云天励飞王孝宇：AI 研发和应用，数据的重要性远高于模型

2021年12月11日，由雷峰网 (公众号：雷峰网) & AI 掘金志主办的第四届中国人工智能安防峰会，在深圳正式召开。

本届峰会以「数字城市的时代突围」为主题，会上代表城市AIoT的14家标杆企业，为现场和线上观众，分享迎接数字城市的经营理念与技术应用方法论。

在下午场的演讲环节中，云天励飞首席科学家王孝宇发表了精彩演讲。

王孝宇认为，AI的研发模式有两大关键点：

• 用什么样的数据训练模型；

• 模型如何基于数据得到更好的结果。

过去的研发模式大都以模型为中心，依赖专家，找数据、标注数据，然后让AI博士调参，如同工业化时代的“拧螺丝钉”，导致AI无法大规模产业化。

同时，过去的研发范式，大都集中于用更好的技术建立更好的模型。但几年之后，业界发现所用的技术越来越趋同，标准化的条件成熟了 

事实上，对比不同研发模型，可以发现对AI研发和应用来说，高效地获取最好的数据，比模型本身要重要得多。

究其原因是技术迭代快，容易被赶上，但数据迭代慢，因此如何在最短时间内得到可以使模型达到最优效果的数据集，这才是最重要的。

因此鉴于人力成本和模型标准化条件的成熟，云天励飞在内部打造了一套标准化、流程化、平台化的模型研发方式。

云天励飞大规模算法研发的流程是：

第一步，获取初始模型。通过分布式标注平台定义任务，再利用被千亿、百亿级的数据训练出来的大模型和无监督学习，配合少量数据的标注，得到不错的初始模型。

第二步，数据迭代。在海量还没有标注好的数据中，用技术、算法找到真正有用的数据，用主动学习算法做数据择优。

第三步，模型训练。在云天励飞的平台上用一键化方式，完成调整参数、数据挖掘等工作，降低对训练模型人员的从业要求。同时让数据、研发轨迹、开发技巧都沉淀在平台上，动作可复用，流程可追溯，降低AI人员高流动性带来的负面影响。

他认为视觉AI目前还处在拓荒阶段，是一片沙漠，没有变成绿洲，只有等到其变成绿洲时，才能“长”出很多AI企业，而云天励飞建立的这套平台，就是加速沙漠变绿洲的驱动底座。

以下是王孝宇演讲全文，雷峰网AI掘金志作了不改变原意的整理与编辑：

很高兴与大家一起分享云天励飞从事AI研发十几年来总结的一套模型研发范式，我这次的演讲题目是——AI大规模产业化实践。

首先做下自我介绍。我毕业之后去了硅谷，在NEC Labs做无人车、人脸方面的研究。2015年，我和另外几人一起去洛杉矶，帮Snap公司创建了AI研究院。2017年，回国之后，我来到了云天励飞。

2017年的时候，人工智能开始火爆起来，有非常多的应用，像聊天机器人、无人车、人脸识别，健康领域，智慧家居、AR等。但是只有人脸识别有人相信，其他的，不管是业界还是投资人，都认为是骗子，觉得做不出来什么东西。

时隔五年，再回头来看行业，我觉得很有意思。聊天机器人在每个社交网络平台，像阿里、京东，现在在电商平台上都有应用。无人车，慢慢也有Robotaxi的落地，现在也有很多企业在这方面兴起。在健康领域，五年前我们还在讨论IBM沃森的失败，当时折腾了很大的动静，但现在有很多这方面的优秀企业兴起。

当时美国一些知名的AR公司也倒闭了，但现在很多公司把自己的名字改成元宇宙，又火了起来，AR又让大家看到了希望。

这些变化其实印证了我的一个观点：不要高估AI带来的改变，也不要低估AI带来的影响，我们是在这片沙漠里垦荒的一批人。

在垦荒的过程中，我们回过头来看AI，落地应用的最大瓶颈是什么？

人才太贵了。

六年前，我们招聘AI博士的时候，给到40万美金一年，光是养一群技术人员，每年的人力成本就是一个巨额数字。但是现在，这项成本正在降低，究其原因， 是AI的研发模式发生了变化。 

