海天瑞聲創(chuàng)始人賀琳：為大模型“火箭”加燃料｜專訪董事長

每經(jīng)記者 可楊    每經(jīng)編輯 董興生    

■相關(guān)公司：海天瑞聲（SH688787,股價92.15元，市值56億元）

■核心競爭力：具備標(biāo)準(zhǔn)化數(shù)據(jù)集產(chǎn)品規(guī)?；a(chǎn)能力，累計完成超過1300個自有知識產(chǎn)權(quán)的訓(xùn)練數(shù)據(jù)標(biāo)準(zhǔn)化產(chǎn)品的建設(shè)，在全球企業(yè)中穩(wěn)居前列。較早地布局并建立了多語種能力。

■機構(gòu)眼中的公司：國內(nèi)AI訓(xùn)練數(shù)據(jù)龍頭提供商，自動駕駛業(yè)務(wù)打開成長空間

■所屬概念：數(shù)據(jù)服務(wù) 人工智能 AIGC

11.2公里/秒，是火箭能夠成功擺脫地球引力束縛，飛離地球的速度。而瞬間的燃料燃燒所提供的推動力，是幫助火箭一次又一次加速直至進入外太空的助力。

與《每經(jīng)人物•專訪董事長》記者交流時，海天瑞聲董事長賀琳覺得，作為一切人工智能技術(shù)最上游的數(shù)據(jù)，就是人工智能這艘火箭的“燃料”。海天瑞聲正是一家生成“燃料”的公司。

海天瑞聲是國內(nèi)最早投入AI訓(xùn)練數(shù)據(jù)的專業(yè)服務(wù)商之一，2023年，不斷翻涌的大模型浪潮將這家公司推至資本市場的聚光燈下。而身處潮水之中，賀琳對未來的思考依舊謹(jǐn)慎。

大模型狂熱：初印象非常驚艷，但對預(yù)期“審慎樂觀”

2023年初，賀琳在海天瑞聲公司年會上的發(fā)言稿，80%由ChatGPT完成。

“非常的驚艷，有點不（敢）相信。”這是賀琳對ChatGPT的初印象，“當(dāng)然，也有不盡如人意的地方，我覺得這才是我們要努力的方向。”ChatGPT的出現(xiàn)，讓這家數(shù)據(jù)公司突然站到了資本市場舞臺中央。

2023年開年以來，海天瑞聲股價一路走高，3月一度漲至191.96元/股，較其2021年8月上市時翻了一番。而海天瑞聲方面，則已多次在投資者互動平臺發(fā)布提示，稱公司與OpenAI沒有合作，也尚不能預(yù)期大模型業(yè)務(wù)將帶來多少收入。

“年初，我們還在仔細(xì)觀察、論證這個技術(shù)到底對數(shù)據(jù)有什么樣的需求。”賀琳認(rèn)為，合適的入局時機應(yīng)該是當(dāng)這項技術(shù)能夠真正在行業(yè)中落地的時候，這意味著其有真正的應(yīng)用場景，而非偽場景。“我們要確定這個需求是真的，且有人會為這個需求買單，這才是一個正常的商業(yè)邏輯。”

同時，當(dāng)行業(yè)落地時刻到來，數(shù)據(jù)的需求量也會迎來大規(guī)模提升。“這給公司帶來的上升空間，我認(rèn)為是非常樂觀的，（目前）我們還是抱著樂觀審慎的態(tài)度去看、去跟蹤、去研究這項技術(shù)。”

“判斷一個行業(yè)，我們會更深刻地去想這個行業(yè)到底需要什么樣的數(shù)據(jù)，只有想清楚這件事，我們才會走過去，我們當(dāng)初對自動駕駛領(lǐng)域的布局就遵循了這個邏輯。”賀琳介紹。

布局自動駕駛行業(yè)是海天瑞聲在2021年定下的戰(zhàn)略方向，在賀琳看來，自動駕駛賽道已經(jīng)符合這個判斷邏輯。從L2到L4，自動駕駛已經(jīng)有相當(dāng)多的應(yīng)用落地，同時，自動駕駛的數(shù)據(jù)需求量十分巨大。

她判斷，自動駕駛是一個人命關(guān)天、對安全要求非常高的技術(shù)，它需要大量數(shù)據(jù)來打磨，去覆蓋各個不常見的場景來保證安全性，因為任何極端天氣或極端場景都可能導(dǎo)致誤判。“怎么避免？就需要大量的數(shù)據(jù)去訓(xùn)練，讓模型接觸到更多長尾的場景來提高它的安全性。”

