人工智能與資本的相互嵌合不是要把人類(lèi)從資本主義當(dāng)中解放出來(lái)，恰恰相反，它是要把資本從人類(lèi)那里解放出來(lái)：資本不再需要人類(lèi)，人類(lèi)可以絕跡了。[1]

——尼克·戴亞-威澤夫特等，《非人的力量：人工智能與資本主義的未來(lái)》

美國(guó)當(dāng)?shù)貢r(shí)間2026年2月26日，Twitter創(chuàng)始人Jack Dorsey創(chuàng)辦的金融科技公司Block宣布裁員40%，約4000名員工被裁。這一決定迅速贏得了華爾街的喝彩，其股價(jià)在隨后的交易日內(nèi)上漲超過(guò)20%。

Block將此次裁員描述為一次由人工智能驅(qū)動(dòng)的組織重構(gòu)。表面上看，這似乎是AI技術(shù)成熟后的自然替代。但正如《紐約時(shí)報(bào)》評(píng)論的那樣，這場(chǎng)激進(jìn)裁員更像是一種以終為始的生存策略。

當(dāng)資本市場(chǎng)因AI沖擊開(kāi)始系統(tǒng)性下調(diào)傳統(tǒng)軟件公司的估值時(shí)，企業(yè)被迫向投資者證明其已經(jīng)搭上人工智能的列車(chē)。裁員成了強(qiáng)制推動(dòng)AI化的手段。通過(guò)將10人的團(tuán)隊(duì)縮減至1人，留下的員工被迫在過(guò)載的工作中依賴(lài)AI。企業(yè)是否真的掌握了技術(shù)能力并不重要，重要的是讓投資者相信公司向AI靠攏的決心。

陜西省榆林市清澗縣，工作人員在進(jìn)行數(shù)據(jù)標(biāo)注。 中新社記者 張遠(yuǎn) 攝

一個(gè)牽動(dòng)人心的敘事正在形成，AI已經(jīng)帶來(lái)新一輪的勞動(dòng)力結(jié)構(gòu)轉(zhuǎn)型，而資本在其中推波助瀾：資本不再需要人類(lèi)，人類(lèi)可以絕跡了。

但如果把視線從裁員新聞移開(kāi)，另一幅截然不同的圖景正在出現(xiàn)。人工智能產(chǎn)業(yè)本身，正在以前所未有的速度吸納人類(lèi)勞動(dòng)者。

自由職業(yè)平臺(tái)Upwork發(fā)布的報(bào)告顯示，2025年全年，明確提及人工智能技能的崗位數(shù)量同比增長(zhǎng)109%。其中增長(zhǎng)最快的，并不是算法工程師，而是將AI嵌入既有工作流程的崗位。最典型的是數(shù)據(jù)標(biāo)注，這一長(zhǎng)期隱藏在AI系統(tǒng)背后的勞動(dòng)需求，崗位數(shù)量在一年內(nèi)增長(zhǎng)了154%。

資本也在迅速押注這一領(lǐng)域。2025年6月，Meta宣布以143億美元收購(gòu)數(shù)據(jù)標(biāo)注公司Scale AI 49%的股權(quán)，這筆交易瞬間點(diǎn)燃了硅谷對(duì)數(shù)據(jù)標(biāo)注賽道的投資熱情。隨后數(shù)月，行業(yè)融資消息頻傳：7月，成立于2020年，此前堅(jiān)持獨(dú)立運(yùn)作的Surge AI開(kāi)啟首輪10億美元的融資，估值達(dá)150億美元；9月，成立十年的Invisible Technologies獲1億美元融資，估值超20億美元；10月，成立于2023年，由三位“00后”創(chuàng)立的Mercor完成2.5億美元C輪融資，估值躍升至100億美元。

短短半年，數(shù)據(jù)標(biāo)注行業(yè)的科技新貴們手持?jǐn)?shù)億美金，坐上了硅谷的熱門(mén)席位。數(shù)據(jù)標(biāo)注從AI訓(xùn)練的幕后支撐，一躍成為最熱門(mén)的投資領(lǐng)域之一。

字節(jié)跳動(dòng)、阿里巴巴、騰訊等國(guó)內(nèi)大型科技公司也紛紛下場(chǎng)搭建自有數(shù)據(jù)標(biāo)注平臺(tái)，為下一輪AI競(jìng)爭(zhēng)儲(chǔ)備數(shù)據(jù)資源。

在這場(chǎng)混戰(zhàn)背后，一系列很少被討論的問(wèn)題正在浮現(xiàn)。當(dāng)人工智能被描述為取代人類(lèi)勞動(dòng)的技術(shù)時(shí)，大量新的勞動(dòng)卻正在被創(chuàng)造出來(lái)。這些勞動(dòng)由誰(shuí)完成？它們?nèi)绾伪唤M織？又會(huì)在技術(shù)演進(jìn)中走向何處？

在AI數(shù)據(jù)標(biāo)注平臺(tái)上，一種新的勞動(dòng)秩序正在形成。而它的運(yùn)行方式，或許并不陌生。

從縣城寶媽到985碩博生，數(shù)據(jù)標(biāo)注行業(yè)的“爬坡”與“分流”

標(biāo)注員的學(xué)歷爬坡

隨著模型能力的演進(jìn)，人工智能訓(xùn)練所需的數(shù)據(jù)正在發(fā)生變化。需求正在從低門(mén)檻、標(biāo)準(zhǔn)化的標(biāo)注任務(wù)，轉(zhuǎn)向更高專(zhuān)業(yè)度和更深層推理能力的數(shù)據(jù)生產(chǎn)。這一變化首先體現(xiàn)在勞動(dòng)力結(jié)構(gòu)上。

早在2023年，像Scale AI這類(lèi)依賴(lài)低薪眾包工人的數(shù)據(jù)供應(yīng)商就已經(jīng)開(kāi)始轉(zhuǎn)型。他們不再向東南亞、非洲等地區(qū)的外包工人投遞時(shí)薪1—3美元的簡(jiǎn)單標(biāo)注任務(wù)，而是以每小時(shí)30—40美元的價(jià)格在全球范圍內(nèi)招募行業(yè)專(zhuān)家。Scale AI旗下，曾因壓榨勞工問(wèn)題飽受爭(zhēng)議的平臺(tái)Remotasks也更名為Outlier AI，試圖以新的組織方式延續(xù)數(shù)據(jù)標(biāo)注神話。

