大模型产业落地正酣，一个关键瓶颈正在浮出水面——数据不够用了。这不是危言耸听，而是来自Epoch AI Research团队的一项严肃研究给出的预判。

研究人员做了一件事：系统盘点了2022年至2100年间人类可用的图像和语言数据总量，并据此推演了未来大模型训练数据集规模的增长曲线。结论相当残酷——高质量的语言数据存量将在2026年耗尽；低质量的语言数据和图像数据，也分别会在2030年至2050年、2030年至2060年之间枯竭。换句话说，如果数据效率没有质的飞跃，或者没有新的数据源可用，那么到2040年，模型的规模化增长就会被迫减速。

数据端建设的紧迫性，已经不言而喻。

高质量数据成“抢手货”

从GPT系列实验可以清晰看到：模型参数量越大，性能提升越明显。但有一个细节值得玩味——通过RLHF（人类反馈强化学习）训练出来的InstructGPT，虽然只有GPT-3百分之一的参数量，效果却更好。这恰恰说明，有监督的标注数据才是大模型应用落地的关键之一。

如果前述预测成立，那么数据将成为制约模型继续做大的主要瓶颈，AI的整体进展也会随着数据存量的耗尽而放缓。阿里巴巴达摩院基础视觉团队负责人赵德丽博士在采访中直言：数据侧的建设，将成为每个做大模型的机构必须面对的问题；大模型的能力边界，往往就取决于它“吃”进了什么样的数据。

赵博士举了一个很生动的例子：文生视频大模型比文生图大模型难做得多，根本原因就是视频数据的量级远不及文本和图像，更别提数据质量了。结果就是，目前已经面世的文生视频模型，效果都不太理想。

结合Epoch AI的研究，如果趋势不改，人类现有的数据库存一定会见底，而高质量数据会更加稀缺。于是，一场数据争夺战已经悄然打响。

Adobe率先动了起来：靠着自己数亿张的库存照片数据库，构建了Firefly人工智能工具套件。自今年3月发布以来，Firefly已生成超过10亿张图像，Adobe股价也因此上涨了36%。另一边，初创公司也蜂拥而至。4月，数据库公司Wea viate融资5000万美元，估值2亿美元；一周后，竞争对手PineCone以7.5亿美元估值拿到1亿美元；紧接着，数据库初创Neon又获得了4600万美元融资。在国内，百度智能云近期升级了大模型数据服务能力，建设了国内首个专业大模型数据标注基地，目前已在全国与各地政府合作共建了10多个数据标注基地。

很明显，对数据的争夺才刚刚开始。

数据标注再次迎来爆发

AI大模型带来的海量需求，正在直接拉动中国数据标注行业的迅速增长。招商证券分析指出：一方面，人们各种行为的电子化、网络化产生了海量数据，但真正能被收集和保存的只有1%，而且其中90%是非结构化数据；另一方面，人工智能的兴起带来了对结构化数据的巨大需求，数据标注的重要性因此愈发突出。

有业内人士预测，今年10月国内会迎来一波类似ChatGPT的大模型数据需求高峰，而且规模非常大——以目前几家头部数据标注公司的产能来看，根本满足不了。艾瑞咨询的数据也印证了这一点：包括数据采集、标注、存储、挖掘在内的AI基础数据服务市场，未来几年将持续增长。到2025年，国内AI基础数据服务市场整体规模预计达到101.1亿元，增速约31.8%。iResearch的数据则显示，2019年我国数据标注市场规模为30.9亿元，预计2025年突破100亿元，年复合增长率达14.6%。

数据标注涉及的领域也在不断拓宽，尤其是自动驾驶和AIGC领域，标注需求量极大。作为AI大模型高质量回答的基础，数据标注的生产过程包含四个环节：设计（训练数据集结构设计）、采集（获取原料数据）、加工（数据标注）、质检（各环节质量检测）。其中，数据标注需要识别图像、文本、视频等原始数据，并添加标签为机器学习模型指定上下文，帮助其做出准确预测。

目前，大部分数据标注任务仍然依赖人工完成，不同数据类型和应用领域也需要相应的专业标注员。技术发展让这个行业正变成半人工智能、半人工化的模式。面对大语言模型动辄上百亿参数的数据质量控制，需要通过标注平台将复杂的RLHF需求拆解成多个简单工作流：机器做预处理，人做深层的基于理解的反馈。这样能减少简单问题上的精力消耗，让标注人员专注于专业问题。

业内通常采用主动质检加被动质检的方式：前者靠人为质检，后者靠算法做预识别。目前数据标注工具的准确率参差不齐，低的只有百分之几，高的可以达到80%甚至90%。机器标注识别率越高，人工需求就越少，成本、利润、速度和质量也就更加可控。未来，数据标注行业可能会实现更高程度的自动化，但不同应用领域仍然需要一定数量的专业标注人员。

传统数据标注亟待升级

值得注意的是，在如今火爆的大模型训练浪潮中，传统数据标注的需求很可能是下降的。让ChatGPT更具“人味儿”的关键——RLHF，带来的是另一种更高要求的数据标注需求。

相关分析显示，在RLHF环节，模型先在大型数据集上预训练，再与专业的人工智能训练师交互。标注人员会对ChatGPT生成的回答进行标注、评估和反馈，给出分数或标签。这些标注数据作为强化学习过程中的“奖励函数”，指导ChatGPT的参数调整，帮助模型不断优化。让ChatGPT“更具人味儿”的精妙之处就在于：它能利用人工标注的反馈结果不断优化自身，实现更符合人类思维逻辑的表达。

但传统数据标注模式很难满足RLHF的需求。过去，数据标注公司的主流商业模式是销售工具系统和标注服务，一方面缺少自有数据，很少能提供精准数据集；另一方面，人才升级是系统工程，对数据标注公司的考验更大。完成标注后，RLHF训练还涉及不少事实判断和价值判断。价值判断涉及公认的“公序良俗”，相对容易拉齐AI认知；事实判断则涉及各行业Know-How，往往需要行业专业人士出手，而不是传统数据标注员简单针对词性、图片细节就能实现的。

也就是说，要跟上新一代AI浪潮，数据标注公司不仅要在数据层面升级，人才的更新换代同样重要。目前已有标注公司开始在内部撰写《人员提升教程》，重点培训标注人员对“升级后”标注需求的理解，以及回答方式的合规性等。但在专业壁垒极高的医疗等领域，数据标注仍面临人才困境。某数据标注公司运营负责人曾表示：“特别是医疗，有些是普通人经过培训可以标的，有的必须要医疗从业者，背后的人才招聘难度可想而知。”

即便困难重重，也不意味着数据标注公司会立刻洗牌——至少在大模型训练的几个阶段内，初始阶段的半监督学习仍然对传统数据标注有需求。面对大模型和RLHF的机遇，大规模投入似乎在所难免。有业内人士认为，如果数据标注公司期望在垂直领域做更高层级的数据服务，可能需要成立全新的产品线。甚至，具备AI研发背景的创始人会是更合适的数据标注创业者。

面对新一代AI浪潮，没有人可以躺着挣钱——这是每一次技术迭代背后，早已标好的“价格”。