作者| 周雅
配圖| 關(guān)珊

“Data is the new oil. (數(shù)據(jù)是新型石油)”，這句如今聽起來頗有些陳詞濫調(diào)的話卻是關(guān)于“數(shù)據(jù)”廣為流傳的較早隱喻，17年前這個(gè)論調(diào)被英國數(shù)學(xué)家Clive Humby提出時(shí)，大家或許還沒有意識(shí)到，數(shù)據(jù)和石油其實(shí)一樣，都是要經(jīng)過提煉、加工才能變?yōu)?strong>更有價(jià)值的產(chǎn)物。

而究其本質(zhì)，對石油的再加工，需要一個(gè)全新的「化學(xué)工程」行業(yè)，并引發(fā)了一些產(chǎn)業(yè)變革。比如上世紀(jì)初如果沒有高辛烷值汽油出現(xiàn)，就沒有之后的汽車普及。今天，當(dāng)人們開始對數(shù)據(jù)再加工，同樣需要一個(gè)全新的「數(shù)據(jù)工程」行業(yè)。

眾所周知，人工智能的三駕馬車，是算法、算力和數(shù)據(jù)。而一份來自UBS Global的報(bào)告卻顯示，現(xiàn)如今AI工程師70%-90%的時(shí)間都花費(fèi)在訓(xùn)練數(shù)據(jù)上。所以本質(zhì)上，機(jī)器學(xué)習(xí)作為AI的大腦，是一種被數(shù)據(jù)投喂長大的算法技術(shù)，伴隨著建模門檻的降低，數(shù)據(jù)的門檻卻越來越高，使得數(shù)據(jù)工程變成了機(jī)器學(xué)習(xí)的瓶頸。

所以，我們可以說：AI正在改變世界，而數(shù)據(jù)工程則在改變AI。

在這個(gè)過程中，一批批技術(shù)為王的訓(xùn)練數(shù)據(jù)服務(wù)商突出重圍。于是，倍賽科技和它的創(chuàng)始人兼CEO杜霖就出現(xiàn)在了我們的視野當(dāng)中。

說起來，杜霖和數(shù)據(jù)打交道將近20年。早在大二期間，他就曾創(chuàng)辦過一家數(shù)據(jù)挖掘公司，最后以400萬美金賣掉。甚至在高中，他就自學(xué)了計(jì)算機(jī)視覺相關(guān)技術(shù)，并在核心期刊發(fā)表論文。

而倍賽公司的創(chuàng)立，也源于杜霖發(fā)現(xiàn)了機(jī)器學(xué)習(xí)進(jìn)一步發(fā)展面臨的痛點(diǎn)。

創(chuàng)業(yè)雛形：數(shù)據(jù)才是那只木桶的短板

作為AI如今最輝煌的分支，機(jī)器學(xué)習(xí)曾經(jīng)多年來卻一直進(jìn)展緩慢，直到2012年的ImageNet圖像分類競賽中，深度卷積神經(jīng)網(wǎng)絡(luò)模型AlexNet取得了驚人的成績，將錯(cuò)誤率降低了近一半，使得深度學(xué)習(xí)開始受到廣泛關(guān)注和應(yīng)用。

除了算力的疊加、算法的優(yōu)化之外，高質(zhì)量數(shù)據(jù)集就是不可逾越的一環(huán)。舉例來說，人臉是千變?nèi)f化的，但若沒有包括不同年齡、性別、種族、角度和光照條件下的人臉圖像數(shù)據(jù)集，可能就不會(huì)有AI識(shí)別模型的性能和準(zhǔn)確率。

也是那時(shí)候，杜霖敏銳地嗅到了數(shù)據(jù)的前景，深感里面有很多事可做。于是，他火速拉了交大的兩位同學(xué)入伙，開發(fā)了一個(gè)完整的AI應(yīng)用場景：一款能識(shí)別食材的冰箱，冰箱能識(shí)別出120種食材，綜合識(shí)別率達(dá)89.9%。雖然還不夠完美，但商用也是沒問題的。