無(wú)獨(dú)有偶，2024年年中，Mercor開(kāi)出了50-200美元的時(shí)薪招募金融與STEM領(lǐng)域的專(zhuān)家，正式宣告公司從AI驅(qū)動(dòng)的招聘平臺(tái)轉(zhuǎn)型為數(shù)據(jù)標(biāo)注市場(chǎng)的重要競(jìng)爭(zhēng)者。在去年9月的訪談中，Mercor創(chuàng)始人Brendan Foody透露該平臺(tái)時(shí)薪的中位數(shù)是95美元，最高可以達(dá)到500 美元，“傳統(tǒng)眾包平臺(tái)平均只付30美元/小時(shí)，所以只能雇些本科生。而我們能吸引到高盛銀行家、麥肯錫顧問(wèn)、FAANG 工程師”。這位年輕人頗具挑釁意味的比較，也折射出行業(yè)對(duì)于高端認(rèn)知技能的渴望。

與海外平臺(tái)轟轟烈烈的搶人大戰(zhàn)相比，中國(guó)公眾最早接觸到的數(shù)據(jù)標(biāo)注員卻是另一種形象。2023年，一篇關(guān)于“縣城寶媽成為AI數(shù)據(jù)標(biāo)注員”的報(bào)道讓大眾首次窺見(jiàn)AI產(chǎn)業(yè)背后的隱形勞動(dòng)。計(jì)件薪酬、10—30元時(shí)薪、職?；虼髮?zhuān)學(xué)歷，這些標(biāo)簽構(gòu)成了公眾對(duì)這一行業(yè)的最初印象。

兩年之后，這種印象迅速發(fā)生變化。2025年2月，AI公司 DeepSeek 發(fā)布的“AGI數(shù)據(jù)百曉生”招聘信息顯示，數(shù)據(jù)標(biāo)注崗位的月薪為1.5萬(wàn)至3萬(wàn)元，實(shí)習(xí)生日薪500元以上。學(xué)歷要求則明確寫(xiě)明本科起步，碩博優(yōu)先。薪資與門(mén)檻的提升，再次引發(fā)了公眾對(duì)數(shù)據(jù)標(biāo)注行業(yè)的關(guān)注。

受訪者林逸（化名）講述了她在2020年與2024年兩次嘗試加入數(shù)據(jù)標(biāo)注行業(yè)的經(jīng)歷，直接反映了數(shù)據(jù)標(biāo)注行業(yè)對(duì)從業(yè)者能力要求的轉(zhuǎn)變。

2020年，出于對(duì)人工智能產(chǎn)業(yè)的好奇，我投遞了國(guó)內(nèi)某大型物流集團(tuán)的數(shù)據(jù)標(biāo)注崗位。兩天后，我收到了HR的電話，她告訴我，這個(gè)崗位的主要任務(wù)是對(duì)道路圖像進(jìn)行拉框和打標(biāo)，我的學(xué)歷與經(jīng)驗(yàn)完全超出了這項(xiàng)崗位的需要，建議我投別的。2024年年初，我又投遞了當(dāng)時(shí)大爆的AI公司，想要通過(guò)數(shù)據(jù)標(biāo)注的崗位進(jìn)入行業(yè)再尋求轉(zhuǎn)型。同樣的數(shù)據(jù)標(biāo)注崗位，我需要先做一輪筆試，筆試內(nèi)容是給AI出題。我花了一點(diǎn)時(shí)間，努力發(fā)揮我的想象力去完成，但最終沒(méi)有通過(guò)。

林逸的兩次求職經(jīng)歷，恰好構(gòu)成了行業(yè)轉(zhuǎn)型的時(shí)間切片。從“學(xué)歷過(guò)高”到“筆試未通過(guò)”，數(shù)據(jù)標(biāo)注崗位正在經(jīng)歷明顯的學(xué)歷爬坡與要求提升。

標(biāo)注任務(wù)的模式分流

林逸的個(gè)體經(jīng)歷，實(shí)際上也是中國(guó)數(shù)據(jù)標(biāo)注行業(yè)在過(guò)去十年發(fā)展的縮影。

在2015—2024年間，中國(guó)的數(shù)據(jù)標(biāo)注產(chǎn)業(yè)大體形成兩類(lèi)主要玩家。一類(lèi)是深耕數(shù)據(jù)產(chǎn)業(yè)多年的第三方數(shù)據(jù)標(biāo)注公司，例如海天瑞聲、云測(cè)數(shù)據(jù)、澳鵬Appen、龍貓數(shù)據(jù)等。這類(lèi)公司主要服務(wù)智能駕駛和醫(yī)療等垂直領(lǐng)域的客戶(hù)，處理視覺(jué)、音頻數(shù)據(jù)?？h城寶媽們收到任務(wù)均為此類(lèi)，核心工作內(nèi)容是給圖像拉框打標(biāo)，門(mén)檻較低。

另一類(lèi)則是科技公司的內(nèi)部標(biāo)注團(tuán)隊(duì)，例如深度求索（Deepseek）、月之暗面（Kimi）等。由于核心數(shù)據(jù)涉及商業(yè)機(jī)密，這些公司通常需要自建標(biāo)注團(tuán)隊(duì)。標(biāo)注員們的主要任務(wù)是通過(guò)出題的方式對(duì)模型進(jìn)行強(qiáng)化學(xué)習(xí)，擴(kuò)展模型邊界。因此對(duì)標(biāo)注員的知識(shí)背景與邏輯能力有更高要求。

2025年的第三季度，新的玩家闖入了這一行業(yè)。字節(jié)跳動(dòng)“Xpert”、阿里巴巴“曉天睿士”和騰訊“Qlabel(企鵝標(biāo)注)”等數(shù)據(jù)標(biāo)注平臺(tái)開(kāi)始大規(guī)模通過(guò)中介公司與官方渠道招募高學(xué)歷的數(shù)據(jù)標(biāo)注員，試圖通過(guò)眾包平臺(tái)模式加速數(shù)據(jù)標(biāo)注行業(yè)的人才升級(jí)。這些崗位時(shí)薪通常在150—500元之間，支持遠(yuǎn)程參與，迅速在社交媒體上吸引了大量數(shù)字游民和高學(xué)歷求職者。

