数据标注人工智能风口下的卖水人

数据标注人工智能风口下的卖水人

从ChatGPT走红到GPT-4降临，最近爆火的多种大模型应用再次带火了人工智能

这个不算新的概念。作为人工智能核心应用场景之一，自动驾驶的发展长期以来

备受争议，算法优化和落地量产能力是人们讨论的重点。

随着大家的注意力逐渐回到人工智能上，除了下游应用和上游算力，人工智能产

业链当中还有哪些值得关注的部分呢？璞跃中国移动出行关注到r自动驾驶上

游数据供应商在这一产业链中的存在价值。

人工智能模型和算法的发展带动数据标注的需求不断增长。数据标注就是生产“

数据”的工作，它存在的意义便是让机器理解、认识世界。例如，在计算机视觉

中，图像分类、对象检测和目标分割工程中，需要对输入模型训练算法的每张图

像进行注释。

01.

市场背景

自动驾驶不是一朝一夕的事，而是已经有了长期积累沉淀的算法。

2018年以前，由于受成本和法规限制J,高级别自劭驾驶的商业化落地遭遇瓶颈。

2022年起，自动驾驶公司的发展核心从算法研发转向L2量产落地，带来对长尾

场景的大量数据需求。自动驾驶算法经历不断迭代加速后已基本成型，在落地渗

透率上不断提高，需要长尾数据完成算法优化。

2018・2021年间路测数量显著上升，数据来源包括道路量产车和采集车数据两种。

L2+算法需要大量的3D点云数据支撑，引发对2D3D融合和3D点云标注的需求。

2022年，受益于算法、数据与芯片技术发展，我国在售新车L2和L3的渗透率

分别为35%和9%,新车搭载L2功能正在逐渐成为前装标配。

国内自动驾驶领域相关融资153起，与2021年相比，融资事件数量有所增加。

2018-2021北上广

自动驾驶汽车测试牌照累计发放;

自动驾驶下半场来临，商业化落地将成为竞争关键，其中L2&L3的渗透率提高

将更为显著。

1）政策方面，2022年11月，工信部印发《关于开展智能网联汽车准入和上路

通行试点工作的通知》，对准入试点的智能网联汽车产品，提出了一系列规划和

指导要求，进一步推进了自动驾驶的发展进程。2022年以来，商业化落地能力

成为对自动驾驶投资和判断的关键指标。

2）落地应用方面，预计2023年L2和L3渗透率将达到51%和20%,L4渗透率达

到11%,带来更多且更高质量的数据需求。

3）技术演进方面，3-5年内随着大模型的落地应用，对分布式预训练模型数据需

求呈爆发式增长。

禾赛科技是全球自动驾驶及高级辅助驾驶激光雷达领军企业，其上市招股书中指

明：从2017年到2022年12月31日，禾赛已出货超过10.3万台激光雷达，仅

2022年累计出货超过8.04万台激光雷达，禾赛在2022年ADAS（高级驾驶辅助

系统）领域出货量全球第一。不仅如此，禾赛还是全球第一家每月交付超过1

万台激光雷达装置的公司。

2022-2023L1-L4渗透率预测

60%

50%

40%

30%

20%

10%

0%

2025图像数据标注行业市场规模或达400亿人民币/年，随着人工智能行业应用

不断发展，在未来3-5年内数据需求持续保持旺盛。

2025自动驾驶行业客户全年总预算可达200亿―300亿人民币,数据支出需求多。

在算法趋同成熟的情况下，量产需要大量高质量、无偏差的数据，需求持续时

间长。

举个例子，假设有一辆汽车在不同的驾驶条件下，以每小时45公里的速度行驶

30万公里。通过计算，可得知汽车行驶了6700个小时。假设自动驾驶系统在6700

个小时内以每秒至少10帧的速度记录，最后会生成2.4亿帧的数据。如果平均

每帧有15个对象，其中包括行驶车辆、行人、信号灯、障碍物等，最终会得到

超过35亿个需要标注的对象。可见，自动驾驶标注的工作量是巨大的。

随着新能源乘用车及商用车逐步替代燃油车，自动驾驶市场进入高速发展阶段,

在技术上已经高效突破，并在多个应用场景探索落地。如无人公交车、无人卡车、

无人配送机器人、无人户外清洁车等通用与垂直场景的应用加速，整体数据市场

近年内增长速度会达到

530%-50%o

根据国内需求方与供应方营收增长情况推算，预计2024年数据标注市场规模在

130亿-180亿元左右，2025年市场规模在200亿-300亿元。

在这几年的发展过程中，我们发现自动驾驶的数据需求同时也具备可持续性:

1）算法在不断更新：

算法模型所使用的训练数据需要定期更新：约1/3的算法模型每月至少更新一

次，约1/4的算法模型每日至少更新一次。

算法模型持续更新的特点将进一步拓展各领域训练数据的需求空间。

2）环境和场景需求不断更新:

在算法拉小开差距的情况下，场景训练数据就成了关键。

长尾CornerCase场景数量极多，模型训练过程中涉及的数据集覆盖面越广，标

注越精细，分类越准确、类型越多，自动驾驶性能就越好。

现实道路交通场景不断更新，带来更多未识别过的新场景。

3）车型和传感器不断更新:

车型的变化、传感器的升级，都会导致需要重新训练的需求。

02.