在那個(gè)年代，這款冰箱開創(chuàng)了圖像識(shí)別冰箱的先河。杜霖回憶，“我們試著賣給海爾美的等家電公司，大家都很感興趣，但是誰也付不起費(fèi)用，因?yàn)榘纂姷睦麧櫩臻g非常薄，這套識(shí)別系統(tǒng)軟硬件成本至少1000塊，而一臺(tái)冰箱也就賣一兩千塊錢。”“如果不是太過前衛(wèi)，倍賽現(xiàn)在可能就是一家智能冰箱解決方案公司了。”

表面上看，是技術(shù)太過前衛(wèi)，成本太過高昂，但經(jīng)過仔細(xì)反思復(fù)盤，杜霖意識(shí)到背后有更通用的痛點(diǎn)：機(jī)器學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)工程占據(jù)了絕大部分研發(fā)時(shí)間。

算下來，這5個(gè)半月的時(shí)間里，他們花了3個(gè)半月做數(shù)據(jù)標(biāo)注，真正訓(xùn)練模型也就1個(gè)多月時(shí)間，其中數(shù)據(jù)標(biāo)注用了將近30人，而數(shù)據(jù)訓(xùn)練只有一位AI工程師。

杜霖從中總結(jié)出兩條頗有遠(yuǎn)見的觀點(diǎn)：第一，所有行業(yè)都會(huì)有被機(jī)器學(xué)習(xí)滲透的那一天，因?yàn)樗娴哪芴嵝В运鼤?huì)隨著數(shù)據(jù)的豐富和建模門檻的降低，變得越來越普及。第二，正因?yàn)闄C(jī)器學(xué)習(xí)會(huì)普及，圍繞在訓(xùn)練數(shù)據(jù)的工程化一定有巨大潛力。

“解決數(shù)據(jù)問題更重要”，杜霖說。于是，倍賽科技公司就在這樣的背景下誕生了。

公司雖然落成了，但這也只是一個(gè)開端。倍賽從2015年便開始研發(fā)自己的數(shù)據(jù)標(biāo)注系統(tǒng)Origin1，直到2017年底才開始接業(yè)務(wù)。蟄伏了三年，只為讓系統(tǒng)足夠穩(wěn)定成熟。到2018年反哺也聯(lián)袂而至，倍賽科技的營收同比增長了五六倍，達(dá)千萬規(guī)模。“當(dāng)時(shí)我們每天都會(huì)收到大量的需求。”杜霖說。

戰(zhàn)略轉(zhuǎn)型：黎明之前的至暗時(shí)刻

創(chuàng)業(yè)路上有無數(shù)的暗礁，都源于各種第一次，第一次組隊(duì)伍，第一次找融資，第一次商業(yè)化……對于倍賽來說，潛伏最深的那塊險(xiǎn)地，是第一次技術(shù)化轉(zhuǎn)型。

轉(zhuǎn)型，對于任何一家公司包括創(chuàng)業(yè)公司而言，它的考驗(yàn)程度甚至堪比一場再創(chuàng)業(yè)，因?yàn)槟且馕吨?strong>對舊事物的推翻、對新事物的創(chuàng)建，就勢必會(huì)有一個(gè)否定自己再證明自己的過程。

在倍賽的發(fā)展歷程中，杜霖曾寫過一封全員信，說公司最難的時(shí)候，不是賬上的錢只夠維持兩個(gè)月工資，也不是拿著的一個(gè)大客戶訂單突然就丟了，最難就是那一場技術(shù)平臺(tái)大轉(zhuǎn)型。

那一年，倍賽的核心產(chǎn)品Origin1已經(jīng)穩(wěn)定發(fā)展了4年，但團(tuán)隊(duì)遇到了一些反復(fù)出現(xiàn)的問題——公司的AI項(xiàng)目經(jīng)理和公司的客戶經(jīng)常會(huì)花大量時(shí)間去磨某一個(gè)數(shù)據(jù)該怎么標(biāo)。

