“贫困山村里，没上过大学的女人们在喂养AI。”
“富士康工人流向AI标注厂。”
“跟AI打工，贫困县也能月薪7000。”
在“有多少智能，就有多少人工”的AI时代，有一批人通过采集现实世界的图像、视频、文字等信息，清洗标注后将数据转化为代码输送给机器，从事这份工作的人叫做数据标注员。
打开关于AI数据标注行业的新闻，我们随处可见上述标题。低门槛、劳动密集、高度程式化、标准操作流水线，成为了数据标注工人身上*的标签特征。而在国际上，因为有大量的非洲肯尼亚人在做相关工作，他们又有一个灰色昵称，“肯尼亚人”。
而这，也与数据公司的甲方——百度、阿里等，致力于要用技术改变世界的大公司们形成了鲜明的对比。大洋彼岸，数据标注服务公司Scale AI市值73亿美元，彰显了数据公司的资本潜力，也让我们看到了数据公司走向百亿美金估值的可能性。
随着AIGC时代的到来，数据标注员的工作有何改变？上述新闻标签是否是他们的行业常态？数据标注行业现在存在哪些问题？未来又有哪些发展前景？更重要的是，他们展现了AI行业背后的什么样的困难？
带着这些问题，娱乐资本论走进了四家数据标注公司，发现了如下的行业现状：
VOL.1.标注行业对员工的素质要求越来越高，本科生占比高
VOL.2.兼职的标注人员中宝妈较稳定，更受欢迎
VOL.3.垂类行业的数据标注订单增多，对垂类标注人才的需求量增多
VOL.4.底层数据标注员的工资与*工资标准类似
VOL.5.AI只带来了短期的订单增加，小型数据标注公司很卷
VOL.6.多数数据标注公司没有构建自己的数据壁垒
VOL.7.数据公司的发展趋势：①、利用AI技术降本增效 ②、专注于某一垂类的数据 ③、往产业链上游走，做数据采集、合成等
1、本科生越来越多，宝妈更受喜爱，监狱不方便
“我们不是富士康的流水线模式。”
当被问及公司的员工现状时，几家数据公司都给出了类似的回答。
龙猫数据成立于2014年，累计服务了60余家主机厂和自动驾驶公司，为客户提供整体的数据解决方案。
今年AIGC爆火后，龙猫接到了很多图文标注、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。龙猫副总裁胡邱飞向娱乐资本论指出“这要求标注人员能理解大模型的应用，而大模型会考察几乎所有领域的通识类知识。此外，标注内容要和客户的模型价值尽量贴近。所以这也要求我们找的标注人员绝大多数学历在本科以上。”
针对垂直领域，龙猫则会配备专业领域人员，比如为数学相关大模型招聘会高等数学的人，“如果不是这专业的人，你根本看不出细节上的区别。”
成都的汇众天智总经理骆靖元也在AIGC浪潮后提高了对员工的素质要求，“三四年前对员工的素质要求还不高，但是现在甲方对质量和效率的要求提高了。公司之前90%是大专，现在本科占到了一半，甚至有研究生。”
2018年，做软件的丁一峻，在朋友的引荐下接到了阿里数据标注的订单，2019年创立了飞火大数据公司。之后，出于成本考虑丁一峻回到家乡创业做数据标注公司，“那时的数据标注行业确实能提供大量就业，洛阳数据局2019年的时候也牵头想做数据处理公司，招人好招，但交付难。”
2019年做百度某数据标注业务项目截图
“数据标注本质是高级搬砖。”丁一峻向娱乐资本论指出，“有标注需求的多是大公司，现在很多标注公司会外放做不过来的订单，这就让市面上很多没跟甲方深度捆绑的公司，接的订单都特零碎。这种订单一是边缘化业务，比如小语种。二是时间周期短的业务，很考验外部公司的交付能力。”
这两类订单，也倒逼着丁一峻要提高对员工素质的要求。这期间，丁一峻尝试过和学校监狱合作，相继作罢，“学校要考虑领导、辅导员各种利益分配，监狱对网络要求高，不如找全职。”
综合原因下，大部分的数据公司更倾向于招聘兼职人员。沈阳正午数据公司人事小苏接受河豚君采访的前一天，刚在Boss直聘上发了招聘兼职的通知，“行业本身利润有限，全职成本太高了，根本就不能实现。”
