「老板……我完全没听懂。」

    星城之旅就这么毫无波澜的结束了。

    没有人被当场抓包，也没有人影响到黎芝和周明远的幸福甜蜜。

    但变化依旧存在。

    像是沉在海底的冰山，潜移默化影响著很多很多事情。

    周明远回到办公室的第一时间，就把贺敏喊进屋子，嘀嘀咕咕安排了一长串工作。

    可贺敏却始终一脸懵逼。

    什么东西？

    st?o9.com最新最快的章节更新

    老板他说的究竟是什么东西？

    手上已经有了这么多公司，这么多项目，插足了这么多产业，他怎么还要……

    究竟还要把手伸到哪里去？

    最让人难以理解的是，周明远这次创业，颇有几分不计成本的架势。　　虽然贺敏心里也清楚，老板几家公司或许不缺现金流，但是……

    这到底是不是烧钱？

    「具体哪里不懂，我再给你一点点解释。」

    周明远抱起胳膊，大半个身子倚靠在沙发里，笑吟吟望向小助理。

    「数据標註到底是干嘛的？」

    「这有什么用？」

    「我们为什么要花人力物力来做这个东西？」

    「你说的那些乱七八糟的，什么ai啊人工智慧啊，我都完全听不懂……」

    「法学生连这个都要学吗？」

    「招的都是大学生，我刚刚听你讲工作逻辑，好像也没什么技术之类的壁垒，你確定这玩意能赚到钱？」

    贺敏压根也没跟周明远客气。

    不懂就是不懂，她连珠炮般问了一大串，干脆利落。　　「应该是可以的。」

    周明远思考了几秒钟，点了点头。

    相比模仿瑞幸咖啡，做法律諮询，搞mcn公司这种前人已经验证过是超级大风口的行业来说。

    他这波想法，的的確確带著几分赌性。

    没接触过，没尝试过，哪怕两世为人的他也说不准能不能行。

    跟黎芝彻夜长谈之后，他其实也有些触动。

    想想也真没错。

    自己从零到一白手起家不难，到a8甚至a9也不难，只不过需要一点时间。

    无论是手上的明理法律諮询公司，亦或是解忧传媒，似乎都存在著一点点发展速度上的天花板。 (10,0);

    哪怕给了他足够的时间发展，但论行业影响力和爆发力，好像都还不足以到达碾压顾採薇或者黎芝家境的程度。

    更不用说解忧咖啡了。

    哪怕解忧咖啡做到全国p1，那又怎么样？　　天使投资人是顾採薇的爸爸，他一个小股东还能翻什么天？

    於是，经过一番思考之后，周明远默默做出了一个新的决定。

    换一条没有上限的新赛道。

    重生嘛，就要做些对自己来说有挑战的事情。

    输了大不了从头再来。

    贏了呢？

    贏了当然获得一切，亲手书写歷史。

    作为站在歷史肩膀上的巨人，周明远自然心知肚明。

    十几年后的世界是什么样子？

    十几年后的世界，什么赛道最牛逼？

    莫过於正统ai和大模型。

    周明远根本不用多想，马上选择拋开法律垂直行业的舒適区，直接杀进最核心的通用人工智慧赛道。　　这条路比做本职工作难十倍，但上限也高百倍。

    復盘起来，2015年还真是个前赴后继的好时代。

    眾所周知，深度学习有著三大支柱。

    算法、算力和数据。

    三个支柱，现阶段正处於一个微妙的临界点上。

    算法端，hinn在2006年就提出了深度信念网络，lstm在1997年就被发明出来。

    可直到这一年，才真正开始在工业界大规模应用，cnn首次在图像识別上超过了人类水平。

    更重要的是，2014年刚提出的注意力机制，正以极快的速度渗透进nlp领域。

    transformer论文还要等两年，所有关键技术都在高速叠代。

    时代鼓著长风，旌旗猎猎。

    算力端，英伟达三月份刚刚推出geforce gtx titan x，12gb显存，单精度浮点算力不过7 tflops。

    跟后来的h100比起来不值一提。　　可庙小妖风大，在现阶段已经足够跑一个中等规模的深度学习模型了。

    最关键的其实是数据。

    网际网路每天产生的文本、图片、视频以pb计，细究起来99%都是非结构化的噪音。

    谁先把这些噪音变成可训练的数据资产，谁就拿到了下一轮竞爭的入场券。

    (10,0);