拿一個(gè)很簡單的自動(dòng)駕駛場景舉例，下雨時(shí)攝像頭會(huì)變臟，這時(shí)候就要加一個(gè)標(biāo)簽“攝像頭是否潔凈”，因?yàn)樗鼤?huì)影響建模。但就是這種常見場景，卻是要求數(shù)據(jù)標(biāo)注方案迭代很多次。

諸如此類的問題，極大影響了數(shù)據(jù)處理的效率。杜霖進(jìn)一步發(fā)現(xiàn)，這些問題已經(jīng)無法在既有產(chǎn)品上修修補(bǔ)補(bǔ)來解決了，必須做一次重構(gòu)，全部推倒重來。

思索再三，杜霖及同事們最終決定對核心產(chǎn)品下手。而且，既然要改，就要改得徹底。作為一款企服的產(chǎn)品，它需要“商業(yè)化友好”，它的底層性能要強(qiáng)大完備；而作為一款國際化視野的平臺(tái)，它需要“開發(fā)者友好”，所以用戶體驗(yàn)也要跟上步伐。

用一句話總結(jié)目標(biāo)：倍賽需要將公司原來的“數(shù)據(jù)標(biāo)注”產(chǎn)品Origin1，轉(zhuǎn)型為一個(gè)“訓(xùn)練數(shù)據(jù)工程化”開源平臺(tái)Xtreme1。

這項(xiàng)重大的產(chǎn)品升級(jí)，同時(shí)面向N個(gè)目標(biāo)訴求，操作起來必然是牽一發(fā)而動(dòng)全身。那陣子，這邊Origin1還在不斷商業(yè)化，那邊Xtreme1只是襁褓嬰兒。需要用老產(chǎn)品的“回報(bào)”東墻，補(bǔ)新產(chǎn)品的“開發(fā)”西墻。

更難的是，公司上下包括杜霖自己在內(nèi)，大家并不知道新產(chǎn)品能否做的出來，何時(shí)才能做出來，唯獨(dú)只是堅(jiān)定要持續(xù)投入。那段時(shí)間里，整個(gè)團(tuán)隊(duì)的士氣進(jìn)入了一種又迷茫又激進(jìn)的擰巴狀態(tài)。

作為公司主心骨，杜霖眼前的難處也有一籮筐，包括怎么保持新舊兩邊產(chǎn)品部門的目標(biāo)協(xié)同一致；怎么做好兩個(gè)產(chǎn)品的平穩(wěn)過渡；怎么匹配新戰(zhàn)略，向VC介紹新的商業(yè)邏輯；以及，Origin1做了4年的閉源，突然要從Xtreme1轉(zhuǎn)為開源，雖然迎合了大趨勢，但到底是福是禍？

在前后1年多的時(shí)間里，杜霖做了無數(shù)適配，來掌舵這次轉(zhuǎn)型。他在成都創(chuàng)立了研發(fā)中心，從零開始招募第一位員工。而整個(gè)團(tuán)隊(duì)，也頻繁往返北京成都兩地，進(jìn)入高強(qiáng)度工作狀態(tài)。

幸好，倍賽最終有驚無險(xiǎn)地闖過了難關(guān)。

經(jīng)過無數(shù)次測試，新一代支持多模態(tài)數(shù)據(jù)的AI訓(xùn)練數(shù)據(jù)平臺(tái)Xtreme1橫空出世，并在2021年12月30號(hào)加入Linux基金會(huì)并實(shí)現(xiàn)開源。

回看這次轉(zhuǎn)型，杜霖也感慨萬千，他說“這不光是一次產(chǎn)品的升級(jí)，更是一次能力的升級(jí)，因?yàn)楣疽虼藢?shí)現(xiàn)了從技術(shù)投入、團(tuán)隊(duì)升級(jí)、戰(zhàn)略調(diào)整的一系列蛻變。”

他在那封全員信的最后寫道：所謂的至暗時(shí)刻，不是午夜12點(diǎn)，而是黎明沒來、深夜未走的凌晨四五點(diǎn)。

消除誤解：誰說數(shù)據(jù)標(biāo)注沒有含金量

業(yè)界有一種誤區(qū)認(rèn)為，數(shù)據(jù)工程的核心就是“數(shù)據(jù)標(biāo)注”，而數(shù)據(jù)標(biāo)注只是“處理多少數(shù)據(jù)，就有多少人工”的藍(lán)領(lǐng)流水線。

