科技行者
人们普遍认为，AI科学家每天的工作是构建高大上的模型，但其实绝大多数时间都用在了数据上，他们也想用好的数据帮助建模，但结果却是像围城一样这是很多AI科学家共同的难题。
作者｜周雅
配图｜扈佃杰
在高校扎堆的北京北三环黄金地段，海淀文教产业园其实不那么打眼儿，但却擅长收揽“金种子”入驻，创业公司Magic Data就是其中的一位了。
仅看名字，不难看出Magic Data的业务：数据！这家公司成立至今不到7年，从不到10人扩张到100余人规模，客户遍布全球200家头部大厂，5年内营业收入突破了一个小目标（亿元），成为AI语音数据服务圈的第一梯队……在这其中，有一个人功不可没。
她就是Magic Data创始人兼CEO张晴晴。
张晴晴身上有很多社会化的标签：女博士、创业先锋。抛开这些，在与她1个半小时的交谈中，我更多能明显感受到她对于事业的激情与执着，因此你什么问题都能问，她什么也都能接的祝后来我才发现，这本来就是她的日常之一，在个人视频号里经常分享各种观点：关于数据、关于AI、关于ChatGPT、创业&科研、ToB服务、管理、IT女性，等等，科普性极强。
所以你很容易在AI的圈子里，看到张晴晴的分享。就像你很难在AI的赛道里，不讨论数据一样因为说到底，张晴晴的成长，也伴随着中国人工智能产业的成长。
时间调回到约20年前，人工智能非常不火，不火到学这个专业的大学生可能一毕业就面临失业，甚至大学里没有真正教AI的老师，还得从通信专业里“借”老师，张晴晴打趣道：“人工智能的前身可能是通信”。可却在那时，张晴晴对语音识别萌生了兴趣。
大三那年，她偶然选修了一门课叫做“语音数字信号处理”，学习人的发音机理，再把发音过程通过信号建模出来，做成语音合成“我觉得这特别有趣。”她说。
后来在保研过程中，张晴晴一心想继续学语音信号处理，恰巧看到中科院在招生，就毫不犹豫报了名。最终结果是，她在北邮通信学院600多个报名的学生中脱颖而出，以第7名的成绩被保送到中科院声学研究所，师从中科院语言声学与内容理解重点实验室教授颜永红。
再之后，张晴晴成为实验室中最年轻的副高，并且获得了2014年度中科院杰出科技成就奖，又在法国国家实验室担任语音信号处理博士后。总之，她就是那种“别人家的孩子”。
自此在这二十年间，这位女博士长期专注在同一件事：如何更好地构建模型，让机器更好地理解人话。直到，她发现了一个致命性问题。
读博期间，张晴晴的论文研究的是“中国人说英语”，为此她要拿到200个真人的语音，只为让机器理解中国人说英语的特点。结果，这期间她大量的精力都花在了找人说英语上，甚至走在街上，也会下意识向路人问一句：“您能帮我录句话吗？”而最终，机器仅花费了1天就给出了第一个实验结果，可她却足足花了300天用来收集人声。
张晴晴不禁感慨，人们普遍认为，AI科学家每天的工作是构建高大上的模型，但其实绝大多数时间都用在了数据上，他们也想用好的数据帮助建模，但结果却是像围城一样这是很多AI科学家共同的难题。
那么，有没有可能创造一个庞大的数据集，让所有的AI科学家和公司都能够用来训练模型呢？这一疑问浮现在张晴晴的脑中。
直到2016年，人工智能迎来了再次爆发，张晴晴观察到一些互联网巨头对于数据的需求越来越旺盛，于是从中科院离职，正式在北京创办Magic Data。
如果要用一句话概述公司业务。张晴晴介绍，Magic Data的定位是一家多模态的人工智能数据解决方案公司，做的是多模态数据，提供的是数据的解决方案。七年来，Magic Data积累了超过60种语言、超过15万小时的对话式AI训练数据集，覆盖智慧金融、智慧出行、智能社交、智能家居和智能终端等五大行业。
回想一路走来，让张晴晴印象深刻的故事有很多，但最让她触动的一件事，是来自于团队。
2017年，公司成立还不足一年，为了节约成本，张晴晴只能把公司租在北京海淀区的一座商住两用楼里。在那段时间，北京的几场大火波及了消防隐患小区，都需要被清查整治。
