AI 潮涌，這門生意爆了

作 者丨郭美婷

編 輯丨吳立洋

AI 潮水洶涌，數(shù)據(jù)正成為一門火爆的生意。

(資料圖片)

為了給人工智能喂上充足的 " 養(yǎng)料 "，從發(fā)掘、采集到標注，企業(yè)在數(shù)據(jù)處理的各個環(huán)節(jié)掘金。到如今，真實的數(shù)據(jù)已無法滿足日漸膨脹的 AI" 胃口 "，企業(yè)開始探索 AI 自產(chǎn)自銷的 " 假 " 數(shù)據(jù)——合成數(shù)據(jù)產(chǎn)業(yè)應(yīng)用而生。

上個月底，國內(nèi)合成數(shù)據(jù)公司 " 光輪智能 " 宣布完成天使 + 輪融資；幾個月前，新加坡合成數(shù)據(jù)初創(chuàng)公司 Betterdata 也獲得一筆 165 萬美元規(guī)模的種子輪融資。互聯(lián)網(wǎng)大廠也開始了布局。微軟、英偉達、meta、亞馬遜等數(shù)得上號的科技巨頭中，均有合成數(shù)據(jù)相關(guān)的業(yè)務(wù)布局、投資或收購舉動。

合成數(shù)據(jù)究竟是 " 何方神圣 "？它有怎樣的產(chǎn)業(yè)價值和風險？會給 AI 產(chǎn)業(yè)帶來怎樣的顛覆？

" 人造 " 數(shù)據(jù)崛起

相比于從現(xiàn)實世界中采集或測量的真實數(shù)據(jù)，合成數(shù)據(jù)顧名思義是人工合成的 " 假 " 數(shù)據(jù)。由于能夠反映原始數(shù)據(jù)的屬性，合成數(shù)據(jù)可以作為原始數(shù)據(jù)的替代品來訓練、測試和驗證 AI 模型。

但人工合成并不意味著完全憑空捏造。現(xiàn)階段，大部分合成數(shù)據(jù)的 " 根 " 仍然是真實數(shù)據(jù)。

Unity 中國高級軟件工程師錢文億向 21 世紀經(jīng)濟報道記者介紹了其合成數(shù)據(jù)產(chǎn)品在計算機視覺相關(guān)項目中的普遍生成過程：第一步，在現(xiàn)實中找到可識別的對象，通過掃描技術(shù)，將物體模型真實地還原在 3D 場景中；在此基礎(chǔ)上，對該物體模型進行打標簽，如顏色、大小等，具體標簽類型依據(jù)訓練需求而定；最后，將這些物體放置于各種設(shè)定的場景中，隨機組合，快速地生成多張圖片。

因此，訓練同一個 AI 模型時，使用真實數(shù)據(jù)也許需要攝像頭不斷變換地捕捉物體在不同場景、狀態(tài)下的多張照片，而合成數(shù)據(jù)則能夠通過調(diào)整物體位置、角度、所處背景等參數(shù)，一分鐘內(nèi)生產(chǎn)成百上千張不同的圖片，降低成本，提高數(shù)據(jù)集生成效率。

事實上，合成數(shù)據(jù)的概念并不新穎。據(jù)說，這一概念早在 1993 年 Donald Rubin 的一篇文章中就有雛形。近年來，隨著人工智能技術(shù)一次次取得突破性發(fā)展，真實數(shù)據(jù)的采集、獲取難度也水漲船高，已難以填飽 AI 訓練的龐大 " 胃口 "。

合成數(shù)據(jù)常常作為真實數(shù)據(jù)的 " 平替 " 而存在。據(jù)人工智能初創(chuàng)公司 Cohere 首席執(zhí)行官 Aiden Gomez 在上個月底透露，由于 Reddit、推特等公司的數(shù)據(jù)采集要價太高，微軟、OpenAI 和 Cohere 等公司，已使用合成數(shù)據(jù)來訓練 AI 模型。Gomez 表示，合成數(shù)據(jù)可以適用于很多訓練場景，只是目前尚未全面推廣。