行业对比

任何人工智能算法在应用初期都需要人工标注，如歌曲、图片、语音、方言等，

其中部分行业的标注可视为类似〃验证码找图片〃的测试，即简单的对比图片和音

频选择正确的含义，对比音频标注等已起量的数据标注应用。自动驾驶行业数

据量占比高，行业壁垒高，时间周期晚，但发展周期相似。

音频标注难度最低，标准化程度高,数据采集简单，是目前大型公司的核心业务。

在2015-2016各家企业的技术积累到了爆发关口，几乎国内外所有IT、互联网

巨头都相继进入了语音交互市场，推出的Alexa等产品得到人规模商业化应用。

一年内有三倍市场规模爆发，数据堂首先完成上市。

对比语音标注行业，自动驾驶数据标注处于爆发前夕。

目前仍处于技术积累后期、商业化量产前期阶段，时间周期更晚。

图像复杂、精度要求严格，复检容错率低的特点，技术壁垒更高。

数据采集难度高，地理信息位置图像安全要求高，行业标准严格。

Appen,海天瑞声、数据堂在2021-2022年间智能驾驶数据标注业务涨幅极高,

表明行业需求旺盛。

公司名业务增速

Appen2021年年增长率为442%,预计2022年收入增速达到

占60-70%以上，增长率达200%。

2022年上半年，海天瑞声设立了智能驾驶事业部，前

海天瑞声

营收4000万左右）。

数据堂2021年，数据堂的智能驾驶数据服务同比去年，业务:

除了自动驾驶，数据标注的其他横向可迁移场景包括工业、医疗、AIGC、军工、

农业等，共计150亿人民币。

自动驾驶是中国人工智能数据采标服务市场行业中最大需求之一（60%+）,且

标注壁垒最高，对于其他行业的数据标注需求，属于能力范围内的降维迁移（除

数字医疗）。

03.

产业链核心要素

在这些不同人工智能算法应用中，数据标注连接原始数据和人工智能算法中不

可或缺的基础，其中数据标注成本占到了总数据成本的90%。

数据类型包括文本、图像和视频。在这些数据中，有90%数据是非结构化的数据，

这些非结构化的数据只有经过清洗与标注才能被唤醒价值，因此也推动源源不断

的清洗与标注需求。

对于自动驾驶数据标注行业来说，数据标注公司主要完成数据预标注、团队匹配、

数据标注（及后续数据回测环节）。

上游中游

数据采集&清洗数据标注

整车厂、自动驾驶企业数据标注企业

10%----►-------90%

数据成本构成

自动驾驶标注市场，大部分服务供给来自第三方服务商，采取众包结构的服务

商可以节约用工成本、满足波浪用工需求、完善政府与校企配合机制，推动地

区人才发展与就业。

服务商提供了整体数据标注市场79%的服务，企业自建只占21%。对于第三方标

注公司，公司结构主要可以分为众包结构和工厂结构两种。

波动的工作量

工作量突

增，导致

人力不足

灵

活

业务空闲用

期，造成工

人力浪费

固定员工

数据标注众包结构

数据标注众包结构指需求公司通过众包平台发布标注需求，数量众多的标注志愿

者或兼职人员在平台上自由领取标注任务，采取众包结构的公司可以达到的效果

包括：

1）降低成本

合同期限较短，企业可对劳动力充分考量，降低人才选拔的风险和成本。

不用负责员工保险，场地费等问题，劳动力成本相对较低。

在4-6线城市雇佣劳动力，降低劳动力成本。

2）用工灵活

数据标注行业工作量和用工需求随机且呈波浪形，众包方式可帮助企业解决标注

时间紧、任务多的问题，避免人员和资金浪费。

打破地域限制，充分利用分散的智力和劳动资源，满足尚无法满足的客户需求。

3）推动就业

人工智能训练师在2020年正式成为新职业，并纳入国家职业分类目录。

校企结合，帮助政府推动地区职业院校AI人才发展和就业。

数据标注行业融资热点时期包括2014-2016年和2021-2022年，分别对应算法研

发期的数据需求和起量爆发前的数据需求。

2018年是自动驾驶行业融资最高峰，带动自动驾驶数据标注企业融资、估值金

额在2019年突破2000万美元。

目前市面不同种类的竞争者数量较多，智能调度初创企业有与先来者竞争的能

力，主要分为三个类别：

1）传统人力外包机构：

'业务分散，专业度低。

人力外包模式为主，人员流动性高，运营及技术更新困难。

不构成主要