📢 转载信息

原文链接：https://techcrunch.com/2025/10/16/why-ai-startups-are-taking-data-into-their-own-hands/

原文作者：Russell Brandom

---

AI浪潮下的新趋势：初创公司为何要亲手收集和掌控训练数据？

今年夏天的一个星期里，一位名叫Taylor的数据自由职业者和她的室友在额头上绑着GoPro摄像机，记录下她们绘画、雕塑和做家务的全过程。她们正在训练一个AI视觉模型，小心翼翼地同步拍摄素材，以便系统能从多个角度观察同一行为。这项工作在很多方面都非常困难，但她们得到了丰厚的报酬——这让Taylor能将大部分时间用于艺术创作。

“我们醒来，做完日常活动，然后把摄像机绑在头上，同步时间记录，”她告诉我。“然后我们做早餐、洗碗。接着，我们就会分开做各自的艺术创作。” 

她们受雇每天提供五小时的同步视频素材，但Taylor很快发现，为了留出足够的休息和身体恢复时间，她需要每天投入七个小时进行这项工作。

“这会让你头疼，”她说。“当你摘下摄像机时，额头上会留下一个红色的方块。” 

Taylor（为保护隐私未透露全名）是AI公司Turing Labs的数据自由职业者，该公司将她引荐给了TechCrunch。Turing的目标不是教AI如何制作油画，而是获取关于序列问题解决和视觉推理等更抽象的技能。与大型语言模型不同，Turing的视觉模型将完全依赖视频进行训练——而这些视频大部分将由Turing直接收集。

与Taylor这样的艺术家一起，Turing还在与厨师、建筑工人和电工签约——任何需要用手工作的人。Turing的首席AGI官Sudarshan Sivaraman告诉TechCrunch，手工收集数据是获得足够多样化数据集的唯一途径。

“我们为许多不同类型的蓝领工作这样做，就是为了在预训练阶段拥有数据多样性，”Sivaraman告诉TechCrunch。“收集完所有这些信息后，模型将能够理解特定任务是如何完成的。” 

Turing在视觉模型上的工作，反映了AI公司处理数据方式的日益转变。过去，训练数据集可以自由地从网络上抓取，或由低薪标注员收集；而现在，公司愿意为精心策划的数据支付高昂的费用。 

随着AI的原始算力已成定局，公司正将专有训练数据视为竞争优势。而且，他们不再将任务外包给承包商，而是倾向于自己承担这项工作。 

电子邮件公司Fyxer（使用AI模型对电子邮件进行分类和起草回复）就是一个例子。

创始人Richard Hollingsworth在进行了一些早期实验后发现，最好的方法是使用一系列具有高度专注训练数据的小型模型。与Turing不同，Fyxer是在别人的基础模型上构建的——但底层洞察是相同的。 

“我们意识到，真正决定性能的是数据的质量，而不是数量，”Hollingsworth告诉我。

在实际操作中，这意味着一些非传统的员工选择。Hollingsworth说，在早期，Fyxer的工程师和管理者有时会被四倍数量的行政助理所超越，这些助理负责训练模型。

“我们雇佣了许多经验丰富的行政助理，因为我们需要就一封邮件是否应该回复等基本问题进行训练，”他告诉TechCrunch。“这是一个非常以人为本的问题。找到优秀的人才非常困难。” 

数据收集的步伐从未放缓，但随着时间的推移，Hollingsworth对数据集变得更加珍视，在后期训练时，他更倾向于选择较小、经过更严格策划的数据集。正如他所说，“真正决定性能的是数据的质量，而不是数量。”

这一点在合成数据被使用时尤为突出，合成数据会放大可能出现的训练场景范围，以及原始数据集中任何缺陷的影响。在视觉方面，Turing估计其75%到80%的数据是合成的，从原始GoPro视频中推算而来。但这使得保持原始数据集的高质量变得更加重要。

“如果预训练数据本身的质量不高，那么无论你对合成数据做什么，其质量也不会高，”Sivaraman说。

除了质量问题，将数据收集保留在内部还存在强大的竞争逻辑。对于Fyxer来说，艰苦的数据收集工作是公司对抗竞争的最佳护城河之一。在Hollingsworth看来，任何人都可以将开源模型集成到他们的产品中——但并非每个人都能找到专家标注员来将其训练成一个可行的产品。 

“我们相信最好的方法是通过数据，”他告诉TechCrunch，“通过构建定制模型，通过高质量的人工引导数据训练来实现。”

---

---

🚀 想要体验更好更全面的AI调用？

欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。