自动驾驶的「数据引擎」，该如何“降本”、“增效”和“精准化”？ 原创

80%的数据+20%的模型=更好的AI。

这是人工智能领域知名学者吴恩达在他45岁生日当天提出的人工智能领域的“二八定律”，他说“让我们的工作从以模型为中心转向以数据为中心，将对很多（人工智能）团队大有裨益。”

在过往十几年人工智能产业高速发展过程中，算法模型研发的重要性被空前放大，互联网大厂更是动辄为算法工程师开出百万年薪，这让本就默默无闻的数据一度没什么光环。

实际上，时下主流AI算法要以数据驱动仍是一个不争的事实，在人工智能产业中，数据收集、数据处理仍是关键的前置环节，而支撑这些前置环节的是一个庞大的数据服务产业。

澳鹏就是这样一家数据服务供应商，澳鹏Appen（中国）产品及研发总监钱程告诉至顶网，“随着近年来人工智能工业化和工程化成为趋势，企业对定制化、复杂性的数据需求度越来越高，而对于一些商业化落地比较好的公司，他们需要的数据量也在成倍增长。”

数据成本的增加，也就成了企业加载人工智能引擎时无可回避的一个问题。

高质量数据为什么是自动驾驶的关键

自动驾驶是当下商业化落地比较好的一个应用场景，也是澳鹏一个核心业务场景，自动驾驶涉及的数据服务按场景划分又可以划分为两大类——舱内数据、舱外数据。

澳鹏Appen（中国）高级客户经理张先雄告诉至顶网，“2016年-2020年，我们拿到的绝大部分数据服务订单是以车内场景为主，车内场景主要涉及的是人车交互（TTS合成、语音识别）和车内人的舆情监控（人的情绪识别、是否安全驾驶的识别），相比起车外场景，车内场景相对简单，能到千万级别的项目很少。”

不过，随着自动驾驶进程提速，尤其是在自动驾驶道路测试牌照陆续发放后，自动驾驶厂商纷纷开始向L3及以上的自动驾驶技术冲刺，这时，自动驾驶厂商对舱外数据服务的需求也与日俱增。这样的需求变化既有数据需求量的增长，也有更复杂的数据类型的变化。

从数据量来看，舱内数据需求量基本在亿帧以下，而舱外数据需求量都在亿帧以上，甚至会达到几十亿帧的规模；从数据类型来看，舱外的数据类型既有摄像头拍摄的图像数据，也有激光雷达3D点云数据，数据标注起来更为复杂。

以舱外为主的数据标注服务的不断涌现，也使得数据成本急剧上升。

身在潮流中的澳鹏自然也感受到了这样的变化，据张先雄透露，“从2020年左右，L3及以上的自动驾驶研发，越来越受市场关注，我们能看到一些重投入客户一年会拿出几个亿的预算来做数据标注，少一点的也在千万级别。”

仅仅是每年在数据标注上的投入，就已经相当于不少中小型企业的年营收，这也使得提起人工智能时，不少中小体量企业会望而却步。

对于企业而言，如何低成本获取高质量数据就成了他们在这个时代的刚需。

数据如何降本、增效、精准化

作为一家成立于1996年的数据服务公司，澳鹏在数据服务领域已经深耕多年，根据澳鹏最新发布的《人工智能和机器学习全景报告》调查数据显示，42%的技术专家表示， AI生命周期中的数据获取阶段很有挑战性。这样的挑战同样存在于自动驾驶领域。

钱程告诉至顶网，AI在自动驾驶项目中部署产生的成本主要来自两方面，一方面是硬件成本，另一方面则是人力成本。人力成本主要集中在数据服务上，这其中既有平台建设上的人力投入，也有数据采集、数据标注上的人力投入。

以特斯拉为例，特斯拉现在已经建立起千人规模的数据标注团队，搭建了一套用于数据标注的软件平台，针对数据标注的软件平台，特斯拉还有一个完整的开发维护团队。

实际上，除了自建数据服务团队外，不少车厂也在与数据服务商合作，以此降低人力成本。张先雄告诉至顶网，“国内不少整车厂、汽车解决方案厂商，以及造车新势力都在使用我们的数据服务，自动驾驶领域的营收也已经占到我们公司整体营收的较大比重。”

以澳鹏与某自动驾驶厂商舱外合作项目为例，张先雄透露，“项目推进过程中受到数据采集流转集中度影响其实存在波峰波谷，在项目推进波峰期，有时一次会传回几亿帧，甚至几十亿帧的图像数据，对这些数据进行清洗、标注的团队投入就要达到5000-10000人，即便是在波谷期也要一两千人团队做服务支持。”

目前，澳鹏在全球拥有超过100万名技能娴熟的众包资源，支持235+种语言和方言，遍布170+个国家和70000个地区，在中国拥有超过千余名全职员工、1000+BPO资源、数万名高质量本土众包人员，拥有专业的评估和项目团队全程跟进试标、采集、标注、质检、验收和交付流程。

除了通过与数据服务商合作以降低人工智能落地成本外，在澳鹏内部，也在通过搭建搭建数据标注平台来提效降本。

2019年，在人工智能高速发展这一年，澳鹏搭建了人工智能数据标注平台，钱程告诉至顶网，“平台带来的效率提升是最直接的，也是最容易被客户忽略的。”

实际上，平台开发最难的不是前期几百万、几千万成本的投入，而是搭建团队有多少项目经验，团队见到过多少数据类型、看到过多少不同细分场景的数据逻辑和规则，“只有经历过多个项目、不同场景实战经验，才能打造出一个高效的数据标注平台。”

据钱程介绍称，澳鹏MatrixGo数据标注平台可以两部分能力：

第一，项目管理功能，在一个实际项目中，整个数据标注过程可以分为初始标注、多轮质检，以及最后的数据验收，整个过程还存在数据打回、数据锁定、数据释放等环节，例如在质检环节通过的标注数据，没能通过最终验收，还会打回重新进行数据标注。MatrixGo平台针对这样的场景可以构建灵活的工作流，整个工作过程可以自定义配置。

第二，数据标注工具，针对文本、图像、视频、音频、3D点云等各类数据，MatrixGo平台构建了一整套数据标注工具，澳鹏团队在项目中也在使用这些工具，在这些项目中不断打磨这些工具。

这样一套平台既可以作为软件直接提供给需要数据服务的厂商使用，也可以进行私有化部署，钱程告诉至顶网，”澳鹏正是通过这套平台推动数据降本，服务提效的。“

除了通过降低人力成本、平台成本，澳鹏还在合成数据上进行了重点布局，而合成数据，有可能成为未来数据降本的一个利器。

合成数据新趋势

2022年3月，澳鹏以200万英镑收购了合成数据公司Mindtech Global的少数股权。与此同时，合成数据也正在成为行业的一个焦点。

“人工智能在实际落地之前通常针对特定场景需要做一些优化，这个时候会需要大量针对特定场景的数据作为AI算法模型的训练数据，如果仅仅依靠现场采集，针对一些特殊场景，无法采集到足够的训练数据，这时合成数据就是一个很好的选择。”

不过，这里也存在一个人工智能技术发展成熟度的问题，由于自动驾驶针对舱外数据需求还普遍停留在优化普通场景的阶段，对合成数据的需求度并不高，澳鹏在合成数据领域的布局也还未真正来到产业落地关口，不过张先雄相信，“未来合成数据一定会变得越来越重要。”

而当谈到合成数据对人工智能降本的推动作用，张先雄告诉至顶网，“未来针对真正落地之前的特定场景的增效百分比，合成数据能够达到80%，甚至更高。”