为我国第一位持有国际证书的水下机器人总监，也是当时全球同行中最年轻的一位。
生态治理进行曲，绿色发展说明书，乡村振兴路线图，城乡统筹启示录。“千万工程”20年，打开一扇窗，让世界看到中国特色社会主义制度的显著优势。
TOP10热点：第五人格弓箭手樱桃丝瓜榴莲樱桃18摸
正是这些充满温度和烟火气的石窟造像，深深地吸引了我。我系统地拍摄中国石窟造像，就是由寻访巴蜀各地的摩崖石窟开始的。寂静荒凉的枯藤老树边，谁能想到乡野中唐风宋韵的石窟造像，会在此历经风霜一望千年？时光静静流淌，除了世居在此的个别村民，没有人知道这些造像的存在，荒野中仍有许多的石窟宝藏等待着人们去揭开神秘面纱……草生树长，时光留痕，感念物是人非的变迁，关注千年石窟的当下，很多地方我都会隔几年去一次，持续记录那留存千年的文化遗迹。