首富从AI浪潮开始 第131节
顿了一下，他又补了一句：“但做出来也没意义，小模型微调的再好，拿去跟GPT-4一比，性能上不是一个量级。”
韩路一说：“我拿它去见投资人。”
赵文渊明白了。
原型不是产品，是Proof of Concept，证明可行性。到时候就这么说：你看我几千条数据在一个7B模型上就能做到这个效果，如果有了大算力和大数据呢？
“两到三周能给到吗？”赵文渊问。
“可以。”
赵文渊的目光又扫了一遍表格，两百八十七条，每条的标注质量都超过他见过的最顶级的标注团队的水准。
如果能用这种数据做训练……赵文渊自嘲的一笑，别痴心妄想了。
韩路一出差的时候一直在干标注？这看起来得有几十个小时的工作量。
赵文渊没问他怎么做到的，开物的行为数据闭环是最合理的解释，有用户操作日志在手，一个足够了解产品的人，再花足够的时间，确实可以做到高精度标注。
况且韩路一就是开物的设计者。
唯一的问题是这样拿到的数据太贵了，不划算。
这时，门被敲了两下。
苏念念推门进来，手里拎着一个便利店袋子。
“彪哥说你没吃午饭。”
她把袋子放在茶几上。一个三明治、一个饭团、一杯咖啡。
赵文渊肉眼可见地僵硬了。
他下意识看了韩路一一眼，嘴边的话咽回去了。他们正在聊的是新公司的核心数据策略，苏念念是源码的联合创始人，如果她不知道韩路一的计划——
“念念知道。”韩路一拆三明治的手没停。
赵文渊：“……知道什么？”
韩路一看了他一眼，没拆穿他蹩脚的掩饰：“都知道。”
苏念念在旁边的椅子上坐下来，扫了一眼屏幕上的表格，没细看。
“聊到哪了？”
赵文渊这才松了口气。
“聊数据。”韩路一咬着三明治含糊地说，“做模型原型要高精度标注的八千条数据，两周之内搞定。”
赵文渊以为是数据两周之内搞定，韩路一说的是模型两周之内搞定。但没人意识到差别。
苏念念点了下头，没追问细节，换了话题。
“贺总那边怎么样？”
“没谈下来，他不看好。”
苏念念没意外的样子。
短暂的安静，赵文渊看看韩路一又看看苏念念，气氛有点沉。
融资没成这件事，放在任何一家创业公司都是坏消息中的坏消息，还没成立的公司？那就是毁灭性的打击了。
“我这有两千万。”苏念念说，“先借给你，不要股份。”
赵文渊愣住了。
韩路一嘴里的三明治也停了一拍。
“上次卖老股的钱，我一直没动。”苏念念语气平淡，听不出波动，“你要做新公司，最缺的是启动资金，这笔钱算我个人借给新公司的，我也不想要股份。”
韩路一看着她。
苏念念笑着说：“利息别给太低啊，我还指望这笔钱养老呢。”
赵文渊在一旁安静坐着，他不太了解苏念念和韩路一之间具体的合作细节，但两千万这个数字，大概是苏念念能拿出的全部身家了。
不要股份，就要个借条，公司做成了她赚几个点的利息，做不成……一家还没注册的公司能有什么资产拿来还债。
“别急，我也有点钱。”韩路一说，“况且，融资的事我有办法。”
“什么办法？”
韩路一没正面回答，他还没想好怎么说找鼎盛要算力这件事——苏念念和赵文渊跟鼎盛打交道的经历都不算愉快。
苏念念看他不说，也没追问。
她了解韩路一的节奏，想好了会说，没说就是还在想。
“真到了需要的时候不会跟你客气。”韩路一说。
苏念念站起来。
“对了，Nexus那边约好了，和Ryan视频会议排在下周三，早晨八点，别迟到了。”
韩路一点头，这个会他必须参加，探探对方到底走到哪了。
“议程我发飞书给你了。”苏念念说完出了门。
赵文渊目送她出去，转过头。
“你和苏总……”
韩路一抬眼：“嗯？”
赵文渊没继续说。