與早期的數(shù)據(jù)標(biāo)注不同，這些平臺(tái)的任務(wù)更接近一種“認(rèn)知?jiǎng)趧?dòng)”。標(biāo)注員需要像老師一樣教導(dǎo)AI。不僅要基于真實(shí)場(chǎng)景設(shè)定考題，還要撰寫(xiě)清晰的解題思路、考點(diǎn)和評(píng)分標(biāo)準(zhǔn)，最后再根據(jù)標(biāo)準(zhǔn)對(duì)AI生成的內(nèi)容進(jìn)行評(píng)估。其工作流程類(lèi)似“出卷-批卷-評(píng)分”，核心并非簡(jiǎn)單的數(shù)據(jù)標(biāo)記，而是對(duì)思考過(guò)程的結(jié)構(gòu)化表達(dá)。

從拉框打標(biāo)，出題，到梳理工作流。從縣域?qū)殝?、職校生，到本科生，再?85碩博和實(shí)戰(zhàn)經(jīng)驗(yàn)豐富的行業(yè)專(zhuān)家。數(shù)據(jù)標(biāo)注行業(yè)正在經(jīng)歷接續(xù)不斷的任務(wù)“分流”與學(xué)歷“爬坡”，這背后反映了大模型訓(xùn)練需求與數(shù)據(jù)標(biāo)注核心思路的轉(zhuǎn)變。

技術(shù)范式創(chuàng)新

早期大模型訓(xùn)練大多依賴(lài)人類(lèi)反饋來(lái)引導(dǎo)學(xué)習(xí)過(guò)程，主要有兩種訓(xùn)練模式。

第一種是監(jiān)督微調(diào)（SFT），核心是模仿學(xué)習(xí)。模型通過(guò)大量“標(biāo)準(zhǔn)答案”數(shù)據(jù)進(jìn)行訓(xùn)練，直接學(xué)習(xí)從輸入到正確輸出的映射。拉框打標(biāo)就是在為模型提供標(biāo)準(zhǔn)答案。第二種是強(qiáng)化學(xué)習(xí)（RL），核心是試錯(cuò)優(yōu)化。標(biāo)注員向模型提供開(kāi)放性或較為刁鉆的問(wèn)題，然后在模型生成的幾個(gè)示例中選出最優(yōu)結(jié)果，模型收到反饋后再自主探索解題策略。

近年來(lái)，行業(yè)正普遍轉(zhuǎn)向來(lái)自AI反饋的強(qiáng)化學(xué)習(xí)（RLAIF），以減少對(duì)人類(lèi)反饋的依賴(lài)。

Xpert、曉天睿士和Qlabel等數(shù)據(jù)標(biāo)注平臺(tái)采用的便是這種訓(xùn)練方式。數(shù)據(jù)標(biāo)注員需要為特定場(chǎng)景定義某種成功標(biāo)準(zhǔn)，為標(biāo)準(zhǔn)確定不同的重要性程度，并提供可衡量的方式來(lái)判斷模型是否達(dá)到了標(biāo)準(zhǔn)。舉例來(lái)說(shuō)，在文本創(chuàng)作領(lǐng)域，成功的標(biāo)準(zhǔn)可能包含任務(wù)理解、場(chǎng)景匹配等。而任務(wù)理解這一標(biāo)準(zhǔn)的可衡量方式可能包含文本是否滿(mǎn)足顯性的主題要求或隱含的寫(xiě)作意圖。

這種訓(xùn)練方式本質(zhì)是讓模型學(xué)會(huì)人類(lèi)的思考過(guò)程和判斷標(biāo)準(zhǔn)。不僅能夠高效評(píng)估模型，還能夠反哺提升模型能力，最終實(shí)現(xiàn)自我訓(xùn)練。

從監(jiān)督微調(diào)（SFT）到強(qiáng)化學(xué)習(xí)（RL），再到AI反饋的強(qiáng)化學(xué)習(xí)（RLAIF），大模型訓(xùn)練思路不斷演進(jìn)。AI系統(tǒng)的目標(biāo)也從通過(guò)標(biāo)準(zhǔn)測(cè)試，轉(zhuǎn)向能夠自主完成復(fù)雜任務(wù)并直接創(chuàng)造經(jīng)濟(jì)價(jià)值。正因如此，數(shù)據(jù)標(biāo)注工作也從簡(jiǎn)單的數(shù)據(jù)處理，逐漸轉(zhuǎn)向?qū)φJ(rèn)知過(guò)程的結(jié)構(gòu)化表達(dá)。這要求標(biāo)注員不僅掌握基礎(chǔ)專(zhuān)業(yè)知識(shí)，還必須具備抽象思維與問(wèn)題拆解能力。這是如今各平臺(tái)日益傾向于招募大量高學(xué)歷及專(zhuān)業(yè)人士擔(dān)任數(shù)據(jù)標(biāo)注工作的根本原因。

當(dāng)標(biāo)注任務(wù)從簡(jiǎn)單的拉框打標(biāo)，演進(jìn)為需要抽象思維與場(chǎng)景化判斷的認(rèn)知?jiǎng)趧?dòng)時(shí)，平臺(tái)如何組織、控制與評(píng)估這類(lèi)高度專(zhuān)業(yè)化的勞動(dòng)，成為更關(guān)鍵的問(wèn)題。在采用 RLAIF 模式的平臺(tái)中，勞動(dòng)控制機(jī)制往往也隨著任務(wù)升級(jí)而變得更為精細(xì)和系統(tǒng)化。這些規(guī)范不僅關(guān)系到標(biāo)注效率與數(shù)據(jù)質(zhì)量，更深刻影響著標(biāo)注員的工作體驗(yàn)與職業(yè)認(rèn)同。

控制、協(xié)商、同意與抵抗：高薪靈工并不“靈”

在平臺(tái)的宣傳話語(yǔ)中，數(shù)據(jù)標(biāo)注崗位是“高薪靈工”的典型代表。標(biāo)注員的時(shí)薪為150-500元左右，遠(yuǎn)程工作，自由接單。人們不再像過(guò)去那樣擠在一個(gè)擺滿(mǎn)了電腦的辦公室之中，而是分散在世界各地，并在任意時(shí)間登錄平臺(tái)開(kāi)始工作。

但這種靈活性往往只是表象。

工作時(shí)間、空間與任務(wù)控制并沒(méi)有消失，而是被新的技術(shù)邏輯重新組織。數(shù)字平臺(tái)成為新的工作場(chǎng)所，勞動(dòng)分工、工序、條件與技能都被嵌入技術(shù)設(shè)計(jì)之中。

