李杉 唐旭 编译整理

量子位 出品 | 公众号 QbitAI

病友们都在看杂志、刷Instagram的时候，Shari Forrest打开了手机上的一个app，开始训练一个将要用在无人车上的人工智能。

54岁的Forrest并非工程师或程序员，她靠撰写教材来谋生。尽管如此，在平时有空时，Forrest依然会在Mighty AI上登录，然后把自己的时间花在给行人、垃圾桶，以及任何其他你不希望无人车撞上的东西做标记上。

Mighty AI是一家人工智能众包服务平台。在这里，Forrest的“同事”们在全球范围内还有20万人。这家公司提供的主要服务包括计算机视觉、自动驾驶、自然语言处理等。今年1月，公司刚刚宣布完成1400万美元B轮融资。

“如果能趁着排队的工夫赚几块钱的话，何乐而不为呢。“Forrest说。

对于无人车产业而言，在自动驾驶时代真正到来之前，类似Forrest所做的这种数据标注工作都是不可或缺的。要对自动驾驶赖以实现的AI进行训练，所需的数据量往往超出了想象。

谷歌和通用这种公司很少去提这件事情，但正是像Forrest一样的人们组成的劳动力大军，构成了那些嗡嗡作响的数据中心背后的基石。

多数开发自动驾驶技术的公司会聘用成百上千名员工，然后把这种教会无人车识别行人、骑行者和其他障碍物的工作外包到印度或中国。这些工人需要对长达数千小时的视频逐帧进行标记。

“机器学习是个神话，就像《绿野仙踪》一样。”硅谷硬件孵化器公司Lemnos Labs的投资人Jeremy Conrad说，“标记团队对每家公司都至关重要，我们一段时间内仍然需要他们，因为户外环境十分多变。”

人工智能、传感器质量和计算能力的巨大进步，给无人车的革命打下了技术基础。然而，尽管出现了这些创新，但在未来很多年内，人类仍然需要在幕后默默奉献，才能让这些系统保持最好的状态。

“在我看来，人工智能从业人员整体都很自大，认为电脑可以解决一切。”Mighty AI创始人兼CEO Matt Bencke说。人工智能系统也都存在同样的问题：电脑需要通过人工添加标签的庞大数据进行“学习”，然后利用这种‘模型’在今后看到类似的物体和形态时将其识别出来。

训练无人车面临的挑战比其他人工智能应用更大，因为汽车所要面临的场景和环境是开放性的。即便是针对不同时间的灯光和天气环境进行调整后，城市环境仍会因为建筑、活动或事故而在一夜之间发生变化。

“标注过程通常都是一项非常隐秘的成本，很少被人提及。”自动驾驶创业公司Drive.ai首席执行官Sameep Tandon说，直播，“这非常痛苦，也非常麻烦。”

无人车所需的精度也高于其他人工智能系统。汽车之所以能够自动驾驶，是通过将它们借助摄像头和传感器看到的周围环境，与车载3D地图进行比对来实现的。安全是头等大事：如果Google Photos的面部识别无法正确认出一张照片中的人，那也没什么大不了；但如果Waymo的无人车无法识别行人，就会引发致命事故。

在争相开发无人车的过程中，企业的衡量标准都是他们的累计行驶里程。Waymo今年5月表示，他们的汽车已经在公共道路上试驾了300万英里，而特斯拉去年表示，他们已经借助Autopilot系统，通过现有的车主收集了1000多万英里的驾驶数据。

然而，里程越多，就意味着这些公司的后台数据处理人员需要手工从事更多工作。短短几英里的驾驶里程就会产生数十GB的数据，这些数据很快就会变得过于庞大，以至于无法通过车载无线网络进行传输。相反，必须首先保存在硬盘之中，然后再传输到到外包中心。

这样一个拥有尖端技术的行业，却采用如此陈旧的模式，的确令人感到意外。

硅谷自动驾驶系统开发公司PlusAI首席执行官David Liu表示，j2直播，每驾驶一个小时，就需要花费数百个小时才能将其转化成有用的数据。

他说，“我们需要几十万，甚至几百万小时的数据”才能让无人车随处行驶，并且需要“数十万人来实现这一目标”。

但大型科技公司通常不肯披露无人车所涉及的人工程序。Waymo、Uber和特斯拉均拒绝对此置评。

“很难听到有人谈论此事。”华盛顿大学计算机科学与工程教授Dan Weld说，“他们都喜欢说，机器学习很神奇。”