一个周日下午，消防员筛查到了这座大楼，告知大楼的消防不合规，必须立刻撤走。这意味着，张晴晴需要在几个小时内转移几十位员工的办公物品，怎么搬？搬去哪？面对突如其来的状况，她一时不知所措：“我当时很尴尬，也不知道怎么跟员工开口，觉得自己好像挺不靠谱的。”
但她很快晃过神来：得马上告诉大家，集结团队的力量。而让满心愧疚的张晴晴欣慰的是，员工没有一位抱怨，一晚上搞定了搬迁。第二天一早，所有人准时出现在新办公室里，开始了新一天的办公。
而在那个兵荒马乱的时刻，公司还正在忙着A轮融资，也正因为整个团队的凝聚力，Magic Data在那一周里成功拿到了A轮。
自那以后，张晴晴悟出一个道理：“创业是在和平年代里对人最有挑战的一种生活方式，在创业过程中感受到的喜怒哀乐是几辈子的喜怒哀乐，但反过来对于人的自我迭代也是极快的。创业是个非常有趣的过程。”
01
ChatGPT好比数据工厂
但是做数据难于做芯片
科技行者：ChatGPT与人交互起来对答如流，感觉它的大脑在飞速运转，背后肯定是有海量数据在支撑吧？
张晴晴：没错，数据对ChatGPT的作用实在是太大了。ChatGPT起初的数据量很多，几乎都是来自于网络用户的原生数据，但这些数据不能直接用，要经过分类清洗。
反过来说，你的处理速度、精度、效率都会直接影响到ChatGPT本身的质量，所以本质上它是一个工业级的生产过程，是个极具挑战的过程。
挑战有两点。首先，你需要把很多人组织起来，在一个生产系统里完成事情。其次，如果我们已经构建了一个基础的ChatGPT，剩下的就要开始做一个围绕ChatGPT而生成的垂直领域模型，这里产生一个问题，这种垂直数据怎么获取？
垂类数据的获取通常都非常难，特别是医疗、金融等数据，网上没有现成的。所以这就衍生了另外一个热门技术，叫AIGC（人工智能自动生成内容），它为什么同步火了，就是因为现实生活中的数据获取太困难了，就想着用AI去生成类似的数据去用于训练。
AIGC其实也叫做合成数据，合成数据中间有一个非常重要的分支，叫做simulation data（模拟数据），对于企业来讲，模拟数据可以很好地实现数据场景拟合、快速交付的需求，同时数据的合规性也能得到保证。
6年前， Magic Data开始做模拟数据，实话讲这在整个人工智能的数据领域，前瞻性是走得比较靠前的。
我们做的模拟数据，叫做off the shelf data（自有数据），通过模拟出各种场景，比如通话场景、车载场景、家居场景等，对模拟场景中的数据进行采集和标注，打包成分行业、分领域的垂类数据。这些数据可以快速交付企业和科研院所，助力AI研发。
科技行者：那么做模拟数据的难点是什么？
张晴晴：做数据要求很专业，我曾经跟同事讲，做数据的专业度有点像是做芯片，都是一个long term（长周期）的事情。但现在我越来越觉得，做数据的难度甚至高于历史上生产芯片的过程，因为芯片是可以被结构化的。
但是数据的差异化太大了，不同的行业、场景、甚至是不同的形态数据，里面的参数和差异度都是极大的，同时，数据要用于人工智能建模，机器在建模的过程中如何消化吸收这些数据，也是难点。
对于我们“数据人”来讲，一定要先理解，才能生产出好的数据，所以虽然看上去我是一直在做数据，但是我每做一个数据，都要换位思考，思考数据在使用过程中会发生什么，这里就有大量专业的“know how”在里面。
第一点就是专业度。数据越做到后面，意味着我们要去处理数据的精度和复杂度就越高，需要的专业人士在里扎根的时间就越长。所以客观上，我也不认为任何一家数据公司可以把所有的数据都做了，每家公司可以生根在擅长的某个方向，做深做透就很了不起了。
第二点就是规模化。数据不可能永远留在实验室里，未来都还是要面临工业级生产的问题。就像做芯片，做3纳米的一颗芯片不难，难的是批量生产出一堆3纳米芯片，可能也就那么几家公司能搞出来。