一種熟悉的管理邏輯正在回歸。20世紀(jì)初，泰勒主義通過(guò)拆分任務(wù)和計(jì)量時(shí)間來(lái)提高工廠效率。今天，算法和平臺(tái)系統(tǒng)正在以更精細(xì)的方式完成同樣的事情。數(shù)字泰勒主義的幽靈，在平臺(tái)勞動(dòng)中再次浮現(xiàn)。

為了理解這一勞動(dòng)體系，2025年10月至2026年1月期間，筆者對(duì)多個(gè)數(shù)據(jù)標(biāo)注平臺(tái)進(jìn)行了參與式觀察，其間注冊(cè)了國(guó)內(nèi)外多家平臺(tái)賬號(hào)，并根據(jù)自身背景選擇不同專(zhuān)業(yè)方向，參與了多種類(lèi)型的標(biāo)注項(xiàng)目。

在不違反保密協(xié)議的前提下，下文將從行業(yè)常規(guī)的勞動(dòng)過(guò)程切入，拆解分工與流程設(shè)計(jì)的內(nèi)在邏輯，力求描繪AI數(shù)據(jù)標(biāo)注平臺(tái)背后的勞動(dòng)生態(tài)全貌。

自主性幻象：搶單焦慮與任務(wù)回收

數(shù)據(jù)標(biāo)注的主流結(jié)算模式為計(jì)件制，即按照任務(wù)量結(jié)算薪酬。

在傳統(tǒng)模式下，標(biāo)注員受雇于數(shù)據(jù)需求方或第三方數(shù)據(jù)標(biāo)注公司，由雇傭方直接分配任務(wù)，任務(wù)量較為穩(wěn)定持續(xù)。而在平臺(tái)模式中，項(xiàng)目通過(guò)平臺(tái)集中呈現(xiàn)，標(biāo)注員根據(jù)自身經(jīng)驗(yàn)、時(shí)間報(bào)名。靈活性大幅提升的同時(shí)，任務(wù)量和薪酬的不穩(wěn)定性也十分顯著。

任務(wù)并不是隨時(shí)都有，雖然有一些通用的項(xiàng)目，但大部分項(xiàng)目都要求應(yīng)聘者具備非常具體的經(jīng)驗(yàn)，所以找到合適的并不容易?？傮w而言，人文社科崗位明顯少于理工科、法律和金融方向，某些平臺(tái)甚至直接限制專(zhuān)業(yè)申請(qǐng)，這讓我再一次真切感受到來(lái)自算法的學(xué)科歧視。

一旦出現(xiàn)合適任務(wù)，標(biāo)注員往往需要第一時(shí)間上線“搶單”。平臺(tái)任務(wù)具有高度即時(shí)性，無(wú)法提前規(guī)劃。為了不錯(cuò)過(guò)機(jī)會(huì)，標(biāo)注員需要持續(xù)關(guān)注郵件、短信和協(xié)同辦公軟件的通知。但即便如此，也經(jīng)?！笆致裏o(wú)”。

然而，搶到任務(wù)只是第一關(guān)。任務(wù)包一旦被領(lǐng)取，真正的游戲才剛剛開(kāi)始。

盡管平臺(tái)宣稱(chēng)人們可以在任意方便的時(shí)間完成標(biāo)注任務(wù)，但實(shí)際上，如果不及時(shí)開(kāi)始標(biāo)注任務(wù)，平臺(tái)會(huì)在2-3天內(nèi)強(qiáng)制釋放，之前為搶單付出的努力將化為烏有。

這是一種典型的勞動(dòng)控制技術(shù)。平臺(tái)首先營(yíng)造了一種任務(wù)稀缺性，讓勞動(dòng)者預(yù)先投入時(shí)間、注意力、情感勞動(dòng)去獲得任務(wù)資格。緊接著，通過(guò)限時(shí)的任務(wù)回收機(jī)制迫使勞動(dòng)者盡快開(kāi)工，將任務(wù)閑置與周轉(zhuǎn)成本轉(zhuǎn)嫁給標(biāo)注員。

這種機(jī)制與外賣(mài)騎手的搶單邏輯類(lèi)似，利用搶單的沉沒(méi)成本與任務(wù)回收的機(jī)制組合，平臺(tái)將“盡快完工”內(nèi)化為勞動(dòng)者自己的選擇。利用自主性幻象實(shí)現(xiàn)了無(wú)需現(xiàn)場(chǎng)監(jiān)督和直接命令的勞動(dòng)控制。

而一個(gè)更深遠(yuǎn)的影響是，這套機(jī)制強(qiáng)化了數(shù)據(jù)標(biāo)注“低門(mén)檻，可復(fù)制”的工作想象，敦促標(biāo)注員在認(rèn)知上完成了去技能化。個(gè)體勞動(dòng)者的議價(jià)能力被進(jìn)一步弱化，即便是擁有豐富領(lǐng)域知識(shí)與經(jīng)驗(yàn)的行業(yè)專(zhuān)家，也不過(guò)是平臺(tái)可替換、可調(diào)度的勞動(dòng)資源。任務(wù)分配成為平臺(tái)控制的“前哨性設(shè)計(jì)”，預(yù)告了平臺(tái)對(duì)數(shù)據(jù)標(biāo)注勞動(dòng)過(guò)程的全面支配。

標(biāo)準(zhǔn)化生產(chǎn)：二元分工、SOP控制與勞動(dòng)原子化

數(shù)據(jù)標(biāo)注平臺(tái)的勞動(dòng)分工相對(duì)簡(jiǎn)單，主要由標(biāo)注員與質(zhì)檢員兩類(lèi)角色構(gòu)成。標(biāo)注員負(fù)責(zé)執(zhí)行標(biāo)注任務(wù)，質(zhì)檢員負(fù)責(zé)審核結(jié)果，形成了“生產(chǎn)—審核—修正”的責(zé)任鏈條。

二者的工作均依賴(lài)于平臺(tái)提供的標(biāo)準(zhǔn)作業(yè)程序文檔（Standard Operating Procedure，下文簡(jiǎn)稱(chēng)SOP）。平臺(tái)的項(xiàng)目經(jīng)理與產(chǎn)品經(jīng)理會(huì)為每個(gè)項(xiàng)目定制不同的SOP，涵蓋標(biāo)注工序、標(biāo)注規(guī)則、特殊情況處理等。標(biāo)注員和質(zhì)檢員必須嚴(yán)格遵循這些規(guī)范進(jìn)行操作，其工作成果將直接與標(biāo)準(zhǔn)進(jìn)行比對(duì)，并據(jù)此計(jì)算薪酬。

