文|智東西 心緣
編輯|漠影
寫在前面：元宇宙、虛擬數(shù)字人概念火爆的2021，高質(zhì)量訓練數(shù)據(jù)資源正成為雄心勃勃的AI企業(yè)們解鎖更強智能的關(guān)鍵燃料，通過對話國內(nèi)唯一A股上市數(shù)據(jù)服務(wù)商海天瑞聲，我們試圖探討隱藏于這場新興技術(shù)浪潮幕后的基石角色，如何運用技術(shù)解決智能化升級過程中的核心痛點。
2022年，再不關(guān)注虛擬數(shù)字人，你就落伍啦！
在剛剛過去的一年，AI虛擬主播、虛擬學生、虛擬員工輪番上崗，成為元宇宙與人工智能兩大領(lǐng)域最熱門的技術(shù)賽道之一。
有些虛擬數(shù)字人已經(jīng)表現(xiàn)得靈性十足，不僅發(fā)音標準自然、身體動作流暢，就連眨眼頻率、口型與聲音的匹配等細節(jié)都惟妙惟肖。
這些火遍大江南北的特殊生命體，通過越來越多元的形象定制、舒適的交互體驗，逐漸轉(zhuǎn)變?yōu)閾碛懈咏鎸嵢祟愔巧毯颓楦械男滦蜕鐣巧?/p>
而「多模態(tài)技術(shù)」，正是打破單一感官的藩籬，讓AI虛擬形象越來越像人類的秘密武器。
01.破圈而來，“完美”虛擬人，離不開的多模態(tài)
數(shù)據(jù)，是將真實世界與虛擬世界連接的橋梁。
在現(xiàn)實世界中，數(shù)據(jù)天然以「多模態(tài)」的形式存在，人類通過綜合運用視覺、聽覺、觸覺、嗅覺等多種感官，來接觸和理解大千世界。
為了探索實現(xiàn)通用人工智能（AGI）的路徑，人工智能（AI）從單模態(tài)走向多模態(tài)已是大勢所趨。
以前，Siri等語音助手只有聲音沒有臉，搜索只能依靠輸入文字，機器看不懂照片的深層含義。
如今，借助多模態(tài)技術(shù)，AI實現(xiàn)了圖像、視頻、音頻、語義文本等多維度資源的融合互補，不僅決策更加精準，還在行為和智商上更接近人類。
新冠疫情亦催化了多模態(tài)技術(shù)的落地進程。在隱私安全保護重視程度日益加強的趨勢下，多模態(tài)生物識別憑借更高的準確率和安全性，正取代基于指紋、人臉等單一生物特征的身份識別方法。
而深藏多種黑科技的AI虛擬主播，亦是基于多模態(tài)技術(shù)的快速演進，成為感知智能邁向認知智能階段的重要探索。
它們的精致面容、流暢表達、優(yōu)美體態(tài)，離不開微表情追蹤、語音識別、語音合成、自然語言理解、動作捕捉等豐富技術(shù)的支撐。
▲虛擬數(shù)字人技術(shù)架構(gòu)（來源：《2020年虛擬數(shù)字人發(fā)展白皮書》）
其中，AI手語主播要解決的技術(shù)難點尤其復雜。為了照顧到聽障人士的需求，它需要具備實時將中文、英文等語音“翻譯”成連貫手語的能力。
但手語有一套獨特的語法體系，如果來一段央視押韻狂魔朱廣權(quán)的段子“冷空氣非常強，但他強任他強，清風拂山崗，他橫任他橫，秋褲保健康”，那就極度考驗AI手語主播的理解和翻譯水準了。
要做到實時精確演示手語，AI主播需先將語音轉(zhuǎn)化成文字，再將健聽人士的文本語序轉(zhuǎn)化成手語語序，最后基于手語數(shù)據(jù)集進行手語合成，將相同的信息以視覺的形式傳遞給聽障人士。
在此過程中，獲得符合需求的訓練數(shù)據(jù)成為了最具挑戰(zhàn)性的問題之一。
這是因為，作為一種視覺語言，手語語言遠比語音語言模態(tài)復雜，既包含手型、手部位置等手控信息，又包含表情、口動、體態(tài)等非手控信息。