但在廣州大學計算機科學與網(wǎng)絡(luò)工程學院教授王員根看來，價格反而不是選擇合成數(shù)據(jù)最主要的考慮因素。

真實數(shù)據(jù)涉及大量個人隱私，冒然使用可能引起嚴重的法律糾紛問題，而且并非所有的真實數(shù)據(jù)都是可用的。互聯(lián)網(wǎng)上充斥著大量真?zhèn)坞y辨的信息，要從雜亂無章的真實數(shù)據(jù)中挖掘出可用的信息，需要大量的人工篩選。另外，真實數(shù)據(jù)還存在分布不均衡的問題。例如，訓練人臉識別系統(tǒng)時，從互聯(lián)網(wǎng)上爬取到的人臉數(shù)據(jù)中亮皮膚人臉圖像占多，而暗皮膚人臉圖像偏少，這將導致所訓練的模型存在偏見。合成數(shù)據(jù)恰能在一定程度上人為規(guī)避上述問題。

" 部分真實數(shù)據(jù)無法獲取，如清晰的水下圖像等，通過合成數(shù)據(jù)技術(shù)模擬生成相關(guān)數(shù)據(jù)，能夠補充訓練數(shù)據(jù)的完備性。" 王員根補充道，盡管現(xiàn)階段大量合成數(shù)據(jù)建立在真實數(shù)據(jù)基礎(chǔ)上，但隨著技術(shù)的進步，未來對真實數(shù)據(jù)的依賴將逐步減少，目前已有技術(shù)能讓直接合成的數(shù)據(jù) " 以假亂真 "。

但合成數(shù)據(jù)并非十全十美。在 AI 訓練數(shù)據(jù)服務(wù)商 Appen 澳鵬官方發(fā)布的一篇文章中，就提到合成數(shù)據(jù)缺乏異常值，而這些異常值自然出現(xiàn)在真實數(shù)據(jù)中，對于模型精確度至關(guān)重要。另外，合成數(shù)據(jù)的質(zhì)量通常取決于用于生成的輸入數(shù)據(jù)，輸入數(shù)據(jù)中的偏見很容易傳播到合成數(shù)據(jù)中，因此不能低估使用高質(zhì)量數(shù)據(jù)作為起點的重要性。所以，企業(yè)需要將合成數(shù)據(jù)與人工標注的真實數(shù)據(jù)進行比較，作為額外的輸出控制。

越敏感，越先突破

目前，合成數(shù)據(jù)主要應(yīng)用于哪些領(lǐng)域？

相比于自然語言、音頻等形式，合成數(shù)據(jù)最先在計算機視覺上展露拳腳。受訪專家們認為，這與圖片處理更加簡單直接、人類與環(huán)境進行交互時優(yōu)先通過視覺系統(tǒng)等因素相關(guān)。未來，其他領(lǐng)域的合成數(shù)據(jù)也將得到進一步的發(fā)展。

合成數(shù)據(jù)在自動駕駛、醫(yī)療、金融等場景有著廣闊的應(yīng)用前景。這些場景的共同點在于，真實數(shù)據(jù)敏感，難以獲取，但又關(guān)涉重大，有的還涉及人身安全，對數(shù)據(jù)質(zhì)量要求極高。" 哪里最有需要，哪里就會最先得到發(fā)展和應(yīng)用。合成數(shù)據(jù)技術(shù)最有可能在這些敏感場景中取得突破。" 王員根表示。

以自動駕駛為例，實際駕駛過程中，車輛可能會碰到各種復(fù)雜多變的路況，甚至是極端情況，如嚴重的交通堵塞、事故、惡劣天氣等。尤其是在極端情況下，使用真車冒險測試幾乎不可能，極難采集和獲取到真實數(shù)據(jù)。