通過(guò)制定SOP，平臺(tái)將復(fù)雜任務(wù)拆分為標(biāo)準(zhǔn)化操作，使勞動(dòng)過(guò)程高度去技能化。

我對(duì)SOP并不陌生。互聯(lián)網(wǎng)時(shí)代，人們?cè)缫蚜?xí)慣用標(biāo)準(zhǔn)流程來(lái)組織工作。但數(shù)據(jù)標(biāo)注的SOP文檔沒(méi)有那么好理解，我常常需要反復(fù)閱讀三遍才能明白接下來(lái)要做的工作。有時(shí)我很懷疑這些文檔的撰寫(xiě)過(guò)程，究竟是AI發(fā)力了，還是AI壓根沒(méi)參與。

盡管平臺(tái)在制定SOP時(shí)力求標(biāo)準(zhǔn)的客觀、清晰與詳細(xì)，但在實(shí)操中避免主觀性幾乎是不可能的。當(dāng)規(guī)則解讀出現(xiàn)分歧時(shí)，最終解釋權(quán)往往掌握在質(zhì)檢員與管理者手中，而返修帶來(lái)的時(shí)間成本與薪酬損失只能由標(biāo)注員承擔(dān)。為降低返修與退回風(fēng)險(xiǎn)，標(biāo)注員只能向質(zhì)檢員與管理者的解讀靠攏，主動(dòng)放棄自己的判斷。

如果說(shuō)SOP決定了標(biāo)注員如何工作，那么平臺(tái)溝通機(jī)制則決定了勞動(dòng)者如何協(xié)作。

在傳統(tǒng)模式中，標(biāo)注員與質(zhì)檢員多通過(guò)即時(shí)通訊工具同步交流。不僅是圍繞返修意見(jiàn)的溝通，還包含對(duì)標(biāo)準(zhǔn)的多輪討論，有時(shí)甚至?xí)幸恍┣楦行员磉_(dá)。但在平臺(tái)模式中，溝通被限制在系統(tǒng)內(nèi)的異步留言板中，二者僅在返修時(shí)可以對(duì)話。返修的次數(shù)有限，意味著溝通頻次和深度都在降低，這進(jìn)一步阻斷了互助關(guān)系與集體經(jīng)驗(yàn)的形成。

作為標(biāo)注員，平臺(tái)系統(tǒng)上條理清晰的意見(jiàn)讓我感到慶幸又無(wú)奈。我感激質(zhì)檢員盡力用最短的話說(shuō)清意見(jiàn)。大部分的質(zhì)檢員都是從標(biāo)注員中選取，他們明白標(biāo)注員在面對(duì)大段修改意見(jiàn)時(shí)的崩潰，尤其返修花費(fèi)的時(shí)間并不支付薪酬。

但是，平臺(tái)系統(tǒng)的異步溝通模式又讓我回歸書(shū)信時(shí)代，我不能在返修間隙和質(zhì)檢員或者其他標(biāo)注員來(lái)上一兩句吐槽。我和摸魚(yú)搭子的對(duì)話自由被平臺(tái)阻斷了，這種痛苦類(lèi)似于手機(jī)砸臉、睡覺(jué)落枕和腳趾撞桌腿，一種說(shuō)了矯情，不說(shuō)刺撓的痛苦。

SOP與異步溝通系統(tǒng)的設(shè)置共同推動(dòng)著勞動(dòng)者走向原子化。這種原子化狀態(tài)首先弱化了勞動(dòng)者之間的人際信任與協(xié)作，轉(zhuǎn)而不斷強(qiáng)化平臺(tái)規(guī)則的絕對(duì)權(quán)威。

在此狀態(tài)下，個(gè)體勞動(dòng)者變得更加孤立，更容易被平臺(tái)監(jiān)控、評(píng)估乃至替代。他們不得不主動(dòng)向平臺(tái)標(biāo)準(zhǔn)靠攏，以更順從的姿態(tài)開(kāi)展工作。標(biāo)注員對(duì)規(guī)則的解釋權(quán)、協(xié)商權(quán)與異議空間被大幅壓縮。與此同時(shí)，因標(biāo)準(zhǔn)理解偏差、溝通不足等產(chǎn)生的成本與責(zé)任，也被全面轉(zhuǎn)嫁給標(biāo)注員與質(zhì)檢員。

最終，平臺(tái)得以實(shí)現(xiàn)對(duì)勞動(dòng)者高效且低成本的勞動(dòng)控制。

技術(shù)霸權(quán)：算法監(jiān)控與AI輔助的動(dòng)態(tài)質(zhì)檢

在第一節(jié)我們提到，RLAIF訓(xùn)練模式的最終目標(biāo)是要幫助AI建立任務(wù)評(píng)估體系，最終實(shí)現(xiàn)自主訓(xùn)練與進(jìn)化。要實(shí)現(xiàn)這一點(diǎn)需要兩個(gè)核心步驟，一是提供高質(zhì)量的任務(wù)拆解思路、考點(diǎn)（Rubrics）與標(biāo)準(zhǔn)詳情，二是要確保AI能夠理解標(biāo)準(zhǔn)并實(shí)施評(píng)估。

平臺(tái)引入了算法監(jiān)控與AI輔助的動(dòng)態(tài)質(zhì)檢來(lái)保障以上兩個(gè)步驟的順利實(shí)施。

首先，借助算法來(lái)確保考點(diǎn)的質(zhì)量。只有當(dāng)AI的輸出結(jié)果不能滿(mǎn)足所有考點(diǎn)要求時(shí)，標(biāo)注員的任務(wù)才算有效。簡(jiǎn)言之，標(biāo)注員只有“考倒”AI，才能通過(guò)審核。

與此同時(shí)，平臺(tái)還引入了AI輔助質(zhì)檢系統(tǒng)。在人工審核之前，AI會(huì)先根據(jù)考點(diǎn)自動(dòng)評(píng)分，并將結(jié)果與人工評(píng)分進(jìn)行比對(duì)。通過(guò)這一程序，平臺(tái)逐步訓(xùn)練AI理解和執(zhí)行評(píng)估標(biāo)準(zhǔn)。

