那顿饭约在一家不太起眼的私房菜馆，离园区不远，胜在清静。

包间里坐了七八个人，年纪相仿，大多三十出头，有的已经是大厂里一个模块的负责人，有的还在技术线上，但都算得上是这几年被行业推着往前走的一批人。彼此熟识，说话也没什么铺垫。

菜刚上两道，话题就已经自然拐到了工作上。

马克把刚喝完一口的酒杯放下，说得很随意：“最近在做训练的时候，老是感觉有点卡。你们有没有这种情况？”

有人抬头看他一眼：“哪方面？”

“数据。”他说，“更准确地说，是数据标注。”

桌上安静了一下。

这不是一个新问题，但在这个阶段被提出来，又显得有点扎手。

“你们体量不小吧？”一个在大厂负责算法平台的师兄皱了下眉，“还会缺数据？标注不行的话，不是应该从原始数据再扩一轮吗？”

“不缺量。”马克说，“缺能用的。”

他说得不多，但在场的人都听懂了。

马克说得很克制，“我们现在很多模型，出现的问题是决策边界学不干净，误差分布始终无法收敛，越往后面的样本问题越明显。常规样本还能接受，但长尾场景的准确率一直提不上来。不是算法问题，是数据质量跟不上。”

另一个人接过话：“我们也一样。标注成本越来越高，人效却在掉。尤其是一些复杂场景，标一轮不行，还得返工。”

“返工太正常了。”有人苦笑，“标注团队不理解业务，业务又嫌他们慢，最后就是反复拉扯。”

江豆豆一直没说话，低头夹菜，听到这里，终于忍不住插了一句。

“你们站在上面看，可能还觉得是效率问题。”他放下筷子，“在执行层，其实更像是消耗战。”

几个人都看向他。

“需求一变，标注规则就得重写。”他说，“上周刚定的标准，这周模型反馈不行，又要推翻。标注的人根本不知道你们最终要什么，只能照着文档机械地做。”

他想了一下，语气里有点无奈：“而且说实话，真正懂模型逻辑的人，不会去做标注；真正做标注的人，又很难被培训到理解模型。中间那一段，全靠反复试错来填补。”

桌上的人都点了点头。

这是他们心里都清楚，却很少在正式会议上摊开说的现实。

“那现在市面上，有没有好用的第三方？”马克问。

有人摇头：“要么是传统外包，规模大，但不灵活；要么是小团队，懂一点技术，但扛不住量。”

“而且大家都在赌。”负责另一家公司的中层说，“赌客户能忍，赌模型下一轮能自己收敛。”

负责市场部分的周霖一直靠在椅背上听，直到这时，才慢慢开口。

“从市场角度看，”他说，“需求是明确存在的，但现在的问题是——没人能给出一个‘稳定解’。”

“稳定、可扩展、能跟着模型迭代走。”他一条条数，“这三点同时满足的，几乎没有。”

他看向马克：“如果真有一家，能把这一块当成产品来做，而不是当成低端外包，市场是愿意买单的。”

马克没接话，只是点了点头。

这不是他第一次听到类似的判断。