今年4月18日，海天瑞聲正式推出其專為自動駕駛場景設(shè)計的全棧式數(shù)據(jù)標(biāo)注平臺“DOTS-AD自動駕駛標(biāo)注平臺”。

數(shù)據(jù)需求增加背后：系統(tǒng)性差距依舊存在

賀琳曾就職于中國科學(xué)院聲學(xué)研究所，從事語音識別、語音合成、漢語語言理解、語音心理測試等方面的研究工作。

成立于2005年的海天瑞聲，最初誕生于賀琳在這份工作中捕捉到的行業(yè)痛點。“我們當(dāng)時在課題組其實也會遇到（缺少）數(shù)據(jù)的問題，解決辦法就是工作人員，加上研究生、博士生，自己來做數(shù)據(jù)。”盡管彼時實驗室的數(shù)據(jù)量相對較少，但也已經(jīng)算是一項繁瑣的工作。

隨著技術(shù)的發(fā)展，智能語音從實驗室走向大規(guī)模應(yīng)用階段，更多場景的覆蓋需求，意味著數(shù)據(jù)需求隨之大規(guī)模增加。與此同時，在與一些就職于大型企業(yè)或研究機構(gòu)的前同事交流時，賀琳發(fā)現(xiàn)，大家都在關(guān)注數(shù)據(jù)的問題。“（大家）認(rèn)為數(shù)據(jù)是一個非常大的瓶頸，阻礙他們技術(shù)的落地。所以我就在想，那是不是可以由我出來做這件事情，幫助大家解決這個困難。”

時至今日，賀琳覺得，彼時促使她創(chuàng)業(yè)的瓶頸依舊存在。

在她看來，數(shù)據(jù)的需求是跟著技術(shù)的發(fā)展而變化的，隨著技術(shù)在各個行業(yè)中落地，就會有更多的數(shù)據(jù)需求爆發(fā)。“像現(xiàn)在大模型起來，很多人都認(rèn)為，數(shù)據(jù)差距是一個造成系統(tǒng)性差距的非常重要的原因，所以大家認(rèn)為數(shù)據(jù)還是很重要的要素，這個瓶頸依然存在。”

不同的是，賀琳創(chuàng)業(yè)之初，國內(nèi)競爭對手少，海天瑞聲得以在市場快速突圍。而如今，國內(nèi)已經(jīng)出現(xiàn)一批新的數(shù)據(jù)公司，先發(fā)優(yōu)勢成為當(dāng)下數(shù)據(jù)公司核心競爭力的基礎(chǔ)。“其實，這個行業(yè)有很多的技術(shù)壁壘和‘know-how’，也是需要不斷打磨項目，才能去沉淀自己的技術(shù)、學(xué)會各類‘know-how’的，這是靠項目積累出來的，而不是短期能很快積累起來的過程。”

“燃料”的誕生：龐大參數(shù)支撐大模型

海量數(shù)據(jù)如何最終成功支撐起龐大參數(shù)的大模型運行？需要首選了解一個概念——數(shù)據(jù)集。

賀琳介紹，數(shù)據(jù)集的產(chǎn)生是一個非常復(fù)雜的過程，其中包括設(shè)計階段、采集階段、處理階段以及最后的質(zhì)檢階段。

在設(shè)計環(huán)節(jié)，需要先去了解數(shù)據(jù)集是為了解決哪個問題，這個問題需要什么樣的數(shù)據(jù)，需要多大的量，需要什么樣的場景，以及采集的樣本、規(guī)模、內(nèi)容，包括采集的設(shè)備、標(biāo)注的規(guī)范等等；采集環(huán)節(jié)則是按照設(shè)計的方案，到大千世界采集，有可能是聲音，有可能是圖像、圖片，又或是手寫的字、道路的場景。采集完成后則需要進入清洗、標(biāo)注環(huán)節(jié)。最后生產(chǎn)出的數(shù)據(jù)集需要通過雙層的質(zhì)檢流程，最終才能生產(chǎn)出一個合格的數(shù)據(jù)集。

