海天瑞声贺琳:为大模型“火箭”加燃料的人
◎海天瑞声是国内最早投入AI训练数据的专业服务商之一,2023年,不断翻涌的大模型浪潮将这家公司推至资本市场的聚光灯下。
◎“数据的清洗和标注流程对于模型的质量至关重要,它们可以提高数据的质量和准确性,帮助模型更好地去学习,也为模型的评估奠定了一个很好的基础。”贺琳表示。
■相关公司:海天瑞声(SH688787,股价92.15元,市值56亿元)
■核心竞争力:具备标准化数据集产品规模化生产能力,累计完成超过1300个自有知识产权的训练数据标准化产品的建设,在全球企业中稳居前列。较早地布局并建立了多语种能力。
■机构眼中的公司:国内AI训练数据龙头提供商,自动驾驶业务打开成长空间
■所属概念:数据服务人工智能AIGC
11.2公里/秒,是火箭能够成功摆脱地球引力束缚,飞离地球的速度。而瞬间的燃料燃烧所提供的推动力,是帮助火箭一次又一次加速直至进入外太空的助力。
与《每经人物•专访董事长》记者交流时,海天瑞声董事长贺琳觉得,作为一切人工智能技术最上游的数据,就是人工智能这艘火箭的“燃料”。海天瑞声正是一家生成“燃料”的公司。
海天瑞声是国内最早投入AI训练数据的专业服务商之一,2023年,不断翻涌的大模型浪潮将这家公司推至资本市场的聚光灯下。而身处潮水之中,贺琳对未来的思考依旧谨慎。
大模型狂热:初印象非常惊艳,但对预期“审慎乐观”
2023年初,贺琳在海天瑞声公司年会上的发言稿,80%由ChatGPT完成。
“非常的惊艳,有点不(敢)相信。”这是贺琳对ChatGPT的初印象,“当然,也有不尽如人意的地方,我觉得这才是我们要努力的方向。”ChatGPT的出现,让这家数据公司突然站到了资本市场舞台中央。
2023年开年以来,海天瑞声股价一路走高,3月一度涨至191.96元/股,较其2021年8月上市时翻了一番。而海天瑞声方面,则已多次在投资者互动平台发布提示,称公司与OpenAI没有合作,也尚不能预期大模型业务将带来多少收入。
“年初,我们还在仔细观察、论证这个技术到底对数据有什么样的需求。”贺琳认为,合适的入局时机应该是当这项技术能够真正在行业中落地的时候,这意味着其有真正的应用场景,而非伪场景。“我们要确定这个需求是真的,且有人会为这个需求买单,这才是一个正常的商业逻辑。”
同时,当行业落地时刻到来,数据的需求量也会迎来大规模提升。“这给公司带来的上升空间,我认为是非常乐观的,(目前)我们还是抱着乐观审慎的态度去看、去跟踪、去研究这项技术。”
“判断一个行业,我们会更深刻地去想这个行业到底需要什么样的数据,只有想清楚这件事,我们才会走过去,我们当初对自动驾驶领域的布局就遵循了这个逻辑。”贺琳介绍。
布局自动驾驶行业是海天瑞声在2021年定下的战略方向,在贺琳看来,自动驾驶赛道已经符合这个判断逻辑。从L2到L4,自动驾驶已经有相当多的应用落地,同时,自动驾驶的数据需求量十分巨大。
她判断,自动驾驶是一个人命关天、对安全要求非常高的技术,它需要大量数据来打磨,去覆盖各个不常见的场景来保证安全性,因为任何极端天气或极端场景都可能导致误判。“怎么避免?就需要大量的数据去训练,让模型接触到更多长尾的场景来提高它的安全性。”
今年4月18日,海天瑞声正式推出其专为自动驾驶场景设计的全栈式数据标注平台“DOTS-AD自动驾驶标注平台”。
数据需求增加背后:系统性差距依旧存在
贺琳曾就职于中国科学院声学研究所,从事语音识别、语音合成、汉语语言理解、语音心理测试等方面的研究工作。
成立于2005年的海天瑞声,最初诞生于贺琳在这份工作中捕捉到的行业痛点。“我们当时在课题组其实也会遇到(缺少)数据的问题,解决办法就是工作人员,加上研究生、博士生,自己来做数据。”尽管彼时实验室的数据量相对较少,但也已经算是一项繁琐的工作。
