鼎合网配资-配资网官网入口-全国10大股票配资平台-山东股票配资网

线上股票配资有哪些数据堂打出一套组合拳面对大模型新需求和新形势

“在一条看不见的战线上，数百万成人组成的“蚂蚁雄兵”，正在主导AI产业的走向。

很少有人意识到——所有人工智能的奇迹，始于百万双人类的手对原始数据的艰难标注。这些散布在山西、贵州，乃至印度、非洲的标注员，正用最原始的方式喂养最前沿的科技。

他们的工作有多重要，简单来说，没有这些人，AI得吃土。

数据标注顾名思义，就是给数据（文字、语音、视频）打标签，告诉AI这些数据代表的含义。比如，一张图片是鹿还是马，一段语音是京剧还是相声，这些看似简单的标注工作，却筑造了AI这座大厦的底座。

☆一场看图说话的比赛

数据标注乃至当前的AI跟一场看图说话的比赛——ImageNet关系很大。ImageNet提供了上百万张标注好的图片（比如有猫、狗）。参赛队伍的任务是：训练一个计算机程序，准确识别一个新图片的内容是什么。

2012年以前，参赛团队基本上都是采用“盲人摸象”的方式，比如先识别猫的尖尖耳朵的特征、然后长长的胡须、再看眼睛的形状以及毛茸茸的质感……这种方式的准确率始终很低。

2012年一支名叫AlexNet的团队夺冠，他们采用了一种叫做“深度卷积神经网络”的技术，这种技术不同于此前的方式，他们不再一条条硬性规定电脑“猫长什么样”。而是给这个“神经网络学生”看海量的猫及非猫的图。并告诉它哪个是猫、哪个不是猫。然后，让这个“学生”自己总结规律！最终成为一名鉴猫大师，扫一眼就知道这猫“开不开门”。

深度学习从此点燃了AI复兴的燎原之火，拥有海量标注数据+强大的并行计算能力（GPU）+深度神经网络模型，就能训练出超强的AI。这成为了后续AI发展的标准范式。

在AI的发展浪潮中，数据堂这个名字或许并不为大众所熟知，但在数据标注领域，它却是一个响当当的存在。数据堂成立于2010年，就在ImageNet比赛引发AI革命的前两年（值得一提的是，数据堂也是ImageNet重要的数据标注服务商）。从时间线上看，这似乎是一个奇妙的巧合，但从另一个角度看，这也预示着数据标注即将在AI领域大放异彩。

在WAIC 2025，数据猿与数据堂COO何鸿凌对话，探讨大模型时代下数据标注的进化和演变。

从教AI“认字”到教AI“思考”

在数据标注员眼里，AI跟一个宝宝没啥区别，都是教他认字。“最开始数据标注就像教幼儿园小朋友认卡片。”何鸿凌生动地表示，“标注员的任务就是告诉机器，这是猫，这是狗，红灯停、绿灯行——简单粗暴。”

即使是NLP领域，涉及的实体关系、语法等也比较简单。这对于标注员的要求也比较低，只要是成年人且可以熟练操作电脑，不一定上过大学，就能胜任这份工作。

但随着大模型时代的加速到来，数据标注的内涵和作用悄然发生变化。何鸿凌指出，当大模型发展到一定程度之后，参数和算力提升对于性能提升的边际效用降低，数据的战略价值就会凸显。这是一个非常自然的进化过程，需要更好的数据和更专业的能力。“现在标注员在教AI‘思考’，自己先得会思考。” 何鸿凌表示，“以前招工要求‘识字就行’，现在得考逻辑推理——AI在进化，人更不能躺平。”

大模型时代对于数据标注而言，可以说是2012年那场比赛之后，又一个颠覆性时刻，在很多方面都带来了巨大的变化：

·标注对象发生质变：从识别物体转向标注“思维链”，大模型出现之后，AI的任务从听、说、读、写转变为思考。当用户提出一个问题，大模型必须保证回答的准确性和完整性，以及推理过程的逻辑性。这就要求标注员需解析“AI为何认为天空是蓝色的”，而非简单标记“天空=蓝色”。

·数据质量至关重要：识别错了小猫小狗也许无伤大雅，但随着大模型在关键场景，如医疗、金融、自动驾驶等深入应用，数据的精准度和质量将产生巨大的影响。甚至在一些领域，如自动驾驶，数据标注的质量将直接影响人身安全。

