“女博士”张晴晴的硬核AI创业经：做数据难于做芯片

科技行者

人们广泛以为，AI科学家天天的工作是构建高大上的模子，但着实绝大多数时间都用在了数据上，他们也想用好的数据资助建模，但结果却是像围城一样——这是许多AI科学家共同的困难。

作者｜周雅

配图｜扈佃杰

在高校扎堆的北京北三环黄金地段，海淀文教财产园着实不那么打眼儿，但却善于收揽“金种子”入驻，创业公司Magic Data就是此中的一位了。

仅看名字，不丢脸出Magic Data的业务：数据！这家公司创建至今不到7年，从不到10人扩张到100余人规模，客户遍布环球200家头部大厂，5年内业务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……在这此中，有一个人功不可没。

她就是Magic Data首创人兼CEO张晴晴。

张晴晴身上有许多社会化的标签：女博士、创业先锋。抛开这些，在与她1个半小时的交谈中，我更多能显着感受到她对于古迹的豪情与执着，因此你什么题目都能问，她什么也都能接的住。厥后我才发现，这原来就是她的一样寻常之一，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。

以是你很容易在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——由于说到底，张晴晴的发展，也伴随着中国人工智能财产的发展。

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门生大概一毕业就面对赋闲，乃至大学里没有真正教AI的老师，还得从通讯专业里“借”老师，张晴晴打趣道：“人工智能的前身大概是通讯”。可却在其时，张晴晴对语音辨认萌生了爱好。

大三那年，她偶然选修了一门课叫做“语音数字信号处理处罚”，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——“我以为这特别风趣。”她说。

厥后在保研过程中，张晴晴同心专心想继承学语音信号处理处罚，可巧看到中科院在招生，就绝不夷由报了名。终极结果是，她在北邮通讯学院600多个报名的门生中脱颖而出，以第7名的结果被保送到中科院声学研究所，师从中科院语言声学与内容明确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，而且得到了2014年度中科院精良科技结果奖，又在法国国家实验室担当语音信号处理处罚博士后。总之，她就是那种“别人家的孩子”。

自此在这二十年间，这位女博士恒久专注在同一件事：怎样更好地构建模子，让呆板更好地明确人话。直到，她发现了一个致命性题目。

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，只为让呆板明确中国人说英语的特点。结果，这期间她大量的精神都花在了找人说英语上，乃至走在街上，也会下意识向路人问一句：“您能帮我录句话吗？”而终极，呆板仅耗费了1天就给出了第一个实验结果，可她却足足花了300天用来网络人声。

张晴晴不禁感慨，人们广泛以为，AI科学家天天的工作是构建高大上的模子，但着实绝大多数时间都用在了数据上，他们也想用好的数据资助建模，但结果却是像围城一样——这是许多AI科学家共同的困难。

那么，有没有大概创造一个巨大的数据集，让全部的AI科学家和公司都可以或许用来练习模子呢？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发作，张晴晴观察到一些互联网巨头对于数据的需求越来越繁茂，于是从中科院去职，正式在北京开办Magic Data。

假如要用一句话概述公司业务。张晴晴先容，Magic Data的定位是一家多模态的人工智能数据办理方案公司，做的是多模态数据，提供的是数据的办理方案。七年来，Magic Data积聚了高出60种语言、高出15万小时的对话式AI练习数据集，覆盖智慧金融、智慧出行、智能外交、智能家居和智能终端等五大行业。

追念一起走来，让张晴晴印象深刻的故事有许多，但最让她触动的一件事，是来自于团队。

2017年，公司创建还不敷一年，为了节省本钱，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，都必要被清查整治。

一个周日下战书，消防员筛查到了这座大楼，告知大楼的消防不合规，必须立即撤走。这意味着，张晴晴必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？面对突如其来的状态，她一时不知所措：“我其时很尴尬，也不知道怎么跟员工开口，以为自己好像挺不靠谱的。”

但她很快晃过神来：得立即告诉各人，集结团队的气力。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，全部人定时出现在新办公室里，开始了新一天的办公。

而在谁人兵荒马乱的时间，公司还正在忙着A轮融资，也正由于整个团队的凝聚力，Magic Data在那一周里乐成拿到了A轮。

自那以后，张晴晴悟出一个原理：“创业是在平静年代里对人最有挑衅的一种生存方式，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。创业是个非常风趣的过程。”

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持吧？

张晴晴：没错，数据对ChatGPT的作用着实是太大了。ChatGPT早先的数据量许多，险些都是来自于网络用户的原生数据，但这些数据不能直接用，要颠末分类洗濯。

反过来说，你的处理处罚速率、精度、服从都会直接影响到ChatGPT自己的质量，以是本质上它是一个工业级的生产过程，是个极具挑衅的过程。

挑衅有两点。起首，你必要把许多人构造起来，在一个生产体系里完成事变。其次，假如我们已经构建了一个根本的ChatGPT，剩下的就要开始做一个围绕ChatGPT而天生的垂直范畴模子，这里产生一个题目，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。以是这就衍生了别的一个热门技能，叫AIGC（人工智能主动天生内容），它为什么同步火了，就是由于现实生存中的数据获取太困难了，就想着用AI去天生雷同的数据去用于练习。

