給AI打工也分三六九等？只招985，專業不對口免談

屏幕兩端，是同一個AI產業里兩個截然不同的世界。一邊是上千元一單的“知識輸出”，一邊是五毛錢一張的“機械點擊”。

在AI技術狂飆的今天，你可能聽說過一個聽起來很前沿的職業——“人工智能訓練師”。這究竟是怎樣一份工作？是教AI說話、思考的人類導師，還是高科技流水線上的新型“螺絲工”？

答案可能讓你意外：兩者都是。這個行業內部正在發生一場劇烈的分裂，普通人以為的“數據標注”，其實已經有了天壤之別。有人坐在圖書館里，花兩三個小時深度思考一個專業問題，就能入賬上千元；也有人坐在工位上，盯著屏幕重復點擊上萬次，日薪卻難破兩百。

這場悄然發生在AI產業鏈條上的“價值割裂”，正在重塑我們對數字時代勞動的認知。

01 一條街之隔的“AI雙城記”

在黃土高原上的宜君縣，阿娟每天的工作是給店鋪門頭圖片打標簽：曝光過度不能用，店名虛化不能用……這些被“調教”過的圖片，會成為AI學習識別的教材。工作熟練后，她十幾秒就能處理一張，一天能完成近兩千張。這份工作按件計酬，圖片的報酬通常在0.2元至0.4元之間，日收入很難突破200元。在她身邊，同事大多是縣城里的孩子母親或剛畢業的中專生。

而在城市的另一端，985高校的博士生、三甲醫院的醫生或資深律師，則接到了一種截然不同的任務。他們可能需要花費數小時，精心打磨一段關于“貨幣政策傳導機制”的深度解析，或者評估一個AI生成的醫療建議是否存在倫理問題。完成后，賬戶里輕松入賬600、800甚至1000元。他們時間自由，可以挑選感興趣的任務，甚至會被邀請參與高階項目評審。

阿娟們支撐著AI“認識世界”的基礎，而城市里的博士們則在塑造AI如何“思考世界”。同是為AI提供“養料”，勞動的形態和價值卻出現了驚人的分野。

02 從“體力活”到“腦力活”：AI訓練的分水嶺

早期AI的“學習”非常原始，像牙牙學語的嬰兒，需要人類手把手地教它辨認萬物。因此，需要的是海量的、標準化的基礎標注工作。招聘要求常常只有一條：“會用電腦即可”。

但自從ChatGPT橫空出世，AI學會了“舉一反三”，行業邏輯徹底變了。現在的頂尖大模型，不缺通識知識，缺的是在專業領域的深度、可靠性和符合人類價值觀的判斷力。大模型公司從“卷參數、卷算力”轉向了“卷落地、卷應用”，高質量的專業數據成了核心競爭力。

于是，需求升級了。AI不再需要知道“這是什么”的答案，而需要知道“為什么是這個答案”以及“如何優雅、無偏見地給出這個答案”的思維過程。任務變成了評估回答是否中立、改寫有誤導性的建議、甚至設計復雜的邏輯推理鏈。這種工作，顯然不是靠點擊速度和數量就能完成的。

03 隱形的高墻：名校學歷與知識壁壘

需求的變化，筑起了一道高高的職業門檻。打開主流招聘軟件，你會看到“自然語言處理標注工程師”等職位明確寫著：“985、211、雙一流院校學生優先考慮”，專業則限定在漢語言、物理數學、英語（專八）、法律等。即便是“AI訓練師”這類看似基礎的外包崗位，也傾向于招聘計算機、語言學或醫學類相關專業的專科以上學歷者。

平臺或許不會明寫“僅限名校”，但在實際操作中，面對蜂擁而至的申請者，名校背景和碩博學歷成了最高效的篩選器。一位從業者觀察發現，目前大廠招聘AI數據專家的學歷要求大多為碩士研究生，且需要在醫療、法律等特定領域有所積累。

這堵墻不僅攔在入職前，更攔在工作過程中。一位擁有多年科研經驗的博士，曾在試標階段被拒絕，理由是回答“過于學術，缺乏教學引導性”。這意味著，光有知識還不夠，還必須具備將專業知識“翻譯”成AI可學習、可模仿的思維范式的能力。

