“有多少人工，就有多少智能”：AI品味背后的數據標注勞動

人工智能與資本的相互嵌合不是要把人類從資本主義當中解放出來，恰恰相反，它是要把資本從人類那里解放出來：資本不再需要人類，人類可以絕跡了。[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》

美國當地時間2026年2月26日，Twitter創始人Jack Dorsey創辦的金融科技公司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，其股價在隨后的交易日內上漲超過20%。

Block將此次裁員描述為一次由人工智能驅動的組織重構。表面上看，這似乎是AI技術成熟后的自然替代。但正如《紐約時報》評論的那樣，這場激進裁員更像是一種以終為始的生存策略。

當資本市場因AI沖擊開始系統性下調傳統軟件公司的估值時，企業被迫向投資者證明其已經搭上人工智能的列車。裁員成了強制推動AI化的手段。通過將10人的團隊縮減至1人，留下的員工被迫在過載的工作中依賴AI。企業是否真的掌握了技術能力并不重要，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，工作人員在進行數據標注。 中新社記者 張遠 攝

一個牽動人心的敘事正在形成，AI已經帶來新一輪的勞動力結構轉型，而資本在其中推波助瀾：資本不再需要人類，人類可以絕跡了。

但如果把視線從裁員新聞移開，另一幅截然不同的圖景正在出現。人工智能產業本身，正在以前所未有的速度吸納人類勞動者。

自由職業平臺Upwork發布的報告顯示，2025年全年，明確提及人工智能技能的崗位數量同比增長109%。其中增長最快的，并不是算法工程師，而是將AI嵌入既有工作流程的崗位。最典型的是數據標注，這一長期隱藏在AI系統背后的勞動需求，崗位數量在一年內增長了154%。

資本也在迅速押注這一領域。2025年6月，Meta宣布以143億美元收購數據標注公司Scale AI 49%的股權，這筆交易瞬間點燃了硅谷對數據標注賽道的投資熱情。隨后數月，行業融資消息頻傳：7月，成立于2020年，此前堅持獨立運作的Surge AI開啟首輪10億美元的融資，估值達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，數據標注行業的科技新貴們手持數億美金，坐上了硅谷的熱門席位。數據標注從AI訓練的幕后支撐，一躍成為最熱門的投資領域之一。

字節跳動、阿里巴巴、騰訊等國內大型科技公司也紛紛下場搭建自有數據標注平臺，為下一輪AI競爭儲備數據資源。

在這場混戰背后，一系列很少被討論的問題正在浮現。當人工智能被描述為取代人類勞動的技術時，大量新的勞動卻正在被創造出來。這些勞動由誰完成？它們如何被組織？又會在技術演進中走向何處？

在AI數據標注平臺上，一種新的勞動秩序正在形成。而它的運行方式，或許并不陌生。

從縣城寶媽到985碩博生，數據標注行業的“爬坡”與“分流”

標注員的學歷爬坡

隨著模型能力的演進，人工智能訓練所需的數據正在發生變化。需求正在從低門檻、標準化的標注任務，轉向更高專業度和更深層推理能力的數據生產。這一變化首先體現在勞動力結構上。

早在2023年，像Scale AI這類依賴低薪眾包工人的數據供應商就已經開始轉型。他們不再向東南亞、非洲等地區的外包工人投遞時薪1—3美元的簡單標注任務，而是以每小時30—40美元的價格在全球范圍內招募行業專家。Scale AI旗下，曾因壓榨勞工問題飽受爭議的平臺Remotasks也更名為Outlier AI，試圖以新的組織方式延續數據標注神話。

無獨有偶，2024年年中，Mercor開出了50-200美元的時薪招募金融與STEM領域的專家，正式宣告公司從AI驅動的招聘平臺轉型為數據標注市場的重要競爭者。在去年9月的訪談中，Mercor創始人Brendan Foody透露該平臺時薪的中位數是95美元，最高可以達到500 美元，“傳統眾包平臺平均只付30美元/小時，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、FAANG 工程師”。這位年輕人頗具挑釁意味的比較，也折射出行業對于高端認知技能的渴望。

