來源： 燃財(cái)經(jīng)工作室

如今，智能設(shè)備越來越多地出現(xiàn)在每個(gè)人的生活中，在享受它們帶來的便利時(shí)，很多人或許沒有意識(shí)到，自己說的話可能會(huì)被人工 " 竊聽 " 并分析標(biāo)注，而原因是，廠商想讓這些設(shè)備變得更智能。

" 放首牛德華的歌 "，一段帶口音的成年女聲從電腦里響起，但機(jī)器把它識(shí)別成了 " 兒童 " 的聲音，這是機(jī)器常犯的錯(cuò)誤，標(biāo)注員唐頓把它修改為 " 成人 "，緊接著還要把 " 牛德華 " 注釋為 " 劉德華 "，好讓機(jī)器下次變得 " 聰明 " 一點(diǎn)。

聽寫、標(biāo)注這些聲音，是唐頓五年來的日常工作。

這五年，她每天大約要聽 1000 個(gè)陌生人的聲音，這些聲音出現(xiàn)在不同場景：一位帶有南方口音的尖銳男聲發(fā)出指令 " 小薇你好，請播放沙漠駱駝 "，背景里伴隨著車輛閃光燈滴答滴答的聲響；一位略帶不耐煩的女聲高喊 " 關(guān)閉導(dǎo)航 "；偶爾，還有車主通過罵臟話發(fā)泄情緒的聲音 ……

唐頓不明白為何要對這些聲音進(jìn)行標(biāo)注，她把問題拋給領(lǐng)導(dǎo)后，得到的反饋是—— " 機(jī)器需要數(shù)據(jù)來自我優(yōu)化 "。唐頓因此調(diào)侃自己是人工智能背后的女人。

人工智能的進(jìn)化，需要大量數(shù)據(jù)來 " 喂養(yǎng) "，這催生出一個(gè)全新的產(chǎn)業(yè)，像唐頓一樣的標(biāo)注員越來越多，一個(gè)龐大的系統(tǒng)正在形成。

為 AI 打工的青年

早上 8 點(diǎn)，家在河南的張藝誠打開電腦，帶上耳機(jī)，輸入賬號(hào)密碼后進(jìn)入到一個(gè)后臺(tái)系統(tǒng)，開始一天的工作。

1 個(gè)月前，他陸續(xù)加入了兩個(gè)近 2000 人規(guī)模和兩個(gè) 50 人規(guī)模的標(biāo)注團(tuán)隊(duì)，每次能領(lǐng)到一個(gè)約有 150 條語音的數(shù)據(jù)包，大概要在 1 小時(shí)內(nèi)做完，做完后才能繼續(xù)領(lǐng)任務(wù)。

張藝誠向燃財(cái)經(jīng)展示搶到的不知來源的語音包，從內(nèi)容上看場景較為私密，有 " 濤哥，下班了一起斗地主啊 "" 好心累吶 "" 你在哪 " 等。

相比 " 領(lǐng) " 任務(wù)，張藝誠認(rèn)為，用 " 搶 " 更貼切，" 僧多粥少，能搶到多少取決于老大的能力 "。

張藝誠向燃財(cái)經(jīng)展示的 50 人團(tuán)隊(duì)里，大家稱管理員為 " 老大 "，老大們之間也有競爭，團(tuán)隊(duì)轉(zhuǎn)錄的數(shù)據(jù)質(zhì)量越高、速度越快，老大能拿到的單子就越多，才能 " 喂飽 " 團(tuán)隊(duì)并繼續(xù)擴(kuò)大規(guī)模。同時(shí)，團(tuán)隊(duì)規(guī)模越大，對上游的話語權(quán)也就越大，能領(lǐng)到的單量也更多、質(zhì)量也更高，這是相輔相成的關(guān)系。

不管團(tuán)隊(duì)是上千人還是幾十人，新人加入都必須先經(jīng)過測試，測試之后是培訓(xùn)，緊接著才是領(lǐng)任務(wù)，最后還得有一輪人工質(zhì)檢審核，因?yàn)榭蛻敉ǔＲ笞罱K的準(zhǔn)確率在 95% 以上。

