用“人造”的數(shù)據(jù)喂養(yǎng)AI？合成數(shù)據(jù)億級(jí)市場涌現(xiàn)

【資料圖】

AI潮水洶涌，數(shù)據(jù)正成為一門火爆的生意。

為了給人工智能喂上充足的“養(yǎng)料”，從發(fā)掘、采集到標(biāo)注，企業(yè)在數(shù)據(jù)處理的各個(gè)環(huán)節(jié)掘金。到如今，真實(shí)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(gè)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(gè)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(dá)、meta、亞馬遜等數(shù)得上號(hào)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(dòng)。

合成數(shù)據(jù)究竟是“何方神圣”？它有怎樣的產(chǎn)業(yè)價(jià)值和風(fēng)險(xiǎn)？會(huì)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(shí)世界中采集或測量的真實(shí)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(xùn)練、測試和驗(yàn)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(shí)數(shù)據(jù)。

Unity中國高級(jí)軟件工程師錢文億向21世紀(jì)經(jīng)濟(jì)報(bào)道記者介紹了其合成數(shù)據(jù)產(chǎn)品在計(jì)算機(jī)視覺相關(guān)項(xiàng)目中的普遍生成過程：第一步，在現(xiàn)實(shí)中找到可識(shí)別的對(duì)象，通過掃描技術(shù)，將物體模型真實(shí)地還原在3D場景中；在此基礎(chǔ)上，對(duì)該物體模型進(jìn)行打標(biāo)簽，如顏色、大小等，具體標(biāo)簽類型依據(jù)訓(xùn)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(jī)組合，快速地生成多張圖片。

因此，訓(xùn)練同一個(gè)AI模型時(shí)，使用真實(shí)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(shí)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(shí)數(shù)據(jù)的采集、獲取難度也水漲船高，已難以填飽AI訓(xùn)練的龐大“胃口”。

合成數(shù)據(jù)常常作為真實(shí)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(gè)月底透露，由于Reddit、推特等公司的數(shù)據(jù)采集要價(jià)太高，微軟、OpenAI和Cohere等公司，已使用合成數(shù)據(jù)來訓(xùn)練AI模型。Gomez表示，合成數(shù)據(jù)可以適用于很多訓(xùn)練場景，只是目前尚未全面推廣。

但在廣州大學(xué)計(jì)算機(jī)科學(xué)與網(wǎng)絡(luò)工程學(xué)院教授王員根看來，價(jià)格反而不是選擇合成數(shù)據(jù)最主要的考慮因素。

真實(shí)數(shù)據(jù)涉及大量個(gè)人隱私，冒然使用可能引起嚴(yán)重的法律糾紛問題，而且并非所有的真實(shí)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(shí)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(shí)數(shù)據(jù)還存在分布不均衡的問題。例如，訓(xùn)練人臉識(shí)別系統(tǒng)時(shí)，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(dǎo)致所訓(xùn)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(shí)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(bǔ)充訓(xùn)練數(shù)據(jù)的完備性。”王員根補(bǔ)充道，盡管現(xiàn)階段大量合成數(shù)據(jù)建立在真實(shí)數(shù)據(jù)基礎(chǔ)上，但隨著技術(shù)的進(jìn)步，未來對(duì)真實(shí)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(xùn)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(shí)數(shù)據(jù)中，對(duì)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(diǎn)的重要性。所以，企業(yè)需要將合成數(shù)據(jù)與人工標(biāo)注的真實(shí)數(shù)據(jù)進(jìn)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(jì)算機(jī)視覺上展露拳腳。受訪專家們認(rèn)為，這與圖片處理更加簡單直接、人類與環(huán)境進(jìn)行交互時(shí)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(jìn)一步的發(fā)展。

合成數(shù)據(jù)在自動(dòng)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(diǎn)在于，真實(shí)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(duì)數(shù)據(jù)質(zhì)量要求極高。“哪里最有需要，哪里就會(huì)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(dòng)駕駛為例，實(shí)際駕駛過程中，車輛可能會(huì)碰到各種復(fù)雜多變的路況，甚至是極端情況，如嚴(yán)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(xiǎn)測試幾乎不可能，極難采集和獲取到真實(shí)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(gè)物理或網(wǎng)絡(luò)模型，將‘暴雨’的關(guān)鍵參數(shù)輸入進(jìn)去，就能生成相應(yīng)的場景。模型和參數(shù)越準(zhǔn)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(dòng)駕駛能力。

