文|產(chǎn)業(yè)家 皮爺 

在過去的一段時間里，“AI-native”成為所有工具的一個顯著探索趨勢，不論是算力集群的智算中心，還是數(shù)據(jù)庫側(cè)的向量數(shù)據(jù)庫，再或者是不斷進化的算法，都在以一種更適配大模型架構(gòu)的方式被推演出來。

那么，大模型時代，數(shù)據(jù)應(yīng)該如何訓練？或者說，如何把數(shù)據(jù)在大模型側(cè)做更好的表達？

“大模型如何落地？”

在近一年的時間以來，關(guān)于這個問題的討論正在愈演愈烈。如果說市場對于大模型最開始的關(guān)注點更多的在參數(shù)、算力、開源，那么如今越來越多人的視線開始向更核心的環(huán)節(jié)轉(zhuǎn)移——數(shù)據(jù)。

相較于算力等更簡單粗暴的命題，數(shù)據(jù)要更為復雜。從某種層面來說，它對應(yīng)的是模型的知識質(zhì)量。

在10月底的一個關(guān)于大模型的閉門會上，這個問題更是被鮮明地提出。參會的人不乏底層通用大模型產(chǎn)品負責人，而更多地則是已經(jīng)開始嘗試將大模型進行落地的企業(yè)從業(yè)者，其中模型接入方法有自研，也更有開源，但作為第一批將大模型內(nèi)嵌到企業(yè)場景的人，他們的共同反饋是：不能用，不好用。

“我們很難把模型訓練成能嵌入場景或應(yīng)用的樣子，不知道是哪里出了問題，是通用大模型本身能力不行，還是我們自己的數(shù)據(jù)訓練、標注不到位?！币晃黄髽I(yè)創(chuàng)始人表示。

實際上，在大模型被越發(fā)高頻嘗試的當下，這正在成為越來越多企業(yè)面臨的問題。即在市面上即見即得的模型之外，如何將其轉(zhuǎn)化成企業(yè)自身能自己使用的大模型？

“我們剛開始訓練了三輪，但越到后面越不好訓練，中間不僅花費算力，更花費的是人力?！鄙鲜鰟?chuàng)始人告訴產(chǎn)業(yè)家。

在過去的一段時間里，“AI-native”成為所有工具的一個顯著探索趨勢，不論是算力集群的智算中心，還是數(shù)據(jù)庫側(cè)的向量數(shù)據(jù)庫，再或者是不斷進化的算法，都在以一種更適配大模型架構(gòu)的方式被推演出來。

但在最核心環(huán)節(jié)之一的數(shù)據(jù)側(cè)，進度卻始終緩慢。這種“緩慢”甚至成為著大模型在大規(guī)模場景落地的最關(guān)鍵掣肘之一。

那么，大模型時代，數(shù)據(jù)應(yīng)該如何訓練？或者說，如何把數(shù)據(jù)在大模型側(cè)做更好的表達？在即將到來的2024年，這個被擺到臺面上的問題已經(jīng)不僅是這一步應(yīng)該怎么邁，更升級的挑戰(zhàn)是這一步應(yīng)該怎樣邁好。

誰能先答好這個命題，誰就能快人一步。

一、大模型的“關(guān)鍵一道門”，應(yīng)該如何推開？

“我們現(xiàn)在是把一些大模型的數(shù)據(jù)標注交給外包團隊?！边@是在9月份和一位金融方向的IT負責人交流中他和我們的講述，主要面向方向是基于線下網(wǎng)點的客服和營銷。

如何把數(shù)據(jù)“挪移”到大模型中來？在當下的大模型潮流里，數(shù)據(jù)標注和訓練幾乎是所有大模型企業(yè)必須經(jīng)歷的一個環(huán)節(jié)。

數(shù)據(jù)標注，對其固有的標簽是對數(shù)據(jù)進行知識型標注，在過去多年的發(fā)展里其更多的以拖、拉、勾、畫等方式存在包括自動駕駛等需要大量數(shù)據(jù)標注的行業(yè)，從業(yè)人員畫像較為復雜，標注任務(wù)相較簡單。

但如今的大模型標注不同?！拔覀兲鎿Q了兩個標注團隊，最終才經(jīng)過訓練，有了不錯的門店服務(wù)和引導效果?！鄙鲜鲐撠熑烁嬖V產(chǎn)業(yè)家。

更具體的情況是，其采用的是國內(nèi)某互聯(lián)網(wǎng)大廠的開源模型，基于開源的框架進行自己模型的搭建，整體進度較快，但在數(shù)據(jù)訓練環(huán)節(jié)，時間卻被大大放緩。

他表示，最開始選擇的外包團隊也是市面上的某標注企業(yè)，但從最開始提出需求到最后的效果驗收，不僅時間較長，而且最終的準確率也不高；而第二次選擇的團隊盡管同樣花費時間長，但最終效果還算滿意。

