大模型下半场：谁在掘金数据标注？

两个月前，Meta豪掷约150亿美元（约合人民币1078亿元）入股Scale AI，一举拿下49%股份。交易完成后，Scale估值被推高至290亿美元。

作为硅谷AI赛道近几年最猛的黑马，Scale AI从成立到估值飙升至138亿美元，仅用了5年时间，几乎创造了一个行业的神话。

这家公司的主业，是数据标注。低成本的员工门槛和海量的人工参与，这个看似枯燥且“苦力活”的领域，长期以来被视为是AI产业链里最不性感、最缺乏想象力的一环。

然而，正是凭借这门“脏活累活”，Scale在大模型时代迅速完成了从幕后到台前的跃迁，成为硅谷最炙手可热的明星公司。Meta的出手，则进一步将数据标注这个原本处于产业底层的环节，推向了聚光灯下。

更耐人寻味的是，这场收购并不仅仅是资本层面的“下注”。

作为交易的一部分，Scale创始人兼CEO汪滔将卸任，带领部分核心员工加入Meta，组建所谓的「超级智能小组」，同时保留Scale董事会席位。换句话说，Meta买的不只是数据，更是汪滔本人的战略眼光和执行能力。

这场来势汹汹的收购背后，折射出的是Meta的数据焦虑。

2024年，Meta推出的Llama4Behemoth，曾因训练数据质量问题饱受诟病，原因在于Llama4Behemoth约30%的语料源自低质量社交媒体内容，导致模型在多模态理解、长文本推理等核心指标上，仍落后GPT-4.5约12%。对Meta而言，缺乏高质量数据成为了限制其模型追赶的最大短板。

某种程度上，在AI模型训练对数据依赖日益加深的当下，数据标注作为模型训练的第一道防线，其战略地位正在被重新估值。

01从苦力活到智能化，数据标注进化之路

什么是数据标注？

一句话概括，就是给原始数据打上标签，把“人类能理解的信息”转化为“AI能识别的训练样本”。比如在自动驾驶场景中，采集车上传的只是道路影像，但AI无法直接看懂。只有当人类标注员把车道线、路牌、行人等元素逐一框选、标记，这些影像才真正具备训练价值。

在这个行业里，大致存在三类玩家：

第一类是纯人力型公司。依靠大量低成本劳动力完成标注，适合做图像分类、语音转写等标准化任务。技术门槛不高，客户往往需要自带工具和平台，符合大众对“数据标注就是体力活”的固有印象。

第二类是互联网大厂的众包平台。典型代表如京东众智、百度众测，主要用于满足公司自身业务场景需求，再通过众包机制把任务拆解、分发给外部劳动力池。

第三类则是智能型服务商。这类公司具备自主研发平台和算法能力，能提供自动化标注工具、质量控制体系以及高度定制化的解决方案，尤其擅长3D点云、多模态等复杂任务，往往在效率和准确性上显著领先同行。

长期以来，前两类公司本质上都是“人力堆砌型”企业，规模和利润空间有限，天花板非常明显。尤其是第一类，更多时候只是第三类智能公司的外包池子。事实上，今天大多数头部智能型企业，几乎都是从这种人力公司一步步进化而来。

以行业龙头Scale AI为例，它的前身其实叫“ScaleAPI”。最初，它并不是一家数据平台公司，而是提供一个“人力API”：开发者只需写一行代码，就能调度一支远程劳动力团队，帮忙完成内容审核、数据提取、预约安排等琐碎任务。

这种以人工驱动的轻量模式，既帮Scale拿下了丰田、本田等早期大客户，也积累了大量高价值数据。

有了基础数据的积累，再加上AI能力的升级，自2018年起，Scale就开始逐步用模型替代掉部分重复性、套路化的人力工作，构建起一套“机器预标注+人工复核”的混合工作流。先由算法完成预标注，再由人工专家审核和修正。

这种AI代替的模式，为公司的效率和质量带来了双重提升。根据OpenAI的测算，ChatGPT的平均标注成本低于0.003美元，比传统众包平台便宜20倍。而在准确率上，GPT-4完成的标注结果可达到88.4%，甚至超过了人类标注员的86.2%。

02全球数据标注版图：美国为何能占四成？

根据DMR（DimensionMarketResearch）在2024年7月发布的预测报告，全球数据标注行业市场规模约为20亿美元，其中美国市场规模为8.38亿美元，占据约40%的份额。这也是目前能查到的最新数据。

为什么美国能长期占据全球数据标注的主导地位？

一方面，数据标注本质上是人力密集型产业。标注员的工作门槛低、流动性大，导致人力几乎成为成本控制的核心竞争力。

为了减轻组织压力，企业通常会选择外包或众包的方式来派发项目。在这一点上，美国公司凭借全球化分工的优势，将基础标注任务外包给低成本国家，实现了极致的成本压缩。

典型的例子，Scale AI通过旗下众包平台Remotasks，它将最基础的框选标注任务分发给菲律宾、肯尼亚等低成本地区。除官网披露的900名正式员工外，其平台上注册工人超过24万人，遍布全球。

其次，在技术水平和自动化程度上，国内外厂商存在明显差距。目前国内最大的标注公司云测数据，早在2021年就尝试引入自动标注功能，但应用范围仍主要集中在智能驾驶领域；另一家专注语音的海天瑞声，也在研发自动语音切割等工具，但整体智能化水平有限，仍高度依赖人工。

相比之下，Scale AI在2018年就布局自动化标注，虽然同样是自动驾驶起家，但业务已经扩展到语言、金融、医疗甚至军事等领域。

更重要的是，Scale AI不只是一家单纯的数据标注商公司，此次 Meta重金挖走的汪滔，被称为华裔“天才少年”，19岁那年从美国麻省理工学院辍学，创立Scale AI，在最近的一段采访中，他提到，不仅是数据标注，在招聘流程、质控流程、数据分析、销售报告等环节，Scale AI都已经实现了自动化管理。

某种程度上来说，作为一个因大模型训练需求而诞生的行业，国内企业布局的短板，很大程度上是由市场需求的缺失所决定的。

数据标注最大的两个服务场景分别是大模型和自动驾驶，而这两个产业的绝对主力军大多分布美国。出于数据天然涉及隐私和安全考量，企业更倾向于选择本国标注商合作。

正因此，美国既孕育出了Scale这样的全能型选手，还有surgeAI、Turing这样面向微调服务，以及Lionbridge这样面向文本、语音的数据公司。

相比之下，国内由于本身劳动力较为密集，互联网大厂通常会采用众包模式而非专门标注公司，且在部分模型采用蒸馏的前提下，国内市场需求要远少于国外。