杜霖以產(chǎn)品舉例稱，“Xtreme1成為了Linux基金會(huì)關(guān)于MLOps版圖中全球首個(gè)填補(bǔ)“Annotation&Visualization”空白的產(chǎn)品。”所謂MLOps，是指將DevOps（開發(fā)運(yùn)營）中的最佳實(shí)踐應(yīng)用于機(jī)器學(xué)習(xí)的運(yùn)營。

隨著數(shù)據(jù)的復(fù)雜性增加，以及新算法的不斷涌現(xiàn)，機(jī)器學(xué)習(xí)模型的部署和運(yùn)營變得越來越困難。而MLOps通過采用自動(dòng)化流程和工具，使機(jī)器學(xué)習(xí)模型的部署、監(jiān)測和維護(hù)變得更容易、高效和可靠。

Xtreme1正是圍繞Data-Centric MLOps的應(yīng)用策略展開，從而更便捷、高效地幫助客戶實(shí)現(xiàn)AI應(yīng)用交付。某種程度上，這可以理解為是一種用“人工智能”提升“人工智能開發(fā)”的工作方法。AI helps AI。

在產(chǎn)品細(xì)節(jié)上，Xtreme1從功能層面由五大板塊構(gòu)成：Ontology Center，Annotation Suite，Dataset Curation，SOTA Models和BasicBot。比如Ontology Center這一功能，當(dāng)中關(guān)于車的屬性就有很多種，SUV、轎車、卡車、自行車等等，客戶可以基于屬性，去生成一個(gè)想要的標(biāo)準(zhǔn)方案。或者結(jié)合業(yè)務(wù)場景，去定制一個(gè)方案。“我們在X1里開發(fā)了一系列自動(dòng)化工具，去幫助客戶實(shí)現(xiàn)數(shù)據(jù)標(biāo)注方案。”

如今，Xtreme1已經(jīng)成為倍賽科技的拳頭產(chǎn)品，并得到招商銀行、英特爾、南方電網(wǎng)、京東、Bosch、科大訊飛、商湯等近千家頭部企業(yè)客戶的青睞。去年，倍賽科技還拿到英特爾AI百佳創(chuàng)新激勵(lì)計(jì)劃的“芯銳獎(jiǎng)”生態(tài)拓展獎(jiǎng)，使用英特爾處理器 IntelXeon®Processor、Intel®OpenvINo™等技術(shù)對產(chǎn)品開展模型訓(xùn)練。

跨物種聯(lián)手：人工智能離不開人類老師

不過，要把AI轉(zhuǎn)化為生產(chǎn)力，不僅要懂AI，更要懂場景。數(shù)據(jù)工程的門檻，不僅在于技術(shù)研發(fā)上，更在于各個(gè)行業(yè)的Know-How上。

杜霖說，“我們的產(chǎn)品經(jīng)歷了數(shù)萬項(xiàng)目的打磨，當(dāng)一接手某種類型的項(xiàng)目，在系統(tǒng)層面，我們就知道它可能會(huì)涉及到哪些數(shù)據(jù)標(biāo)注的規(guī)則，這在內(nèi)部稱之為Data Driven(數(shù)據(jù)驅(qū)動(dòng))，我們會(huì)去理解客戶為什么做這個(gè)數(shù)據(jù)、想解決什么問題。

比如同樣都是道路場景，自動(dòng)配送車、無人駕駛車、配送機(jī)器人這三種車輛，標(biāo)注方案卻是完全不同的。

對于自動(dòng)駕駛，需要大量補(bǔ)充類似“道路臨時(shí)施工的錐子”Corner case數(shù)據(jù)；而對于酒店配送機(jī)器人，就要去找“電梯上下口特征”的數(shù)據(jù)。“不同的場景有不同的數(shù)據(jù)要求，我們是理解的，因?yàn)槲覀冏隽颂喟咐?rdquo;