想通過測試并不容易，需要記住繁瑣的細(xì)節(jié)規(guī)范，比如哪些客戶需要在轉(zhuǎn)寫英文字母時(shí)大寫、哪些要求小寫，哪些情況會(huì)直接視語音為 " 無效 "，發(fā)音不清的字詞哪些需要加音標(biāo)、哪些不加，" 且動(dòng)不動(dòng)就要整批打回 "，除此之外還得聽得懂特定場景的術(shù)語。

語音標(biāo)注員需要遵循的標(biāo)注規(guī)范（部分）

張藝誠讓燃財(cái)經(jīng)嘗試轉(zhuǎn)錄了 10 條他收到的語音包，從內(nèi)容看是發(fā)生在游戲同伴間的對話，里面出現(xiàn)了包括 " 呂布 "" 李白 "" 房主 " 等在內(nèi)的王者榮耀游戲里的稱呼，通常帶有環(huán)境噪音，麥克風(fēng)偶有噴麥，并不容易聽清。

標(biāo)注員需要熟悉的專業(yè)詞匯

張藝誠展示的錄音，大多來自擁有語音交互功能的產(chǎn)品，如車載語音、智能音箱，其中包括百度小度、天貓精靈的用戶錄音，還有來自攜程的客服錄音和來自滴滴的司乘錄音。但大部分任務(wù)并不以客戶名稱命名，而是以音頻長短來區(qū)分。

燃財(cái)經(jīng)體驗(yàn)后發(fā)現(xiàn)，交互類型的音頻多在 2 秒～5 秒之間，通常夾雜噪音，大部分是用戶和語音產(chǎn)品的對話，少數(shù)能明顯判斷為意外觸發(fā)的錄音，且未出現(xiàn)暴露用戶身份信息、位置信息的情況。

語音標(biāo)注員需要用到的后臺(tái)系統(tǒng)及顯示界面

其中，小度音箱的轉(zhuǎn)錄注意事項(xiàng)注明：如果整句跟旁人聊天的無效，只有跟小度對話的才有效。

而在燃財(cái)經(jīng)體驗(yàn)的車載語音中，大部分為帶口音的普通話用戶，點(diǎn)播的歌曲類型多為東北社會(huì)搖和快手熱門歌曲。

張藝誠表示，這是一項(xiàng)完全沒有技術(shù)的累活，1 小時(shí)有效時(shí)長錄音，能帶來 100 元報(bào)酬，但聽下來需要 30 個(gè)小時(shí)，平均時(shí)薪只有 3 塊多錢。即使是干了五年的唐頓，平均月薪也只有 3000 元。

AI 迫切需要成長，張藝誠和唐頓們只會(huì)越來越多，他們大多遍布在河南、山東、河北等地的四五線小城里， 夜以繼日地為世界領(lǐng)先的 AI 產(chǎn)品服務(wù)。

美國 AI 研究機(jī)構(gòu) Cognilytica 預(yù)計(jì)，截止 2018 年，全球數(shù)據(jù)標(biāo)注相關(guān)產(chǎn)業(yè)的產(chǎn)值將增長 66% 達(dá)到 5 億美元，2023 年產(chǎn)值更將翻一番，而由于大部分工作都在 " 水下 "，具體產(chǎn)值尚且難以準(zhǔn)確估算。

財(cái)大氣粗的數(shù)據(jù)服務(wù)商

與遍布在四五線小城鎮(zhèn)里的打工者不同，被轉(zhuǎn)錄的數(shù)據(jù)包通常由具備一定規(guī)模的人工智能公司或數(shù)據(jù)服務(wù)商發(fā)布。