AIGC着实也叫做合成数据，合成数据中央有一个非常告急的分支，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包管。

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范畴，前瞻性是走得比力靠前的。

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，好比通话场景、车载场景、家居场景等，对模拟场景中的数据举行收罗和标注，打包身分行业、分范畴的垂类数据。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）的事变。但现在我越来越以为，做数据的难度乃至高于汗青上生产芯片的过程，由于芯片是可以被结构化的。

但是数据的差别化太大了，差别的行业、场景、乃至是差别的形态数据，内里的参数和差别度都是极大的，同时，数据要用于人工智能建模，呆板在建模的过程中怎样消化汲取这些数据，也是难点。

对于我们“数据人”来讲，肯定要先明确，才气生产出好的数据，以是固然看上去我是不停在做数据，但是我每做一个数据，都要换位思索，思索数据在利用过程中会发生什么，这里就有大量专业的“know how”在内里。

第一点就是专业度。数据越做到背面，意味着我们要行止置处罚数据的精度和复杂度就越高，必要的专业人士在里扎根的时间就越长。以是客观上，我也不以为任何一家数据公司可以把全部的数据都做了，每家公司可以生根在善于的某个方向，做深做透就很了不得了。

第二点就是规模化。数据不大概永世留在实验室里，未来都照旧要面对工业级生产的题目。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，大概也就那么几家公司能搞出来。

数据也一样，必要体系和人一起耦合去不停迭代，呆板在这个过程中处理处罚哪些环节，假如呆板出现非常，人应该给予什么information，让呆板再去回馈。整套流程是一个不停打磨的过程，也是一个不停求最优解的过程，但是你又永恒在求最优解，以是做数据是一个long term（长周期），必要你be patient（有耐烦），必要你keep going（对峙不懈）。总之这对做数据的企业也是综合性考量，要连续投入研发，不停迭代，不停筑高壁垒，末了沉淀下来，才气越来越好。

02

真正明确数据的人，就一小撮人

他们很痛楚

科技行者：Magic Data发展一年后，就有了万万级的收入。许多创业公司技能虽好，难的是得到收入。你们是怎样破冰的？

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，肯定靠的是信托度，它决定了客户是否信托你，乐意跟你互助。同时要有交付质量，这是后续互助的根本。

我们公司发展6年间，一些重要客户的复购险些没有断过，这反过来也证明我们是一家非常踏实的企业，从建立第一天起，我们的核心诉求就是，盼望从根本上改变数据的生产力。

只要是能在生产力上面有资助到数据的生产的，不管是从呆板的研发服从、营销、供应链任何环节，只要能优化的，就应该尽心努力去做，对于整个AI的赛道来讲，降本增效肯定能推动发展。

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，固然我们的客户环球都有，但最初做人工智能的根本都是现在的大厂。

科技行者：大概在两年前，你们公司做了许多开源项目，另有一个开源社区，感觉也是在给数据的生产力蓄力。

张晴晴：真正明确数据代价的人，偶然候就像围城一样，在那一小撮人内里，他们也很痛楚，很想用好的数据资助到自己的建模，但是他们又很难辨别，到底什么是好数据。

我们做了许多好数据，凝聚了专家团队的know-how，我盼望告诉各人，至少在人机交互的数据范畴，Magic Data是专业的，我们把一些典范的数据开源，也是盼望跟其他企业创造更多代价。

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”可以明确成相对概念。

好比在人机交互场景里，终极形态是完全天然的交换，就像人和人对话一样，好坏常放松、想到哪说到哪的状态。以是呆板的练习目标肯定是越迫近于人类越好，我们公司恒久不停在用“人类对话数据”去练习呆板。

但是哪怕在两年前，各人都还没故意识到这个题目，导致已往我们跟呆板交换时，会以为枯燥又生硬，由于传统的数据用的是书面用语，练习出来的呆板固然枯燥，直到现在，各人才意识到了题目地点。

科技行者：就好比学书籍英语许多年却无法跟外国人交换一样。说到对话式数据，又要提到ChatGPT了，Magic Data能为这类大模子做什么？

张晴晴：两个方面。一是根本的「大模子」，对数据的洗濯和分类是ChatGPT必要的，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，它凝聚了我们已往十几年做数据和人工智能的履历，假如用这套体系行止置处罚数据，可以降本增效。

二是基于大模子做「垂类模子」。这个过程就肯定会涉及到模拟数据，我们会专门设定许多指标，在这些指标下面去收罗相应的数据，而且做后期打标签的动作，假如企业直接用我们的模拟数据，去办理某些应用场景，也可以降本增效。

科技行者：前面还提到了，传统练习的数据好坏常机器式的，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：已往，互联网公司有许多用户，它会基于这些数据去利用，固然这存在隐私题目。

我们的方式是去中央化，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，各人到我的平台来，贡献他个人的一些数据，然后再获取相应的报酬。好比请一个人来给我做一段演出，大概请他来念一段古诗小说，这种环境下，他产生的数据有代价，他也会拿到相应的报酬，这恰好是一种去中央化的状态。

