文心一言变聪明背后，本科率100%的大模型数据标注师｜甲子发现

数据标注升级换代进行时。

作者｜ 武静静

(相关资料图)

大语言模型对很多问题都能提供高质量回复的背后，一个关键的环节就是数据标注。

数据标注工作在大语言模型的运作过程中相当于一个内容过滤器——筛选出针对提问较高质量的回答，按照分数排序，最终把得分最高的回答呈现到用户面前。这部分工作，有的靠技术来完成，有的则需要依赖人工作业。

科技公司大多会采取两种方式来做数据标注：自建团队、找外包公司。此前外媒曾报道称，ChatGPT所使用的标注数据由肯尼亚工人完成。国内，百度正试图加大力度和合作方共建数据标注基地来完成。

日前，百度智能云启动运营了首个大模型数据标注基地——位于海口市秀英区的百度智能云（海口）人工智能基础数据产业基地，该基地可以为各行各业提供大模型数据服务，也是百度智能云推动大模型产业落地的又一重要布局。

百度智能云称，目前已经在全国与各地政府合作，共建了十多个数据标注基地，累计为当地提供超过万个稳定就业岗位，间接带动5万人就业。

数据标注是人工智能解决问题的关键一环。

在传统的判别式AI场景中也需要数据标注。比如自动驾驶领域，在教会系统识别车或者人之前，需要先通过摄像头或者雷达搜集环境信息，并通过人工，对这些信息进行标注，之后反馈给模型进行训练，模型才会知道哪些是车，哪些是人。

整个过程中，标注师需要把人、车、道路等框出来，让模型反复训练。尤其在一些复杂的场景，比如闯红灯车辆、横穿马路的行人、路边违章停靠的车辆等的识别更依赖数据标注师的工作。

生成式AI的出现对数据标注工作提出了新的要求。一般来看，大语言模型对人工数据的标注的需求主要出现在微调（SFT）以及基于人类反馈的强化学习（RLHF）阶段。

比如，需要有人在模型不会写诗的时候，通过人工教会模型诗的形式，下一次，它就可以“有样学样”的写出一首诗。此外，由于大语言模型会针对同一个问题生成很多回答，标注师需要对某些回答进行打分，告诉它哪些回答是好的，哪一些回答的不好，让模型下一次表现的更好。如此，反复循环， 大模型就能做出一个更好的回复。

这个过程中，标注师要做的事情更难了。他承担的类似一个专业的模型辅导老师一样的角色，需要具备一定的知识和技能，才能胜任。

百度智能云数据标注基地业务产品负责人胡驰提到，大语言模型标注过程中，通过人工不断的标注，能够让大模型的表现与人类的价值观，包括思维方式的对齐，最终它能像人一样去解决很多实际的问题。

胡驰表示，“大模型标注基地重点要评估三大指标：高效标注工具、高端人才梯队、高级别数据安全，只有三管齐下，才能为大模型提供好的数据。”

这次在百度的海口大模型数据标注基地现场，我们见到文心一言背后的标注师们是如何工作的。

比如，在“怎么样和喜欢的女生表白？”这一问题下面，模型会提供几个回答，标注师按照这些回复，依据百度自己建立的分数体系进行打分，按照打分进行排序，最终反馈给模型。

他们的日常工作就是：对大模型生成的内容进行评价、反馈，通过这些人工标注数据，让大模型学习人类的思维方式，从而使大模型更加聪明。

百度智能云大模型数据标注师王洁玉说道：“和传统的数据标注师要求不同，大模型标注师都需要本科以上学历，我觉得主要是因为大模型数据涉及的知识面很广，评判标准复杂，非常考验标注师的语言理解能力和逻辑推理能力。在入职的前两个月，公司会对我们进行集体培训和考核，通过考核后才能正式上岗。”

为提高数据标注的质量和效率，百度智能云自主研发了业内领先的大模型数据标注平台，支持从大模型微调、强化学习到模型评估的数据生产闭环。结合平台独有的人机协同标注、多轮智能审核等智能化工具，可大幅提升数据标注的产能和质量，同时帮助企业实现降本增效。

据了解，海口数据标注基地现拥有数百名专职大模型数据标注师，标注师的本科率达到100%。百度智能云还搭建了全流程数据服务人才梯队，以及构建了多领域专家资源库，可以针对来自不同行业的数据服务需求，迅速搭建专家团队，对特定领域的任务提供监督微调和强化训练数据，保证数据交付质量，目前已覆盖计算机、法律、医疗等领域。

更难的技术，对人才素质要求更高的工作，大模型正在引发更广泛的变化。

（封面图：百度智能云海口人工智能基础数据产业基地作业区，百度供图。）