數據標注為AI發(fā)展加工“優(yōu)質原料”

　　隨著人工智能迅猛發(fā)展，高質量訓練數據短缺逐漸成為制約行業(yè)進步的一大瓶頸，而數據標注產業(yè)可為人工智能創(chuàng)新發(fā)展提供強大動力。國家發(fā)展改革委、國家數據局、財政部、人力資源和社會保障部四部門日前聯合印發(fā)的《關于促進數據標注產業(yè)高質量發(fā)展的實施意見》（以下簡稱《實施意見》），提出到2027年的發(fā)展目標：數據標注產業(yè)專業(yè)化、智能化及科技創(chuàng)新能力顯著提升，產業(yè)規(guī)模大幅躍升，年均復合增長率超過20%。我國數據標注產業(yè)現狀如何？數據標注產業(yè)高質量發(fā)展還需要跨過哪些“門檻”？針對這些問題，科技日報記者進行了采訪。

　　原始數據變?yōu)榭捎觅Y源

　　“通俗地說，訓練人工智能大模型的過程就像老師教學生識字。”華南理工大學計算機科學與工程學院副院長張通形象地解釋道，數據標注就是給數據“貼標簽”或者“做記號”，需要專業(yè)人員向大模型闡釋各個數據的標簽及需執(zhí)行的相應任務。他們“教導”大模型參與訓練的數據是什么，給圖像、語音、文本等各種數據“貼標簽”。高質量的數據標注，有助于機器精準理解、快速學習、高效訓練，顯著提升大模型的準確性和泛化能力。

　　在訓練ChatGPT時，美國開放人工智能研究中心（OpenAI）就投入了大量資源用于數據標注。為確保標注任務高質量完成，使ChatGPT能更好地理解人類指令，保障大模型的準確性與可靠性，OpenAI聘請了眾多“老師”。這些“老師”涵蓋一般數據標注人員和專業(yè)人士，還包括博士級別的專家。

　　數據標注是人工智能發(fā)展的核心基石之一。“數據標注產業(yè)是對數據進行篩選、清洗、分類、注釋、標記和質量檢驗等加工處理的新興產業(yè)，其核心任務是對原始數據進行加工，使之成為可用于訓練人工智能大模型的優(yōu)質原料。”張通介紹，數據標注作為訓練大模型至關重要的一環(huán)，直接影響機器學習模型的性能，對支撐人工智能能力水平提升有重要作用。

　　在張通看來，未經處理的原始數據只是潛在資源，而經過標注處理后沉淀的數據，才能在市場上進行有效交易和流通，從而充分釋放數據要素價值。培育壯大數據標注產業(yè)，對于提升數據供給質量、推動人工智能創(chuàng)新發(fā)展不可或缺。

　　業(yè)內人士認為，隨著人工智能技術不斷成熟、應用領域持續(xù)拓展，數據標注行業(yè)將迎來更廣闊市場空間，尤其是在低空經濟、智慧城市、自動駕駛、智慧醫(yī)療等新興科技領域展現出巨大潛力。

　　產業(yè)步入快速發(fā)展階段

　　全球數據標注市場目前正處于迅速增長期。近年來，我國數據標注產業(yè)已進入快速發(fā)展階段，產業(yè)鏈條不斷完善，技術創(chuàng)新成果逐步實現市場化應用。據測算，2023年我國數據標注產業(yè)規(guī)模已達800億元左右。

　　四川成都、遼寧沈陽、安徽合肥、湖南長沙等7個承擔數據標注基地建設任務的城市，在大模型標注、自動化標注等領域取得重要突破。長沙信息產業(yè)園作為長沙首批數據標注基地之一，已吸引智能網聯汽車、數據標注、網絡安全等1萬余家各類數字企業(yè)入駐，成功打造了人工智能創(chuàng)新中心算力服務平臺。

　　廣東積極推進數據標注訓練試點和基地建設，為大模型訓練提供堅實數據支撐。2023年9月，廣東省公共數據標注訓練試點正式啟動。在廣東省公共數據標注基地（清遠），百度、燕湖科技、好思達等一批在自動駕駛、政務公共標注領域表現突出的企業(yè)已率先入駐。憑借龍頭企業(yè)的帶動作用和數字經濟產業(yè)的集聚效應，清遠的數據標注產業(yè)蓬勃發(fā)展。

　　“我們以數字經濟產業(yè)為核心，與數字經濟產業(yè)龍頭企業(yè)緊密合作，致力于打造國家級數據標注產業(yè)集聚區(qū)和產教融合示范區(qū)。”廣東省公共數據標注基地（清遠）負責人李艷康介紹，落戶在此的百度智能云（清遠）人工智能基礎數據產業(yè)基地已累計引進孵化數據標注企業(yè)5家，培育專業(yè)數據標注師超300人。未來，基地將持續(xù)培育孵化更多優(yōu)秀數據標注企業(yè)，推動清遠數據服務產業(yè)不斷壯大發(fā)展。

　　復合型人才缺口仍然較大

　　《實施意見》的出臺，將進一步提升數據供給質量，有效解決制約人工智能產業(yè)發(fā)展的高質量數據短缺問題。

　　值得注意的是，隨著人工智能應用的不斷深化，對數據標注的需求也愈發(fā)細分化和專業(yè)化。2024年7月，張通團隊和廣州華銀康醫(yī)療集團股份有限公司在人工智能與數字經濟廣東省實驗室（廣州）共建AI病理研究中心，著手研發(fā)人工智能病理大模型，讓人工智能模型能像專業(yè)醫(yī)生一樣看病問診。在其中的數據預處理環(huán)節(jié)，中心特別聘請了3位資深的主任級醫(yī)師進行數據標注。

　　“醫(yī)療、材料等專業(yè)領域，涉及到專業(yè)對象和術語結合的標注過程，只有專業(yè)從業(yè)人員才能勝任標注工作。而且，標注任務極其耗時、耗力、耗資源。整個標注工作并非一蹴而就，而是需要在實際應用場景中優(yōu)化、持續(xù)迭代，促使模型智能化水平不斷升級。”張通說，當前我國數據標注行業(yè)人才缺口仍然較大，亟待培養(yǎng)復合型數據標注人才，這是我國數據標注產業(yè)高質量發(fā)展必須跨過的“門檻”。

　　《實施意見》對加強標注人才隊伍建設作出部署。以人才項目計劃和科技項目等為抓手，培育和引進高端專業(yè)人才；制（修）定人工智能訓練、數據標注相關職業(yè)國家職業(yè)標準；支持數據標注領域職業(yè)資格與職業(yè)技能等級銜接互認……一項項舉措，將為數據標注產業(yè)高質量發(fā)展提供支撐。

　　完善的產業(yè)生態(tài)建設對數據標注行業(yè)發(fā)展同樣重要。《實施意見》提出，暢通數據采集、標注、人工智能應用產業(yè)鏈，推動數據標注產業(yè)上下游協(xié)同發(fā)展；支持數據標注龍頭企業(yè)和第三方機構等建設數據標注開源平臺，助力中小企業(yè)發(fā)展；培育一批人力資源、供需對接、國際合作、法律審計等服務數據標注的第三方機構，完善數據標注產業(yè)生態(tài)。

　　“未來數據標注行業(yè)的發(fā)展，也可考慮‘以人工智能促人工智能’的思路，即讓已經完成學習的人工智能反哺數據標注工作，提高效率。這是值得深入探討且極具價值的研究方向。”張通認為，數據標注行業(yè)的發(fā)展有望加速推動數字經濟與實體經濟深度融合，加快形成新質生產力。