如果從2D視頻來采集手語運動過程中的數(shù)據(jù)，則不可避免會遇到動作被遮擋、人臉五官各區(qū)域區(qū)分不明顯、空間深度信息缺失等問題。
綜合看來，通過專業(yè)設(shè)備采集的3D多模態(tài)數(shù)據(jù)，已經(jīng)成為優(yōu)化特定垂直場景AI虛擬數(shù)字人的智能化水平中，為數(shù)不多的解決方案之一。
怎樣獲得高品質(zhì)的多模態(tài)訓練數(shù)據(jù)庫？AI基礎(chǔ)數(shù)據(jù)服務(wù)商的商業(yè)價值開始日益凸顯。
02.優(yōu)質(zhì)算法“殺手锏”，高質(zhì)量數(shù)據(jù)背后的技術(shù)試煉
數(shù)據(jù)、算法、算力被并稱為「AI三要素」，數(shù)據(jù)質(zhì)量的高低，往往決定AI算法模型的性能上限。
隨著AI應(yīng)用逐漸普及，位于基礎(chǔ)設(shè)施層的AI數(shù)據(jù)服務(wù)行業(yè)正發(fā)展地風生水起。根據(jù)知名市研機構(gòu)IDC報告，到2025年，中國AI數(shù)據(jù)采標服務(wù)市場規(guī)模預(yù)計將增至123.4億元。
▲2020-2025年中國AI基礎(chǔ)數(shù)據(jù)服務(wù)市場規(guī)模預(yù)測（來源：IDC中國）
但如果你認為AI基礎(chǔ)數(shù)據(jù)服務(wù)是個純?nèi)斯ぷ鞣?，那你就太小瞧這個行業(yè)的技術(shù)含量了。
尤其是多模態(tài)技術(shù)爆發(fā)以來，相應(yīng)的對多模態(tài)數(shù)據(jù)需求的增長，逐步暴露了“作坊式”數(shù)據(jù)采標團隊“人海”戰(zhàn)術(shù)的短板，整個數(shù)據(jù)市場正向滿足客戶長尾需求演進，對服務(wù)商技術(shù)屬性的要求一再加碼。
如何制定與算法匹配的數(shù)據(jù)方案？如何同步采集不同模態(tài)的數(shù)據(jù)？如何處理丟失的數(shù)據(jù)？如何保證不同模態(tài)數(shù)據(jù)的精準對齊？這些都極度考驗AI數(shù)據(jù)服務(wù)商的技術(shù)能力。
以獲評國家工信部新一代人工智能產(chǎn)業(yè)創(chuàng)新重點任務(wù)揭榜優(yōu)勝單位、國家專精特新“小巨人”企業(yè)、國家重點軟件企業(yè)的海天瑞聲為例，這家企業(yè)在中國AI基礎(chǔ)數(shù)據(jù)采標服務(wù)市場中排名前列，也是A股唯一的AI數(shù)據(jù)服務(wù)上市公司，其多模態(tài)訓練數(shù)據(jù)解決方案最近獲得了智東西2021年度AI生產(chǎn)力創(chuàng)新獎。
根據(jù)其IPO文件，AI數(shù)據(jù)服務(wù)的核心技術(shù)可分為三個層次：訓練數(shù)據(jù)生產(chǎn)（包括設(shè)計、采集、加工、質(zhì)檢），平臺工具（一體化數(shù)據(jù)處理平臺）以及基礎(chǔ)研究（語音識別、語音合成、計算機視覺、訓練數(shù)據(jù)集設(shè)計技術(shù)等）。
其中，在訓練數(shù)據(jù)生產(chǎn)層，多語種多模態(tài)訓練數(shù)據(jù)設(shè)計技術(shù)、采集及標注技術(shù)是高質(zhì)量訓練數(shù)據(jù)的生產(chǎn)基礎(chǔ)。