数据也一样，需要系统和人一起耦合去不断迭代，机器在这个过程中处理哪些环节，如果机器出现异常，人应该给予什么information，让机器再去回溃整套流程是一个不断打磨的过程，也是一个不断求最优解的过程，但是你又永恒在求最优解，所以做数据是一个long term（长周期），需要你be patient（有耐心），需要你keep going（坚持不懈）。总之这对做数据的企业也是综合性考量，要持续投入研发，不断迭代，不断筑高壁垒，最后沉淀下来，才能越来越好。
02
真正理解数据的人，就一小撮人
他们很痛苦
科技行者：Magic Data成长一年后，就有了千万级的收入。很多创业公司技术虽好，难的是获得收入。你们是如何破冰的？
张晴晴：虚头巴脑的我就不讲了，客观说，任何一家企业刚起步，要想运转起来，一定靠的是信任度，它决定了客户是否信任你，愿意跟你合作。同时要有交付质量，这是后续合作的基矗
我们公司发展6年间，一些主要客户的复购几乎没有断过，这反过来也证明我们是一家非常踏实的企业，从创立第一天起，我们的核心诉求就是，希望从根本上改变数据的生产力。
只要是能在生产力上面有帮助到数据的生产的，不管是从机器的研发效率、营销、供应链任何环节，只要能优化的，就应该不遗余力去做，对于整个AI的赛道来讲，降本增效一定能推动发展。
科技行者：咱们第一个客户是谁？
张晴晴：我有点不记得了，但应该是中国企业，虽然我们的客户全球都有，但最初做人工智能的基本都是现在的大厂。
科技行者：大概在两年前，你们公司做了很多开源项目，还有一个开源社区，感觉也是在给数据的生产力蓄力。
张晴晴：真正理解数据价值的人，有时候就像围城一样，在那一小撮人里面，他们也很痛苦，很想用好的数据帮助到自己的建模，但是他们又很难鉴别，到底什么是好数据。
我们做了很多好数据，凝结了专家团队的know-how，我希望告诉大家，至少在人机交互的数据领域，Magic Data是专业的，我们把一些典型的数据开源，也是希望跟其他企业创造更多价值。
科技行者：有什么细节可以证明，咱们的数据就是好数据吗？
张晴晴：“好”可以理解成相对概念。
比如在人机交互场景里，终极形态是完全自然的交流，就像人和人对话一样，是非常放松、想到哪说到哪的状态。所以机器的训练目标一定是越逼近于人类越好，我们公司长期一直在用“人类对话数据”去训练机器。
但是哪怕在两年前，大家都还没有意识到这个问题，导致过去我们跟机器交流时，会觉得死板又生硬，因为传统的数据用的是书面用语，训练出来的机器当然死板，直到现在，大家才意识到了问题所在。
科技行者：就好比学书本英语很多年却无法跟外国人交流一样。说到对话式数据，又要提到ChatGPT了，Magic Data能为这类大模型做什么？
张晴晴：两个方面。一是基础的「大模型」，对数据的清洗和分类是ChatGPT需要的，这部分我们有高效的数据生产工具，叫做Annotator智能化标注平台，它凝结了我们过去十几年做数据和人工智能的经验，如果用这套系统去处理数据，可以降本增效。
二是基于大模型做「垂类模型」。这个过程就一定会涉及到模拟数据，我们会专门设定很多指标，在这些指标下面去采集相应的数据，并且做后期打标签的动作，如果企业直接用我们的模拟数据，去解决某些应用场景，也可以降本增效。
科技行者：前面还提到了，传统训练的数据是非常机械式的，而咱们用的都是人性化数据，那么咱们的数据获取方法是怎样的？
张晴晴：过去，互联网公司有很多用户，它会基于这些数据去使用，当然这存在隐私问题。
我们的方式是去中心化，反其道而行之，我们不是去拿用户的数据，而是有一个众包的工作平台，大家到我的平台来，贡献他个人的一些数据，然后再获取相应的报酬。比如请一个人来给我做一段表演，或者请他来念一段古诗小说，这种情况下，他产生的数据有价值，他也会拿到相应的报酬，这恰好是一种去中心化的状态。
科技行者：无论是ChatGPT也好，还是AIGC也好，都是围绕AI来谈的，那么你怎么理解未来 AI与人类社会发展的关系？
张晴晴：要从阶段性来看。在未来几十年的周期里，人工智能会很大程度上帮助人类的工作生活，比如当老人或小孩摔倒了，智能监控会预警，这些机器肯定是有利于社会安全稳定发展的；而从更长期的角度来看，当人工智能越变越好，智能系统越来越多，大家会思考人类会不会部分被取代？我觉得不是没有可能，我们总说奇点，可能一旦突破奇点，变化一触即发。