在招聘軟件上，燃財(cái)經(jīng)以 " 數(shù)據(jù)標(biāo)注員 " 為關(guān)鍵詞，搜索到超過 100 條相關(guān)職位信息，發(fā)布這類職位的公司通常處于 B 輪或 C 輪階段、具備一定的資金實(shí)力，有的直接在職責(zé)介紹中注明—— " 智能語音、圖片等相關(guān)數(shù)據(jù)的語義理解及標(biāo)注 "" 對已標(biāo)注數(shù)據(jù)的清洗，保證標(biāo)注數(shù)據(jù)的正確率 "。

對于燃財(cái)經(jīng) " 數(shù)據(jù)清洗是什么 " 的疑問，一位負(fù)責(zé)招聘的 HR 回答：使用軟件對數(shù)據(jù)進(jìn)行操作，不是很難。

當(dāng)燃財(cái)經(jīng)繼續(xù)詢問是否是 " 將錄音內(nèi)容轉(zhuǎn)寫成文字 " 時(shí)，對方表示 " 是的 "，同時(shí)透露客戶是小米，但問到具體會(huì)是什么語音包時(shí)，對方不再回復(fù)。

而在張藝誠加入的四個(gè)群背后，發(fā)布的任務(wù)大多來自一個(gè)叫海天瑞聲的公司。

公開資料顯示，該公司成立于 2005 年，專注于人工智能上游的數(shù)據(jù)資源服務(wù)，服務(wù)場景包括人機(jī)交互、智能家居、智慧城市等。

招股書顯示，該公司有三大主營業(yè)務(wù)，分別是數(shù)據(jù)資源定制服務(wù)、數(shù)據(jù)庫產(chǎn)品和數(shù)據(jù)資源相關(guān)的應(yīng)用服務(wù)。前五大客戶為阿里巴巴、三星、騰訊、微軟、百度，貢獻(xiàn)了 2018 年?duì)I業(yè)收入的 59.6%，總計(jì) 1.1 億元，其中阿里巴巴排名第一為 5179 萬。

2016 年～2018 年，公司分別實(shí)現(xiàn)營業(yè)收入 8422.86 萬元、1.19 億元、1.93 億元，凈利潤為 1028.93 萬元、3414.96 萬元、6714.16 萬元。

2016 年～2018 年，數(shù)據(jù)資源定制服務(wù)及數(shù)據(jù)庫產(chǎn)品兩項(xiàng)收入合計(jì)占營業(yè)收入近 99%，兩者毛利潤合計(jì)占比也是超過 95%。招股書中，對數(shù)據(jù)資源定制服務(wù)和數(shù)據(jù)庫產(chǎn)品定義如圖：

無論是從數(shù)據(jù)資源定制服務(wù)還是數(shù)據(jù)庫產(chǎn)品的銷售情況來看，智能語音數(shù)據(jù)資源的銷售是主要收入來源。

2019 年，海天瑞聲還上演了一場科創(chuàng)板 " 逃跑計(jì) "。7 月 26 日，其上會(huì)審核狀態(tài)變更為終止審核，科創(chuàng)板上市之路告一段落，輿論認(rèn)為原因在于其核心技術(shù)不足。

從公布的軟件著作權(quán)以及在申請專利來看，其大部分技術(shù)是用于語音數(shù)據(jù)采集與處理環(huán)節(jié)。可見，公司的核心技術(shù)主要體現(xiàn)在錄制及標(biāo)注語音數(shù)據(jù)方面。

而由于錄制及標(biāo)注語音數(shù)據(jù)需要大量廉價(jià)勞動(dòng)力，這也是公司經(jīng)常大規(guī)模招兼職的原因。

" 在能看得見的未來，我們還得為人工智能打工 "

在電影《她》中，那個(gè)由斯嘉麗 · 約翰遜配音的人聲智能系統(tǒng) Samantha 擁有極高的情商，為討好使用者繼續(xù)訂閱，Samantha 不僅需要讓男主人泰奧多爾完全相信她與人類無差，同時(shí)還要嘗試讓對方愛上自己。為此，永遠(yuǎn)都不能聽錯(cuò)或理解錯(cuò)泰奧多爾說過的任何一個(gè)字。

