社会动态-"满溢游泳池30话不需要阅读币PDF"-AI数据告急，大厂盯上廉价年轻人

AI数据告急，大厂盯上廉价年轻人_ZAKE满溢游泳池30话不需要阅读币PDFR新闻

“三夏”大忙时节，既连着夏收作物的成熟收获，也是夏播作物播种和春播作物生长发育的重要时期。从夏收模式切换到夏种夏管，一批新角色登上田间大舞台。

为了拿到新数据、训练 AI 大模型，字节等互联网大厂正在亲自下场，以单次 300 元不等的价格招募 "AI 录音员 "，定制语料库。坐落于北京大钟寺的字节办公楼，集中了字节的抖音业务团队和火山引擎业务团队，从年初便开始招募素人为豆包大模型录音。两人结组、单次 3 小时，包括 80 分钟的自由聊天，有提示词的 60 组对话，单次结算金额为 300 元。长达 3 小时的录音，有至少 2 名字节员工全程陪同。" 对话不能水时长，要有内容和信息，质量太差会酌情扣款 "，" 不能修改提示词，大模型理解不了 "。从晚上 6 点到 9 点，字节员工在录制过程中的指令，则更多透露着对于录音质量的关注。图注：大钟寺录音室内部图实际上，成都、太原、贵州等二线城市，早已成了字节、百度、阿里等大厂的 AI 数据外包之城。" 去年，数据标注、方言朗读，专科生就能做。现在招的都是 211、985 的实习生带外包。" 某大模型产品经理表示。在 9 月刚刚推出视频大模型的 MiniMax，其创始人闫俊杰告诉字母榜，在上海，除了语料公司的高质量数据之外，MiniMax 也会采购一些平台化数据。数据、算法和算力是 AI 大模型的三大支柱，其中数据是大模型进行训练的根基。但由于互联网数据散布在不同平台，并被重重壁垒所环绕，AI 大模型可以用来训练的公开数据正在走向枯竭。6 月，研究机构 Epoch AI 发布了一项新研究预测，可用于 AI 语言模型公开训练的数据，将在 2026 年到 2032 年间，被科技公司耗尽。而早在 2023 年 5 月，OpenAI 首席执行官阿尔特曼便公开承认，AI 公司在不久的将来会耗尽互联网上所有的数据。如何寻找高质量的新数据 " 喂养 " 大模型，成了所有 AI 大模型团队的共同难题。由于存在擅自使用第三方数据的嫌疑，一些大公司屡屡陷入纠纷。8 月，OpenAI 被超过 100 位 YouTube 主播集体诉讼，指控其擅自转录了数百万个 YouTube 视频来训练大模型。英伟达、苹果、Anthropic 等巨头也涉及其中。对于大厂而言，拥有自己的闭源高质量数据，才能保证喂养大模型的数据时效性和质量。而跳过品控不稳定的第三方平台，试图亲自下场为 AI 写 " 剧本 "，或许是大模型厂商们的一条新路子。今年初，在小红书等平台上，悄悄出现了标价 300 元一次的 AI 录音兼职。相比起 BOSS 直聘等平台 30-55 元时薪的 AI 录音兼职，300 元单次、录制地在北京大钟寺的所谓 " 头部大厂录音兼职 " 显得颇具诱惑力。8 月，通过微信被拉到录音群内时，字母榜（ID: wujicaijing）发现群内已经有了 200 多名等候录音的人。由于规定为 2 人一组录制对话，时间长达 3 小时，进群后，" 找搭子 "" 有人和我一起录吗？" 的微信消息弹出的最多。而实际上，300 元一次，做 AI 录音员，" 给 AI 写剧本 " 并不轻松。首先在录音前，所有人都必须上传一段 2-3 分钟的对话录音做 " 样音 "，字节的审核人员要通过样音的效果来决定是否通知兼职录音。而这个过程会有 3 名员工负责审核，其中 2 名员工审核都通过，才能直接预约录音时间，如果不通过，还有交叉审核。在样音二审过后，张雪在提交样音的第二周预约了晚上 6-9 点的录音时间。而在群聊内，不少人都被卡在了样音环节，" 审核老师喜欢能聊的，爱聊的。" 