·人类标注员角色升级：标注员从原来的低端重复劳动，变成了高端且具有创造性的工作。此前的AI像教一个死记硬背的学生，需要靠老师一条条灌输知识点。但大模型不一样，它有强大的泛化能力。例如我们只需要给大模型学习一万个化学方程式，它可以推导出更多的化学知识。在这种模式下，标注员更多的扮演精神导师的角色，让AI能够自己推导和衍生，而不是手把手教它怎么做。

·数据形态碎片化：客户的需求越来越多样化，可能突然需要“两周内完成5000条东南亚方言金融欺诈对话数据”，传统流水线式的标注方式已经无法满足这种碎片化的需求。

·数据生产模式的变化：AI不再单纯依赖人类的单向“输出”，开始主动收集和吸收知识。此前，AI主要与人交互。现在，AI与物理环境的交互越来越多，像具身智能、自动驾驶等，已经能够从物理环境中主动“索取”数据，这对于传统的数据生产和标注，将产生巨大的影响。

数据堂打出一套组合拳

面对大模型新需求和新形势，数据堂打出一套组合拳：

针对大模型应用的两大环节——训练和推理进行突破。在训练环节，数据堂根据客户需求定制版权数据集，这些数据集对于提升模型的底层能力起到立竿见影的效果。在推理环节，数据堂准备了高质量的推理数据集，通过模仿学习和推理能力的提升，让AI减少学习成本，突破思考上限，真正做到“学以致用”。

“此前，我们更加关注AI的听、说、读、写能力，现在我们关注的是AI的思考能力。如果说过去数据标注的责任是让AI吃得饱，现在我们的任务就是让AI学得快、训得好。” 何鸿凌指出。

☆数据供给革命

在大数据时代，行业流传这么一个说法：更多的数据胜过更好的算法。当前，大模型面临公开数据枯竭的“困境”。人类创造数据的速度和规模，远远跟不上AI所需要的。

“在供给端，我们采用工业化方法加大数据的‘开采’。同时，也在探索以具身智能主动汲取外部数据的新路径。”何鸿凌指出。

除此以外，尽管数据堂目前所有的技术储备都在现实数据的采集和标注上，但对合成数据这一全新数据生产形式也非常重视。合成数据在很多领域已经被大量应用，比如AI生成的视频数据、文档数据等，自动驾驶领域比如摄像头图像、激光雷达点云、毫米波雷达数据，这些合成数据为大模型的发展提供了新的养料。

“我们在传统模型训练中的数据增强，也可以将其理解为一种合成数据的方法。在合成数据的模式下，我们与客户的合作关系会发生怎样的改变，需要进一步观察。”

☆数据标注技术创新

同时，数据堂也在大力推进标注技术创新。他们采用AI预标注、实时标注和人工完成等多种方法，结合模型的反馈，不断优化标注流程，提高标注效率和质量。

2025年，多模态已经成为大模型的主旋律。多模态大模型打破了数据藩篱，实现文本、图像、音频的深度协同。

针对此，数据堂专门开发了图像文本标注工具和工艺。用户可上传图片或PDF数据，工具支持通过拉框选定区域进行自动预标注，并能识别表格和公式结构。该过程生成的预标注结果需经人工校对和修正，最终可根据客户需求调整并转换为标准格式输出。此平台基于数据堂原有的内部系统构建，其内置流程确保了标注质量与传统方式一致，相当于新增的专业工具，适用于图像理解与生成任务。

视频标注逻辑与此类似，但因其增加了时间维度而更为复杂。数据堂在图像/视频标注（包括单帧与连续帧标注）方面拥有丰富的经验，因此在多模态数据的标注方面拥有天然优势。

何鸿凌表示：“同时，我们正关注阿里、腾讯等发布的3D世界模型，这将是下一步工作方向，需在视频的时间维度基础上，进一步增加3D连续帧的空间维度进行标注。”

☆产业模式重构

数据标注是一个“重人力资源”的产业，大模型的飞速发展极大扩张了对标注员的需求。但是“养”一支大规模的数据标注军团，对于任何一家企业都是难以承受的。

数据堂采取了三种模式高效、灵活的组建了一支庞大的标注军团。

第一种，标注基地。标注基地是数据堂的“根据地”，在基地的标注员都是全职员工，规模有几千人。基地的标注员有考核指标，受公司规章约束，作业过程要在可控的环境中进行。他们的技术门槛和能力要求都非常高，负责核心、高端的标注任务，为各类业务持续提供高质量数据集。

