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年前這個論調(diào)被英國數(shù)學(xué)家Clive Humby提出時，大家或許還沒有意識到，數(shù)據(jù)和石油其實一樣，都是要經(jīng)過提煉、加工才能變?yōu)?strong>更有價值的產(chǎn)物。

而究其本質(zhì)，對石油的再加工，需要一個全新的「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，當人們開始對數(shù)據(jù)再加工，同樣需要一個全新的「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的報告卻顯示，現(xiàn)如今AI工程師70%-90%的時間都花費在訓(xùn)練數(shù)據(jù)上。所以本質(zhì)上，機器學(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)了計算機視覺相關(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)了機器學(xué)習(xí)進一步發(fā)展面臨的痛點。

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，機器學(xué)習(xí)曾經(jīng)多年來卻一直進展緩慢，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，可能就不會有AI識別模型的性能和準確率。

也是那時候，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)了一個完整的AI應(yīng)用場景：一款能識別食材的冰箱，冰箱能識別出120種食材，綜合識別率達89.9%。雖然還不夠完美，但商用也是沒問題的。

在那個年代，這款冰箱開創(chuàng)了圖像識別冰箱的先河。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，但是誰也付不起費用，因為白電的利潤空間非常薄，這套識別系統(tǒng)軟硬件成本至少1000塊，而一臺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)過仔細反思復(fù)盤，杜霖意識到背后有更通用的痛點：機器學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)工程占據(jù)了絕大部分研發(fā)時間。

算下來，這5個半月的時間里，他們花了3個半月做數(shù)據(jù)標注，真正訓(xùn)練模型也就1個多月時間，其中數(shù)據(jù)標注用了將近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)出兩條頗有遠見的觀點：第一，所有行業(yè)都會有被機器學(xué)習(xí)滲透的那一天，因為它真的能提效，所以它會隨著數(shù)據(jù)的豐富和建模門檻的降低，變得越來越普及。第二，正因為機器學(xué)習(xí)會普及，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，但這也只是一個開端。倍賽從2015年便開始研發(fā)自己的數(shù)據(jù)標注系統(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，達千萬規(guī)模。“當時我們每天都會收到大量的需求。”杜霖說。

戰(zhàn)略轉(zhuǎn)型：黎明之前的至暗時刻

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，它的考驗程度甚至堪比一場再創(chuàng)業(yè)，因為那意味著對舊事物的推翻、對新事物的創(chuàng)建，就勢必會有一個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，說公司最難的時候，不是賬上的錢只夠維持兩個月工資，也不是拿著的一個大客戶訂單突然就丟了，最難就是那一場技術(shù)平臺大轉(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，但團隊遇到了一些反復(fù)出現(xiàn)的問題——公司的AI項目經(jīng)理和公司的客戶經(jīng)常會花大量時間去磨某一個數(shù)據(jù)該怎么標。

拿一個很簡單的自動駕駛場景舉例，下雨時攝像頭會變臟，這時候就要加一個標簽“攝像頭是否潔凈”，因為它會影響建模。但就是這種常見場景，卻是要求數(shù)據(jù)標注方案迭代很多次。

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)品上修修補補來解決了，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”，它的底層性能要強大完備；而作為一款國際化視野的平臺，它需要“開發(fā)者友好”，所以用戶體驗也要跟上步伐。

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

這項重大的產(chǎn)品升級，同時面向N個目標訴求，操作起來必然是牽一發(fā)而動全身。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”東墻，補新產(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，何時才能做出來，唯獨只是堅定要持續(xù)投入。那段時間里，整個團隊的士氣進入了一種又迷茫又激進的擰巴狀態(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)品部門的目標協(xié)同一致；怎么做好兩個產(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。而整個團隊，也頻繁往返北京成都兩地，進入高強度工作狀態(tài)。

幸好，倍賽最終有驚無險地闖過了難關(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Xtreme1橫空出世，并在2021年12月30號加入Linux基金會并實現(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，更是一次能力的升級，因為公司因此實現(xiàn)了從技術(shù)投入、團隊升級、戰(zhàn)略調(diào)整的一系列蛻變。”

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

消除誤解：誰說數(shù)據(jù)標注沒有含金量

業(yè)界有一種誤區(qū)認為，數(shù)據(jù)工程的核心就是“數(shù)據(jù)標注”，而數(shù)據(jù)標注只是“處理多少數(shù)據(jù)，就有多少人工”的藍領(lǐng)流水線。

杜霖以產(chǎn)品舉例稱，“Xtreme1成為了Linux基金會關(guān)于MLOps版圖中全球首個填補“Annotation&Visualization”空白的產(chǎn)品。”所謂MLOps，是指將DevOps（開發(fā)運營）中的最佳實踐應(yīng)用于機器學(xué)習(xí)的運營。