情绪高昂的对话，内容有主题，让更多的人卡在了筛选的第一道门槛。图注：大钟寺录音群图源：字母榜截图录制当晚，张雪隔着录音室的透明玻璃坐在椅子上，调节到语音能够被清晰录入的最佳位置，通过耳机收听字节员工的指令。第一个环节，就是两人 80 分钟的无主题自由聊天。而字节人员的要求，则是聊天不能是 " 片汤话 "，要有内容，同时每个话题都不能超过 10 分钟，并且不能出现大段大段的独白，要保证是相对平均的对话状态。张雪和搭档在录音室内隔着巨大的头麦对谈，尽量不停顿地谈话 80 分钟。同时，还要尽量克制身体不能乱动，发出咳嗽声、笑声等扰乱录音质量的声音。为了保证语音质量，字节人员通过耳机不时插入，提示出现了杂音要重新录制，或者聊天 " 不自然，引导痕迹过重 "，也要重新录制。高质量语音的标准是聊天自然、话题连续，情绪积极但不能抢话，还要有内容、不流水账。经过反复重调，第一个环节就花费了近 2 个小时的时间。而到了第二个环节，要录制有提示词的 60 组对话。尽管有了剧本可供参考，但作为 AI 录音员，张雪不仅要根据情境编对话，还要保证严格的对话模式，即上一组对话是 A 结束收尾，那么下一组对话必须由 B 开始。同时，为了适应大模型的调试需求，每一次的指令都必须清晰明确地说出提示词，" 可以详细一些吗？可以更详细一些吗？可以再详细一些吗？" 而在耳机内，字节人员也明确表示，剧本都可以改，但只有提示词不能动，换个说法，AI 就可能难以识别。为了保证录音质量，录音不清晰、吞字或者情绪不足，都会重新录制。等录制结束，张雪离开大钟寺，时间已经走到了晚上近 10 点。而一次 3 小时的录音，字节人员一天要录制 3 场，每周的日程几乎都是满的。除了北京，字节已经在上海、杭州、重庆、南京、成都、天津等多个城市招募录音员。对于渴求新数据的大模型厂商们来说，" 砸钱拿数据 " 的操作并不新奇。2023 年，随着 AI 大模型成为新风口，大厂们不仅直接通过第三方公司购买数据，也创造出了 " 大数据标注师 "、"AI 编辑 " 等外包岗位。2023 年，小语种专业的阿琳，在考研期间就通过 BOSS 直聘等网站，开始为大模型 " 打工 "。通过一家叫做 "X 数据 " 的公司，阿霖为大模型图片识别的文字内容做验收，即检验大模型图片识别后的小语种文字是否与图片一致。按照 " 一个词或一句话算一个核算框，一个框算 1 毛钱 " 的价格，核算几百条，阿霖一次能赚几十元。到了今年，阿霖同样通过第三方的数据公司接单，做翻译类的 AI 数据标注，价格涨成了 1 元多一条。但要人工判断大模型翻译出的法语等小语种是否准确，标注员不仅要找出错误之处，还要用不同的颜色，对 5-6 个大模型的翻译内容进行标注。" 有时看一条得花 10-15 分钟 "。为 AI 打工之后，阿霖也发现，这些大模型，一旦脱离了原本小语种的教科书语料库，对于社交平台新的用词，或者小众人群的惯用词，即自身的数据库没有收录，大模型就开始降智，" 受限于版权，学不到新的文本内容，翻译效果也受影响。"除了第三方外包公司，大厂也建立起了自己的数据基地。例如，百度的数据基地分布在如南昌、阳泉、太原、贵州等非一线城市，并在这些城市完成数据标注、方言朗读等数据的采集，只需 " 招一些当地的专科生，会操作电脑就行。月工资也往往在 3000-5000 元之间。" 美团也早就有了自己的驻厂 AI 训练师。不过，相比起舍得砸钱的大厂，大模型四小龙们想要拿到高质量数据，难度高了不少。" 核心的闭源高质量数据，往往都已经被大厂垄断，AI 创业公司，甚至是 AI 四小龙，都可能只能拿到边缘数据。"某大模型厂商的算法人员 Leo 告诉字母榜。由于高质量数据能够显著提升模型效果，因此，在开源的公开数据数据之外，大模型厂商们为了实现技术迭代，需要更高质量的数据完成训练。