04 “新腦力無產者”：高薪背后的不穩定現實

月薪兩三萬，聽起來很美。一些從事多模態對齊、知識圖譜構建的高端標注師確實能達到這個水平。但高報酬對應的是嚴苛的門檻和不穩定的本質。

首先，這是一份典型的“零工”。從業者多以“靈活用工”“項目外包”形式存在，沒有勞動合同，沒有晉升通道。一位985碩士蘇打在嘗試了一份大廠數據標注兼職后，果斷放棄了。她發現這是一份“純燒腦的體力勞動”，需要全神貫注記憶和理解不斷變動的評分標準，但時薪算下來只有30到60元。她感覺自己在“答沒有標準答案的試卷”，無法通過努力提升“正確率”。

其次，技能難以積累和遷移。今天你在判斷政治偏見，明天任務可能變成校準醫療術語。這些碎片化的任務難以整合成可持續的職業資本。更殘酷的是，一旦AI從你的反饋中學會了某種模式，這類任務很快就會消失。你教會了AI，也就“消滅”了自己的工作。

行業觀察者用“金字塔”來比喻AI從業者：塔底是標注，腰部是應用，塔尖才是基礎模型設計。“背景決定一切”，從塔底一層層向上突破幾乎不可能。

05 網友熱議：是機會還是陷阱？

對于這種新型的“知識零工”，網友們的看法也兩極分化。

支持者認為，這給了高學歷人才一個變現知識、接觸前沿的靈活渠道。“能用自己的專業知識賺錢，時間還自由，這不比擠地鐵上班強？”一位網友評論道。也有人認為這是市場的自然選擇：“教AI做小學數學和教AI寫法律文書，價值當然不一樣，報酬有差距很正常。”

但更多的聲音充滿了警惕和自嘲。“這不就是新時代的‘腦力搬磚’嗎？只不過磚頭從水泥變成了知識。”一位網友寫道。更多人擔憂其加劇社會不平等：“以前說知識改變命運，現在是‘頂級知識’才能改變命運。普通大學生連給AI打工都要被卷出去了。”

06 進化永不停歇：誰會被留在原地？

AI的進化，本身就是一個不斷將人類勞動“分層”和“淘汰”的過程。五年前，沒人知道“提示工程師”是什么；今天，“倫理對齊專員”已成為熱詞。但同時，舊的崗位也在飛速消失。

最基層的、重復性的標注工作，正被AI自己取代。在一些成熟的文本模型中，模型合成數據已替代了80%的人工標注。特斯拉、蘋果等公司，也因自動標注能力的提升而裁撤過相關團隊。曾經讓阿娟感到有成就感的寵物鼻紋標注項目，未來完全可能由更精準的AI工具一鍵完成。

那么，今天這些時薪上千的“AI導師”就安全嗎？也未必。他們的工作本質上是在喂養一個學習能力遠超人類的“學生”。今天被視為需要專家審閱的復雜邏輯，明天可能就成了AI的基礎能力。

07 結語：跨越數字鴻溝，需要的不只是努力

數據標注行業的劇變，是一面鏡子，映照出智能時代殘酷的“馬太效應”：高價值思維被加倍犒賞，低端重復勞動被加速拋棄。

對于個體而言，這警示我們，單純“努力”已經不夠。必須構建深度、系統且可遷移的專業能力，并時刻保持學習，才能跟上AI迭代的步伐。就像從設計行業轉型做數據標注的廖仔，他之所以能月薪過萬，正得益于下班后堅持學習AI知識、主動適應變化的主動性。

對于社會而言，則需要思考如何幫助更多的“阿娟”們跨越這道數字鴻溝。當AI將勞動市場撕裂成“五毛”與“一千”的兩個世界時，確保技術進步的紅利能被更廣泛地分享，或許比歡呼又一個“高薪新職業”的誕生更為重要。

畢竟，技術革命的終點，不應是筑起更高的墻，而是點亮更多的燈。