随着技术的发展,智能语音从实验室走向大规模应用阶段,更多场景的覆盖需求,意味着数据需求随之大规模增加。与此同时,在与一些就职于大型企业或研究机构的前同事交流时,贺琳发现,大家都在关注数据的问题。“(大家)认为数据是一个非常大的瓶颈,阻碍他们技术的落地。所以我就在想,那是不是可以由我出来做这件事情,帮助大家解决这个困难。”
时至今日,贺琳觉得,彼时促使她创业的瓶颈依旧存在。
在她看来,数据的需求是跟着技术的发展而变化的,随着技术在各个行业中落地,就会有更多的数据需求爆发。“像现在大模型起来,很多人都认为,数据差距是一个造成系统性差距的非常重要的原因,所以大家认为数据还是很重要的要素,这个瓶颈依然存在。”
不同的是,贺琳创业之初,国内竞争对手少,海天瑞声得以在市场快速突围。而如今,国内已经出现一批新的数据公司,先发优势成为当下数据公司核心竞争力的基础。“其实,这个行业有很多的技术壁垒和‘know-how’,也是需要不断打磨项目,才能去沉淀自己的技术、学会各类‘know-how’的,这是靠项目积累出来的,而不是短期能很快积累起来的过程。”
“燃料”的诞生:庞大参数支撑大模型
海量数据如何最终成功支撑起庞大参数的大模型运行?需要首选了解一个概念——数据集。
贺琳介绍,数据集的产生是一个非常复杂的过程,其中包括设计阶段、采集阶段、处理阶段以及最后的质检阶段。
在设计环节,需要先去了解数据集是为了解决哪个问题,这个问题需要什么样的数据,需要多大的量,需要什么样的场景,以及采集的样本、规模、内容,包括采集的设备、标注的规范等等;采集环节则是按照设计的方案,到大千世界采集,有可能是声音,有可能是图像、图片,又或是手写的字、道路的场景。采集完成后则需要进入清洗、标注环节。最后生产出的数据集需要通过双层的质检流程,最终才能生产出一个合格的数据集。
这其中,清洗规则的好坏、标注的准确性都会极大地影响数据集的质量,进而影响模型的效果。
贺琳举例说,海天瑞声的大模型数据清洗率是5%,即清洗出来正确的数据仅仅占原数据的5%,这也印证了数据清洗环节的重要性。而标注的流程则主要是解决准确性和一致性问题,“我们通常说95%、98%或者是99%,不同的准确率对模型训练的结果有非常大的影响”。
“数据的清洗和标注流程对于模型的质量至关重要,它们可以提高数据的质量和准确性,帮助模型更好地去学习,也为模型的评估奠定了一个很好的基础。”贺琳表示。
贺琳认为,高质量的数据包括了数据的丰富度,场景的丰富度,数据的准确性、一致性等,这都是衡量高质量数据的标准。她也认同,高质量数据的提供,需要高质量人工的支持。
“有一些高质量的数据,尤其是行业数据,确实需要更高层次的人去处理。因为我们也了解到,像OpenAI这样的公司,它背后也有一个很强大的数据处理团队,他们要把对行业的‘know-how’或者是更高层的一些知识灌输到数据里。”她表示。
浪潮的下一步:离开人工,实现智能
“有多少智能,就有多少人工。”这句话依旧得到大部分人的认同。
在海天瑞声这家“燃料”制造商,优质“燃料”的诞生,同样需要最了解“火箭”的人来把控。
贺琳介绍,海天瑞声的管理层除拥有比较好的学术背景外,也都有在外企或大厂等机构的工作、管理经验。“他们以前是数据的使用者,加入公司以后,他们非常知道数据的使用者需要什么样的数据,这可以让他们更快速地对市场有预判,也会更好地跟业界交流。”
她同时坦言,为不同行业提供的数据,需要具备不同行业专业知识的人来处理。“至少在初期包括规则探讨、打磨标签、尺度和标准的把握阶段需要有专业的人,但把规则定下后,可能通过一些训练,让基础的人员能具备这样的训练能力。”