甚至，在杜霖看來，ChatGPT之所以這么驚艷，也是有人類Know-How參與的原因。

也就是說，ChatGPT的背后功臣，除了有實(shí)現(xiàn)更大級(jí)別模型的「預(yù)訓(xùn)練」，此外把Human in the Loop（或被稱之為RLHF）這件事情做好也是關(guān)鍵。

HITL(Human in the Loop，人機(jī)協(xié)同)，可以簡單理解為用“人類智能”結(jié)合“機(jī)器智能”來創(chuàng)建機(jī)器學(xué)習(xí)模型。實(shí)際做法就是用“言傳身教”的方法，給機(jī)器這個(gè)“學(xué)生”配個(gè)優(yōu)秀的“人類老師”，把機(jī)器學(xué)習(xí)原本的“填鴨式教學(xué)”升級(jí)到“答疑式教學(xué)”，來迅速提升它的學(xué)習(xí)成績。

也就是，當(dāng)生成式AI創(chuàng)造出內(nèi)容后，人類根據(jù)自身Know-How來給結(jié)果打分，幫助機(jī)器對齊人類思維。

“當(dāng)下的機(jī)器學(xué)習(xí)大部分是依賴于HITP。”杜霖指出，ChatGPT通過來自人類反饋的強(qiáng)化學(xué)習(xí)（RLHF）生成的InstructGPT模型，比100倍參數(shù)規(guī)模無監(jiān)督的GPT-3模型效果更好，也說明了有監(jiān)督的數(shù)據(jù)標(biāo)注是大模型應(yīng)用成功的基礎(chǔ)。

反觀回來，作為一家全棧AI數(shù)據(jù)及模型解決方案供應(yīng)商，杜霖所創(chuàng)立的倍賽科技的核心宗旨，就是用更好用的工具更好的達(dá)到Human in the Loop，把客戶的建模成本進(jìn)一步降低，建模效率進(jìn)一步提升。

杜霖把倍賽的這項(xiàng)業(yè)務(wù)總結(jié)為“Training Data Engineering(訓(xùn)練數(shù)據(jù)工程化)”，其中涉及到的環(huán)節(jié)就包括了：數(shù)據(jù)采集、數(shù)據(jù)清洗、數(shù)據(jù)標(biāo)注、數(shù)據(jù)集管理、模型建立、模型部署、應(yīng)用程序構(gòu)造等。

所以，無論是從哪個(gè)角度看，數(shù)據(jù)工程不僅是個(gè)技術(shù)密集型產(chǎn)業(yè)，更是一個(gè)要求責(zé)任感很重的產(chǎn)業(yè)。好的數(shù)據(jù)集，就是AI的優(yōu)質(zhì)教科書，賦予AI靈魂的存在。

不過在杜霖看來，國內(nèi)的這個(gè)行業(yè)其實(shí)被一些新涌入者搞的有些混亂。很多同行一味實(shí)施低價(jià)策略，甚至是虧錢接活，拼體力搶單，搶到之后再去講融資的故事。“這是一個(gè)不健康的業(yè)態(tài)和模式。”

相較而言，在國際市場上，數(shù)據(jù)工程行業(yè)也是高度競爭的，但是大家的競標(biāo)價(jià)格基本都是八九不離十的，客戶最后研判的標(biāo)準(zhǔn)會(huì)上升到技術(shù)實(shí)力、交付能力、業(yè)務(wù)貼合度等指標(biāo)，不會(huì)一味的只看價(jià)格。

最終的結(jié)果是，國際數(shù)據(jù)處理公司的估值動(dòng)輒幾十億，中國可能只有十分之一，這也讓數(shù)據(jù)工程被誤解甚至邊緣化。

也正因如此，杜霖堅(jiān)定的將把“更強(qiáng)的技術(shù)能力”和“國際化”作為公司核心方向。“倍賽一直把自己標(biāo)桿成一個(gè)世界級(jí)的產(chǎn)品，所以我一直要求產(chǎn)品經(jīng)理去看世界最好的工具，眼光還是要放高。”目前，倍賽全線產(chǎn)品都是中英文雙語，在成都的研發(fā)部門60%以上在英文環(huán)境中工作，非研發(fā)部門90%以上實(shí)現(xiàn)英文工作環(huán)境。

