也是了，孟繁岐恍然明悟。
检测任务的数据集收集和标注的成本更高，这也是为什么孟繁岐夺冠的大赛，分类图片一千多万张，检测图片才几万张。
目前所有的这些内容全部都是人工去标注。
一张分类图片，只需要标注一个标签，它是什么即可。
而标注一张检测图片，经常需要在上面添加数个，甚至十数个检测框，需要细致到具体轮廓，然后再添加类别。
标注的成本，自然是十数倍的差别。
为图片添加选框和标签的工具也不完善，操作繁琐，就更使得其缓慢。
截止到现在，深度神经网络为基础的检测算法还有展现出什么实际的商业价值，还停留在实验室研究阶段，实际上并没有得到这些大公司足够的重视。
目前商业用的检测算法，还是传统技术为主，并不需要训练数据，而是通过人工设计的滤波器去提取特征。
孟繁岐演示使用的公开VOC检测数据一共就几万张，相比日后动辄几千亿的模型参数量，几个T的数据量，这个规模有点像过家家。
此时此刻，就白度内部而言，李彦弘这个深度学习研究院，也只在私下积累了不到十倍的私有数据量，也就差不多二三十万张。
对于白度来说，基于这个本钱，想直接像后来的ChatGPT一样，提供一个人人可用的AI智能，那还差了十万八千里。
“李彦弘开这个技术发布会的意图，其实就是伸手要数据。”孟繁岐稍一思索就想明白了，“通过展现这种神奇的效果，诱惑需要工业检测的厂商，需要医疗图像检测的机构，想要开发自动驾驶的车企。”
“你们给我数据，我就能帮你们做这个功能。”
李彦弘这是想趁这个技术优势，收割一大波免费的数据啊！
这小算盘，打得太精了。孟繁岐心中啧道。
这个时间段，这种图片数据的价值还没有得到广泛的理解，借助检测技术的飞跃，白度收割这