算法和AI質(zhì)檢將數(shù)據(jù)標(biāo)注過(guò)程進(jìn)一步程序化，勞動(dòng)者不再主導(dǎo)任務(wù)理解，而是圍繞系統(tǒng)設(shè)定的評(píng)估邏輯展開(kāi)工作。布雷弗曼所說(shuō)的“去技能化”，在這里以新的技術(shù)形式實(shí)現(xiàn)。

在完成任務(wù)的過(guò)程中，我產(chǎn)生了一種習(xí)得性無(wú)助的感受。完成一項(xiàng)任務(wù)需要經(jīng)歷多道審核和多輪返修。就像反復(fù)嘗試開(kāi)門(mén)卻總是失敗的人最終會(huì)放棄轉(zhuǎn)動(dòng)門(mén)把手，我到后期已經(jīng)不愿意再打開(kāi)平臺(tái)完成標(biāo)注任務(wù)。

此外，盡管與質(zhì)檢員和項(xiàng)目經(jīng)理的溝通空間被大幅壓縮，卻依舊存在協(xié)商縫隙。但若碰上算法和AI質(zhì)檢，簡(jiǎn)直像是一拳頭打在了棉花上。我無(wú)法與算法協(xié)商，只能主動(dòng)滿(mǎn)足算法對(duì)難度與清晰度的需求。

無(wú)形之中，平臺(tái)使個(gè)體勞動(dòng)目標(biāo)等同于算法目標(biāo)，解釋權(quán)與評(píng)估權(quán)被系統(tǒng)壟斷。勞動(dòng)者最終陷入對(duì)平臺(tái)系統(tǒng)的結(jié)構(gòu)性依附，在技術(shù)霸權(quán)的陰影中埋頭工作。

數(shù)字泰勒主義與品味游戲：數(shù)據(jù)標(biāo)注會(huì)往哪里去？

AI面前，人人平等？

綜上所述，AI數(shù)據(jù)標(biāo)注的勞動(dòng)過(guò)程并非簡(jiǎn)單的按圖索驥，而是一套由平臺(tái)算法支持，分工清晰、流程嚴(yán)謹(jǐn)?shù)膭?dòng)態(tài)流水線。這套體系遵循典型的數(shù)字泰勒主義原則，通過(guò)將工作拆分為標(biāo)準(zhǔn)化、重復(fù)性的任務(wù)，持續(xù)監(jiān)控勞動(dòng)績(jī)效，來(lái)提高效率和生產(chǎn)率。

標(biāo)注員與質(zhì)檢員構(gòu)成了這一體系的核心分工結(jié)構(gòu)。計(jì)件制薪酬、任務(wù)回收機(jī)制、SOP流程、多輪算法質(zhì)檢與人工審核相互嵌套，使數(shù)據(jù)標(biāo)注形成一個(gè)封閉的生產(chǎn)循環(huán)。系統(tǒng)同時(shí)強(qiáng)化了對(duì)勞動(dòng)力的監(jiān)控與控制，加劇了平臺(tái)資本與勞動(dòng)者之間的權(quán)力不平等。

與傳統(tǒng)泰勒主義主要優(yōu)化體力勞動(dòng)不同，數(shù)字泰勒主義將管理控制擴(kuò)展到認(rèn)知和情感領(lǐng)域。平臺(tái)試圖將思想、判斷和情感轉(zhuǎn)化為可測(cè)量、可優(yōu)化的數(shù)據(jù)輸入，從而推動(dòng)知識(shí)勞動(dòng)與情感勞動(dòng)的商品化。

這些被商品化的認(rèn)知?jiǎng)趧?dòng)，正被用于訓(xùn)練AI的“品味”（taste），也即判斷力。

科技公司普遍認(rèn)為，高質(zhì)量的數(shù)據(jù)標(biāo)注能夠幫助模型形成穩(wěn)定的價(jià)值判斷。Surge AI創(chuàng)始人Edwin Chen在一次訪談中反復(fù)強(qiáng)調(diào)：“我們不是在教模型如何對(duì)話，而是在教它什么是對(duì)、什么是好……我們不是在檢查這首詩(shī)有沒(méi)有提到月亮，而是在問(wèn)，這首詩(shī)有沒(méi)有打動(dòng)你”。

這里的品味，既包含審美與直覺(jué)，也包含理性判斷。然而吊詭的是，數(shù)據(jù)標(biāo)注的勞動(dòng)過(guò)程正在最大程度地剝離勞動(dòng)者自身的理解與創(chuàng)造力。標(biāo)注員被簡(jiǎn)化為流水線上的執(zhí)行者，人類(lèi)判斷力被拆解為碎片化的數(shù)據(jù)。

更有趣的是，數(shù)據(jù)公司們對(duì)“品味”的化用，在無(wú)意間改變了人類(lèi)社會(huì)長(zhǎng)期以來(lái)的“品味游戲”。在皮埃爾·布迪厄的經(jīng)典著作《區(qū)分：判斷力的社會(huì)批判》中，品味被視為文化資本的重要組成部分，是社會(huì)階層區(qū)隔的重要機(jī)制。但在數(shù)據(jù)標(biāo)注平臺(tái)上，流水線式的管理邏輯被應(yīng)用到智力與創(chuàng)造性工作之中，從而模糊了體力勞動(dòng)與腦力勞動(dòng)之間的傳統(tǒng)界限。不論是白領(lǐng)還是藍(lán)領(lǐng)，都在這場(chǎng)數(shù)據(jù)生產(chǎn)中接受同樣的監(jiān)控與規(guī)訓(xùn)。

但問(wèn)題也隨之而來(lái)，AI面前，真的人人平等嗎？

數(shù)據(jù)標(biāo)注行業(yè)中的“品味游戲”揭示了AI模型輸出背后的另一層邏輯。當(dāng)科技公司強(qiáng)調(diào)品味時(shí)，他們實(shí)際上是在定義一種標(biāo)準(zhǔn)化的認(rèn)知框架，并試圖為數(shù)據(jù)采樣可能帶來(lái)的偏差提供某種免責(zé)聲明。