但是,在贺琳看来,“有多少智能就有多少人工”是一个误解。“确实,这个行业有很多的人力,但人力是在技术的支撑下做这些事,没有技术支撑,可能人力需要现在的10倍都不止。所以,我们这种综合性的数据服务商一直都在追求用更自动、更智能的方式来完成数据的任务,不断解放人力。”
贺琳希望,能一步步减少人工对人工智能的参与,大模型的浪潮,正在加速实现这个目标。“让计算机自动处理数据,永远都是我们的追求。”
据她介绍,公司也在探讨未来的两大工作方向,一个是打造一批针对通用领域、垂直领域,且具备单模态和多模态属性的、供给大模型使用的数据集产品。另外,海天瑞声也在计划启动数据生产垂直大模型的研发项目,希望用大模型技术来支撑数据的生产。“大家都说大模型将给众多垂直行业带来重大积极影响,其实数据处理本身也是一个垂直行业,我们希望用大模型的能力来更自动化地把数据处理这件事情做好。”
“人工智能的背后是人工”也是有可能发生改变的。“现在背后依然确实需要很多的人工,但是我们一直在尽量想办法减少人工。包括加入很多算法,提高对数据做预标注的准确率,准确率越高,人工参与的程度越低。”
但贺琳也坦言,这件事并不容易。“其实,如果真的把这个事都做成了,人工智能就完成了。因为不需要人的介入,相当于它处理的东西都跟人想的是一样的。”但另一方面,当技术达到一定突破后,伦理、法规、安全等问题就会出现,如何解决这些问题,也是今后整个人工智能行业面临的难题。
新的变革契机:多模态需求将推高行业门槛
每一次的火箭升空,都需要大量的燃料助推。
贺琳认为,当人工智能技术迎来新的变革时,对数据提供商来说就是一次契机。“我觉得可能也是根据一些需求,比如像苹果手机的siri出来以后,大家就会认为在语音上有一些突破,这些数据的需求就会暴增。”
贺琳觉得,在整个人工智能行业,数据就像人类学习知识时使用的教科书,“你的教科书越全面,信息越准确,学习的结果就会越好,其实机器也是一样的”。她认为,数据集本质上就是人类把自己对大千世界、万事万物的一些认知和判断方法加载到数据上,然后让机器去学习,使机器得出来的对事物的判断结果更加趋近于人类。在她看来,这就是数据公司的价值。
而在大模型的热潮之下,多模态的能力成为一个关键词。贺琳表示,多模态数据是未来的一个方向。“多模态的数据里蕴含了更多更丰富的信息,对机器做判断也会提供更多的信息来源,但多模态的数据(获取)的难度也非常大。”
她进一步介绍,首先,多模态数据要求的量很大,合规取得这些数据的难度就会更大;其次,多模态数据采集的设备也非常昂贵,对数据公司的财务能力是一种考量。此外,多模态数据对齐的问题、对齐的标准等,都是多模态数据的难点。
贺琳认同一点,多模态能力会导致数据公司的入门门槛提高。“包括我们可能还要去做一些数据生成技术,用我们的一些单一形态的数据来合成多模态的数据,这都要求公司有更高维度的研发能力。”
目前,贺琳依旧认为,数据这个方向是海天瑞声未来的定位,因为这个领域要做的事情太多了。“随着技术的发展进入千行百业,每一个行业都需要认真地去了解这个行业的‘know-how’是什么、如何解决这个行业的一些关键痛点。那么多行业呢,我们有足够大的空间去拓展。”
而深入行业,则需要公司本身有一定的研发能力,同时,在进入行业时,需要有行业专家的参与,通过真实的项目打磨,进而逐渐积累。“这不是个一蹴而就的事情,需要一个长期持续的过程。”她表示。
贺琳相信,通用人工智能终将有一天会实现,但这也需要一个过程,即便技术达到了,还有伦理的问题、安全的问题、合规的问题。这些都解决了之后,如何解决行业的问题,也有很长的一段路要走。
而在这条路上,她认为,数据公司将会扮演越来越重要的角色。在这个过程中,算法可能会相对趋于稳定,但仍需大量的、类型迥异的数据对算法进行训练,才能解决行业的问题。
来源:每日经济新闻
作者:每经记者可杨 每经编辑董兴生
(来源:News快报)