03
躺平or卷？
我更追求“被需要的价值”
科技行者：创业维艰都说烂了，你每天思考最多的问题是什么？
张晴晴：思考的问题也跟不同时期有关。早期总在想，怎么把一件事情去落地做好。
创业到第三年，考虑战略、定位、擅长做的事。
到第四五年，也就是从去年开始，除了以上这些东西，我更多的开始关注组织的问题，一个企业的成功必定是一个组织形态的成功。
科技行者：“创业是在和平年代里对人最有挑战的一种生活方式”，你这话说的很好，不过既然是和平年代，有人可能就一直想躺平，为什么你要这么卷？
张晴晴：躺平和卷，其实是个哲学话题，我时不时也会想一些哲学问题，比如每个人在社会上追求的到底是什么？
我也跟公司的小伙伴讲，大家为什么要去做这些事，说到底是为了两件事。眼巴前的是为了收益（钱），这个大家都会考虑，但是如果一个人只考虑钱和收益，除非这个人真的是立刻要饿死，否则是不可信的，那就意味着你的精神世界已经整个崩塌了。
所以除了钱之外，每个人一定会追寻一种“被需要的价值”，当一个人被需要，他会迸发出一种极大的发自内心的力量，这种力量会让这个人觉得非常幸福，这也是所谓的“情绪价值”。
上面说的两个追求，在每个人那儿的占比有所不同，而于我而言，我更需要“社会价值”。
最理想的状态是，你对自己的评价和社会对你的评价是几乎对等的，其实两者一旦发生谁高谁低，你都会觉得，要么别人亏欠你，要么你好像占了别人便宜，就是这种状态。
科技行者：对，说回到躺平和卷的两个维度，我们或许不用去界定到底是要“躺平”还是要“卷”，可能卷累了就躺，躺累了再卷，大家其实不用只选择一种状态。
沿着这个话题，我们再来做一个预测。如果3~5年后，公司还能达到一个什么样的高度，你会比较满意？
张晴晴：可能两三年前，你问我这个问题，我会习惯性回答一句：如果企业可以上市，我应该很满意。
但是现在看来，要达到满意的目标有两者。第一者是，客户们觉得Magic Data这家公司能够给它们带去价值，这对于人工智能数据的生产力也会带去更好的推动。
第二者是，Magic Data公司里共事的小伙伴们可以因为这家企业而生活得更体面，并且他们的社会价值感会更高。
如果这两件事情同时满足，我就觉得这家企业让我很满意。
科技行者：这么看来，感觉你是一个很有奉献精神的人，因为你个人的成就感来自于给他人带去的价值感。
张晴晴：这么说是合理的，因为创始人其实是公司集体的化身，关键是自己内部的一个逻辑自洽和对于外界来讲是一个价值呈现。
科技行者：那么做成一家创业公司，要具备哪些重要的品质？
张晴晴：最重要的就两点，学习力和复盘力，这是对于创始人和创始团队都特别重要的能力。然后第三点不是我们可以完全掌控的，就是“看天吃饭”。
复盘能力对于很多人都是极大冲突的，首先你得先否定自己，然后再去调整成一个好状态，自己否定自己可能绝大多数人就做不到。但如果能做到的话，不管是创业者，还是非创业者，他的上升速度都会非常快的。
科技行者：总结而言是，不断学习让人进步，不断复盘让人自省，其他的交给时运。
张晴晴：对。
科技行者：在人工智能领域，有很多女性科学家和企业家，那么如果有女性学子也想投身于这个领域，你有什么建议？
张晴晴：我觉得无论是女性还是男性，都存在一个突破自己的艰巨过程。
女性早期可能会不自信，比如自己认为是这样的，还会习惯性去问别人“是这样吗”。另外女性存在一些天然色彩，比如习惯减少冲突、或是要让周围人感觉舒适等，这里有好的方面，就看怎么去用它。在创业这件事上，有时候反倒需要“独裁”，独裁这个词不好听，但也代表着对于自己所要干的事情更加笃定。你敢于去做决策，并且坚定不移朝着这个方向走下去。
男性要突破的，就是承认自己曾经错过而重新再来的过程。所以，创业对男性女性都不容易，不过新时代有个词叫做“女性经济”，对于女性创业或女性出现在商界，大家的包容度好像真的变高很多了。
相关文章