模型開(kāi)發(fā)領(lǐng)域流傳著一句話，“有多少人工，就有多少智能。”這句略顯粗糙的說(shuō)法，卻揭示了數(shù)據(jù)標(biāo)注的重要性。在RLAIF訓(xùn)練模式中，標(biāo)注員不僅要依據(jù)多維標(biāo)準(zhǔn)對(duì)模型輸出進(jìn)行評(píng)分，還需要對(duì)不同標(biāo)準(zhǔn)進(jìn)行偏好排序。換言之，數(shù)據(jù)標(biāo)注的過(guò)程實(shí)際上是在界定人類(lèi)認(rèn)知的邊界。

特定群體的價(jià)值觀和判斷框架，正通過(guò)數(shù)據(jù)被不斷嵌入模型之中。

作為智能系統(tǒng)的基礎(chǔ)，數(shù)據(jù)決定了模型的能力邊界。當(dāng)我們向AI提問(wèn)時(shí)，得到的回答在某種程度上反映了標(biāo)注員的“品味”。而其品味又受到教育背景、階層經(jīng)驗(yàn)和文化環(huán)境的影響。當(dāng)一個(gè)身處硅谷的精英工程師與一個(gè)來(lái)自非洲的標(biāo)注員同時(shí)進(jìn)行標(biāo)注時(shí)，AI所吸收的邏輯顯然并不相同。

這意味著，如果標(biāo)注員群體的社會(huì)結(jié)構(gòu)過(guò)于單一，某些認(rèn)知偏見(jiàn)就可能被不斷放大并固化在模型之中。而缺乏數(shù)據(jù)權(quán)重的弱勢(shì)群體，往往更容易被忽視。

科技公司并非完全沒(méi)有意識(shí)到這一問(wèn)題，模型開(kāi)發(fā)者承諾要在制度和技術(shù)層面限制偏見(jiàn)。然而一個(gè)難以回避的事實(shí)是：在模型真正形成之前，數(shù)據(jù)供應(yīng)體系已經(jīng)在很大程度上決定了它將如何理解世界。

AI所看到的世界，本身就經(jīng)過(guò)了數(shù)據(jù)標(biāo)注的過(guò)濾。

因此，AI面前或許人人平等，但前提是，你得被AI看見(jiàn)。

剩下的1%

隨著人工智能的快速發(fā)展，公眾對(duì)“AI換人”的焦慮不斷上升。在數(shù)據(jù)標(biāo)注行業(yè)，這種擔(dān)憂正在加速成為現(xiàn)實(shí)。

過(guò)去兩年，商湯科技與海天瑞聲等頭部數(shù)據(jù)服務(wù)企業(yè)不斷加大在數(shù)據(jù)生產(chǎn)流程自動(dòng)化方面的投入，傳統(tǒng)意義上重復(fù)性強(qiáng)、技術(shù)門(mén)檻低的“拉框打標(biāo)”正迅速被AI輔助標(biāo)注工具所取代，崗位需求斷崖式下滑。

在這一背景下，國(guó)內(nèi)互聯(lián)網(wǎng)大廠主導(dǎo)的數(shù)據(jù)標(biāo)注平臺(tái)正切入更高階的戰(zhàn)場(chǎng)，試圖在更加復(fù)雜的“心智”領(lǐng)域?qū)崿F(xiàn)數(shù)據(jù)標(biāo)注的自動(dòng)化。從去年到今年年初，AI正在自我訓(xùn)練的道路上一路狂飆，大模型已經(jīng)能夠生成海量的合成數(shù)據(jù)，減少對(duì)人工標(biāo)注的依賴(lài)。

例如在2月發(fā)布的GPT-5.3 Codex的技術(shù)文檔中，Open AI寫(xiě)道，“GPT-5.3Codex是我們第一個(gè)在自身創(chuàng)建過(guò)程中發(fā)揮了關(guān)鍵作用的模型。Codex團(tuán)隊(duì)利用其早期版本來(lái)調(diào)試自身的訓(xùn)練，管理自身的部署，并診斷測(cè)試結(jié)果與評(píng)估結(jié)果?！?/p>

換言之，模型開(kāi)始自主制造、驗(yàn)證、迭代自己的訓(xùn)練數(shù)據(jù)。AI的遞歸自我提升（Recursive Self-Improvement，下文簡(jiǎn)稱(chēng)RSI）已經(jīng)箭在弦上。

然而，自動(dòng)化標(biāo)注技術(shù)仍然存在明顯局限。在復(fù)雜任務(wù)上，AI仍然難以達(dá)到人工標(biāo)注的準(zhǔn)確度。即便是最先進(jìn)的模型，目前也仍然依賴(lài)“合成數(shù)據(jù)生成 + 人類(lèi)驗(yàn)證”的訓(xùn)練模式。

原因很簡(jiǎn)單，真實(shí)世界永遠(yuǎn)有不可模擬的噪音，而這些復(fù)雜性很難完全通過(guò)合成數(shù)據(jù)模擬。一旦訓(xùn)練數(shù)據(jù)過(guò)度人工化，模型性能反而可能下降。這解釋了為什么從事普通標(biāo)注任務(wù)的勞動(dòng)者面臨失業(yè)，而與高階技能相關(guān)的標(biāo)注崗位需求仍然保持了154%的年增長(zhǎng)。

但這個(gè)增長(zhǎng)速度能夠持續(xù)多久？

如果回溯技術(shù)史，類(lèi)似的故事已經(jīng)上演過(guò)許多次。從18世紀(jì)的珍妮紡紗機(jī)，到蒸汽動(dòng)力機(jī)械，再到20世紀(jì)的工業(yè)機(jī)器人，重大技術(shù)進(jìn)步對(duì)勞動(dòng)力的需求往往呈現(xiàn)出相似的,一條先升后降的倒U型曲線。

在技術(shù)擴(kuò)散初期，新技術(shù)會(huì)創(chuàng)造大量新的工作需求。生產(chǎn)效率的提高擴(kuò)大了市場(chǎng)規(guī)模，新的產(chǎn)業(yè)鏈環(huán)節(jié)被不斷打開(kāi)，勞動(dòng)力需求迅速上升。

隨著技術(shù)逐漸成熟，自動(dòng)化水平提高，原本依賴(lài)人工完成的工作開(kāi)始被機(jī)器替代。崗位數(shù)量不再增長(zhǎng)，而進(jìn)入結(jié)構(gòu)性調(diào)整階段。