AI的研发模式，有两个关键点。 首先，有什么样的数据训练模型；其次，如何用各种技术基于数据来让模型取得更好的效果。

过去，大家把重心放在模型上，需要数据就要找，不停标注，标注完以后，就是专家干的事了，天天调模型参数、损失函数、优化器，很多AI博士毕业之后就干这个事。

这个事其实跟工业化时代拧螺丝钉的工作没太大区别，但没有博士相关的学习经历，还干不了这个事，所以很难规模化、产业化。

我们之前的研发范式，都是集中用更好的技术建立更好的模型上的，但现在不是那么回事了。

12月8日，Andrej Karpathy 发了一个推文，他是李飞飞的学生，毕业之后去了特斯拉，担任无人驾驶总监。他说，现在的AI技术都趋同了，大家都一样。

什么意思？

以视觉为例，五六年前，做自然语言处理的有一套技术，做图像识别的也有一套技术，但是做了五年之后，大家发现做的技术是一样的。不管是视觉、语音还是自然语言处理，大家用的都是同一套技术框架和模型架构来解决问题。

最近，机器学习领域的国际顶尖会议NIPS也提到：慢慢的，那些通用模型的结构，已经占据所有任务的主导地位了。

这有点像通信或编码时期，大家刚开始是百花齐放的，后来慢慢的，大家都用同一套技术架构解决所有的问题，也就是走向了标准化阶段。

如果把这两个模型研发的过程放在一起做比较，我认为更重要的，不是模型有多好，而是数据有多优质。

有句话说得好：“巧妇难为无米之炊”，你的厨艺再好，没有素材做不出任何东西，所以有好的数据才是最重要的。

在云天励飞十多年的研发过程中，我们发现， 如何高效地获取最好的数据，比模型本身要重要得多。

因为技术是很容易赶上的，今天这个技术不行，可能再过三个月、六个月会有新技术出现，会不停地更新迭代。但数据的迭代效率往往没那么高，而且我们也发现，在研发过程中，90%以上的时间是放在数据上的，而不是做模型。

由此带来研发观念的转变： 之前我们的观念是招聘最好的人，开发最好的技术，达到最好的效果。但实际不是这样的，如何在最短的时间内，得到可以使模型达到最优效果的数据集，这才是最重要的。

云天励飞从创立到现在，从来没有一个研发任务是，把数据收集好，模型做一遍就结束了，这个模型永远要在用户的实际场景中迭代。

怎么在实际场景中迭代？

需要在做的不够好的地方，把数据收集起来。也就是说，数据集的分布会慢慢让模型的精度达到最好。

云天励飞对研发部门KPI的制定，不仅仅是训练出了多少模型，或者说模型的精度是多少。 而且明确把数据集的产生作为KPI的导向之一，它其实更重要。

优秀的开发者和一般的开发者之间，对数据的认知是不一样的，优秀的开发者对数据有非常良好的认知，模型被数据cap得很明显，在最短的时间内拿到最好的数据，才能做到最好的模型精度。

为什么说模型大规模生产？

因为现在面向城市治理算法的应用，已经不仅仅是几个算法模型了。大家经常一看，有几百个模型的需求，但企业不可能招几百个人做这个事，所以需要大规模地跑这些技术，必须要有平台化的东西进行研发。

所以云天励飞在内部打造了一套标准化、流程化、平台化的研发方式。

 什么叫流程化？

流程化的英文叫Streamline。不需要切换上下文就可以把所有的事情做完，现在美国的创业非常流行这样做，RPA也是同样的思路，做机器人流程自动化，把业务的流程放在无缝衔接的框架下完成。

只有在这种情况下，效率才是最高的，不需要一会儿做这个事，一会儿做那个事，频繁切换会影响工作效率。

标准化（standardization），把里面跟模型相关的非标准化的部分全部呈现在技术上，整个平台上只剩下标准化的东西。

这样做的好处是什么？容易学习，所以不需要博士做这个事情，可能本科生甚至是高中生就可以干这个事，从而把博士资源放在更紧要的地方。

平台化（platform），这也是整个软件行业的趋势。

这张图是我们大规模算法研发的流程： 

第一步，搜集数据，这时候数据是没有标注的。

第二步，做数据标注；

第三步，模型训练；

第四步，data mining，有了初始模型后，在海量没有标注的数据里找到可以提高性能的数据；

第五步，再进行标注。

如果把这个平台分成三步，前两步就是做初始模型的建立，后面就是做完整闭环，像飞轮一样，它在不停地转，每转一次都可以得到更好的精度。这个转法是在我们平台上实现的，不需要专家级别的人专门来做。