公開資料顯示，許多自動(dòng)駕駛汽車廠商都在合成數(shù)據(jù)和模擬方面進(jìn)行了大量投資。例如，谷歌母公司Alphabet旗下的自動(dòng)駕駛子公司W(wǎng)aymo在2106年就生成了25億英里的模擬駕駛數(shù)據(jù)來訓(xùn)練其自動(dòng)駕駛系統(tǒng)(相比之下，從現(xiàn)實(shí)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(dá)到100 億英里。

國內(nèi)，騰訊自動(dòng)駕駛實(shí)驗(yàn)室開發(fā)的自動(dòng)駕駛仿真系統(tǒng)TADSim已經(jīng)可以自動(dòng)生成無需標(biāo)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(shí)場景有何區(qū)別。

然而，自動(dòng)駕駛涉及人身安全，合成數(shù)據(jù)畢竟不是完全真實(shí)的，這注定了企業(yè)使用這類數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)會(huì)表現(xiàn)得更加謹(jǐn)慎。

小馬智行聯(lián)合創(chuàng)始人兼CTO樓天城向21記者強(qiáng)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(shí)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?yàn)長4方案依賴于激光雷達(dá)，對(duì)于如惡劣天氣、長尾物體等難度場景，生成激光雷達(dá)的虛擬數(shù)據(jù)與真實(shí)數(shù)據(jù)的分布差異較大，無法用虛擬數(shù)據(jù)來達(dá)到在真實(shí)場景下提升的效果。

但小馬智行會(huì)對(duì)真實(shí)數(shù)據(jù)加以修改來合成數(shù)據(jù)用于感知算法，對(duì)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(huì)使用合成數(shù)據(jù)進(jìn)行訓(xùn)練和仿真評(píng)估。

樓天城認(rèn)為，要把虛擬數(shù)據(jù)做到足夠逼真對(duì)標(biāo)注質(zhì)量的要求反而更高。而對(duì)于一般的簡單場景，做數(shù)據(jù)挖掘和智能標(biāo)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(xué)術(shù)界對(duì)使用完全虛擬的數(shù)據(jù)進(jìn)行自動(dòng)駕駛的訓(xùn)練有一些研究，不少公司也在做相關(guān)預(yù)研。從訓(xùn)練效果來看，從0到80分有幫助，但對(duì)90到99分效果一般，實(shí)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(jìn)展并持開放的態(tài)度，如果某一天技術(shù)足夠成熟時(shí)也會(huì)考慮應(yīng)用。”樓天城表示。

數(shù)據(jù)標(biāo)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(shí)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(jī)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(dá)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(dòng)。例如，2021年，英偉達(dá)發(fā)布了用于訓(xùn)練AI的Omniverse Replicator合成數(shù)據(jù)生成引擎，今年7月，英偉達(dá)初創(chuàng)加速計(jì)劃成員Rendered.ai將Omniverse Replicator集成到其合成數(shù)據(jù)生成平臺(tái)，使AI訓(xùn)練變得更加簡單易用；亞馬遜也在多個(gè)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(xùn)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(jì)算機(jī)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(jì)融資金額達(dá)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(xùn)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(lì)和引導(dǎo)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(huì)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(diǎn)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(kuò)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(jì)劃”，提到謀劃建設(shè)國家級(jí)數(shù)據(jù)訓(xùn)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(shí)間里，人工智能對(duì)數(shù)據(jù)的海量需求催生了一批數(shù)據(jù)標(biāo)注師的就業(yè)群體。如今，當(dāng)合成數(shù)據(jù)逐漸成勢，數(shù)據(jù)標(biāo)注產(chǎn)業(yè)的格局是否會(huì)因此遭到?jīng)_擊？

王員根認(rèn)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(biāo)注師們要進(jìn)行轉(zhuǎn)型。比如，過去需要標(biāo)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(biāo)注工作的基礎(chǔ)上，標(biāo)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(dǎo)和監(jiān)督，以及時(shí)修正可能出現(xiàn)的偏差。”

關(guān)鍵詞：