他強(qiáng)調(diào)說：“整個(gè)數(shù)據(jù)行業(yè)里，未來能走出來的一定是工具能力非常強(qiáng)、且有全球化基因的公司”，因?yàn)锳I的通用屬性意味著，你的產(chǎn)品總有一天會(huì)被放到全球商業(yè)舞臺(tái)上去卷。

數(shù)據(jù)獵手：業(yè)務(wù)出海，產(chǎn)品說話

回望整個(gè)創(chuàng)業(yè)之旅，杜霖最有成就感的過程，就是帶動(dòng)全員統(tǒng)一目標(biāo)，做出有潛力的產(chǎn)品，從而實(shí)現(xiàn)從0到1、從1到100的增長過程。

“我一直在試圖把自己所學(xué)的工程能力，轉(zhuǎn)化到現(xiàn)實(shí)世界去解決實(shí)際問題。我是一個(gè)非常典型的喜歡去解決問題的人。”杜霖相信，能解決實(shí)際問題的產(chǎn)品就是好產(chǎn)品。

但由于技術(shù)是一個(gè)相對抽象的概念，技術(shù)的發(fā)展是個(gè)漫漫長路，創(chuàng)業(yè)者如何更好地普及技術(shù)？杜霖頓了頓說道，“我相信倍賽是以產(chǎn)品驅(qū)動(dòng)增長的公司，就讓產(chǎn)品自己說話吧。”比如前陣子，產(chǎn)品收到了不知名用戶的好評(píng)，是來自瑞士理工大學(xué)的某個(gè)用戶被挪威某個(gè)大學(xué)的校友推薦用了產(chǎn)品，“這讓我很有成就感。”

談及未來發(fā)展，擺在公司面前依然有兩條路可走，是做一個(gè)小而精的垂類公司，還是做一個(gè)大而美的平臺(tái)公司？杜霖說，還是回到最初的定位，就是圍繞多模態(tài)數(shù)據(jù)做好一套訓(xùn)練數(shù)據(jù)工程化(Training Data Engineering)和訓(xùn)練數(shù)據(jù)生命周期管理(Training Data Lifecycle Management)，因?yàn)檫@是未來一切可能的地基。

如何看待AI未來？杜霖說，“AI的終極方向，一定是在可控的范圍內(nèi)，進(jìn)一步提升全世界的效率”，如果類比的話，AI只是一次工業(yè)革命，是對生產(chǎn)力的又一次解放，它的跨時(shí)代意義跟蒸汽機(jī)時(shí)代是一樣的。

蒸汽機(jī)剛出現(xiàn)時(shí)也很笨拙，但是某一天，大家發(fā)現(xiàn)它可以取代馬車、人力，然后被取代的人慢慢就反相變成AI的操作者，比如司機(jī)操作方向盤，工人操作機(jī)械。

所以，AI所取代的工作，未來依然會(huì)有更多的人反向去操作這樣的AI，也就是我們之前所談的Human in the Loop。也正因如此，訓(xùn)練數(shù)據(jù)工程化的工作現(xiàn)在重要，隨著AI在不同行業(yè)的深入，還會(huì)變得更加重要。“人類要教AI好的東西，和對的東西。“

在連續(xù)創(chuàng)業(yè)的間隙，杜霖還因?yàn)閻酆茫?dāng)過幾年的海上獵手，甚至后來還因此孵化了一家海釣漁具公司。他說自己喜歡出最遠(yuǎn)的海，去釣很大的魚，享受與未知世界斗智斗勇的感覺：“我釣過最大的魚是在西沙的一條接近300多斤大鯊魚，我用手搖竿搖上來的。”

不過，只要了解釣魚這項(xiàng)運(yùn)動(dòng)的愛好者都清楚，其中取勝的關(guān)鍵，并不是收桿那一刻的拼體能，而是在整個(gè)過程的運(yùn)籌帷幄。

從這個(gè)角度看，海上獵手如此，數(shù)據(jù)獵手也如此。