這是一部來自 2013 年的電影，時(shí)間來到 2019，距離電影中的愿景還很遙遠(yuǎn)。

一位來自北郵人工智能研究院的研究員周洲告訴燃財(cái)經(jīng)，一個(gè)好的模型數(shù)據(jù)量基本都是上百萬級(jí)別的，通過用戶自發(fā)產(chǎn)生的數(shù)據(jù)，才是最貼合實(shí)際業(yè)務(wù)的好數(shù)據(jù)。

" 機(jī)器學(xué)習(xí)，你教他什么，他才能學(xué)會(huì)什么。以目前的技術(shù)，脫離大數(shù)據(jù)學(xué)習(xí)的強(qiáng)人工智能模型還是很遙遠(yuǎn)的。" 周洲說。

他解釋了 AI 的訓(xùn)練過程：

" 首先，AI 訓(xùn)練需要一個(gè)模型，這個(gè)模型需要通過一定量的基礎(chǔ)標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，獲得一個(gè)預(yù)期的訓(xùn)練結(jié)果，比如對預(yù)測天氣的語句識(shí)別率達(dá)到 60% 或更高。這時(shí)候投入使用環(huán)境會(huì)產(chǎn)生大量的用戶數(shù)據(jù)，這些數(shù)據(jù)再經(jīng)過甲方脫敏處理——去掉姓名地址等能透露用戶身份的信息，再交由人工進(jìn)行二次標(biāo)注。

這就來到了大量廉價(jià)標(biāo)注員標(biāo)注的環(huán)節(jié)。通過一些標(biāo)準(zhǔn)，把質(zhì)量高的音頻篩選出來，因?yàn)橐胍恍├溟T的數(shù)據(jù)反而會(huì)降低模型的表現(xiàn)。通過這些數(shù)據(jù)進(jìn)一步調(diào)整模型，使模型能夠更加適合自己的業(yè)務(wù)場景，這樣就構(gòu)成了一次迭代，然后不斷循環(huán)。"

具體到語音交互產(chǎn)品，周洲補(bǔ)充，如果一個(gè)音箱恰好在南方地區(qū)銷售比較好，那么他們就可以通過數(shù)據(jù)調(diào)整，對南方口音有更好的識(shí)別率。

曾做過語音交互產(chǎn)品的創(chuàng)業(yè)者告訴燃財(cái)經(jīng)，目前對智能語音產(chǎn)品的需求是，它能聽懂我說的話并反饋給我想要的東西，而中華文化博大精深，不同地域又有不同表達(dá)，加上生活和書面語言還不一樣，這些都需要交代在系統(tǒng)里。

AI 的生長需要優(yōu)質(zhì)數(shù)據(jù)喂養(yǎng)，而另一邊，不知情的用戶也開始反擊。

2019 年 4 月，亞馬遜被爆在世界各地雇傭了數(shù)千名員工，對 Echo 音箱捕捉到的錄音進(jìn)行轉(zhuǎn)錄、注釋；

7 月，蘋果被爆用戶與 Siri 的對話可能會(huì)被錄音，并且上傳至蘋果，由蘋果分發(fā)給 Siri 的外包公司進(jìn)行分析，迫于輿論壓力，蘋果表示暫停語音分析業(yè)務(wù)；

同月，谷歌承包商泄露了超過 1000 份用戶與谷歌助理交談的錄音，錄音來自于 Google Home 智能音箱以及語音助手。對此，亞馬遜、蘋果、谷歌的回應(yīng)基本一致，" 偷聽 " 是為了提高各自旗下語音助手的智能性。

盡管在發(fā)布數(shù)據(jù)包前，大部分公司會(huì)對數(shù)據(jù)進(jìn)行脫敏處理，但在用戶未知情的情況下，這是否觸犯了法律？

對此，有多年司法工作經(jīng)驗(yàn)的中經(jīng)天平副主任王凱告訴燃財(cái)經(jīng)，無論是否用于牟利，或者是為了提高服務(wù)和產(chǎn)品質(zhì)量，采集和抓取用戶數(shù)據(jù)的首要原則，就是要有用戶授權(quán)。" 即使是不涉及用戶身份信息的指令性錄音，如‘播放音樂’，在沒有經(jīng)過授權(quán)去抓取這個(gè)數(shù)據(jù)，也屬于違法。"