這其中，清洗規(guī)則的好壞、標(biāo)注的準(zhǔn)確性都會極大地影響數(shù)據(jù)集的質(zhì)量，進而影響模型的效果。

海天瑞聲人工智能基礎(chǔ)數(shù)據(jù)創(chuàng)新服務(wù)基地 圖片來源：公司供圖

賀琳舉例說，海天瑞聲的大模型數(shù)據(jù)清洗率是5%，即清洗出來正確的數(shù)據(jù)僅僅占原數(shù)據(jù)的5%，這也印證了數(shù)據(jù)清洗環(huán)節(jié)的重要性。而標(biāo)注的流程則主要是解決準(zhǔn)確性和一致性問題，“我們通常說95%、98%或者是99%，不同的準(zhǔn)確率對模型訓(xùn)練的結(jié)果有非常大的影響”。

“數(shù)據(jù)的清洗和標(biāo)注流程對于模型的質(zhì)量至關(guān)重要，它們可以提高數(shù)據(jù)的質(zhì)量和準(zhǔn)確性，幫助模型更好地去學(xué)習(xí)，也為模型的評估奠定了一個很好的基礎(chǔ)。”賀琳表示。

賀琳認(rèn)為，高質(zhì)量的數(shù)據(jù)包括了數(shù)據(jù)的豐富度，場景的豐富度，數(shù)據(jù)的準(zhǔn)確性、一致性等，這都是衡量高質(zhì)量數(shù)據(jù)的標(biāo)準(zhǔn)。她也認(rèn)同，高質(zhì)量數(shù)據(jù)的提供，需要高質(zhì)量人工的支持。

“有一些高質(zhì)量的數(shù)據(jù)，尤其是行業(yè)數(shù)據(jù)，確實需要更高層次的人去處理。因為我們也了解到，像OpenAI這樣的公司，它背后也有一個很強大的數(shù)據(jù)處理團隊，他們要把對行業(yè)的‘know-how’或者是更高層的一些知識灌輸?shù)綌?shù)據(jù)里。”她表示。

浪潮的下一步：離開人工，實現(xiàn)智能

“有多少智能，就有多少人工。”這句話依舊得到大部分人的認(rèn)同。

在海天瑞聲這家“燃料”制造商，優(yōu)質(zhì)“燃料”的誕生，同樣需要最了解“火箭”的人來把控。

賀琳介紹，海天瑞聲的管理層除擁有比較好的學(xué)術(shù)背景外，也都有在外企或大廠等機構(gòu)的工作、管理經(jīng)驗。“他們以前是數(shù)據(jù)的使用者，加入公司以后，他們非常知道數(shù)據(jù)的使用者需要什么樣的數(shù)據(jù)，這可以讓他們更快速地對市場有預(yù)判，也會更好地跟業(yè)界交流。”

她同時坦言，為不同行業(yè)提供的數(shù)據(jù)，需要具備不同行業(yè)專業(yè)知識的人來處理。“至少在初期包括規(guī)則探討、打磨標(biāo)簽、尺度和標(biāo)準(zhǔn)的把握階段需要有專業(yè)的人，但把規(guī)則定下后，可能通過一些訓(xùn)練，讓基礎(chǔ)的人員能具備這樣的訓(xùn)練能力。”

但是，在賀琳看來，“有多少智能就有多少人工”是一個誤解。“確實，這個行業(yè)有很多的人力，但人力是在技術(shù)的支撐下做這些事，沒有技術(shù)支撐，可能人力需要現(xiàn)在的10倍都不止。所以，我們這種綜合性的數(shù)據(jù)服務(wù)商一直都在追求用更自動、更智能的方式來完成數(shù)據(jù)的任務(wù)，不斷解放人力。”

圖片來源：公司供圖

賀琳希望，能一步步減少人工對人工智能的參與，大模型的浪潮，正在加速實現(xiàn)這個目標(biāo)。“讓計算機自動處理數(shù)據(jù)，永遠都是我們的追求。”

據(jù)她介紹，公司也在探討未來的兩大工作方向，一個是打造一批針對通用領(lǐng)域、垂直領(lǐng)域，且具備單模態(tài)和多模態(tài)屬性的、供給大模型使用的數(shù)據(jù)集產(chǎn)品。另外，海天瑞聲也在計劃啟動數(shù)據(jù)生產(chǎn)垂直大模型的研發(fā)項目，希望用大模型技術(shù)來支撐數(shù)據(jù)的生產(chǎn)。“大家都說大模型將給眾多垂直行業(yè)帶來重大積極影響，其實數(shù)據(jù)處理本身也是一個垂直行業(yè)，我們希望用大模型的能力來更自動化地把數(shù)據(jù)處理這件事情做好。”