合成數(shù)據(jù)可以模擬出這些情景。王員根介紹，" 比如，要模擬暴雨天氣，我們就用日常能夠收集到的普通天氣的數(shù)據(jù)，構(gòu)建一個物理或網(wǎng)絡(luò)模型，將‘暴雨’的關(guān)鍵參數(shù)輸入進去，就能生成相應(yīng)的場景。模型和參數(shù)越準確，場景的逼真程度越高。" 如此，能夠在保障人員和設(shè)備安全的條件下，提升自動駕駛能力。

公開資料顯示，許多自動駕駛汽車廠商都在合成數(shù)據(jù)和模擬方面進行了大量投資。例如，谷歌母公司 Alphabet 旗下的自動駕駛子公司 Waymo 在 2106 年就生成了 25 億英里的模擬駕駛數(shù)據(jù)來訓練其自動駕駛系統(tǒng)（相比之下，從現(xiàn)實世界收集的駕駛數(shù)據(jù)僅為 300 萬英里）。到 2019 年，這一數(shù)字已達到 100 億英里。

國內(nèi)，騰訊自動駕駛實驗室開發(fā)的自動駕駛仿真系統(tǒng) TADSim 已經(jīng)可以自動生成無需標注的各種交通場景數(shù)據(jù)。華為云也基于盤古大模型開發(fā)了場景重建大模型，該模型可基于采集的路采視頻數(shù)據(jù)做場景重建（合成數(shù)據(jù)），普通用戶很難用肉眼分清這些重建的場景跟真實場景有何區(qū)別。

然而，自動駕駛涉及人身安全，合成數(shù)據(jù)畢竟不是完全真實的，這注定了企業(yè)使用這類數(shù)據(jù)進行訓練時會表現(xiàn)得更加謹慎。

小馬智行聯(lián)合創(chuàng)始人兼 CTO 樓天城向 21 記者強調(diào)，合成數(shù)據(jù)既有憑空生成的虛擬數(shù)據(jù)，也有基于真實數(shù)據(jù)加以修改得到的數(shù)據(jù)，目前在 L4 的感知模塊中，小馬智行沒有使用憑空生成的虛擬數(shù)據(jù)。主要是因為 L4 方案依賴于激光雷達，對于如惡劣天氣、長尾物體等難度場景，生成激光雷達的虛擬數(shù)據(jù)與真實數(shù)據(jù)的分布差異較大，無法用虛擬數(shù)據(jù)來達到在真實場景下提升的效果。

但小馬智行會對真實數(shù)據(jù)加以修改來合成數(shù)據(jù)用于感知算法，對于不依賴原始傳感器輸入的模塊，例如路徑規(guī)劃和一些場景理解等算法，也會使用合成數(shù)據(jù)進行訓練和仿真評估。

樓天城認為，要把虛擬數(shù)據(jù)做到足夠逼真對標注質(zhì)量的要求反而更高。而對于一般的簡單場景，做數(shù)據(jù)挖掘和智能標注的數(shù)據(jù)閉環(huán)相比于研發(fā)合成逼真的虛擬數(shù)據(jù)的成本還要低不少。目前學術(shù)界對使用完全虛擬的數(shù)據(jù)進行自動駕駛的訓練有一些研究，不少公司也在做相關(guān)預(yù)研。從訓練效果來看，從 0 到 80 分有幫助，但對 90 到 99 分效果一般，實際落地部署的案例并不普遍。

" 我們也在關(guān)注合成虛擬數(shù)據(jù)相關(guān)的技術(shù)進展并持開放的態(tài)度，如果某一天技術(shù)足夠成熟時也會考慮應(yīng)用。" 樓天城表示。

數(shù)據(jù)標注產(chǎn)業(yè)將被重構(gòu)？

據(jù)咨詢公司 Gartner 預(yù)測，到 2030 年，合成數(shù)據(jù)將徹底取代真實數(shù)據(jù)，成為 AI 模型所使用的數(shù)據(jù)的主要來源。而美國 AI 研究機構(gòu) Cognilytica 數(shù)據(jù)顯示，2021 年合成數(shù)據(jù)市場規(guī)模大概在 1.1 億美元，到 2027 年將達到 11.5 億美元。這是一塊讓不少科技大廠和初創(chuàng)公司垂涎的大蛋糕。