與海外平臺轟轟烈烈的搶人大戰相比，中國公眾最早接觸到的數據標注員卻是另一種形象。2023年，一篇關于“縣城寶媽成為AI數據標注員”的報道讓大眾首次窺見AI產業背后的隱形勞動。計件薪酬、10—30元時薪、職校或大專學歷，這些標簽構成了公眾對這一行業的最初印象。

兩年之后，這種印象迅速發生變化。2025年2月，AI公司 DeepSeek 發布的“AGI數據百曉生”招聘信息顯示，數據標注崗位的月薪為1.5萬至3萬元，實習生日薪500元以上。學歷要求則明確寫明本科起步，碩博優先。薪資與門檻的提升，再次引發了公眾對數據標注行業的關注。

受訪者林逸（化名）講述了她在2020年與2024年兩次嘗試加入數據標注行業的經歷，直接反映了數據標注行業對從業者能力要求的轉變。

2020年，出于對人工智能產業的好奇，我投遞了國內某大型物流集團的數據標注崗位。兩天后，我收到了HR的電話，她告訴我，這個崗位的主要任務是對道路圖像進行拉框和打標，我的學歷與經驗完全超出了這項崗位的需要，建議我投別的。2024年年初，我又投遞了當時大爆的AI公司，想要通過數據標注的崗位進入行業再尋求轉型。同樣的數據標注崗位，我需要先做一輪筆試，筆試內容是給AI出題。我花了一點時間，努力發揮我的想象力去完成，但最終沒有通過。

林逸的兩次求職經歷，恰好構成了行業轉型的時間切片。從“學歷過高”到“筆試未通過”，數據標注崗位正在經歷明顯的學歷爬坡與要求提升。

標注任務的模式分流

林逸的個體經歷，實際上也是中國數據標注行業在過去十年發展的縮影。

在2015—2024年間，中國的數據標注產業大體形成兩類主要玩家。一類是深耕數據產業多年的第三方數據標注公司，例如海天瑞聲、云測數據、澳鵬Appen、龍貓數據等。這類公司主要服務智能駕駛和醫療等垂直領域的客戶，處理視覺、音頻數據。縣城寶媽們收到任務均為此類，核心工作內容是給圖像拉框打標，門檻較低。

另一類則是科技公司的內部標注團隊，例如深度求索（Deepseek）、月之暗面（Kimi）等。由于核心數據涉及商業機密，這些公司通常需要自建標注團隊。標注員們的主要任務是通過出題的方式對模型進行強化學習，擴展模型邊界。因此對標注員的知識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。字節跳動“Xpert”、阿里巴巴“曉天睿士”和騰訊“Qlabel(企鵝標注)”等數據標注平臺開始大規模通過中介公司與官方渠道招募高學歷的數據標注員，試圖通過眾包平臺模式加速數據標注行業的人才升級。這些崗位時薪通常在150—500元之間，支持遠程參與，迅速在社交媒體上吸引了大量數字游民和高學歷求職者。

與早期的數據標注不同，這些平臺的任務更接近一種“認知勞動”。標注員需要像老師一樣教導AI。不僅要基于真實場景設定考題，還要撰寫清晰的解題思路、考點和評分標準，最后再根據標準對AI生成的內容進行評估。其工作流程類似“出卷-批卷-評分”，核心并非簡單的數據標記，而是對思考過程的結構化表達。

從拉框打標，出題，到梳理工作流。從縣域寶媽、職校生，到本科生，再到985碩博和實戰經驗豐富的行業專家。數據標注行業正在經歷接續不斷的任務“分流”與學歷“爬坡”，這背后反映了大模型訓練需求與數據標注核心思路的轉變。

技術范式創新

早期大模型訓練大多依賴人類反饋來引導學習過程，主要有兩種訓練模式。

第一種是監督微調（SFT），核心是模仿學習。模型通過大量“標準答案”數據進行訓練，直接學習從輸入到正確輸出的映射。拉框打標就是在為模型提供標準答案。第二種是強化學習（RL），核心是試錯優化。標注員向模型提供開放性或較為刁鉆的問題，然后在模型生成的幾個示例中選出最優結果，模型收到反饋后再自主探索解題策略。