市面上大部分產(chǎn)品以是否同意隱私協(xié)議內(nèi)容作為用戶授權(quán)的方式，但對用戶來說，雖然選擇權(quán)掌握在手，大部分情況還是處于被動(dòng)狀態(tài)，這是因?yàn)榇蟛糠之a(chǎn)品只有在同意授權(quán)后才能使用。

對此，王凱表示，從法律上來說，還有一個(gè)問題，即便得到了用戶授權(quán)也要考慮到用戶是否完全了解授權(quán)的內(nèi)容，授權(quán)之后是否有清晰的提示與展現(xiàn)，以及是否是本人進(jìn)行操作等等情況。

" 但回歸到問題本質(zhì)，是否合法還得看最終如何去使用這個(gè)數(shù)據(jù)。如果是倒賣給第三方，或者使用在用戶不知情的地方，仍然是違法的；

如果協(xié)議中并未明確數(shù)據(jù)將會(huì)如何使用，則處于不完全告知狀態(tài)，這也存在一些法律風(fēng)險(xiǎn)，但目前并沒有一個(gè)明確的法律條款去規(guī)范，只能說如果用戶能找到明確侵權(quán)證據(jù)，那就屬于違法。"

燃財(cái)經(jīng)查閱了小度音箱的用戶協(xié)議和隱私協(xié)議，協(xié)議顯示：" 當(dāng)您激活 DuerOS 程序或喚醒 DuerOS 設(shè)備后，我們會(huì)自動(dòng)接收并記錄您與設(shè)備終端進(jìn)行交互過程中產(chǎn)生的音頻、視頻等相關(guān)信息。"

值得注意的是，協(xié)議還表明：" 若您拒絕我們收集上述信息 …… 將導(dǎo)致您無法獲得相關(guān)服務(wù)。"

小度音箱用戶協(xié)議

燃財(cái)經(jīng)就用戶協(xié)議向百度和阿里相關(guān)人員咨詢，截至發(fā)稿，未獲回應(yīng)。

一方面，AI 變得更智能需要更多用戶數(shù)據(jù)，另一方面，用戶數(shù)據(jù)屬于隱私應(yīng)該保護(hù)，而法律的完善不是一朝一夕的事，這似乎形成了一個(gè)無解的困境。

是否能提出一個(gè)大膽的設(shè)想：在不久的將來，AI 訓(xùn)練不再依賴大數(shù)據(jù)？

對此，周洲表示，" 現(xiàn)在已經(jīng)存在一種強(qiáng)化學(xué)習(xí)的方式，就是機(jī)器可以通過一部分簡單學(xué)習(xí)后，自己產(chǎn)生數(shù)據(jù)進(jìn)行自主學(xué)習(xí)，AlphaGo 就是這樣。"

" 但目前強(qiáng)化學(xué)習(xí)還只能用于規(guī)則既定、獎(jiǎng)懲明確的場景，比如下棋、玩游戲等，下錯(cuò)了就會(huì)失敗，機(jī)器人可通過獎(jiǎng)懲的方式去學(xué)習(xí)，但現(xiàn)實(shí)更多情況是復(fù)雜的，很難制定一個(gè)明確的獎(jiǎng)懲規(guī)則。"

他補(bǔ)充，未來確實(shí)有實(shí)現(xiàn)的可能性，不過這個(gè)未來有多遠(yuǎn)就不知道了，至少在能看得見的未來，我們還得為 AI 打工。

" 在 iPhone 上發(fā)生的事，就讓它留在 iPhone 上（What happens on your iPhone, stays on your iPhone）。" 這是今年年初的 CES 展上，蘋果公司在會(huì)場外投放的巨型廣告宣傳語，目前看來，這可能只是一個(gè)美好的幻想。