烧掉七成营收的标注账单
2026年2月，圈内流出一份某头部大模型厂商的内部预算邮件。看了一眼，倒吸一口凉气。他们去年生成式AI业务的全年营收，百分之七十一花在了数据标注上。
太贵了。
我跟算法圈朋友算过一笔账：标注100万条符合大模型要求的高质量对话语料，成本差不多2700万人民币。2700万是什么概念？相当于国内一个二线旅游城市全年的文旅推广预算。就这么砸进去，换回来的模型准确率，还比预期低了八个点。
全行业卷完算力卷参数，参数涨上去了才发现，标注才是那个吞金无底洞。原来那套有监督学习的玩法，早就卷不动了。
说实话，OpenAI去年放出GPT-4训练细节，说百分之六十以上的训练数据用无监督生成标注的时候，圈内很多人还没当回事，觉得就是大厂炫技。今年转头一看，国内大大小小的厂商，都偷偷往无监督这边转。
这不叫主动迭代，这叫被逼的。有监督那套逻辑，本质就是人喂机器吃饭，人给每一条数据贴标签，机器跟着学。现在数据量比十年前涨了一百万倍，人的速度跟不上，钱包更跟不上，对吧？
本土玩家提前下的暗棋
很多人觉得无监督学习是新出来的技术，其实不是。这概念几十年前就有，只是之前数据不够多，算力不够便宜，玩不转。现在条件齐了，就成了重新分蛋糕的工具。
很多人不知道，字节跳动早年能打赢内容分发的战争，靠的就是无监督学习这步暗棋。2015年今日头条刚做内容分类的时候，新浪搜狐这些门户都养着几百个编辑人工给内容打标签，分类准确率全看编辑经验。那时候字节总共没十个全职编辑做内容分类，就靠无监督学习做文本聚类，让内容自己找同类。硬生生把分类成本降到了同行的不到十分之一，跑的还比人工快三倍。
现在大模型时代，这个逻辑放大了一百倍。有个扎心的行业数据：标注1T高质量对话数据的成本，比训练一整个70B参数模型的算力成本还要高1.2倍。也就是说，你花一千万买算力训完模型，还要再花两千多万找人标数据，这生意对绝大多数玩家来说，根本没法做。
这本质就是商业模式的博弈。原来做有监督学习，话语权完全掌握在手里攥着标注工厂、囤积了标注数据的头部大厂手里，小厂拿不出几个亿买标注，连行业门槛都碰不到。无监督不一样，你只要有大量的原始行业数据，不需要人工标注，就能训出能用的模型。这不光是降本，这是抢回数据主权。
这个逻辑很像生物进化里的自然选择。原来的有监督学习就是人工选种，你想要什么性状，人就给你一颗颗挑出来，慢，成本高，还很容易挑错，把好的种子漏了。无监督学习就是把一整袋种子扔到适宜的环境里，让它们自己发芽生长，自己迭代出适应环境的性状，人只要最后把长的好的挑出来就行，效率不知道高了多少倍。
现在国内除了字节，智源的悟道3.0、毫末智行的自动驾驶训练，都已经把无监督学习的占比提到了七成以上。说实话，这个方向国内玩家走的比海外还激进，毕竟我们的标注成本压力一点不比国外小，倒逼创新嘛。不过话说回来，我也见了不少炒概念的，把半监督改个名字就叫无监督，割投资人的钱，骗得了一时骗不了长期。
产业链上每个人的新选择题
很多人一听到无监督学习，第一反应就是数据标注师要失业了对吧？其实不全是这么回事。
无监督不是完全不需要人参与，只是不需要给每一条原始数据都打标签了。原来一万条数据要标九千九百条，现在只要标一百条做最终验证就够了，低端纯标注的需求确实少了一大半，但是会催生新的需求：给无监督训练出来的模型做验证、做逻辑纠错，这种活对能力要求更高，收入反而比原来的重复标注高不少。说白了，就是淘汰混日子的，留下愿意升级的。
对刚入行的算法年轻人来说也是一样。原来你进公司，每天的活就是调有监督参数、写标注规则，干三年都摸不到核心训练逻辑，现在不一样了，懂无监督的预训练、懂怎么用原始数据做聚类，已经成了进一线业务团队的硬门槛，你不跟着学，就只能被越来越卷的市场挤出去。
对垂直领域的中小玩家来说，这更是一张低成本的入场船票。去年杭州有家做纺织设计的公司，找团队做行业大模型，走有监督路线，供应商报价一千八百万，光是标注就占了一千二百万。后来他们转用无监督训练，把行业积累了十年的上百万份原始面料设计稿扔进去训练，总共花了不到两百万，做出来的模型给设计师用，满意度居然比原来预期的还高十个点。
很多人抬杠说无监督准确率不如有监督，说实话，绝大多数垂直场景根本不差那一两个点的准确率。你做面料推荐、做内容分发、做工业备件检索，准确率差两个点根本不影响用户用脚投票，反而成本降了十倍，你能先把产品推出去占领市场，赢的概率就大太多了。
我抛一个很尖锐的问题留给大家想：接下来三年，掌握了原始数据却拿不出标注预算的中小玩家，会不会靠无监督学习，把那些烧钱堆标注出来的头部玩家，从垂直市场里赶出去？