到了技術(shù)發(fā)展的后期，大部分標(biāo)準(zhǔn)化任務(wù)被徹底自動(dòng)化，行業(yè)中只剩下少量高度專(zhuān)業(yè)化的崗位。

今天的數(shù)據(jù)標(biāo)注行業(yè)，很可能正處在這條曲線的前半段。

如果技術(shù)史的規(guī)律依然成立，那么去年154%的增長(zhǎng)，或許正是這條倒U型曲線登頂前，最后的輝煌。在未來(lái)，人工標(biāo)注不會(huì)完全消失，但會(huì)極度萎縮并高度集中化。

那些重復(fù)性極強(qiáng)的標(biāo)注崗位會(huì)不復(fù)存在，而那些需要高技能、專(zhuān)業(yè)知識(shí)的標(biāo)注崗位或許會(huì)保持短期增長(zhǎng)，然后在峰值之后緩慢下降，最終穩(wěn)定在極小的比例。

或許是5%。

也可能只有1%。

木已成舟，不如乘興而去

人工智能的發(fā)展正在創(chuàng)造新的經(jīng)濟(jì)神話，但這種價(jià)值增長(zhǎng)并不總是與人類(lèi)勞動(dòng)生產(chǎn)同步。人類(lèi)的時(shí)間與勞動(dòng)力仍然處于這場(chǎng)價(jià)值循環(huán)的底層，而掌握生產(chǎn)資料的資本則不斷擴(kuò)大其控制范圍，躍躍欲試地計(jì)劃收割一切。

題注中關(guān)于“AI解放資本而非人類(lèi)”的判斷極具沖擊力，這一技術(shù)決定論觀點(diǎn)調(diào)動(dòng)了人們對(duì)于技術(shù)最原始的恐懼。

在AI時(shí)代，普通人的焦慮被不斷放大。我們都清楚“Something Big Is Happening”，卻不知自己該如何應(yīng)對(duì)。

但不要忘記，盡管資本極力將AI描述為一種脫離于人類(lèi)的，近乎神的創(chuàng)造，但AI看似獨(dú)立的進(jìn)化過(guò)程仍然建立在人類(lèi)認(rèn)知?jiǎng)趧?dòng)之上。

AI并沒(méi)有消滅人類(lèi)勞動(dòng)，而是將勞動(dòng)推入更加隱蔽、更具控制力的形態(tài)。而這種被精心隱蔽的人類(lèi)勞動(dòng)，最終凝結(jié)為科技公司不斷兜售的AI品味。

然而，品味從來(lái)不僅來(lái)自理性規(guī)則，也來(lái)自人類(lèi)的直覺(jué)與欲望。AI或許可以模擬邏輯，卻很難復(fù)制這種細(xì)微復(fù)雜的生命經(jīng)驗(yàn)。邏輯可以被設(shè)定和優(yōu)化，而欲望充滿(mǎn)了非理性、矛盾與生命力。

每隔十年，總會(huì)有一批年輕人站在新的技術(shù)風(fēng)口上。十年之后，有些人會(huì)被認(rèn)為抓住了機(jī)會(huì)，也有人被認(rèn)為錯(cuò)過(guò)了時(shí)代。

但很多時(shí)候，人們甚至沒(méi)有時(shí)間思考，自己為什么要站在那個(gè)風(fēng)口上。

不要被張牙舞爪的技術(shù)決定論嚇倒。

專(zhuān)注你的呼吸，想想你的欲望。

欲望不過(guò)是人類(lèi)的起點(diǎn)，卻可能是AI難以抵達(dá)的終點(diǎn)。

既然木已成舟，不如乘興而去，以求順勢(shì)而歸。

注釋?zhuān)?/strong>

[1]原文是“ A second, yet more disquieting Landian point, is that this mutual embedment of capital and AI leads not to human emancipation from capitalism, but, on the contrary, to capital’s emancipation from the human: a capital that no longer needs homo sapiens; human extinction.”，為尼克·戴亞-威澤夫特等人對(duì)尼克·蘭德觀點(diǎn)的總結(jié)性評(píng)論。

參考資料：

Altenried, M. (2022). The digital factory: The human labor of automation. In The Digital Factory. University of Chicago Press.

Aaron Zamost. (2026, March 4). I Worked for Block. Its A.I. Job Cuts Aren’t What They Seem. The New York Times. https://www.nytimes.com/2026/03/04/opinion/block-jack-dorsey-layoffs-ai.html

Dyer-Witheford, N., Kj?sen, A. M., & Steinhoff, J. (2019). Inhuman power: Artificial intelligence and the future of capitalism. Pluto Books.

哈里·布雷弗曼 (1979). 勞動(dòng)與壟斷資本：二十世紀(jì)中勞動(dòng)的退化 (方生等譯). 北京：商務(wù)印書(shū)館.

胡萬(wàn)亨. (2021). 當(dāng)卡爾·馬克思遇見(jiàn)人工智能：《非人的力量：人工智能與資本主義的未來(lái)》評(píng)介. 科學(xué)與社會(huì), 11(2), 123–137.

Isaac, M., & Metz, C. (2025, June 12). Meta invests $14.3 billion in Scale AI. The New York Times. https://www.nytimes.com/2025/06/12/technology/meta-scale-ai.html

Lenny's Podcast (2025, September 15). Why experts writing AI evals is creating the fastest-growing companies in history | Brendan Foody [Video]. YouTube. https://www.youtube.com/watch?v=ja6fWTDPQl4&t=680s

Lenny's Podcast (2025, December 7). The $1B Al company training ChatGPT, Claude & Gemini on the path to responsible AGI | Edwin Chen [Video]. YouTube. https://www.youtube.com/watch?v=dduQeaqmpnI&t=108s

Liu, T., Matsuda, T., & Burlacu, G. (2026, February 4). In-Demand Skills 2026: A market view of skills demand in an AI economy. Upwork. https://www.upwork.com/research/in-demand-skills-2026

PrajnaAI. (2025, August 18). RLAIF vs RLHF: What's the difference and why it matters. Medium. https://prajnaaiwisdom.medium.com/rlaif-vs-rlhf-whats-the-difference-and-why-it-matters-8e515aa374b6

中國(guó)信通院.(2025,08).數(shù)據(jù)標(biāo)注產(chǎn)業(yè)發(fā)展研究報(bào)告（2025年）.中國(guó)信通院.https://www.caict.ac.cn/kxyj/qwfb/ztbg/202508/t20250829_691214.htm