“我们招人基本要求大专以上，发了以后有上百人联系我，但是很多人没经验。”小苏招聘时，会和兼职强调对数据保密性的要求，“不知道是不是受网络的影响，很多人戒备心很重，听到要保密就不做了。但我们公司有良心，必须强调保密。”
杭州景联文是一家从事数据采集标注、数据融合挖掘的公司，现有1000多位全职标注人员，其CEO刘云涛向河豚君透露，“标注项目难度越来越高，要求标注员的学历和专业知识水平越来越高，比如语言标注团队，要求会各种小语种。医疗标注，需要医学院毕业的学生。”
龙猫则是全职兼职两手抓。胡邱飞透露，“我们现在线上注册用户400多万，活跃全职的1万人左右。”线上之外，龙猫在西南地区做了线下标注基地，“那边高校多，学生素质也更高，员工500人左右。”
龙猫的全职运营会了解兼职的情况，“我们更喜欢用没有全职工作的群体，比如宝妈，她们时间充沛，更好管理，也更稳定。”
整体来说，如今数据行业的标注人员发展如同美团般发展成了全职、服务站、众包等阶梯式的人力模式。胡邱飞透露，“我们线上众包是强管控，最终交付结果都是计件的。”
小苏介绍，目前公司兼职的员工大概两三千，常驻人员1000左右，流失率一半。丁一峻透露，“基础的标注员往往都是属于地方上的*工资标准，三线城市两三千左右，质检员和项目经理，能到七千左右。”
2、层层外包下，标注公司活少钱少风险高
“太卷了。”
这几乎是数据公司们共同的心声。
“我们现在就像河南的食品代加工厂一样，品牌是别人的，工作相当于帮别人养孩子。”丁一峻的公司高峰时有两三百人，现在公司只有40多位员工，“老客户的需求还在，能维持正常运营，但这种单子很鸡肋，一个月几百几千跟办公室采购差不多，利润太低，项目体量也不稳定。数据行业缺乏像苹果、特斯拉一样需求稳定的工厂。不然我也不想裁人，有活还需要找外包。”
骆靖元指出，AIGC爆火后自己招人和以前相比省去了科普人工智能的环节，但在接活上更卷了，“大公司有定期筛选的机制，比如说这批我需要10家公司。那我就从100个里面筛选，其中哪两三个不合适，我再动态替换。这使得一些公司不断报低价，恶性循环。”
为了接到订单，丁一峻一直在努力降本增效，“为了提高效率，我们开发了AI工具，之前2D拉框要8分一个，现在降到了5、6分，操作更便捷。质量上，如果客户不想要目标物低于某像素值的，工具直接调数值，标注员就不用标了。”
但是这种工具标注公司基本只能自用，“同行有能力买的，自己有开发的实力。没开发实力的，出不起这个钱。”说着，丁一峻给我发来了网上开源的标注工具，“每家平台都差不多，都是基于labelme的底层逻辑。早几年能打个信息差，卖平台赚点钱，现在不行了，大家都知道套路，直接上源码加个UI就成产品了。”
某标注工具图
“今年2月GPT刚火的时候订单多了一些，那时大公司的目的更多是为了割韭菜炒股价。后来这些AI大公司发现变现难，七八月份就很少在数据标注上投入了。”保定的数据标注老板周三体说，标注公司遇到的困难，仿佛也印证了AI潮冷去的某种现实，“AI公司的客户很多还是G端，根本不在乎AI能力，更在意能不能喝酒、能不能垫资”。
为了接活，周三体努力降低成本，“2D拉框最早是1毛5一个，现在降到了8、9分一个框。”
景联文在努力将非标准化产品标准化，现在将2D拉框标注项目的成本降低了50%。
打开天眼查搜索数据标注公司，我们也能发现大部分的公司经营所在地都在河北、山东、河南等人口大省，这与当地劳动力密集且廉价息息相关。“大厂会把业务承包给有资历和实力的公司，这种公司再外包，到我们价格很低了，还需要垫款，压力很大。”周三体说时叹了口气。
回忆起2017年创业的日子，骆靖元说那时借着自动驾驶行情数据行业很火，订单像雨后春笋一样地涌现，“像百度做了语音采集，高德、讯飞会再做一遍。算法都没变，标注都是新瓶装旧酒，同样一批人脸识别的图片，A公司做完B公司做，之后C公司再做，我们始终是在给别人做嫁衣。”但这样的日子也好景不长，如今订单量变少，“人员迅速增加后又会有断档期，大部分公司死在了断档期里。”
被问及是否觉得公司的运营模式是新时代的数据工厂时，丁一峻认为，“AI的产品线不像工厂那么完善，缺乏法律和社会面的支持，比如版权、数据安全。”
