大厂流水线上的数据标注员

采写 | 陈晶晶 陈一诺 郭眉含 林昱彤

指导老师 | 李东晓

编辑 | 郭昊懿 

数据标注在大众初印象中，是枯燥乏味的赛博流水线工作。当数据标注进入大厂，情况会有所改变吗？大厂的糖衣吸引了高学历的求职者，但几番周转之后，有人觉得被大厂 title“欺骗”，有人却后悔“冲动”辞职。当众多名校生成为大模型背后的标注员，是技术变革下的更高要求，还是市场内卷下的学历浪费？大厂的标准化流程制度是否又把标注员带入了新的“流水线”？对于在大厂做数据标注，不同站位的他们给出了不同的答案。

“之后我又找了很多段实习，过程都很美好，只有数据标注这段实习，我提一次骂一次。”对于研一时期的大厂数据标注实习，陈乐感到非常失望。

早晨九点，陈乐照常来到工位。她的工位是大厅里临时摆放的一张会议桌，桌上只有一台电脑和一个可以随身携带的保温杯。在这个“无聊死板又没有人情味”的岗位上，陈乐快坚持不下去了，她准备挨过三个月就去提离职。

“陈乐，mentor（工作导师）叫你过去。” 陈乐深吸了一口气，快步走近 mentor 的工位。

“干不好就走人！别在这儿占实习生名额，浪费我们预算。”还没等陈乐反应过来，mentor 就指着她一顿臭骂。虽然已经计划离职，但陈乐万万没想到，她会因为完成新任务的正确率 不高就被当众责骂，甚至被辞退。

离职还算顺利，“考核表到 xx 工位找 xxx 签字，实习证明找 xxx 拿”，写着离职流程的牌子贴在楼道的墙上。陈乐说，她正式办完离职手续的那一刻，感觉如释重负。

数据标注领域的多面人生

北京时间 11 月 7 日凌晨 2 点，推出 ChatGPT 的美国人工智能公司 OpenAI 举行了首届开 发者大会。会上，OpenAI 的首席执行官萨姆•阿尔特曼称，在今年 3 月发布的 GPT-4“至今 仍是世界上能力最强的 AI 大模型”。

引发全球大模型热潮的巨头产品不停迭代，供养大模型的数据标注行业方兴未艾。根据数智前线的报道，大厂正加速进入数据标注市场，数据标注被纳入了大厂的服务范围，比如京东的数据标注平台“京东众智”和网易旗下的人工智能机构“网易伏羲”。在网易官网的数据标注相关岗位中，除了数据标注实习生，还有数据标注产品销售和产品运营等。

陈乐回想起自己在网易的数据标注实习经历，一连串的比喻从她的口中飞出，“我就像一个数据女工，没有什么有价值的产出；像一个机器一样，不需要脑子，没成就感”。尽管陈乐为了获得这次网易的实习 offer 经历了多轮面试，但在工作了三个月后，她毅然辞去了这份大厂实习。

数据标注主要是对未经处理过的语音、图片、文本、视频等数据进行加工处理，从而转变成机器可识别信息的过程。简单的数据标注有语义分割、拉框标注等，比如，标注员给每张图片的椅子打框，为的是让跑数据的机器在不断的学习训练中认识“椅子”。

打框标注的页面（图源网络）

陈乐面试的数据标注岗招聘要求不高，不在乎专业技能，只说要认真和吃苦耐劳。在面试前，陈乐对数据标注工作并没有多详细的了解，她坦言，“只是看中了大厂的名头，要是个小公司，在简历上反而是个减分项”。

枯燥单一的工作内容和超高强度的工作任务，逐渐盖过了大厂的光环。陈乐所在的数据标注岗每周都要考核投入产出比，未达标就会被警告，三次未达到平均值就让职员自己离职。 即便工作达标，“mentor 也常常会质疑你的工作不饱和”。陈乐觉得在这份工作中“学不到任何东西”，只是照着操作手册直接开始干活，“有错误（mentor）就直接骂你”。

相比之下，严东慧对数据标注工作并不反感。

在本科英语专业毕业后，她进入了北京一家公司工作，当时应聘的岗位是“英语数据编 辑”。正式工作后，严东慧才发现干的是数据标注。

她最近在做的项目是地图数据相关的标注。这个项目有时候会涉及到一些专业的英语和地理词汇，需要有一定的地理常识和英语语言基础。除了这些，在技术操作上公司还有专门的数据处理平台，工作前也会提供较为详细的培训。