首先在設(shè)計階段，為了滿足AI算法的需求，AI數(shù)據(jù)服務(wù)商需深入理解客戶算法和應(yīng)用場景，設(shè)計與之最優(yōu)匹配的多模態(tài)訓練數(shù)據(jù)結(jié)構(gòu)，并制定合理的原料數(shù)據(jù)采集方案。
通過設(shè)計多設(shè)備采集方案，以便同時獲取人發(fā)出的語音、視頻畫面、精細唇部動作等不同模態(tài)的信息，便于客戶匹配自身算法模型框架，實現(xiàn)視覺、聽覺等融合的多維度交互。整個過程非?？简濧I數(shù)據(jù)服務(wù)商的技術(shù)儲備和工程能力。
其次，在實際的采集環(huán)節(jié)中，數(shù)據(jù)損耗是常事，且造成損耗的原因迥異，而有經(jīng)驗的AI數(shù)據(jù)服務(wù)商能用技術(shù)快速找出解法。
我們繼續(xù)以AI手語合成主播為例，采集手語數(shù)據(jù)會用到裝有傳感器的手套，這些手套由于并非專為手語而設(shè)計，因此在采集過程中難免會出現(xiàn)數(shù)據(jù)丟失的問題，一個動作很可能要做上百幀的數(shù)據(jù)修復，耗時耗力。
發(fā)現(xiàn)這一問題后，海天瑞聲技術(shù)研發(fā)團隊迅速啟動應(yīng)對方案，歷經(jīng)半個月研發(fā)出一款與硬件采集設(shè)備相匹配的自動導出、修復工具，極大提升了數(shù)據(jù)的處理效率。
修復好數(shù)據(jù)，還要應(yīng)對「精細對齊」的挑戰(zhàn)。
在虛擬數(shù)字人、智能座艙等場景中，越來越多應(yīng)用開始將語音識別和計算機視覺結(jié)合，以提高理解人類意圖的準確率。
像這樣需用多個攝像頭、傳感器等設(shè)備來采集數(shù)據(jù)的應(yīng)用，又帶來新的難題——如何將不同設(shè)備記錄的影像、聲音等數(shù)據(jù)，實現(xiàn)同步標注對齊？
▲不同通道錄制的語音數(shù)據(jù)不對齊情況示例
大規(guī)模標注數(shù)據(jù)本來就是AI模型進一步優(yōu)化性能的瓶頸，而多模態(tài)數(shù)據(jù)不僅標注工作量是單模態(tài)的數(shù)倍，還要解決多設(shè)備采集數(shù)據(jù)同步難的問題，這會進一步增加后續(xù)數(shù)據(jù)加工難度。
對此，海天瑞聲的解決思路是自研多通道采集工具和數(shù)據(jù)同步技術(shù)，多通道采集工具支持4路甚至更多語音數(shù)據(jù)同時錄入、自動對齊整合，數(shù)據(jù)同步技術(shù)可實現(xiàn)多通道采集原料數(shù)據(jù)的自動對齊，并做到多音頻文件起始點自動對齊誤差小于1毫秒，大幅提升訓練數(shù)據(jù)生產(chǎn)效率和質(zhì)量。
借助數(shù)據(jù)同步技術(shù)，唇形動作與聲音的對齊能精確到毫秒級，這也是可以避免虛擬數(shù)字人說話時音畫不同步、對不上口型等尷尬局面背后的重要因素之一。
03.為更強智能輸送燃料，多模態(tài)數(shù)據(jù)強勢崛起
哪個AI應(yīng)用不想實現(xiàn)更高的準確率、更自然貼心的交互能力呢？在更強智能需求的拉動下，基于多模態(tài)數(shù)據(jù)的AI算法模型日漸成為主流。
▲微軟多模態(tài)預(yù)訓練模型「女媧」可根據(jù)文本內(nèi)容生成相應(yīng)視頻