多家的科技巨頭均有合成數(shù)據(jù)相關(guān)的業(yè)務(wù)布局、投資或收購舉動。例如，2021 年，英偉達發(fā)布了用于訓練 AI 的 Omniverse Replicator 合成數(shù)據(jù)生成引擎，今年 7 月，英偉達初創(chuàng)加速計劃成員 Rendered.ai 將 Omniverse Replicator 集成到其合成數(shù)據(jù)生成平臺，使 AI 訓練變得更加簡單易用；亞馬遜也在多個場景探索合成數(shù)據(jù)的應(yīng)用，例如使用合成數(shù)據(jù)來訓練、調(diào)試其虛擬助手 Alexa，以避免用戶隱私問題等；Meta 則直接收購了合成數(shù)據(jù)創(chuàng)業(yè)公司 AI.Reverie，以整合至旗下元宇宙部門 Reality Labs。

創(chuàng)業(yè)公司方面，合成數(shù)據(jù)領(lǐng)域的投資并購持續(xù)升溫。計算機視覺合成數(shù)據(jù)提供商 Datagen 于 2022 年初宣布完成 5000 萬美元 B 輪融資；今年 4 月，新加坡合成數(shù)據(jù)初創(chuàng)公司 Betterdata 在獲得一筆 165 萬美元規(guī)模的種子輪融資；7 月末，國內(nèi)合成數(shù)據(jù)公司 " 光輪智能 " 宣布完成天使 + 輪融資，這家今年剛成立的新公司，已經(jīng)完成種子輪、天使輪、天使 + 三輪融資，累計融資金額達數(shù)千萬元。

錢文億觀察到，" 過去幾年，全球幾乎每年都有好幾百甚至上千家新型初創(chuàng)公司建立，為各行各業(yè)提供用于算法訓練的合成數(shù)據(jù)產(chǎn)品。"

產(chǎn)業(yè)繁榮之下，我國也開始鼓勵和引導合成數(shù)據(jù)產(chǎn)業(yè)的發(fā)展。今年 3 月初，中國證監(jiān)會科技監(jiān)管局局長姚前曾在《中國金融》雜志撰文稱，建議重點發(fā)展基于 AIGC 技術(shù)的合成數(shù)據(jù)產(chǎn)業(yè)。以更高效率、更低成本、更高質(zhì)量為數(shù)據(jù)要素市場 " 增量擴容 "，助力打造面向人工智能未來發(fā)展的數(shù)據(jù)優(yōu)勢。5 月 19 日，北京發(fā)布的 " 北京市通用人工智能產(chǎn)業(yè)創(chuàng)新伙伴計劃 "，提到謀劃建設(shè)國家級數(shù)據(jù)訓練基地，也提出了支持發(fā)展基于 AIGC 技術(shù)的合成數(shù)據(jù)新產(chǎn)業(yè)。

而在過去很長一段時間里，人工智能對數(shù)據(jù)的海量需求催生了一批數(shù)據(jù)標注師的就業(yè)群體。如今，當合成數(shù)據(jù)逐漸成勢，數(shù)據(jù)標注產(chǎn)業(yè)的格局是否會因此遭到?jīng)_擊？

王員根認為，沖擊是必然的，但需求仍在。" 首先這件事沒有那么快到來，其次，標注師們要進行轉(zhuǎn)型。比如，過去需要標注的是原始數(shù)據(jù)，如今則變成了 AI 生成的數(shù)據(jù)；又如在原本數(shù)據(jù)標注工作的基礎(chǔ)上，標注師們還將被要求分辨哪些是 AI 生成的數(shù)據(jù)，哪些是自然數(shù)據(jù)等。即使合成數(shù)據(jù)越來越多、質(zhì)量越來越高，也離不開人類的引導和監(jiān)督，以及時修正可能出現(xiàn)的偏差。"

SFC

本期編輯 江佩佩 實習生 章寶怡

21 君薦讀