科技行者：无论是ChatGPT也好，照旧AIGC也好，都是围绕AI来谈的，那么你怎么明确未来 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，人工智能会很大水平上资助人类的工作生存，好比当老人或小孩跌倒了，智能监控会预警，这些呆板肯定是有利于社会安全稳固发展的；而从更恒久的角度来看，当人工智能越变越好，智能体系越来越多，各人会思索人类会不会部分被取代？我以为不是没有大概，我们总说奇点，大概一旦突破奇点，厘革一触即发。

03

躺平or卷？

我更寻求“被必要的代价”

科技行者：创业维艰都说烂了，你天天思索最多的题目是什么？

张晴晴：思索的题目也跟差别时期有关。早期总在想，怎么把一件事变去落地做好。

创业到第三年，思量战略、定位、善于做的事。

到第四五年，也就是从客岁开始，除了以上这些东西，我更多的开始关注构造的题目，一个企业的乐成肯定是一个构造形态的乐成。

科技行者：“创业是在平静年代里对人最有挑衅的一种生存方式”，你这话说的很好，不外既然是平静年代，有人大概就不停想躺平，为什么你要这么卷？

张晴晴：躺平和卷，着实是个哲学话题，我时不时也会想一些哲学题目，好比每个人在社会上寻求的到底是什么？

我也跟公司的小搭档讲，各人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），这个各人都会思量，但是假如一个人只思量钱和收益，除非这个人真的是立即要饿死，否则是不可信的，那就意味着你的精神天下已经整个崩塌了。

以是除了钱之外，每个人肯定会追寻一种“被必要的代价”，当一个人被必要，他会迸发出一种极大的发自心田的气力，这种气力会让这个人以为非常幸福，这也是所谓的“感情代价”。

上面说的两个寻求，在每个人那儿的占比有所差别，而于我而言，我更必要“社会代价”。

最理想的状态是，你对自己的评价和社会对你的评价是险些对等的，着实两者一旦发生谁高谁低，你都会以为，要么别人亏欠你，要么你好像占了别人自制，就是这种状态。

科技行者：对，说回到躺平和卷的两个维度，我们大概不消去界定到底是要“躺平”照旧要“卷”，大概卷累了就躺，躺累了再卷，各人着实不消只选择一种状态。

沿着这个话题，我们再来做一个猜测。假如3~5年后，公司还能到达一个什么样的高度，你会比力满意？

张晴晴：大概两三年前，你问我这个题目，我会风俗性答复一句：假如企业可以上市，我应该很满意。

但是现在看来，要到达满意的目标有两者。第一者是，客户们以为Magic Data这家公司可以或许给它们带去代价，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公司里共事的小搭档们可以由于这家企业而生存得更面子，而且他们的社会代价感会更高。

假如这两件事变同时满意，我就以为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，由于你个人的结果感来自于给他人带去的代价感。

张晴晴：这么说是公道的，由于首创人着实是公司团体的化身，关键是自己内部的一个逻辑自洽和对于外界来讲是一个代价出现。

科技行者：那么做成一家创业公司，要具备哪些告急的品格？

张晴晴：最告急的就两点，学习力和复盘力，这是对于首创人和首创团队都特别告急的本领。然后第三点不是我们可以完全掌控的，就是“看天用饭”。

复盘本领对于许多人都是极大辩说的，起首你得先否定自己，然后再去调解成一个好状态，自己否定自己大概绝大多数人就做不到。但假如能做到的话，不管是创业者，照旧非创业者，他的上升速率都会非常快的。

科技行者：总结而言是，不停学习让人进步，不停复盘让人自省，其他的交给时运。

张晴晴：对。

科技行者：在人工智能范畴，有许多女性科学家和企业家，那么假如有女性学子也想投身于这个范畴，你有什么发起？

张晴晴：我以为无论是女性照旧男性，都存在一个突破自己的困难过程。

女性早期大概会不自大，好比自己以为是如许的，还会风俗性去问别人“是如许吗”。别的女性存在一些天然色彩，好比风俗淘汰辩说、或是要让附近人感觉舒服等，这里有好的方面，就看怎么去用它。在创业这件事上，偶然候反倒必要“独裁”，独裁这个词不好听，但也代表着对于自己所要干的事变更加笃定。你敢于去做决定，而且刚强不移朝着这个方向走下去。

男性要突破的，就是认可自己曾经错过而重新再来的过程。以是，创业对男性女性都不容易，不外新期间有个词叫做“女性经济”，对于女性创业或女性出现在商界，各人的包容度好像真的变高许多了。

-

本文由科技行者原创出品，未经允许，请勿转载

往期精选

《空陆互联李琨的创业冒险：飞机不会是信息孤岛，我想用5G毗连中国的天空》

《拒绝互联网玩法，启动之初就红利，凌锐蓝信首创人顾玮的创业法则》

科技行者

/ 见证毗连与盘算的气力 /

微信号

itechwalker

新浪微博

科技行者