例如公安、金融等場景的身份鑒定，電商場景下的智能客服交互，未來自動駕駛場景的艙內(nèi)艙外交互等等，數(shù)據(jù)準確率越高，有助于抵御越多的安全風險。而多模態(tài)生物識別不僅有助于保護信息安全，還能應(yīng)對單一模態(tài)無法有效識別的戴口罩、手指磨繭、整容等特殊情況。
▲單一生物識別技術(shù)的特點（來源：零壹智庫、東方財富證券研究所）
可以看到，如今AI垂直應(yīng)用場景呈現(xiàn)碎片化特征，對多模態(tài)數(shù)據(jù)的需求更加復雜和長尾化。
這些新業(yè)務(wù)場景需求的變化，更為考驗AI數(shù)據(jù)服務(wù)商處理復雜交叉業(yè)務(wù)場景數(shù)據(jù)的綜合能力。
因此AI數(shù)據(jù)服務(wù)商必須具備與客戶算法團隊平行溝通的技術(shù)儲備，理解客戶希望用數(shù)據(jù)解決什么問題、設(shè)計什么結(jié)構(gòu)的模型，才能用最小代價，給出高效高質(zhì)的數(shù)據(jù)集解決方案，保證客戶算法取得盡可能好的落地效果。
在這樣的趨勢下，海天瑞聲等頭部品牌數(shù)據(jù)服務(wù)商的資源優(yōu)勢將被進一步放大。
從海天瑞聲的IPO文件可以看到，這家公司已經(jīng)積累了近千個自有知識產(chǎn)權(quán)的訓練數(shù)據(jù)產(chǎn)品、服務(wù)微軟、阿里巴巴、騰訊、百度、三星、字節(jié)跳動、亞馬遜、科大訊飛、商湯科技、中國科學院、清華大學等超過500家國內(nèi)外客戶，并持有信息安全認證證書ISO/IEC 27701及管理體系認證證書ISO/IEC 27001。
▲2018-2020年海天瑞聲前五大客戶情況（根據(jù)IPO文件整理）
過去三年，海天瑞聲的前五大客戶呈現(xiàn)高復購率，足見其產(chǎn)品的高粘性。
無論是知名科技公司的背書，還是經(jīng)年累月沉淀的多語種語言學家團隊資源和穩(wěn)定合作的供應(yīng)商、客戶等上下游資源，都使得兼具技術(shù)壁壘與業(yè)務(wù)經(jīng)驗的品牌數(shù)據(jù)服務(wù)商，更易成為確保多模態(tài)數(shù)據(jù)高效高質(zhì)交付的首選。
04.結(jié)語：多模態(tài)終將主導智能產(chǎn)業(yè)未來
AI算法要想高質(zhì)量，多模態(tài)數(shù)據(jù)得跟得上。
過去一年，應(yīng)用場景的創(chuàng)新和機器學習算法的流行繼續(xù)帶動訓練數(shù)據(jù)需求爆發(fā)式增長。
在多模態(tài)大模型、虛擬數(shù)字人等熱門技術(shù)方向的驅(qū)動下，持續(xù)探索更強智能的AI應(yīng)用，對高質(zhì)量多模態(tài)訓練數(shù)據(jù)資產(chǎn)的需求愈發(fā)迫切。
當前多模態(tài)技術(shù)仍處于起步階段，多維度信息的轉(zhuǎn)化和融合尚不成熟，在真實場景下的泛化能力較為受限，距離實現(xiàn)人類級別的多模態(tài)感知能力還有較長的路要走。
這需要研發(fā)多模態(tài)AI應(yīng)用的企業(yè)或研究機構(gòu)與AI基礎(chǔ)數(shù)據(jù)服務(wù)商長期磨合，摸索出更加符合人類認知習慣的前沿多模態(tài)技術(shù)，幫助AI全面理解真實世界，最終更好地服務(wù)于未來的人類社會。