“人工智能的背后是人工”也是有可能發(fā)生改變的。“現(xiàn)在背后依然確實需要很多的人工，但是我們一直在盡量想辦法減少人工。包括加入很多算法，提高對數(shù)據(jù)做預(yù)標(biāo)注的準(zhǔn)確率，準(zhǔn)確率越高，人工參與的程度越低。”

但賀琳也坦言，這件事并不容易。“其實，如果真的把這個事都做成了，人工智能就完成了。因為不需要人的介入，相當(dāng)于它處理的東西都跟人想的是一樣的。”但另一方面，當(dāng)技術(shù)達到一定突破后，倫理、法規(guī)、安全等問題就會出現(xiàn)，如何解決這些問題，也是今后整個人工智能行業(yè)面臨的難題。

新的變革契機：多模態(tài)需求將推高行業(yè)門檻

每一次的火箭升空，都需要大量的燃料助推。

賀琳認(rèn)為，當(dāng)人工智能技術(shù)迎來新的變革時，對數(shù)據(jù)提供商來說就是一次契機。“我覺得可能也是根據(jù)一些需求，比如像蘋果手機的siri出來以后，大家就會認(rèn)為在語音上有一些突破，這些數(shù)據(jù)的需求就會暴增。”

賀琳覺得，在整個人工智能行業(yè)，數(shù)據(jù)就像人類學(xué)習(xí)知識時使用的教科書，“你的教科書越全面，信息越準(zhǔn)確，學(xué)習(xí)的結(jié)果就會越好，其實機器也是一樣的”。她認(rèn)為，數(shù)據(jù)集本質(zhì)上就是人類把自己對大千世界、萬事萬物的一些認(rèn)知和判斷方法加載到數(shù)據(jù)上，然后讓機器去學(xué)習(xí)，使機器得出來的對事物的判斷結(jié)果更加趨近于人類。在她看來，這就是數(shù)據(jù)公司的價值。

而在大模型的熱潮之下，多模態(tài)的能力成為一個關(guān)鍵詞。賀琳表示，多模態(tài)數(shù)據(jù)是未來的一個方向。“多模態(tài)的數(shù)據(jù)里蘊含了更多更豐富的信息，對機器做判斷也會提供更多的信息來源，但多模態(tài)的數(shù)據(jù)（獲?。┑碾y度也非常大。”

她進一步介紹，首先，多模態(tài)數(shù)據(jù)要求的量很大，合規(guī)取得這些數(shù)據(jù)的難度就會更大；其次，多模態(tài)數(shù)據(jù)采集的設(shè)備也非常昂貴，對數(shù)據(jù)公司的財務(wù)能力是一種考量。此外，多模態(tài)數(shù)據(jù)對齊的問題、對齊的標(biāo)準(zhǔn)等，都是多模態(tài)數(shù)據(jù)的難點。

圖片來源：公司官網(wǎng)

賀琳認(rèn)同一點，多模態(tài)能力會導(dǎo)致數(shù)據(jù)公司的入門門檻提高。“包括我們可能還要去做一些數(shù)據(jù)生成技術(shù)，用我們的一些單一形態(tài)的數(shù)據(jù)來合成多模態(tài)的數(shù)據(jù)，這都要求公司有更高維度的研發(fā)能力。”

目前，賀琳依舊認(rèn)為，數(shù)據(jù)這個方向是海天瑞聲未來的定位，因為這個領(lǐng)域要做的事情太多了。“隨著技術(shù)的發(fā)展進入千行百業(yè)，每一個行業(yè)都需要認(rèn)真地去了解這個行業(yè)的‘know-how’是什么、如何解決這個行業(yè)的一些關(guān)鍵痛點。那么多行業(yè)呢，我們有足夠大的空間去拓展。”

而深入行業(yè)，則需要公司本身有一定的研發(fā)能力，同時，在進入行業(yè)時，需要有行業(yè)專家的參與，通過真實的項目打磨，進而逐漸積累。“這不是個一蹴而就的事情，需要一個長期持續(xù)的過程。”她表示。

賀琳相信，通用人工智能終將有一天會實現(xiàn)，但這也需要一個過程，即便技術(shù)達到了，還有倫理的問題、安全的問題、合規(guī)的問題。這些都解決了之后，如何解決行業(yè)的問題，也有很長的一段路要走。

而在這條路上，她認(rèn)為，數(shù)據(jù)公司將會扮演越來越重要的角色。在這個過程中，算法可能會相對趨于穩(wěn)定，但仍需大量的、類型迥異的數(shù)據(jù)對算法進行訓(xùn)練，才能解決行業(yè)的問題。