产业速报-"xxxxxl196_may12_"-AI数据告xxxxxl196_may12

AI数据告xxxxxl196_may12_急，大厂盯上廉价年轻人

全面开展放心消费行动，完善重点消费领域标准。有序破除体制机制障碍和隐形壁垒，持续完善促进消费长效机制。

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。A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。B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”。C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。”孔昉无奈道。智障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）