這正在成為越來越多企業(yè)的縮影。即伴隨著國內(nèi)底層大模型的逐步低門檻化，越來越多的挑戰(zhàn)已然不聚焦在模型算法本身，更多的在于數(shù)據(jù)，也就是如何把模型從“可用變得好用”。

實際上，做好大模型的數(shù)據(jù)標注不是一件容易的事情。

首先從數(shù)據(jù)本身而言，和之前的標注相比，大模型需要的數(shù)據(jù)量級更大，而且數(shù)據(jù)結(jié)構(gòu)更為復合，除了單個數(shù)據(jù)標簽之外，不少大模型的訓練需要用到合成數(shù)據(jù)（即用AI產(chǎn)生的數(shù)據(jù)），這也就意味著數(shù)據(jù)本身的標注模型和標注方法與之前不再相同。

此外，在單純的標注環(huán)節(jié)，相較于過往的托拉拽的客觀標注，現(xiàn)在的更多標注需要人工的主動判斷和主動干預，如排序、改寫、生成等，而在更專業(yè)具體的問題上，甚至需要專業(yè)的人士來接入，配合整體標注規(guī)則的建立和部分問題的拆解訓練。

更有標注人員團隊上的不同，如果說之前固有的標注需要的僅是簡單的質(zhì)檢和輕微干預，那么如今在如今大模型的標注人員團隊建設(shè)上，需要對團隊進行定向的培訓，其中更包括不同專業(yè)知識以及安全合規(guī)等多方面能力的學習。

在過去的一段時間里，市面上的大模型企業(yè)有不少都采取自建標注棧的模式，即專門招聘人員成立標注團隊，同時研發(fā)自身的標注工具，但一個更為真實的現(xiàn)狀是：由于缺乏固有的標注體系和流程積累，在數(shù)據(jù)工具層面和人員層面始終存在短板，不論是標注，還是中間的模型訓練、評估環(huán)節(jié)，效果始終無法達到最好。

具體來看，即相較于數(shù)據(jù)存儲側(cè)的向量數(shù)據(jù)庫等更加適配大模型的產(chǎn)品，在數(shù)據(jù)訓練和應(yīng)用側(cè)市面上大模型企業(yè)大部分采取的是傳統(tǒng)的標注工具和標注方法，因而帶來的是巨大的人力和精力投入，同時也對應(yīng)的是不夠高效的訓練方法。

這種短板也更在影響著大模型的實際落地。

即伴隨著產(chǎn)業(yè)和應(yīng)用成為大模型的主戰(zhàn)場，對特定產(chǎn)業(yè)或場景數(shù)據(jù)的標注和訓練也更在成為大模型落地的必行之道，但由于固有的標注方法和標注工具存在限制，一定程度上延緩了大模型能力的成型和在實際場景的應(yīng)用落地。

大模型的“關(guān)鍵一道門”，應(yīng)該怎么邁？

二、如何做好“AI運營”？

“優(yōu)質(zhì)的大模型的數(shù)據(jù)標注更像是一套成型的AI數(shù)據(jù)運營?！币晃幌嚓P(guān)人士表示。

以百度智能云為例，其目前對外提供的是一系列圍繞大模型全生命開發(fā)周期的數(shù)據(jù)服務(wù)，其中包括預訓練、監(jiān)督微調(diào)、RLHF、評估等，其覆蓋了大模型中數(shù)據(jù)訓練的方方面面，不論是前期的數(shù)據(jù)標注還是微調(diào)等等。

這一系列的數(shù)據(jù)標注工作恰似大模型的“AI數(shù)據(jù)運營”。據(jù)了解，在百度智能云的交付過程中，其部分項目會尋找代碼、教育、法律、等領(lǐng)域?qū)I(yè)人員，一起進行需求的規(guī)則制定和數(shù)據(jù)訓練，進而保證數(shù)據(jù)的真實性和準確性。

此外，在標注工具側(cè)，和其它大模型廠商不同的是，百度智能云也更研發(fā)了自身專有的大模型標注平臺工具，針對不同場景、不同需要以及不同的數(shù)據(jù)量可以按照不同的方式進行訓練，比如其可覆蓋大語言模型、多模態(tài)大模型及代碼等專項標注場景多種數(shù)據(jù)標注需求。

同時，結(jié)合輔助標注算法可以全流程助力標注師提升標注質(zhì)量和效率。而在標注能力之外，其也具備著更為靈活的項目管理機制，可以更好地適配嚴苛的交付周期及復雜多變的標注規(guī)則，進而滿足不同賽道企業(yè)的大模型訓練需求。

據(jù)了解，盡管目前市面上的大模型廠商會在內(nèi)部進行自我模型的AI訓練，但效果往往沒辦法達到最好，最終還是會找到像百度智能云這樣的擁有專門標注工具的企業(yè)進行訓練標注。