    思考过后，周明远的切入点就决定是这里。

    理由很简单。

    他除了懂趋势之外什么都不懂，也没有相关学术背景。

    技术团队为零，ai行业人脉为零，个人技术能力约等於零。

    周明远唯独有著三样东西，是纯技术背景的ai创业者没有的。

    第一，是子弹充足的超绝现金流。

    明理公司和解忧传媒两家，都是正向到夸张的现金奶牛。

    更不用说周明远在股市还有一大笔，自打开市起不断滚动。　　不论成败，他是真的输得起。

    第二，叫做商业嗅觉和管理能力。

    技术方面他不懂，但公司做到一定规模的话，管理方式和人性把控，这种东西一通百通。

    他能把很多东西从零做到一，知道怎么搭团队、控成本、拿订单，这件事的核心对他来说就不算难。

    第三，是对数据价值的超前认知。

    这一点就不用多说了，纯开掛。

    在別人还把数据当废料的时候，他知道这是未来十年最稀缺的矿产资源。

    於是经过一番考虑，周明远决定放弃做算法研发之类的东西。

    自己搞一个数据標註工厂。

    为什么不做正统算法？

    要知道，2015年做算法，绝对不是件容易事。

    这方面的刚需，是至少招到一批深度学习方向的博士。　　而这些人呢？

    要么在谷歌微软百度，要么在高校实验室，没有人会加入一个没有任何ai背景的初创公司。

    这压根不是钱的问题。

    人家看重的是平台和同行的认可，钱有时候排不到第一。

    可周明远选择的方向就不太一样。

    数据標註不需要博士，不需要论文，不需要顶级学术背景。

    它需要的是管理能力、成本控制能力和对数据质量的极致追求。

    还真別说，这三样恰好是他最擅长的。

    而且最关键的是，2015年的ai行业还在拼模型结构创新，绝大多数从业者还没有意识到一个事实。

    数据质量比模型结构更重要。

    几年后等大家都反应过来的时候，先行者就能用规模和管理形成护城河，把成本压到后来者无法跟进的程度。

    这就是周明远的先机。　　「好好好，就算能赚钱，可是老板！你说的这个……数据標註，它和ai有什么关係啊？」 (10,0);

    贺敏依旧保持著一脸疑惑的神情，自顾自抿了口咖啡，坐在周明远对面，托著下頜认真聆听。

    「这个东西啊，听起来很低端，实际上它是ai产业鏈最上游的石油。」

    周明远耐心解释道。

    没办法。

    两世为人的视野和认知，对於手下的小助理而言还是太过超前了。

    不好好科普外加一通势大力沉洗脑的话，这个活还真没法推进。

    「任何深度学习模型的训练都依赖於高质量標註数据，而標註数据的生产成本和质量控制，是一个极其复杂的系统工程。」

    男人摊开双手，开始给贺敏一个一个举例。

    「imagenet有1400万张標註图片，背后是亚马逊mechanical turk上数万名眾包工人的劳动；谷歌翻译能支持上百种语言，是因为它用了海量的人工翻译数据做训练。」

    「懂我意思吗？」

    「通用领域的標註市场竞爭会越来越激烈，真正的壁垒在於垂直领域的深度標註。」　　「现在是网际网路时代，你知道最容易被人忽视的需求是什么吗？」

    「呃……我不知道。」

    贺敏眨了眨眼睛，老老实实回答。

    「中文语料。」

    周明远伸手点了点小助理额头，继续科普。

    「英文有维基百科、common crawl、斯坦福的squad数据集，中文呢？」

    「中文的维基百科条目只有
『加入书签，方便阅读』
-->> 本章未完，点击下一页继续阅读(第1页/共2页)