第二种，企业级合作商。据透露，数据堂目前国内外的合作商有两千多家，庞大的合作商保证数据供给的丰富度。

第三、众包员工。数据标注的工作中有一部分内容涉及到数据采集，数据的多样性非常重要。“数加加是数据堂旗下的数据标注众包平台，用户可以在平台上自由‘接活’。活跃在平台上的数据标注员规模达到上百万，光是通过数据堂培训考试的人数就高达几十万。”这些数据标注员大量分布在三四线城市，以及印度、韩国、东南亚和非洲等国家，他们共同组成了一条隐秘的战线。

目前，数据堂已构建强大的基础数据集，包括：

·语音数据：200万小时

·图像/视频数据：800TB，覆盖全球百万ID

·文本数据：PB级

如此海量的数据， 90%基础数据由全球百万众包完成，10%核心数据交安全屋内的资深标注员完成。随着大模型发展加速、质量要求提升，数据堂的生产模式正在发生重要变化：从依赖众包与合作商（基地占小部分产出），转向以基地为核心、占据主要产出的模式。

为敏感数据搭建安全屋

在数据标注的过程中，数据安全一直是至关重要的问题。特别是在医疗、金融、个人隐私和地图街景等领域，数据的安全保护需求更是严格。数据堂深知这一点，针对不同数据需求，设置了多个层级的安全措施。

何鸿凌解释道，最安全的模式，是将平台部署到本地。比如针对银行、保险、医疗等客户，把我们的自动化标注工具数加加，部署到企业内部，企业内部的数据不用出机房。我们的员工到客户现场，在客户可控的环境中进行标注。手机被禁止携带到现场，以防任何人通过拍摄或者拷贝的方式拿到任何数据。但相应的，这种方式成本会非常高。

第二种方式，客户通过连接专线或者VPN的方式从数据堂的标注基地获取信息，避免在互联网上传输。我们每个标注基地都有安全屋，标注员作业过程中受到严格的监控。

第三种安全措施，我们会在客户那里租用远程桌面，从客户那里传递过来的只是画面，而不是数据，这样可以有效保护隐私和客户机密数据。

目前数据堂每年都会有20、30个部署实例。其中一半在云上实现，另一半分散到各个业务中。

自动驾驶—数据标注新战场

除了聚焦大模型，数据堂也正在其第二大业务赛道——自动驾驶领域，狂飙突进。

自动驾驶这个业务场景的特点，是数据密集且运行环境开放。当前，自动驾驶正在“去地图化”，以前要靠高清地图“指路”，现在要求AI要能在任意天气和场景下实时理解环境。考虑到中国的复杂路况（如临时封路、不清晰或被破坏的标线），对障碍物检测和环境理解提出了极高的要求。

而且，端到端的自动驾驶不仅涉及感知（“看到什么”），更关键的是场景理解和决策（“如何思考和行动”）。这部分数据的标注是高度主观且复杂的，需要构建高质量数据集。例如，面对黄灯，不同驾驶员的选择（加速通过或停车），雨天该优先避让孩童还是老人？这些数据的标注不仅是科学问题，也是哲学问题。

因此，这类数据的标注必须由经验丰富的专家完成，他们要能理解复杂情境并做出可靠判断。

“总结来说，前端的感知标注（如障碍物、标识）虽工具复杂、工序繁琐，但本质是客观的，可通过详细规则手册规范化。我们真正的挑战在于后端的主观决策标注，因其涉及大量难以总结、规则化的隐性知识。”何鸿凌表示。

作为数据基础设施的构建者，数据堂自创立之初就践行“From AI，For AI，By AI”的理念。数据堂的发展是AI与数据标注相伴相生的缩影， AI在前面攻城略地，数据标注在后面提供弹药支援。AI发展到哪里，数据就“标注”到哪里。数据“标注”到哪里，AI才能抵达哪里。随着大模型迈向发展的深水区，数据标注的战略价值越发凸显。未来，AI这出大戏的更多戏份，或许会在数据标注的身上上演。

鼎合网配资-配资网官网入口-全国10大股票配资平台-山东股票配资网提示：文章来自网络，不代表本站观点。