AI数据标注告急，大厂瞄准廉价年轻人

坐落于北京大钟寺的字节办公楼，集中了抖音和火山引擎两个业务团队。从年初开始，这里就悄悄招募素人为豆包大模型录音——两人一组，单次3小时，包括80分钟的自由聊天和有提示词的60组对话，单场结算300元。

长达3小时的录制过程里，字节员工全程陪同。他们反复强调：对话不能水时长，要有内容和信息，质量太差会酌情扣款；提示词不能修改，大模型理解不了。从晚上6点到9点，字节员工全程盯着的关键词只有一个：质量。

图注：大钟寺录音室内部图

实际上，成都、太原、贵州等二线城市，早已经成为字节、百度、阿里等大厂的AI数据外包重镇。一位大模型产品经理透露：“去年，数据标注、方言朗读，专科生就能做。现在招的都是211、985的实习生带外包。”

刚刚在9月推出视频大模型的MiniMax，其创始人闫俊杰告诉媒体，在上海除了语料公司的高质量数据，他们也会采购一些平台化数据。

数据、算法和算力是AI大模型的三大支柱，而数据是训练的基础。但问题是，互联网上的公开数据，正在走向枯竭——它们散布在不同平台，被重重壁垒环绕。

今年6月，研究机构Epoch AI发布预测：可用于AI语言模型训练的公开数据，将在2026年到2032年间被彻底耗尽。而早在2023年5月，OpenAI首席执行官阿尔特曼就公开承认，AI公司很快就会把互联网上所有的数据用光。

如何找到高质量的新数据来“喂养”大模型，成了所有AI团队的共同难题。

由于存在擅自使用第三方数据的嫌疑，一些大公司屡屡陷入纠纷。8月，OpenAI被超过100位YouTube主播集体诉讼，指控其擅自转录了数百万个YouTube视频来训练模型。英伟达、苹果、Anthropic等巨头也牵涉其中。

对大厂而言，拥有自己的闭源高质量数据，才能保证训练数据的时效性和质量。跳过品控不稳定的第三方平台，亲自下场为AI写“剧本”，或许是一条新路子。

A

今年初，小红书上悄悄出现了标价300元一次的AI录音兼职。

相比BOSS直聘上30-55元时薪的AI录音兼职，300元单次、录制地点在北京大钟寺的“头部大厂录音兼职”，吸引力不小。

8月，通过微信被拉进录音群时，群里已经有了200多名等候录音的人。由于规定2人一组录制对话，时长3小时，进群后，最常弹出的消息是“找搭子”“有人和我一起录吗？”

但300元一次的AI录音员，并不轻松。

录音前，所有人都要上传一段2-3分钟的对话录音作为“样音”，字节的审核人员通过样音效果决定是否通知兼职。这个过程有3名员工负责审核，2名审核通过才能预约录音时间，不通过还有交叉复审。

样音二审通过后，张雪在提交样音的第二周预约了晚上6-9点的录音时间。群里不少人卡在了样音环节，“审核老师喜欢能聊的、爱聊的”。情绪高昂、内容有主题的对话，成了第一道门槛。

图注：大钟寺录音群

录制当晚，张雪隔着录音室的透明玻璃坐在椅子上，调整到语音能被清晰录入的最佳位置，通过耳机收听字节员工的指令。

第一个环节是两人80分钟的无主题自由聊天。字节人员的要求是：聊天不能是“片汤话”，要有内容，每个话题不能超过10分钟，不能出现大段独白，要保证相对平均的对话状态。

张雪和搭档隔着巨大的头麦对谈，尽量不停顿地聊满80分钟，同时克制身体不能乱动，不能发出咳嗽声、笑声等影响录音质量的杂音。

字节人员通过耳机不时插入提示：出现杂音要重录，聊天“不自然、引导痕迹过重”也要重录。高质量语音的标准是：聊天自然、话题连续，情绪积极但不能抢话，还要有内容不流水账。反复调整下来，第一个环节就花了将近2小时。

第二个环节是录制有提示词的60组对话。虽然有了剧本作为参考，但张雪不仅要根据情境编对话，还要保证严格的对话模式——上一组对话以A结束，下一组对话必须由B开始。

同时，为了适应大模型的调试需求，每次指令都必须清晰明确地说出提示词：“可以详细一些吗？可以更详细一些吗？可以再详细一些吗？”字节人员明确表示，剧本都可以改，但提示词不能动——换个说法，AI可能就识别不了。

录音不清晰、吞字或者情绪不足，都会重录。等录制结束，张雪离开大钟寺，时间已经走到晚上近10点。而一次3小时的录音，字节人员一天要录制3场，每周的日程几乎都是满的。

除了北京，字节已经在上海、杭州、重庆、南京、成都、天津等多个城市招募录音员。

B

对于渴求新数据的大模型厂商来说，“砸钱拿数据”的操作并不新鲜。

2023年，随着AI大模型成为新风口，大厂们不仅直接通过第三方公司购买数据，也创造出了“大数据标注师”“AI编辑”等外包岗位。

2023年，小语种专业的阿琳在考研期间，通过BOSS直聘等网站开始为大模型“打工”。

通过一家叫做“X数据”的公司，她为大模型图片识别的文字内容做验收——检验大模型图片识别后的小语种文字是否与图片一致。按照“一个词或一句话算一个核算框，一个框一毛钱”的价格，核算几百条，一次能赚几十元。