隨著數(shù)據(jù)的復(fù)雜性增加，以及新算法的不斷涌現(xiàn)，機器學(xué)習(xí)模型的部署和運營變得越來越困難。而MLOps通過采用自動化流程和工具，使機器學(xué)習(xí)模型的部署、監(jiān)測和維護變得更容易、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，去生成一個想要的標準方案?；蛘呓Y(jié)合業(yè)務(wù)場景，去定制一個方案。“我們在X1里開發(fā)了一系列自動化工具，去幫助客戶實現(xiàn)數(shù)據(jù)標注方案。”

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)新激勵計劃的“芯銳獎”生態(tài)拓展獎，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，更在于各個行業(yè)的Know-How上。

杜霖說，“我們的產(chǎn)品經(jīng)歷了數(shù)萬項目的打磨，當一接手某種類型的項目，在系統(tǒng)層面，我們就知道它可能會涉及到哪些數(shù)據(jù)標注的規(guī)則，這在內(nèi)部稱之為Data Driven(數(shù)據(jù)驅(qū)動)，我們會去理解客戶為什么做這個數(shù)據(jù)、想解決什么問題。

比如同樣都是道路場景，自動配送車、無人駕駛車、配送機器人這三種車輛，標注方案卻是完全不同的。

對于自動駕駛，需要大量補充類似“道路臨時施工的錐子”Corner case數(shù)據(jù)；而對于酒店配送機器人，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，因為我們做了太多案例。”

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，除了有實現(xiàn)更大級別模型的「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，人機協(xié)同)，可以簡單理解為用“人類智能”結(jié)合“機器智能”來創(chuàng)建機器學(xué)習(xí)模型。實際做法就是用“言傳身教”的方法，給機器這個“學(xué)生”配個優(yōu)秀的“人類老師”，把機器學(xué)習(xí)原本的“填鴨式教學(xué)”升級到“答疑式教學(xué)”，來迅速提升它的學(xué)習(xí)成績。

也就是，當生成式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，幫助機器對齊人類思維。

“當下的機器學(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到Human in the Loop，把客戶的建模成本進一步降低，建模效率進一步提升。

杜霖把倍賽的這項業(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，無論是從哪個角度看，數(shù)據(jù)工程不僅是個技術(shù)密集型產(chǎn)業(yè)，更是一個要求責(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)的這個行業(yè)其實被一些新涌入者搞的有些混亂。很多同行一味實施低價策略，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，但是大家的競標價格基本都是八九不離十的，客戶最后研判的標準會上升到技術(shù)實力、交付能力、業(yè)務(wù)貼合度等指標，不會一味的只看價格。

最終的結(jié)果是，國際數(shù)據(jù)處理公司的估值動輒幾十億，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，杜霖堅定的將把“更強的技術(shù)能力”和“國際化”作為公司核心方向。“倍賽一直把自己標桿成一個世界級的產(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%以上實現(xiàn)英文工作環(huán)境。

他強調(diào)說：“整個數(shù)據(jù)行業(yè)里，未來能走出來的一定是工具能力非常強、且有全球化基因的公司”，因為AI的通用屬性意味著，你的產(chǎn)品總有一天會被放到全球商業(yè)舞臺上去卷。

數(shù)據(jù)獵手：業(yè)務(wù)出海，產(chǎn)品說話

回望整個創(chuàng)業(yè)之旅，杜霖最有成就感的過程，就是帶動全員統(tǒng)一目標，做出有潛力的產(chǎn)品，從而實現(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)實世界去解決實際問題。我是一個非常典型的喜歡去解決問題的人。”杜霖相信，能解決實際問題的產(chǎn)品就是好產(chǎn)品。

但由于技術(shù)是一個相對抽象的概念，技術(shù)的發(fā)展是個漫漫長路，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，是來自瑞士理工大學(xué)的某個用戶被挪威某個大學(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，是做一個小而精的垂類公司，還是做一個大而美的平臺公司？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)，因為這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，它的跨時代意義跟蒸汽機時代是一樣的。

蒸汽機剛出現(xiàn)時也很笨拙，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，比如司機操作方向盤，工人操作機械。

所以，AI所取代的工作，未來依然會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，杜霖還因為愛好，而當過幾年的海上獵手，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，只要了解釣魚這項運動的愛好者都清楚，其中取勝的關(guān)鍵，并不是收桿那一刻的拼體能，而是在整個過程的運籌帷幄。

從這個角度看，海上獵手如此，數(shù)據(jù)獵手也如此。