DoNews7月24日消息，海天瑞聲（SH688787）董事長賀琳近日接受媒體采訪時表示，大模型高質量數據的提供，需要高質量人工的支持。同時，數據的清洗和標注流程對于模型的質量至關重要，它們可以提高數據的質量和準確性，幫助模型更好地去學習，也為模型的評估奠定了一個很好的基礎。

據每經報道，海天瑞聲是國內最早投入AI訓練數據的專業服務商之一，2023年，不斷翻涌的大模型浪潮將這家公司推至資本市場的聚光燈下。而身處潮水之中，賀琳對未來的思考依舊謹慎。

對預期審慎樂觀

ChatGPT的出現，讓這家數據公司突然站到了資本市場舞臺中央。2023年初，賀琳在海天瑞聲公司年會上的發言稿，80%由ChatGPT完成。開年以來，海天瑞聲股價一路走高，3月一度漲至191.96元/股，較其2021年8月上市時翻了一番。

而海天瑞聲方面，則已多次在投資者互動平臺發布提示，稱公司與OpenAI沒有合作，也尚不能預期大模型業務將帶來多少收入。賀琳認為，合適的入局時機應該是當這項技術能夠真正在行業中落地的時候，這意味著其有真正的應用場景，而非偽場景。

同時，當行業落地時刻到來，數據的需求量也會迎來大規模提升。4月18日，海天瑞聲正式推出其專為自動駕駛場景設計的全棧式數據標注平臺“DOTS-AD自動駕駛標注平臺”。

差距依舊存在

賀琳曾就職于中國科學院聲學研究所，從事語音識別、語音合成、漢語語言理解、語音心理測試等方面的研究工作，成立于2005年的海天瑞聲，最初誕生于賀琳在這份工作中捕捉到的行業痛點。

隨著技術的發展，智能語音從實驗室走向大規模應用階段，更多場景的覆蓋需求，意味著數據需求隨之大規模增加。與此同時，在與一些就職于大型企業或研究機構的前同事交流時，賀琳發現，大家都在關注數據的問題。

時至今日，賀琳覺得，彼時促使她創業的瓶頸依舊存在。在她看來，數據的需求是跟著技術的發展而變化的，隨著技術在各個行業中落地，就會有更多的數據需求爆發。

賀琳稱，現在很多人都認為，數據差距是一個造成系統性差距的非常重要的原因，所以大家認為數據還是很重要的要素，這個瓶頸依然存在。不同的是，自己創業之初，國內競爭對手少，海天瑞聲得以在市場快速突圍。而如今，國內已經出現一批新的數據公司，先發優勢成為當下數據公司核心競爭力的基礎。

龐大參數支撐

海量數據如何最終成功支撐起龐大參數的大模型運行？答案就是數據集。賀琳介紹，數據集的產生是一個非常復雜的過程，其中包括設計階段、采集階段、處理階段以及最后的質檢階段。

在設計環節，需要先去了解數據集是為了解決哪個問題，這個問題需要什么樣的數據，需要多大的量，需要什么樣的場景，以及采集的樣本、規模、內容，包括采集的設備、標注的規范等等；采集環節則是按照設計的方案，到大千世界采集，有可能是聲音，有可能是圖像、圖片，又或是手寫的字、道路的場景。

采集完成后則需要進入清洗、標注環節。最后生產出的數據集需要通過雙層的質檢流程，最終才能生產出一個合格的數據集。這其中，清洗規則的好壞、標注的準確性都會極大地影響數據集的質量，進而影響模型的效果。

賀琳舉例說，海天瑞聲的大模型數據清洗率是5%，即清洗出來正確的數據僅僅占原數據的5%，這也印證了數據清洗環節的重要性。而標注的流程則主要是解決準確性和一致性問題。

賀琳認為，高質量的數據包括了數據的豐富度，場景的豐富度，數據的準確性、一致性等，這都是衡量高質量數據的標準。她也認同，高質量數據的提供，需要高質量人工的支持。