韩路一解释了一句：“我们是老同学。”
赵文渊看了他一眼，没拆穿他蹩脚的掩饰。
韩路一继续吃三明治，吃完擦了手，把屏幕拉回表格页面。
质量足够，那还说啥？
视哥，靠你了。
第一百二十九章 鼎支付
“训练不用开物的数据。”韩路一说。
赵文渊放下手里的咖啡：“刚才那两百多条——”
“专门给你看质量的，既然质量达标，就按这个标准来。”韩路一说，“既然我们要做的是通用对话模型，得让它理解各行各业的人在说什么。天工积累的这些代码相关的数据就不太用的上了，我们需要更多元的数据。”
“你以前在谷歌的时候有经验，他们是怎么做的？”韩路一问道。
赵文渊想了想：“大模型出来这几年，流程已经摸索的差不多了。大厂做对话模型，数据管线一般分三步：先是海量采集，爬虫加授权数据源，数据PB级起步，恨不得把整个互联网都存下来；然后清洗，去重、去噪，砍掉百分之八九十的垃圾；最后是标注，上千人的团队按标注规范一条一条标，光标注成本一年就能烧几千万。”
他看了韩路一一眼：“我们没那个资源，但做原型到也不需要那么大的量，开源语料库里有现成的公开数据集、社区问答、百科、论坛，采集和基础清洗别人已经做过一轮了，剩下的是精洗和标注。五千条高质量标注，就算找外包，也得十几万加两三周，但是质量——”
赵文渊的话没说完，开源语料，找外包标注，和韩路一刚才给他看的标注质量比，那是一个地下一个天上。他技术再自信，也不敢说这种方法做出来的东西可以出去拉投资。
“我也是这个想法。你放心，数据交给我，保证都是刚才的那个质量。”韩路一保证道。
赵文渊狐疑的看了他一眼，你知道自己在说什么吗？
开物的数据能标是你有数据源，有用户场景，有深度理解——开源语料有什么？
赵文渊尽量让自己的语气听起来没那么冒犯：“开源数据谁都能拿到，标注出来都大差不差，能有什么区别？”
好问题，我自有办法。
韩路一看出他不信，也不纠缠：“总之交给我，你先搭训练管线就行。”
两人聊完，赵文渊回十三楼继续工作去了。
韩路一靠在椅背上，想着接下来的事。
赵文渊说得没错，开源语料谁都能拿到，标注出来都大差不差，但那是对普通标注员而言。
数据标注是什么？说白了，数据标注就是做阅读理解，给你一篇文章，问“这个人到底想干什么”，标注员写一个标准答案。现在业内的做法是流水线作业：清洗管线负责去重、去噪、统一格式，标注员拿到干净的文本，按规范提取核心意图，一篇三千字的博客，最终变成一句话的意图标签。
但标注员忽略的那些细节，恰恰是韩路一最想要的。
一个用户在论坛发帖，问怎么跟父母开口说自己不想回老家工作，正文两百多字，中间有一句“我爸上个月刚退休”。标注员提取的意图标签是“如何说服父母接受个人职业选择”。
但那句“上个月刚退休”在视界下被高亮了。
父亲刚退休，儿子这时候提不回去，这其实不是职业选择的问题，是父亲突然空出来的时间和情感需求撞上了儿子的边界。
这个用户真正需要的不是说服技巧，是怎么在不伤感情的前提下，拒绝一个刚刚开始变得孤独的人。
“如何说服父母接受个人职业选择”这个标注，连问题的门都没摸到。
语料越精简，视界反而越难用，信号都在那些被忽略的细节里，原始数据才是金矿。
韩路一要做的，就是使用视界，把那些别人以为是噪声、其实是真正相关的上下文，捞出来，再配上准确的意图标注。
同样一条数据，别人标出来是一句话，他标出来是一整张需求地图。
点石成金。
和赵文渊聊完，韩路一又去了司衡律师事务所。
顾司玥已经在等了，桌上文件收得干净，桌上摆了两杯英式红茶。