严东慧并不觉得工作枯燥，“因为每天处理的数据是不同的”，并且她觉得这份工作“对工作人员细心程度的要求还挺高”。

“千万别轻易辞职，数据标注技术含量低，也不用跟人打交道，社恐友好”，沈多觉得当初离职还是太冲动了。

在飞猪，沈多负责听入驻的酒店商家和消费者的通话录音，总结大意，并对对话中出现 的特定语句进行标注。公司并没有告诉沈多这样做的原因，她猜测是为了监控商家和消费者。 部分商家会通过私下和消费者沟通，让他们跳过平台，加商家微信拿到更便宜的价格。“这一类是工作重点监控的，就是防止消费者和商家不通过平台交易。还有一类重点就是违法犯罪的。”

今年三月，沈多辞去了在飞猪的数据标注工作。她回忆起当时辞职的原因，“流水线的工作，每天都一样，让人感觉很倦怠，工作压力也比较大，就辞职了”。

之后的半年里，沈多兜兜转转找了很多工作，但因为自身学历限制，再也没能找到比数据标注更满意的工作。“有高薪的都是互联网运营相关的工作，我学历只有大专也比不上； 我这种只能找到做客服的，工资没之前高，工作时间长，还没社保”，沈多后悔地说。

学历带来了人，也带走了人

不同于沈多的懊悔，陈乐作为北外英语专业的硕士，在数据标注岗位上感到了工作难度与个人能力的严重不匹配，她认为：“（数据标注）以后招大专就好了，名校硕士以上干这个太浪费。”

在实习中，陈乐遇到了许多高学历的小语种专业学生。她透露，“我周围实习的就有很多北京名校的学生，以及国外名校留学的学生，做这份工作真是极大的浪费，所以他们的离职率也很高，撑到三个月拿实习证明就不会干了”。

莉莉在网易从事数据标注技术与管理工作已经三年。她所在的团队之前招募了三名计算机专业的数据标注实习生，“两名女生是浙大的，另一名男生毕业于东北一所普通本科院校； 他们的工作，主要是在人像上进行特征点的标注，这是个重复且细致的过程。”一个月后， 两位女生因为工作内容与预期不符选择离开，但男生坚持了下来。

莉莉回忆，主管当时最初想招的是可以兼顾其他开发业务的实习生，因此在招聘要求上标明“计算机背景优先”。她猜测，“招聘需求有写优先的话，有背景的人来投的会多一些”。 但实际上，实习生主要做的还是数据标注工作。

“我可能还觉得不是计算机背景的人会稍微好一些”，莉莉坦言，“数据标注有比较大的需求，但是工作本身没有技术含量，有计算机背景的来了以后很容易离开。”

严东慧公司的职员流动性也比较大。“小语种专业的离职多”，他们处理相对应的语种的基本语句数据。“离职的主要原因可能还是薪资方面吧”，严东慧透露，“公司小语种专业的学历都不错，按标注量来算的薪资还是满足不了（他们），标注部分的钱平均一天只有 200 元，不标注休息的话就没有这部分钱。”

作为美团智慧交通平台地图服务部的数据产品经理，小白直接参与了地图数据和算法训练策略的制定。他透露了团队的招聘要求，出于对团队稳定性的考虑，“学历上的要求不会很死，大专以上都可以”，“其实一般标注工作不需要多少知识，只要会用电脑会动鼠标就能做”。 即便如此，他们团队依然面临着留不住人的难题，“一个季度下来可能一个标注组的流动率会至少有一半，然后一年（下来）可能整个组的老员工都不在了”。为了留住员工，他们制定了激励政策，“承诺（员工）干够三年可以获得一笔奖金，或者入职的时候签合同， 干够一年，给一半，干够三年，再给剩下的一半”。

正在工作的数据标注员（图源网络）

大厂“流水线”

李偶作为曾负责印度某 app 信息流推荐项目的产品经理，对接过一个数据标注的外包团队。由于时间紧迫、预算有限，团队招到的数据标注员学历多为大专以下。回忆过去，她抱怨起管理和培训时的不易，“要教他们先学会使用公司内部软件和在线编辑的文档”。

尽管公司固定工作流程为李偶增加了管理的负担，但她依然觉得一套标准化的流程是必要的，“是必须要有要求的，只要这个公司想继续开下去”。

流程的标准化，是大厂有别于小公司的重要特征。作为标注策略的制定者，小白肯定了流程规范的积极作用，“做大厂的数据标注，好的地方在于本身比较成熟和规范的企业能提供非常有力的 SOP（标准作业程序），能非常明确地告诉你：我们应该做怎么样的一个事情， 这个事情分为几步，每一步的流程是怎么样的，这一步你的规范达到什么样了”。

