時薪千元挖大廠前員工教會AI后一腳踹開，「多少數據公司正在把高級牛馬當飼料榨乾」
從諮詢公司普華永道離職后，邵逸凡收到了一封看起來幾乎完美的兼職工作邀請郵件，時薪高達120美元，居家辦公，時間自由。
工作內容是「給AI出題」——但不是為了讓它答對，而是為了讓它答錯，然後再手把手教會它，如何像年薪百萬的「高級牛馬」們一樣做諮詢。
高時薪、高自由度，這幾乎是無數打工人夢寐以求的「神仙工作」。
可邵逸凡卻給出了一個截然相反的評價：「在喂AI數據的時候，我不是牛馬，我是牛馬飼料。」
問題到底出在了哪裡？
邵逸凡很快發現，要想真正難倒AI，光靠編數據是遠遠不夠的。你不能抄襲，也不能使用網上的公開案例，這一切都在暗示著，你必須把自己真正做過的項目餵給它。平台甚至會直接詢問：「你是否願意在抹掉客戶信息的情況下，提供你以前做過的項目報告和模型？」但這些項目資料，是她和團隊夥伴一起熬了好幾個月完成的，又是客戶花了幾百萬買斷的。
最關鍵的是，看似體面的時薪，更像是一筆對你過往經驗和知識的「一次性買斷費」。她注意到，過往參与的數據標註項目，剛開始接活時任務不斷，但一旦連續工作十幾個小時，任務就會突然消失，「AI管你要的是無窮無盡的經驗，等你自己的經驗枯竭了，它就不會再給你分配新任務了」。
換句話說，如今的AI像一個不停哭鬧著要吃奶的嬰孩，但當它從一個人身上榨乾了所有知識和經驗，就會立刻轉身，去找下一個人。
因此她說：「在喂AI數據的時候，我不是牛馬，我是牛馬飼料。AI把這些飼料全部吃完以後，變成一個更強大、更加不知疲倦的牛馬，然後取代我。」
意識到這一點后，邵逸凡拒絕了這份工作，但評論區卻說，「最可怕的是，只要錢給到位，你不幹，總會有人干」。
打工人目前的情況相當於「被騙了還要幫人數錢」，被AI取代不是最悲慘的，最悲慘的是燃燒了自己的職業生涯，把AI喂得膘肥體壯，然後再被AI無情地一腳踹開。
如今人們逐漸認識到，AI之所以能從詩詞歌賦聊到人生哲學，從寫代碼到模擬戀愛樣樣在行，並非天生全能，而是一路被人「教」出來的。
這些「老師」有一個聽起來相當高級的名字：人工智慧訓練師。
自2020年2月起，「人工智慧訓練師」被正式納入國家職業分類目錄，其中一項基礎但不可或缺的工作，正是「數據標註」。有報告指出，未來五年，中國數據標註領域的人才缺口可能高達百萬。
所謂的數據標註，是對文本、圖像、音頻等原始數據進行分類、標記和註釋，把人類世界里那些模糊、曖昧、只可意會的經驗，一點點拆解成機器能夠理解的結構和邏輯。最簡單的例子，就像識別驗證碼那樣，教會AI分辨圖片中是貓是狗還是摩托車。
不過，普通人從啟蒙讀到大學，通常要十八年；AI從「啥都不懂」到能寫論文、做諮詢、當情感顧問，可能只要短短一年。
隨之水漲船高的，還有對「老師」的要求——從早期的「會上網就行」，已經進化到了「985碩士以上，具備金融、醫學、法律等專業背景」。
「以前總開玩笑說，被裁了就去干數據標註；現在發現，可能連標註的門檻都夠不上了。」
如今的門檻究竟卷到了什麼地步？在某個標價100-400元/小時的「模型專家項目」招聘介紹中，要求幾乎媲美大廠社招，卡985碩士的學歷，卡高壁壘的專業背景，還卡2年以上的工作經驗。
一位負責多家頭部企業標註人員招聘的HR也證實，近兩年，標註崗位招聘要求不斷提高。早期，多數崗位只要求高中或專科學歷，不限經驗，上手就能做；而到了今年，本科及以上學歷的候選人佔比已超過一半。通用類標註開始要求經驗，垂直領域普遍要求專業背景，部分崗位還需要通過專業筆試。
競爭也在日益加劇，目前的招聘通過率，大約僅為二進一。
為了搞清楚入行要經歷怎樣的篩選，氫商業編輯在一款眾包標註平台註冊了賬號。正式接單之前，需要上傳完整簡歷、選擇細分專業方向，並通過對應領域的專業知識測試。
以媒體方向為例，准入考試的難度，幾乎可以對標高考語文。
在這裏，你既是考生，也是老師。一小時的時間里，得完成約20道題，不能使用AI輔助，不能複製粘貼，只能純靠手打，節奏相當緊湊。
考試分為兩個部分。第一部分，是當閱卷老師：在同一道問題下，對比兩個模型給出的回答，判斷哪個更好，並說清楚原因。評判遠不止於簡單的字詞搭配，更要像批改高考作文那樣，看它是否文體得當、立意準確、邏輯通暢。