到了今年，阿琳同样通过第三方数据公司接单，做翻译类的AI数据标注，价格涨到1元多一条。但要人工判断大模型翻译出的法语等小语种是否准确，标注员不仅要找出错误，还要用不同颜色对5-6个大模型的翻译内容进行标注。“有时看一条得花10-15分钟。”

为AI打工之后，阿琳发现，这些大模型一旦脱离原本小语种的教科书语料库，面对社交平台的新词或小众群体的惯用语——也就是自身数据库没有收录的内容——就开始“降智”。“受限于版权，学不到新的文本内容，翻译效果也受影响。”

除了第三方外包公司，大厂也建起了自己的数据基地。

百度的数据基地分布在南昌、阳泉、太原、贵州等非一线城市，在这些城市完成数据标注、方言朗读等数据采集，“招一些当地的专科生，会操作电脑就行，月工资往往在3000到5000元之间”。美团也早就有了自己的驻厂AI训练师。

不过，相比舍得砸钱的大厂，大模型“四小龙”想要拿到高质量数据，难度高了不少。

某大模型厂商的算法人员Leo告诉媒体：“核心的闭源高质量数据，往往都已经被大厂垄断，AI创业公司甚至AI四小龙，都可能只能拿到边缘数据。”

高质量数据能显著提升模型效果，因此在公开数据之外，大模型厂商们需要更高质量的数据完成训练。但这些数据往往被大公司掌握——国内的新闻数据掌握在腾讯、字节等大厂内部，海外则由Common Crawl、GDELT、The Pile等占据。

在海外，YouTube也在6月底宣布，将向顶级唱片公司提供许可协议，以换取版权音乐用于训练。OpenAI一直在与Politico、《大西洋月刊》、《时代》、《金融时报》等新闻出版商达成付费协议，使用并引用它们的新闻资料。

当关键数据主要掌握在“渠道方”内部——比如腾讯、字节和Meta等公司，关键用户数据早在移动互联网时代被瓜分完毕——要想实现技术突围，AI四小龙首先就得交一笔不小的“数据费”。

C

对大模型厂商来说，行至创业下半场，“大数据幻觉”也是大模型集体降智、测不出9.11和9.9哪个大的原因之一。

当你在MiniMax的海螺AI内输入“一个小女孩怀里抱着一只布偶猫”，耗时2分钟生成的6秒视频里，小女孩抱猫咪的手指细节丰富，但怀里抱着的并不是布偶猫。

面对这样的生成结果，MiniMax的视频大模型员工解释：“这是因为用于训练的数据里，在猫咪的绑定图片中并没有布偶猫。”

当模型生成的内容与现实世界事实或用户输入不一致，大模型就会出现“幻觉”，开始“胡说八道”。对于渴望新用户的大模型厂商来说，生成效果直接决定了产品能否出圈。

“输入的指令是提取8月所有娱乐新闻，结果AI生成的是2019年8月的娱乐新闻内容。”在使用某头部大模型产品时，忠实用户孔昉已经抓到好几次AI“胡言乱语”的瞬间——要么编造根本不存在的引用文献，要么不理解近两年的新概念。这让孔昉对大模型产生了信任危机。

现在，孔昉会同时用2-3个不同厂商的大模型“跑”同一个问题，然后交叉对比；对于时间、数量、文献等关键信息，也会通过搜索引擎二次确认。“现在AI生成很像抽卡，效果不可控，而且还容易智障。”孔昉无奈道。

高质量数据或将逐渐耗尽，想要解决“大模型幻觉”问题，用什么数据来“喂养”大模型，显然很关键。

某接近百度的人士告诉媒体，大模型厂商们都会通过三方公司直接购买数据，省时省力但“并不省事”——因为买来的数据，无论是文本、录音还是视频，质量都不可控。

对于积极发展B端客户的头部大模型来说，针对某个客户个性化定制大模型，已经成为大厂AI业务主要的收入来源。但要训练出这样的个性化模型，就需要高标准筛选的数据来“喂养”，甚至要根据不同阶段大模型的学习效果来调控数据需求，“不是随便买一堆语音来，大模型就能学会的”。

在第三方数据公司做过AI翻译的阿琳也发现：“作为提供数据的甲方，公司似乎并不真的关心大模型生成的语音质量。”

阿琳需要为甲方同时对比5-6个大模型将小语种语音翻译成文字的生成效果，但只需要粗略打分。至于生成的5-6份文字到底有哪些语言细节差异、如何改进，三方公司并不询问，“漠不关心”。

缺乏高质量数据，或许也正是不少用户表示“用哪家的大模型生成的内容都差不多”的原因，也是用户“一旦一家大模型收费，就直接换另一家”的根因。

对用户来说，宣称追赶OpenAI、技术上持续迭代的国产大模型，或许并无实质差异，也谈不上成为忠诚用户。这给急着商业化的大模型厂商们蒙上了一层阴影。

因此，即便亲自下场“为AI编剧本”费时费力又费钱，字节也趟出了一条新路子。可以预见的是，为了解决商业化和用户拉新的关键问题，大手笔咬牙“买数据”，恐怕将成为大模型厂商们的新赛点。