帮百度AI干脏活累活的公司，都死了

digitliferr

在接触数据采标行业过程中，黑智听到一个陆奇和河南标注工厂的故事。


据悉，大部分河南标注工厂用的是百度的标注工具，干的是百度的活。陆奇掌旗百度时，放出了大量采标需求。当时，活不难（准确率只有90%），标注的利润空间可以达到60%—70%。有些企业盲目扩张，一下子招了几百人；陆奇离开后，百度需求恰也减少。2018年下半年，准确率又普遍提高至95%-96%，活难干了。这些工厂只会百度的标注工具，很难接别家的业务，因此死了一批。没有死的工厂不得不裁员，目前处于艰难转型中。

当河南标注工厂艰难转型时，张三的标注公司却正式营业。公司初建，百事繁杂，前几天，黑智才在中午空闲时间，联系上他。他告诉黑智，两个年前的单子需要返工，一直在忙。对于初建公司，忙比闲好。如果有一天空闲下来，张三说他晚上都会睡不着觉，“一天没活干，几千块钱就打水漂了。一个月得支出15万（注：目前，公司有65名员工）。”

在他看来，标注行业是一个苦行业，“前半年，一定会赔钱的，你要做好一个人赔一万块钱的准备。”他笑着告诉黑智，“如果你和谁有仇，就劝他干标注吧。”这是标注圈有名的段子。

标注圈说大不大，说小也不小，分了四个梯队。张三说，他的公司属于第三梯队。第一梯队，比如百度众测、京东众智等。第二梯队，比如龙猫数据、Testin云测、倍赛 BasicFinder、数据堂等。他将第二梯队和第三梯队的关系，比做小房地产开放商和搬砖工人。第三梯队之下，是数量巨大的小作坊，团队规模在3-5人之间。

标注行业又是一个有前景的新生行业。

新生意味着不确定与无限可能，“干标注就像将水倒进一个水桶里，每拉一个框就是添一碗水。目前，谁也不知道还能添多久，只有水溢出来时，才知道。”这并不妨碍张三设计未来，“第一步，现阶段先服务好第二梯队，以后搞一个平台，把公司做成第二梯队。”

300亿市场与转折点

数据采集、标注市场有多大？300亿元。

1984年前后，这个市场就出现了。欣博友的公司是众多公司中的一家。当时，这些公司更像一个“录入公司”——将纸质内容电子化，而不是标注公司。“录入”是一个劳动密集型的工作，一家公司需要雇佣很多人来做这件事。智联招聘显示，欣博友在公司人数项上，勾选的是“1000—9999”。

和欣博友不同，海天瑞声成立于1998年，做的是语音标注，自建了很多语音库，业内人士告诉i黑马&黑智，重复销售以前做的语音库是海天瑞声比较大一块业务。数据堂成立于2011年，通常外界对其最深印象是“它是国内最大的数据交易平台”。这和其起家业务相关。

2015年前后，随着以榜单中的人工智能公司TOP50的强势崛起，数据标注和采集需求逐渐多了起来。这个市场才真正意义上形成，也即前面提到的四个梯队。他们作为乙方，进入到这个日益扩大的市场，为估值超10亿美金的AI独角兽服务，教能够改变世界的人工智能产品学习。

01 得数据者得AI的天下

数据是AI公司的必需品。就像人每天需要一日三餐，而AI模型也每天需要数据的喂养。数据和AI模型的关系，倍赛 BasicFinder创始人兼CEO杜霖理解深刻。高中期间，他开始研究计算机视觉，高三发表了论文。大学期间，他也一直在做相关的研究。他知道数据对于AI模型的重要性，并得出“AI建模没有门槛，数据才是门槛”的结论。

在他看来，现阶段的人工智能是简单的认知智能。“认知智能就是帮你去识别、分类这个世界。分类器的构造是个数学问题，就是由数据堆起来的。”“深度学习本质上是个数学问题，是由大量的样本空间数据反向构造分类器的系数空间的过程。你要有很多样本，什么叫样本？知道正确答案的才叫样本。这跟我们小时候求多样式、求系数式是一个道理。我们要有很多空间中的已知点，才能拟合成一个多样式。同理，深度学习也是这个模式，也需要大量样本，也即标定好的数据。”

于是，杜霖认准了“在现阶段工业界的AI应用研发，标数据是一定跳不过去的，可能10年之内都要依赖于标数据。”数据对于AI的重要性如斯，但数据的标注和采集公司并没有学界、业界、资本甚至是媒体的认可，光环一开始便属于那些做模型研发的AI公司，比如商汤科技、旷视科技等。

