较传统采标方法降本80%，合成数据服务商「卓印智能」获天使轮融资 | 36氪首发

作者 | 邓咏仪

编辑 | 苏建勋

36氪获悉，「卓印智能」获得千万级天使轮融资，由天使湾创投独家投资。

如今，随着通用大模型规模的迅速扩大，数据短缺已经成为一个更现实而迫切的问题。早在2022年11月，就有MIT等研究人员发布相关论文，指机器学习数据集可能会在2026年之前耗尽所有“高质量数据”。

AI模型需要大量高质量的训练数据，才能生成准确、多样、无偏见的输出，但获取这种数据的成本和难度都很高——因此，合成数据成为一个有效解决手段。现在，包括微软、OpenAI、Cohere在内的公司都已经开始使用合成数据来训练AI模型。

Gartner表示，在2021年，所有人工智能训练数据中只有1%是合成数据，但到2024年底，合成数据可能会达到60%。而据plug and play预测，到2030年全球合成数据市场将会达到千亿美元。

「卓印智能」（Join AI）正是基于这样的背景，于2022年成立。团队先从自动驾驶赛道切入，为客户提供高质量的合成数据服务。截至2024年5月，团队已经获得自动驾驶、机器人领域多个头部客户超2000万的订单。

和传统的训练数据获取方式相比，卓印智能选择了“全自动”路线——端到端地生成训练数据。2023年，卓印智能基于自研扩散模型和世界模型技术路线，推出了AI训练数据生成模型“Simulaix”。

Simulaix可以生成媲美真实采集效果的生成数据，并可以在生成图像过程中直接根据生成逻辑自动提取同步生成标注区域，供企业客户直接使用。截至2023年Q4，Simulaix已经成功帮助企业客户提升了10%以上的模型效果。

Simulaix生成的数据 来源：卓印智能

创始人俞开文博士有多年AI算法、技术架构经验，曾经历任蚂蚁、百度等大厂中的资深AI架构师，有丰富的大型To B项目落地经验。他告诉36氪，从数据角度，优质数据的短缺一直是困扰AI赛道的难题。

“在各式各样的AI算法研究上，训练数据的获取都需要大量时间和金钱成本，AI工程师总是为数据所困。在很多项目里甚至会用超过一半的时间来处理训练数据。”俞开文博士表示。但他认为生成式AI技术的出现会为这个行业带来质的飞跃。

此前，在以识别为主的AI 1.0时代，训练数据的获取已经是一个较为成熟的“劳动密集型”行业：企业将需求外包给数据采集、标注公司，这些公司需要用带有传感器的设备采集原始数据，经过清洗、筛选后再交给标注员对数据进行切割和标注——指出图上A部分是红绿灯、B部分是车辆等等。AI模型则通过对「带有标注信息的训练数据集」进行“学习”，才会越来越智能。

而合成数据解决方案的出现会对这一现状产生根本性影响。

首先，在成本侧，数据采集的成本将会逼近于0，数据标注的成本也会迎来大幅下降。“从我们已经落地的客户案例来看，使用合成数据后，客户的数据成本能够下降80%-90%，”俞开文博士表示。

不过，合成数据能发挥更大作用之处，在于能够增加高质量数据的供给，从而撬动更多数据需求。

以数据需求为高质量图像数据的自动驾驶为例，相比大语言模型需要的文本数据，高质量图像数据的获取受限于更多的技术和法律障碍。数字化图像的采集不仅依赖于高级的传感器技术，还必须应对版权、隐私以及跨国法规等问题。

譬如目前广泛被用户所诟病的低矮障碍物识别问题——对路面低矮的石墩、倒地的自行车等识别不准等问题，就是因为训练数据中corner case（罕见案例，即低频遇到的现场情况）大量不足所导致的。这样的数据很难通过传统的数据采集和标注来获得。

合成数据则能很好地解决这些“稀缺但重要”的场景诉求。

从技术路线上看，卓印选择了端到端生成的技术方案。简单而言，卓印智能相当于是训练了一个专用的AI大模型，用以端到端地生成合成数据，省去大部分的人工成本。

事实上，合成数据赛道在AI出现时就已经存在，主流技术路线有数据增强、仿真、数据生成等。以数据仿真的合成方式为例，此前是通过类似3D图形的引擎，构建一个虚拟的世界，在“世界”中生成自己需要的数据。

但构建这样的虚拟世界，通常需要详细的领域知识和物理模型，来确保生成数据的真实性和有效性。反映到实际使用上，现在数据仿真的方式成本还是较高，并且受限于引擎的基础能力，数据真实性也有局限。

俞开文博士表示，虽然通过生成式AI来获取合成数据的技术路线还有不少挑战，但在成本和真实性上具有独特的优越性，且随着AI技术的发展，优势将会进一步放大。

目前，卓印智能选择先在场景复杂、数据需求大的领域切入市场，来完成早期的商业拓展，比如自动驾驶、工业等赛道。俞开文博士认为，比如在具身智能等其他大模型领域，客户也会有大量高质量数据的需求，这些都是卓印所看重的方向。

本轮融资后，卓印智能将着重投入到以Simulaix为核心的交付能力提升，以及自研世界模型“Terra-1”的商业落地验证上。

卓印智能希望，能够通过模拟各式各样的图像传感器“看到的”真实世界来助力AI对现实世界的理解，用技术创新推动AI行业前进。“未来，数据将像电力一样，变得便宜、易于获取，成为推动AI发展的基石。”俞开文博士表示。