被優(yōu)化的大模型訓練模塊還不僅于工具，更在團隊。比如在標注人員團隊培訓上，百度智能云在?？诮ㄔO(shè)了全國首個大模型數(shù)據(jù)標注基地，常駐數(shù)百名數(shù)據(jù)標注師，本科學歷達到100%，覆蓋漢語言文學、計算機、法學等學科專業(yè)。

在服務(wù)過程中，除了固有的一體化的模型訓練能力，對不少大模型企業(yè)而言，其還有部分專項能力的需求，比如安全能力的強化。

“大模型的輸入是可控的，但是輸出是不可控的，甚至很多時候會因為幻覺等原因，有不良或者不合規(guī)的信息出現(xiàn)?！币晃粐鴥?nèi)頭部AI大模型負責人告訴我們。這也造成了對大模型訓練而言，安全必須是其中要核心把控的指標，而百度智能云基于自身的“AI數(shù)據(jù)運營”能力，則是可以幫助企業(yè)的大模型迅速強化這項專有能力。

實際上，百度智能云的模式也恰在成為國內(nèi)大模型訓練的最先進路徑縮影。即不論是在預訓練，還是中間的監(jiān)督微調(diào)，抑或是后期的模型評估優(yōu)化等，更為高效的方式恰是這種“AI-native”的標注模式。

而基于百度智能云這套“AI-native”的標注模式，企業(yè)恰等同于裝備了一個足夠?qū)I(yè)的“AI數(shù)據(jù)運營”工具箱，其可以幫助企業(yè)實現(xiàn)從大模型數(shù)據(jù)到效果的整體運作。這其中不僅有被“刷新”的數(shù)據(jù)標注團隊，也更囊括了一系列包括從預訓練到模型評估，再到能力強化等全部流程在內(nèi)的大模型訓練閉環(huán)，進而更高效、更低成本地構(gòu)建好自身可用、安全的大模型。

三、從模型到應(yīng)用：數(shù)據(jù)在產(chǎn)業(yè)要如何表達？

在能更快更好地訓練出大模型之外，數(shù)據(jù)訓練的下一步是什么？實際上，更為真實的答案是：應(yīng)用和場景。

誠然如此。如果說第一階段的挑戰(zhàn)更多的在模型參數(shù)量級，即在一定范圍內(nèi)模型本身伴隨著數(shù)據(jù)量越發(fā)凸顯的能力，那么在當下的階段，更大的競爭點則是來自于實際場景的應(yīng)用和業(yè)務(wù)表達。這種表達或在金融，或在工業(yè)制造，或在教育、電商等等。

就當下而言，產(chǎn)業(yè)或場景大模型的最大難點不是算力和算法，而更大的卡點恰是數(shù)據(jù)表達。

相較于通用大模型的訓練，這種基于特定場景的訓練對標注能力的要求更高。即在大量的數(shù)據(jù)中，其不僅包含無數(shù)結(jié)構(gòu)化、非結(jié)構(gòu)化的數(shù)據(jù)，更對參與的人員團隊有足夠?qū)I(yè)的要求，此外，在特定的行業(yè)數(shù)據(jù)服務(wù)上，其對于具體的流程模型也更有特殊的要求。

此外，給數(shù)據(jù)服務(wù)帶來難度的不僅是場景，更有如今討論日漸增多的應(yīng)用。即隨著如今越來越多的AI應(yīng)用，如Agent、文生圖軟件等被推出，往往更需要在通用大模型能力的基礎(chǔ)上收束某項或者某些方面的特有能力，將其加持到軟件內(nèi)部，對應(yīng)到數(shù)據(jù)服務(wù)側(cè)則是在應(yīng)用需求之上的某些專項能力的強化和不斷評估訓練。

也更可以說，大模型的數(shù)據(jù)訓練和標注，正在伴隨著產(chǎn)業(yè)模型和AI應(yīng)用時代的到來進入深水區(qū)。

這也恰是百度智能云等深耕過數(shù)據(jù)服務(wù)行業(yè)的企業(yè)價值。伴隨著大模型載體的到來，它們正基于自己對數(shù)據(jù)的多年理解和沉淀，成為推動數(shù)據(jù)到業(yè)務(wù)表達的最核心力量。

從幕后走到臺前，從數(shù)據(jù)標注到數(shù)據(jù)運營，從初始的模型訓練到細致的模型調(diào)優(yōu)，肉眼可見的是，如百度智能云這樣具備數(shù)據(jù)資源整合和強大研發(fā)能力的科技巨頭企業(yè)，正重塑著行業(yè)市場格局。而伴隨著大模型向深水區(qū)的延展，它們的價值也更在愈發(fā)凸顯。