第一步，获取初始模型。

首先我们有分布式标注平台，开发人员可以定义一个任务。比如做街道下水道井盖有没有被人拿走的检测，也许我们会标注10-20个数据。

标注之后怎么办？这是学术界和工业界很火的大模型和无监督学习。

为什么我们在这里面放了大模型和无监督学习？刚才我们讲到，一开始我们想做井盖被人拿走的事实检测，我们一开始可能没有这么多标注好的数据，可能只有100个，但数据标注的效率可能是万分之一。

如果你想标1万个这样的数据，需要标1亿个data，这个量非常大。怎么办？

先标100个，为什么要用大模型和无监督学习配合这个数据去跑模型？就是为了让你初始模型的精度达到最高。

无监督和大模型最好的方式，本来100个数据训练出来的精度只有30%，用大模型和无监督学习的方法训练之后，精度可以达到80%，那挖掘数据的效率可以提高10倍，也就是说我少标了10倍的数据，一切都是为了后面数据迭代的效率来做的。

为什么大模型和无监督学习可以提高这个性能？虽然它自己没有标注数据，但它是被千亿、百亿级的数据训练出来的，知道井盖是什么样的，这种特征的编辑其实已经实现了，再配合少量数据的标注，就可以得到一个还不错的初始模型。

为什么要得到还不错的初始模型？因为数据迭代的效率会更高，首先是为了第一步方便。

第二步，我们不说模型迭代，而是数据迭代，因为我们认为模型的训练已经被标准化了，在平台上，点个按钮它就训练好了，不需要有模型训练的知识，我们专家的系统已经把它做好了。

所谓的数据迭代，就是在海量还没有标注好的数据中，找到能够提高模型性能的数据，进行主动学习。

传统模型研发的范式是缺数据再去标，但发现标过来的数据跟以前的分布是一样的，对模型的分布没有太大用处。所以需要用技术、算法找到对自己真正有用的数据，右边我们从海量数据中找出了9张有用的数据。

模型挖掘怎么做？在左边平台界面，点一个按钮，选一个数据集，可以自动在这里面挖掘，从几亿的数据里找到几张跟井盖相关的数据做训练，我们是用主动学习算法做数据择优的。

数据迭代之后，要做模型训练，在这个平台上用一键化的方式去做，这就是我们花几百万招过来的博士应该干的事情，他们不应该天天调参数、挖数据，这些事情应该让平台去干。

这一步，只要你点训练，它可以自动训练，背后怎么训练？是由开发者去开发的。但是在整个平台上去进行操作的人，不需要知道大规模模型训练，这降低了训练模型人员的从业要求，只要他知道这是怎么回事，把数据拿进去就可以训练，无代码一键完成模型开发。

做这种平台研发环境的好处是什么？数据沉淀在平台上，动作可复用，流程可追溯。这里面有几个界面：数据集管理、模型管理、任务管理。

数据集管理，就是一些标注好的数据集，以及挖掘、生成的数据集；模型管理，就是训练好的模型；任务管理，可以是标注任务，也可以是挖掘任务，也可以是训练任务，所有研发的轨迹全部停留在这里面。

为什么要做这个事？很简单，因为人力成本太高，企业无法招聘太多人从事每一个算法的研发。有了这套平台之后，我们可以实现非算法人员开发模型的方式，让算法工程师做更高级别的技术，这些平台话、流程化的事情，可交给一般的技术人员或者学生来做。

整个过程中，我们认为沉淀更多的是数据价值，这比模型的价值更大。

为什么数据的价值比模型的价值更大？

数据没有了，模型是训练不出来的，你不会再得到提高，即使得不到模型，数据在这儿，所以很容易再训练一个模型出来。

数据的重要性远远高于模型的重要性，所谓持续性的研发，沉淀出来的是有价值的数据，而不是其他。

因为模型很容易重新训练，或者用不同的数据迭代。但数据日积月累需要很长的时间。在整个平台上，通过数据不停的挖掘、训练、标注、迭代，会一轮一轮增加新的数据，为每个任务沉淀出非常优质的数据集。