但这些数据往往被大公司把握，如国内的新闻数据掌握在腾讯、字节等大厂内部，海外则由 Common Crawl、GDELT、The Pile 等占据。在海外，即便是 YouTube，也在 6 月底宣布，将向顶级唱片公司提供许可协议，以换取版权音乐用于训练。OpenAI 一直在与 Politico、《大西洋月刊》、《时代》、《金融时报》等新闻出版商达成付费协议，使用并引用它们的新闻资料。当关键数据主要掌握在 " 渠道方 " 内部，比如腾讯、字节和 Meta 等公司，关键用户数据早在移动互联网时代被瓜分完毕，要想实现技术突围，AI 四小龙首先就得交一笔不小的 " 数据费 "。对于厂商们来说，行至大模型创业下半场，" 大数据幻觉 " 也是大模型集体降智、测不出 9.11 和 9.9 哪个大的原因之一。当字母榜在 MiniMax 的海螺 AI 内输入 " 一个小女孩怀里抱着一只布偶猫 "，耗时 2 分钟，生成的 6 秒视频内，小女孩抱猫咪的手指细节丰富，只是怀里抱着的，并非是一只布偶猫。面对生成结果，MiniMax 的视频大模型员工解释，" 这是因为用于训练大模型的数据，在猫咪的绑定图片里，并没有布偶猫。"当模型生成的内容与现实世界事实或用户输入不一致，即大模型出现幻觉，开始 " 胡说八道 "。对于渴望新用户的大模型厂商而言，生成效果显然决定了产品是否有机会出圈。" 输入的指令是提取 8 月所有娱乐新闻，结果 AI 生成的是 2019 年 8 月的娱乐新闻内容。" 在使用某头部大模型产品时，忠实用户孔昉已经抓到了好几次 AI" 胡言乱语 " 的瞬间，或是编纂出根本不存在的引用文献，或是不能理解近两年的新概念，这让孔昉对大模型产生了信任危机。现在，孔昉会同时用 2-3 个不同厂商的大模型 " 跑 " 同一个问题，然后交叉对比，对于时间、数量、文献等关键信息，也会通过搜索引擎二次确认，" 现在 AI 生成很像抽卡，效果不可控，而且还容易智障。" 孔昉无奈道。而高质量数据或将逐渐耗尽，想要解决 " 大模型幻觉 " 问题，拿什么数据来 " 喂养 " 大模型，显然颇为关键。某接近百度的人士告诉字母榜，大模型厂商们都会通过三方公司直接购买数据，省时省力但并 " 不省事 "，就是因为购买来的数据，无论是文本、录音还是视频，质量都是不可控的。对于积极发展 B 端客户的头部大模型而言，针对某个客户，更个性化地定制大模型成为如今大厂 AI 业务主要的收入来源。但想要训练出这样个性化的模型，就需要相应高标准筛选下的数据来 " 喂养 "，甚至根据不同阶段大模型的学习效果，进行数据需求的调控，" 不是随便买一堆语音来，大模型就能学会的 "。在某三方数据工作做过 AI 翻译的阿霖也发现，" 作为提供数据的甲方，她所在的公司似乎并不真的关心大模型生成的语音质量。"对于专攻法语、西班牙语等小语种的阿霖来说，她需要为甲方同时对比 5-6 个大模型将小语种语音翻译成文字的生成效果，但只需要粗略得打分，对于生成的 5-6 份文字，到底有哪些细节的语言差异，能够如何改进，三方公司并不会询问，" 漠不关心 "。而缺乏高质量数据，或许也正是不少用户表示 " 用哪家的大模型生成的内容都差不多 " 的原因，也正是用户一旦 " 一家大模型收费，就直接换另一家 " 的根因。对于用户而言，宣称追赶 OpenAI，在技术上持续迭代的国产大模型，或许并无实质差异，也谈不上成为忠诚用户，这也给急着商业化的大模型厂商们蒙上了一层淡淡的阴影。因此，即便亲自下场 " 为 AI 编剧本 " 费时费力又费钱，字节也趟出了一条新路子。而可以预见的是，为了解决商业化和用户拉新的关键问题，大手笔咬牙 " 买数据 "，恐怕将成为大模型厂商们的新赛点。（文中阿霖、孔昉、张雪为化名）