作者 |耿宸斐

編輯|宋婉心

封面來源|視覺中國

“數(shù)據標注”是伴隨AI進程誕生的重要的產業(yè)鏈一環(huán)。尤其在大模型問世后，數(shù)據標注行業(yè)規(guī)模極速擴張，但隨著大模型迭代，作為勞動密集型行業(yè)，數(shù)據標注又不斷被市場重估。

美股市場的頭部數(shù)據標注公司Innodata是這一過程的一個典型縮影。

近一年以來，Innodata股價漲幅高達432%。最新財報顯示，2024全年Innodata營收同比大漲96.44%，且8家大客戶中，有5家來自美股七巨頭。

不過穩(wěn)健的基本面擋不住市場預期的調整。DeepSeek發(fā)布后，市場對用于訓練的公開數(shù)據的需求開始產生懷疑，Innodata股價因此產生波動，尤其在三月，公司股價下跌了超30%。

對于這家公司，目前市場聲音分歧較大。

看空者認為在過去十年中，Innodata僅盈利了兩次，因此股價飆升是沒有道理的，而看多者則認為，因為大模型現(xiàn)在的情況已經不同，Innodata已將業(yè)務模式轉向了大模型的數(shù)據清理。

價值重估

數(shù)據標注行業(yè)的第一次高光時刻，是來自自動駕駛的發(fā)展。在大模型出現(xiàn)之前，德勤報告顯示，2022年自動駕駛領域的標注需求占整個AI下游應用的38%。

而大模型對數(shù)據標注的需求提升到了另一個量級。

“如果不是大模型出現(xiàn)，就算是干成自動駕駛行業(yè)數(shù)據標注龍頭的Scale AI，在2023年之前，其年收入也就1億至2億美金。而到了2024年，Scale AI全年的ARR預計在12-14億美金，比2022年翻了7倍左右。”有投資者表示。

大模型行業(yè)的Scaling Law理論認為，模型性能與模型參數(shù)量、訓練數(shù)據量和計算資源相關。以GPT-4為例，其參數(shù)量從GPT-3的約1750億提升至約1.8萬億，而訓練數(shù)據集的規(guī)模也從GPT-3的幾千億Token擴大到13萬億Token。

業(yè)務集中在數(shù)據工程領域的Innodata，吃到了大模型賣鏟人的大量紅利。

最新財報顯示，Innodata的最大客戶授予該公司價值約2400萬美元的額外合同，使來自該客戶的總年化運營收入達到約1.35億美元。

除了該最大客戶之外，來自Innodata的另外七家大型科技公司客戶的收入，在第四季度環(huán)比增長了159%。

從近期業(yè)績看，Innodata的收入增長明顯加速。2024年一至四季度，該公司營收的同比增速分別為40.7%、65.6%、135.6%和126.6%。而且Innodata預計，2025年公司收入增長將超過40%。

不過，如今大模型行業(yè)擴張期過去之后，數(shù)據標注行業(yè)的矛盾已經開始浮現(xiàn)——即將耗盡的數(shù)據難以支撐模型迭代與與大模型落地等所帶來的訓練需求。

Epoch AI的研究估計，自2020年以來，用于訓練大語言模型的數(shù)據增長了100倍，且AI訓練數(shù)據集的規(guī)模每年翻倍。然而，互聯(lián)網可用內容每年的增長卻不足10%。到2028年，AI訓練數(shù)據很可能耗盡。

事實上，數(shù)據不足所造成的發(fā)展瓶頸已經是行業(yè)中的普遍現(xiàn)象。去年11月，The Information爆料稱，OpenAI下一代旗艦模型Orion改進大幅放緩，一個主要原因正是高質量訓練數(shù)據的短缺。

行業(yè)共識是，目前通用數(shù)據的供給已接近飽和，垂類數(shù)據將是未來AI模型差異化的關鍵。

DeepSeek淘汰數(shù)據標注？

作為美股市場上僅有的AI數(shù)據標注標的，Innodata的“AI含量”至今仍飽受質疑。

早在2019年，Innodata就宣稱自己開始實施人工智能和機器學習流程，并將自己劃為一家人工智能公司。但去年2月， Wolfpack Research發(fā)布的一份報告稱，Innodata是在拿AI炒作股價，其核心業(yè)務仍是依靠海外廉價勞動力進行基礎數(shù)據標注，而非自主研發(fā)的AI技術。

報告引用前員工說法，稱公司為硅谷客戶提供的服務本質是“鍵盤勞動”。

“Innodata的商業(yè)模式上就是基于人力外包的數(shù)據標注，賺一份血汗錢。和同業(yè)的差異只是他們干得最久，做得最大。”有投資者評價，“技術只能讓數(shù)據標注更快，要讓數(shù)據標注更好，現(xiàn)在只能靠人。”

據智研咨詢報告，盡管已經有數(shù)據標注公司開發(fā)了相應的半自動化工具，但從標注比例來看，機器標注和人工標注的比例約為3:7。

Innodata的財報數(shù)據也側面印證了這一現(xiàn)實。僅在2024年第二季度，Innodata就花費了360萬美元的招聘代理費，這表明公司仍舊非常依賴人力。

業(yè)內人士告訴36氪，這主要是由于數(shù)據標注的復雜性和多樣性，以及不同領域的數(shù)據標注要求不同。此外，自動化標注技術在現(xiàn)階段還存在一定的局限性，如對某些類型的數(shù)據的識別準確率不高、對復雜場景的處理能力有限等。

但DeepSeek一定程度上改寫了數(shù)據需求的邏輯。

技術層面來看，簡單而言，DeepSeek采用的強化學習（RL）技術，讓大模型不再需要被不斷喂養(yǎng)模型外的新數(shù)據，只用模型內已存在的數(shù)據即可進行自我訓練。

這一方面降低了大模型廠商對數(shù)據量的需求，另一方面，全聯(lián)并購工會信用管理委員會專家安光勇認為，企業(yè)出于開源節(jié)流的考慮，有可能會傾向于低成本合成數(shù)據。這也會在一定程度上沖擊Innodata等數(shù)據標注企業(yè)。

關于DeepSeek沖擊的質疑，財報電話會上，Innodata管理層表示，他們相信，預訓練數(shù)據和微調數(shù)據對AGI發(fā)展而言是無法替代的。

在他們看來，DeepSeek依賴以現(xiàn)有模型數(shù)據訓練新模型，會極大地壓縮數(shù)據，最終導致模型崩潰。

從市場質疑聲音來看，Innodata可持續(xù)增長的不確定性來源于兩點，一是數(shù)據標注需求是否持續(xù)增長，二是標注工作是否持續(xù)低自動化。

針對前者，科技部國家科技專家周迪告訴36氪，合成數(shù)據的適用邊界在于它更適合于生成新的、用于訓練模型的數(shù)據，而人工標注則更適合對已有數(shù)據進行深入的理解和解讀。

盡管合成數(shù)據可以提供更加一致和可控的數(shù)據，但在情感分析和文本生成等需要深度語義理解的領域，人工標注數(shù)據仍具有不可替代性。

另有投資者分析指出，隨著DeepSeek帶來的模型部署和運行的成本大幅降低，會有越來越多應用層的公司部署自己的大模型，這也會帶來額外的數(shù)據標注的需求。所以DeepSeek的出現(xiàn)對Innodata至少不會是一個利空。

但針對后者，這一問題淪為了“雞生蛋還是蛋生雞”的悖論。當市場投資者們質疑Innodata“AI含量”低時，一個可能性很大的未來是，數(shù)據標注工作的AI化會首先革掉數(shù)據標注公司自己的命。

點擊圖片即可閱讀