第二部分，是當出題老師：需要原創一道開放式難題，明確要求「難度超過國內模型當前水平」。和前文邵逸凡提到的工作內容類似，出題的目的就是難倒AI，也就是說，在百分制情況下，它只能拿到不足40分，比常見的60分及格線還要嚴苛。
出題人不僅要寫出參考答案或詳細考點，還要把這道題分別投餵給作為測試組和對照組的兩個大語言模型，對它們的回答進行打分、對比優劣，並像一位耐心的一對二輔導老師那樣，教會它們「為啥錯、錯在哪」。
在整個過程中，平台反覆強調一個詞「真實」，要求真實問題、真實情景、真實需求、真實經驗。
因為真實數據，始終都是最稀缺、也最昂貴的資源。鏡相工作室報道曾指出，只有不斷積累來自真實世界的問題和反饋，模型才能持續進化，而專家型AI訓練師，就是獲取這類數據的一條「捷徑」。
為此，OpenAI曾向醫學、法律、語言學、計算機、物理學等領域的至少300名專家「取經」，報酬為每小時100美元，每個問題平均要花上兩小時。
從成本角度看，這其實是一筆非常划算的買賣。一名高學歷、具備實務經驗的專家型標註員，其人力成本，往往遠低於模型出錯所帶來的代價：自動駕駛中一個漏標的行人，可能讓耗資數千萬的百萬公里路測功虧一簣；法律合同中的一個理解偏差，就可能引發上億的訴訟風險。
更重要的是整體效率的提升，花兩倍的價錢雇一個人，就能讓他干四個人的活。比如，醫學博士對CT影像的判讀效率和準確性遠超普通標註員，還能反過來優化數據採集與標註標準體系。
標註工作本身也在升級。它不再只是分類、畫框，而是逐步走向邏輯推理、價值判斷和創造性示範。最基礎的接近於判斷題，評估模型的回答是否正確、完整、符合邏輯；更進一步的是修改題，指出問題所在，並提供更優答案；最高級的是示範課，完整呈現一個人類專家如何拆解問題、權衡利弊，並最終做出決策的全過程。
在國內，大廠們也在走相似的路徑：通過搭建專家型社區，構建更真實、更可靠的數據集。阿里推出了曉天睿士、騰訊推出了AI Expert，位元組推出了Xpert，紛紛打出「專家標註，驅動AI進化」的旗號。
高薪，是上述平台最直接的吸引力。比如，阿里曉天睿士宣稱時薪可達千元，幾乎抵上普通白領的日薪。不過，下限是50元，還有一行小字「一切以最終項目定價為準」。
不只是兼職，正式員工的薪資也相當可觀。據財經天下統計，位元組跳動給AI訓練崗開出了月薪2-4萬元、15薪的待遇，小紅書也對「AI標註產品」崗開出了2-4萬元、16薪的標準。
一時間，社交媒體上，許多求職博主紛紛號召「這波秋招/春招，文科生請大胆投AI」，與此同時，各類AI訓練師速成培訓班也應運而生。
AI熱下人人都想分一杯羹，數據標註被描繪為最低門檻、最快入門的工作，成為許多文科生試圖轉行AI的跳板。
最常被提及的例子，是小紅書和復旦大學合作的「AI人文訓練營」，和哲學、社會學等人文學科背景的高校學子一起搞實驗，希望讓模型更有「人味」，更懂「同理心」，隨後小紅書也宣布錄用了一名復旦哲學博士。
「月薪三萬，文科友好，但這一切真的像聽上去那麼『自由而有用』嗎？」
「數據標註不值得。」
一邊是培訓班、訓練營、專家招募如火如荼，一邊是從業者避雷勸退勸得大張旗鼓。
太多的Dirty work，是它被避雷的首要原因。
在宣傳里，AI訓練師的工作往往被描述得很動人：你不是在打雜，而是在教機器理解人類。但落到現實里，它依舊是一條高度工業化的數據流水線。
來自復旦大學的小亞告訴Vista看天下，當用戶說「我失戀了，想去旅行」時，未經訓練的AI往往只會甩出交通路線和門票價格，像個不開竅的「直男」。而AI人文訓練師要做的，是教AI像閨蜜一樣，先大罵「渣男」，並安撫情緒說「我理解你的難過」，然後給用戶推薦可以容她大哭一場的海邊，而不是人擠人的網紅景點。聽起來很高級，但執行起來極其消耗。在工作的7個小時里，她要給AI下50-100條指令，每條往往要反覆生成六七次，才能勉強選出一個「像人說的」。
圖源：公眾號@復旦大學
這種挫敗感也源於產業鏈中的弱勢地位。據鏡相工作室報道，985碩士劉到閑正在大廠擔任AI訓練師，自嘲自己更像個「包工頭」，主要就是承接上游演算法和產品團隊的需求，然後負責交付，「沒有那麼強的主動性，工作內容也不是特別有創造性」。更憋屈的是，當數據質量本身有問題時，她的專業判斷常被忽視，反而要替模型效果背鍋，「合作的產研團隊，可能因為你處於下游，就表現得高高在上」。