“一个公司做成了很好的人工智能产品，大家都会说人工智能算法牛或者科学家牛，但从没见人说数据收集得好的。”Testin云测VP贾宇航说。贾宇航告诉i黑马&黑智，不但镁光灯照不到，数据采标还是个“苦活”。苦到没有人想去做。它很像移动互联网，产品好，没人想到军功章有APP测试者一份。一旦出了问题，第一个被责备的一定是做测试的部门。

02 300亿元数据采标市场

数据对于AI公司的重要性不言而喻。据悉，AI公司投入10%—15%的经费用于数据采标。也有人提到，这一比例为20%—30%。

2018年，中国AI公司的总融资规模达到千亿元以上，数据采标的市场约为100亿元—300亿元。其中，有三分之一是AI公司内部的标注部门之间消化的，有一些会被商务流程外包公司瓜分，剩下的25%—33%流向专门做数据采标的第三方公司。目前，AI融资规模约以每年25%的速度在增长。

随着AI技术门槛的降低，越来越多的公司开源了自己的框架，把数据喂进去就能出来一个模型。越来越多的头部垂直公司开始建立AI部门，之前它们多会把业务交给做AI模型的公司来做，这两年，龙猫数据、Testin云测、倍赛 BasicFinder的很多客户不是来自AI行业的客户，而是传统公司的AI业务部门。龙猫数据创始人兼CEO昝智认为从这个角度来看，市场规模并不好算，BAT、小米、京东、TMD等互联网公司和传统行业里的传统企业，它们会拿出多少预算做AI，不得而知。唯一可以肯定的是，这两三年，数据采标的市场规模越来越大。

这两三年，AI模型对数据采标的复杂度和精细度要求也越来越高了。比如说，现在，做一个人脸拉框，人脸的拉框精度要求在五像素以内或者三像素以内；又或是，整批数据精确度需在97%或者99%以上。贾宇航认为，精度的提高是AI行业发展的必然结果。对于AI行业，有一句话叫 Garbage in, Garbage out，低精度的标注数据对于算法没有任何意义。只有能持续输出高精度采标数据，才是一个能持续保持竞争优势的服务商。

第二，更庞大、更多样的数据规模。庞大在于数据量会更大，以传感器为例，随着传感器成本下降，并被大量应用，将有更多大量的数据需要被标记；更多样指的是更丰富的数据维度，在今年的CES展上，松下推出的智能家居解决方案，不仅仅通过电视上的摄像头观测人脸的疲劳度，还通过椅子上的电容传感器，去检测人的心跳。而之前，疲劳检测只是通过摄像头捕捉人脸。将来，更多维度的数据将被收集，不单单是2D的图象、声音，3D的激光雷达以及心跳数据等也将被纳入到采标的范围内。

03 转折点

需求侧的变化，不可避免地在供给侧引起不小的地震。供给侧开始从密集劳动型行业向新产业、新模式——工具+众包转型。洗牌开始了，数据采标迎来了下半场。

受负面影响最大的第四梯队。无论是采标的复杂还是要求愈高的精度，对于它们来说都不是好消息。去年中旬以来，每天十几、二十几家小作坊要求挂靠在倍赛 BasicFinder旗下，这说明小作坊已经失去业务的来源。“他们靠低质量数据和低价抢市场的模式，已经不能持续了。因为AI工程师不能接受低质量的数据，也不能接受不靠谱的交期。”杜霖说。

张三认为，第四梯队坏了规矩。他们先靠低价四处抢单子，而后内测什么样的项目能够在单位时间内产出最多，再去做这个项目。其它项目，则被分包给更小的团队去做。质量难以保证。“他们不算房租、管理等，只核算人工费用。他们的逻辑是一个人一天50块钱，高于这个价就是赚的。于是他们就报100元的单价。而第三梯队需要承担房租，税收、管理费用以及每天的喝水吃饭等乱七八糟的消耗，至少报200元的单价，才可以做。”

早期，第四梯队靠着这种方式，赚了一些钱，回收了硬件成本，并有结余。但2018年初，第二梯队开始做店测，“看看你有多少人，看看你的场地。你不专业，行业正在慢慢把你淘汰掉。”淘汰，意味着没有业务来源，那么多人需要吃饭、拿工资，不专业的第四梯队危机便出现了。即便能够找到项目，采标项目的要求提高，比如准确度要达到95%甚至是99%以上，小作坊必须从团队中抽出一部分人脱产质检和最后的抽检，成本也会上升。