但对于担任标注员的陈乐来说，大厂的这些标准化流程是“没有人情味”的。陈乐抱着学习的心态入职，却发现不仅“工作没人教，发个操作手册就直接开始派活”，而且“一有错误或者进度比别的实习生慢就会被骂”。她不禁感慨：“在这里学不到任何东西，也不会得到指点。”

在陈乐看来，大厂的标准化流程是矛盾的。规范的流程可以提高工作效率，但为了保证规范性和准确度，标注完成后，“组内实习生互相审核，再交给高级一点的实习生审核，然后交给 leader 审核”，这样的“层层加码很浪费时间”。

更让陈乐不解的，是对工时的苛刻要求，“连一个小时都要走请假流程”，“入职考试比别的实习生晚两三个小时就要被骂”，“大厂太死板了”。站在项目管理者的角度，小白认为大厂的严格要求是无奈之举，“标注员一天的工时是一个什么样的工作量，这些是在前期根据任务紧急程度都已经细化好排期的，延迟的成本很高”。

正在打框的数据标注员（图源网络）

AI 与数据标注的并行之路 

在 2022 年版的《中国职业大典》中，“数据标注员”首次出现，它被归为“人工智能 训练师”类目下，编号“4-04-05-05”，主要工作任务包括标注和加工图片、文字、语音等业务的原始数据等等。

人工智能行业持续成长，拉动数据标注需求快速增长。根据Cognilytica 数据统计，2021 年 全球 AI 训练数据市场需求约为 42 亿美元，并预计到 2027 年这一需求将增长到 220 亿美元， 2021-2027 年复合增长率达 32%。而观研天下《中国数据标注行业发展趋势与投资前景研究 报告（2022-2029 年）》的数据显示，2021 年我国数据标注行业市场规模达到 43.3 亿元， 同比增长约 19.2%，预计到 2029 年市场规模将达到 204.3 亿元，CAGR（产值年均复合增长 率）约为 21.4%。数据规模以及质量需求升高将拉动数据标注行业的快速成长。

（数据来源：中国数据标注行业发展趋势调研与投资前景研究报告（2022-2029 年）

简单的数据标注工作正在被愈发完善的大模型取代，但小白认为短期内，人依然在数据标注工作中发挥重要作用。另外他提到，互联网公司对数据的质量和专业性要求逐渐提高， 比如在他的前公司，招聘地图数据标注员时，会要求有测绘相关的专业背景或从业经验。

李偶提到，有足够数据积累的人工智能不仅可以进行简单的数据标注工作，还能辅助人工，进行双重验证。她强调在其中人工的重要性：现在的人工智能远没有达到理想的精度， 许多杂糅的语料对于人工智能来说难以界定。不断迭代的模型在不断带来新的问题，依然需要人工处理后的语料的滋养。

当下的数据标注可分为三类，计算机视觉类、自然语言处理类和语音工程类。李偶提及 一个辅助医疗的计算机视觉项目，为了提升 AI 识别病理图片的能力，项目需要大量的数据积累。但它的数据标注要求高，需要相关方向的医生参与。计算机视觉数据经计算机处理后成为像素，“人看不懂，模型出错后调整难度大”，因此比起自然语言，训练计算机视觉数据的大模型更难。

李偶强调，这类医疗辅助目的的数据标注项目，在数据获取阶段就有棘手的问题需要解决：比起容易爬取的社交媒体信息，病理照片涉及患者隐私，需要经过严密的审批程序。另外，由于医疗项目需要确认责任归属的问题，即使能够积累足够的数据，初步的大模型走向应用也困难重重。

大模型的发展离不开由数据标注滋养的语料库的完善，但即使是风靡全球、较为完善的 ChatGPT 在语料库上依然存在不足。在中文语料库上的数据短缺，让它有时难以有效处理中文问题。比如，可以对莎士比亚十四行诗对答如流的 ChatGPT3.5，却在收录于人教版小学课本的白居易名词《忆江南》上出错。

与 ChatGPT 关于中文诗句的中文对话

与 ChatGPT 关于英文诗句的英文对话

（文中陈乐、严东慧、沈多、莉莉、小白、李偶均为化名,图源网络）