丁一峻曾承接过一家证券公司的标注工作，“刚好有一家标注员是这家证券公司的用户，他提出了抗议，后来私下花钱和解了。谁采集数据，出了问题谁负责，所以一般我们也不会过问数据来源情况。”
技术壁垒低、政策法规不健全、订单量少且不稳定，数据行业面临着多种困境，这也逼着其从业者寻找新的转型发展之路。
3、被AI代替？还是用AI起飞？
为了降本增效，龙猫研究了AI加持下的数据标注管理系统，“自动驾驶上节省了40%，AIGC在探索引入GPT等大语言模型校准标注结果。作为机器和人的交叉验证，保证输出的一个质量。因为人会有波动，机器更加稳定，偏差小。”
此外，龙猫在尝试通过AI技术省去标注环节，直接进入到审核和质检环节。
高质量语料，尤其是私域数据，是做好数据标注的关键，AI在仿写改写上的潜力，让人看到了其在合成语料上的潜力。“根据最新的生成式AI管理办法，用户拥有自己5张照片的版权，但5张照片合成后生成的数据版权属于合成方。”胡邱飞据此出发，在探索数据拟合向业务，目的在于拥有数据的所有权，标注后多次复售数据包。
AI创业者周晓明指出，“AIGC赋能合成数据，能够解决真实数据获取难、获取成本高、多样性不足、缺乏隐私保护等痛点问题，替代真实是大势所趋。”
对此，丁一峻则未敢尝试，“AIGC合成数据需要看政策，现在是灰色地带，好不好获取，就看胆子大不大了。谁也不知道未来会不会出爆款，有比拟真实数据的内容出现。”
此外，龙猫也在探索获取高质量数据的新方式，打造公司壁垒，胡邱飞说，“国外出现的一种趋势是用户主动售卖自己的数据，让数据公司得以绕开原始数据的厂商垄断的局面。我们也在想，怎么让那些有时间、素质又高的人做数据输出和标注，比如说通过做题的方式，让他们小程序上答题赚钱。”
“数据标注是自我淘汰的行业，AI可以通过模型优化做部分标注工作。发展到最后，这个行业可能只会剩下质检员这些岗位。”丁一峻为了应对变化，将公司从洛阳搬到了工业配套更完善的苏州，做数据采集车业务，“我们要给甲方提供硬件采购和数据服务的整套方案，这样甲方对我们的依赖度才能更深。”
景联文则选择了深耕垂类赛道，专注于教育和医疗领域，刘云涛透露，“教育方面，我们手上有3亿道从小学到职业教育的题，格式统一，解析维度包括专题分类、分析过程、考点解析、解答过程、教师点评等。现在大模型号称百模大战，至少有60家都要买我们的题库。”
医疗方面，景联文积累了400TB的医学资料数据库和三甲医院的专家的病理数据。“我们两年前开始拓展标注场景，选了医疗赛道，不管经济多不景气，医疗始终有存在的意义和价值。”
值得一提的是，龙猫AIGC业务线负责人李亚向娱乐资本论透露，龙猫正在打造自己的垂类大模型，“大模型一是做辅助标注，读懂题目后给答案让人选。第二是做全自动标注，AI直接出结果。这种情况我们会做双盲的实验，比如一个答案用三个标准做一遍，里面我们会拆一个一个人或者两个人用这种形式做，这样不需要再做抽检和质检，有些项目我们已经用GPT交付了，准确率方面达到了80%多，与人工接近。”
对市场规范化的呼吁，成为了不少数据标注从业者的心声，刘云涛指出，“未来，怎么让数据流通合规化、安全化是很大的问题。现在很多城市在建立大数据交易中心，是积极的信号。”
艾瑞数据的人工智能数据报告指出，三年后，中国人工智能的数据治理市场规模预计将突破百亿。
但更现实的问题是，吐槽中文语料库差的新闻屡见报端，大量的中小型数据标注公司正在卷生卷死，大批数据标注公司的业务产品，在批量化、利润率、风险性方面甚至不及富士康产品，映照到市场上的，则是逐渐遇冷的大模型市场以及越来越像“高科技施工队”的中国AI商业环境。
当我们试图寻找解决之道时，骆靖元回忆其工作多年感受时的话也许是*的答案，“对我们同事来说，当看到应用落地的时候，还是比较欣慰的事情。虽然工资低，但终归是做了点有用的事情。”
“数据是AI走向智能的基础，少开点发布会炒股价，多投点钱在标注上才是正事。”采访接近尾声时，周三体发来了这句话。