也就是说，在这个平台上，数据变成了最重要的资产。

另外，所有的开发技巧也沉淀到平台上了。

如果大家搞研发管理，就会发现一个现象：部分人能做得特别好，部分人怎么都做不好。这是因为，任务、指令都是一样的，但不同的人研发经验是不一样的。

人才的素质属于不可控因素，如果把这套技术能力进行沉淀，每个模型研发过程都能实现可追踪，这样就能让做不好的人，通过学习，把事做好。

这样做的另一个好处是，不会因为人才流失导致既有的模型失效。

所有公司都会面临人员流动这个问题，一位优秀员工离职之后，其模型很难复现，因为别人不知道这个模型怎样迭代才达到现有的精度，上下衔接很困难，费时费力。

但是在这个平台上，就不会出现问题。模型训练过程中所做的所有数据的标注、操作，全部都在这个平台上，主要进行相关操作，全部流程都可以重复，不需要重新做。

在座如果有做研发管理的，肯定会感觉这个东西用起来非常不错。

现在，云天励飞内部的研发，除了一些非常高难度的，或者非要人工介入的算法研发（如人脸），其他的算法研发全部依赖于大规模算法开发平台。也就是说基本全部不需要算法工程师去做，都是标注人员在做。

以大堂搬运货物检测案例为例，每个工程师大概开发成本50万，一个月的时间差不多5万块钱的投入，但现在只需要1个标注人员，5-7天就可以做完从0到实用部署。

为什么能力稍微差一点，时间反而缩短了？

这就是流程化，所有模型的训练只在一个平台上完成。以前的方式，来来回回对接的成本太高，但在这个平台上，点击挖掘，自动寻找，再点标注，寻找标注人物，后台人员标注好，再点训练，全部就完成了，整个流程即使和非常有算法经验的工程师相比，这个平台也有4倍以上的提升。

我们凭借这个平台在深圳做了几个项目，像龙华智能运算能力平台。

这里面涉及的算法有上百个，公司不可能在短期内招聘几百个算法人员进行研发，因为这套平台当时还没有做得完备，所以让2个算法人员、10个标注人员，在6个月的时间把20多个算法开发全部完成了，成本也降低了很多。

为什么它需要这么多的算法？

这其实是整个城市管理思路的转变：以前是巡视型管理，需要实地巡查，才能发现、处理；现在布置相关摄像头，就能在后台发现，从而解决。

这种管理思路的转变，需要大量算法技术能力的支撑。云天励飞在龙岗算法仓做了一个项目，也是算法训练与赋能平台，这里面也有上百种算法的需求。

需要强调的是，这套研发平台没有牺牲模型的精度，不同的人群训练这套模型没有太大差别，因为在这个平台里，可以通过主动学习算法，基于数据集做快速迭代，从而得到比较高的检测精度。

最后提一点，云天励飞为什么要建立这套平台？

从行业看，视觉AI还处在拓荒阶段，仍然是一片沙漠，没有变成一片绿洲，只有等到它变成绿洲的时候，才能长出一颗颗参天大树，长出许多AI企业。

城市治理对于算法的需求是成千上万的，每个算法都靠有经验的人员去开发，成本会非常高昂，因此云天励飞开发了这套系统，缩减成本的同时，加快AI应用的进程。

可以设想，未来的城市，有一张网络可以检测方方面面，所有的事件都可以在城市大脑里解决。

这背后的技术逻辑是，算法可以做智能调度。比如对着大海的摄像头，不用把汽车检测的算法集成到摄像头上，当城市拥有一万种算法时，可以在不同场景下，调度合适的算法，来解决问题。

云天励飞的愿景是，通过知识图谱和整个平台的研发，让城市超脑实现自我进化，从而达到更高的智能化水平。

值得一提的是，云天励飞的自进化城市智能体的思路，已经被写入深圳市政府工作报告中。 雷峰网雷峰网

雷峰网原创文章，未经授权禁止转载。详情见。