錢，可能也沒有想象的那麼多。
在真正拿到標註兼職之前，很多人先經歷的，是一輪又一輪免費的試標。申請時，你可能要開攝像頭、開麥克風，花掉半天時間，只是為了爭取一個「可能的機會」。於是，一個看起來像正經招聘的流程，實際可能是一場低成本的數據採集。
真正拿到offer的人並不多，而被騙稿、被扣錢、被以「質量不達標」等模糊理由拒付報酬的經歷，卻在圈內頻頻發生。
即便順利上崗、遠程辦公，工作體驗也談不上輕鬆。工作界面通常自帶計時器，實時監測你的屏幕狀態：一段時間沒有操作，就會自動暫停甚至報錯。想去倒杯咖啡、上個廁所、刷一下微博，都得先手動點「暫停」——帶薪摸魚，在這裏幾乎不存在。
不同項目的報價差異極大，上限和下限之間往往隔著一兩個數量級。公開招聘信息顯示，基礎兼職的日薪多在百元到幾百元之間；即便是正式崗位，月薪水平也低於同級別的技術崗、產品崗和運營崗。
問題並不在於數據標註不重要，而在於它缺乏技術壁壘。每一條數據，都像玩偶身上的一針一線，很難被單獨識別其價值。在這條高度標準化的生產線上，大量重複勞動難以沉澱為不可替代的能力，從業者的議價空間也就被不斷壓縮。
真正讓人不安的，是職業前景。AI訓練師們一邊工作，一邊懷揣著「教會徒弟，餓死老師」的不安，擔心自己不過是AI進化路上的一次性耗材。
更殘酷的是，訓練師們親手訓練的「替代者」的確正在逐步上場。訓練師Jackson告訴定焦，在一些成熟的文本模型中，由AI合成的數據已經替代了80%的人工標註。
這種不安並非杞人憂天，行業在向上狂奔的同時，也在冷靜而迅速地清退早期的「基建者」。過去，媒體常常報道數據標註如何為農村婦女、殘障人士等群體帶來新的就業機會；但如今，這些最基礎、也最脆弱的崗位，正在悄然消失。據冷杉報道，在貴州某帶有扶貧性質的數據基地中，為了提高訂單的效率，原本擔任標註主力的「媽媽工人」的比例被要求降到25%以下。
與此同時，AI數據公司的商業模式，正在進一步放大這一職業的脆弱性。
2024 年以來，隨著大模型逐漸走過「堆量訓練」階段，數據標註的邊際收益開始明顯遞減。
高端標註成為行業矚目的重點，但這門生意麵向的客戶群體極其狹窄，幾乎只圍繞著那幾家頭部大模型公司轉，一旦客戶更換供應商，或乾脆選擇自建團隊，訂單就會迅速縮水。更現實的是，這個行業幾乎沒有真正的護城河：業務高度同質化，需求零散且不斷變化，過去積累的人力和經驗很難在新項目中復用，標註員流失率始終居高不下。
但沒有門檻的另一面，是「誰都能入場」。只要接下一小部分需求，新玩家就有機會站上牌桌，也正因如此，依舊有不少年輕的數據標註公司在締結新的財富神話。
2025年6月，Meta創始人扎克伯格豪擲143億美元收購數據標註公司Scale AI，28歲的創始人Alexander Wang一夜之間躋身百億富豪之列；給邵逸凡發來工作郵件的Mercor，估值同樣高達百億美元，其創始人Brendan Foody今年才23歲。
Brendan曾直白地解釋過這門生意的底層邏輯：傳統行業的大公司並不願意把數據直接交給AI公司，用來自動化自己的核心工作，用低成本的AI取代高薪諮詢人才。
於是，他高薪吸引這些大企業的「前員工」，把他們身上的經驗與判斷，一點點榨乾，訓練AI。他相信，任何企業都無法拒絕一個又專業又便宜又孜孜不倦的AI牛馬。在他的設想中，未來的ChatGPT將勝過最好的諮詢公司，超過地球上所有最頂級的投行和律所。
而在Mercor官網，印著一行醒目的口號——「塑造未來的工作（Shape the future of work）」。
這場關於「未來工作」的重塑，正在不可逆地進行中。問題在於，在這套新體系裡，人類究竟被視為長期合作者，還是一次性耗材？
至少在此刻，在點擊「提交答案」的那一刻，人類仍然是那個需要為判斷負責的一方。只是，沒有人能確定，這個位置還能維持多久。
*以上內容系網友AllaboutAUS自行轉載自Vista氫商業，該文僅代表原作者觀點和態度。本站系信息發布平台，僅提供信息存儲空間服務，不代表贊同其觀點和對其真實性負責。如果對文章或圖片/視頻版權有異議，請郵件至我們反饋，平台將會及時處理。