近年來，行業正普遍轉向來自AI反饋的強化學習（RLAIF），以減少對人類反饋的依賴。

Xpert、曉天睿士和Qlabel等數據標注平臺采用的便是這種訓練方式。數據標注員需要為特定場景定義某種成功標準，為標準確定不同的重要性程度，并提供可衡量的方式來判斷模型是否達到了標準。舉例來說，在文本創作領域，成功的標準可能包含任務理解、場景匹配等。而任務理解這一標準的可衡量方式可能包含文本是否滿足顯性的主題要求或隱含的寫作意圖。

這種訓練方式本質是讓模型學會人類的思考過程和判斷標準。不僅能夠高效評估模型，還能夠反哺提升模型能力，最終實現自我訓練。

從監督微調（SFT）到強化學習（RL），再到AI反饋的強化學習（RLAIF），大模型訓練思路不斷演進。AI系統的目標也從通過標準測試，轉向能夠自主完成復雜任務并直接創造經濟價值。正因如此，數據標注工作也從簡單的數據處理，逐漸轉向對認知過程的結構化表達。這要求標注員不僅掌握基礎專業知識，還必須具備抽象思維與問題拆解能力。這是如今各平臺日益傾向于招募大量高學歷及專業人士擔任數據標注工作的根本原因。

當標注任務從簡單的拉框打標，演進為需要抽象思維與場景化判斷的認知勞動時，平臺如何組織、控制與評估這類高度專業化的勞動，成為更關鍵的問題。在采用 RLAIF 模式的平臺中，勞動控制機制往往也隨著任務升級而變得更為精細和系統化。這些規范不僅關系到標注效率與數據質量，更深刻影響著標注員的工作體驗與職業認同。

控制、協商、同意與抵抗：高薪靈工并不“靈”

在平臺的宣傳話語中，數據標注崗位是“高薪靈工”的典型代表。標注員的時薪為150-500元左右，遠程工作，自由接單。人們不再像過去那樣擠在一個擺滿了電腦的辦公室之中，而是分散在世界各地，并在任意時間登錄平臺開始工作。

但這種靈活性往往只是表象。

工作時間、空間與任務控制并沒有消失，而是被新的技術邏輯重新組織。數字平臺成為新的工作場所，勞動分工、工序、條件與技能都被嵌入技術設計之中。

一種熟悉的管理邏輯正在回歸。20世紀初，泰勒主義通過拆分任務和計量時間來提高工廠效率。今天，算法和平臺系統正在以更精細的方式完成同樣的事情。數字泰勒主義的幽靈，在平臺勞動中再次浮現。

為了理解這一勞動體系，2025年10月至2026年1月期間，筆者對多個數據標注平臺進行了參與式觀察，其間注冊了國內外多家平臺賬號，并根據自身背景選擇不同專業方向，參與了多種類型的標注項目。

在不違反保密協議的前提下，下文將從行業常規的勞動過程切入，拆解分工與流程設計的內在邏輯，力求描繪AI數據標注平臺背后的勞動生態全貌。

自主性幻象：搶單焦慮與任務回收

數據標注的主流結算模式為計件制，即按照任務量結算薪酬。

在傳統模式下，標注員受雇于數據需求方或第三方數據標注公司，由雇傭方直接分配任務，任務量較為穩定持續。而在平臺模式中，項目通過平臺集中呈現，標注員根據自身經驗、時間報名。靈活性大幅提升的同時，任務量和薪酬的不穩定性也十分顯著。

任務并不是隨時都有，雖然有一些通用的項目，但大部分項目都要求應聘者具備非常具體的經驗，所以找到合適的并不容易。總體而言，人文社科崗位明顯少于理工科、法律和金融方向，某些平臺甚至直接限制專業申請，這讓我再一次真切感受到來自算法的學科歧視。

一旦出現合適任務，標注員往往需要第一時間上線“搶單”。平臺任務具有高度即時性，無法提前規劃。為了不錯過機會，標注員需要持續關注郵件、短信和協同辦公軟件的通知。但即便如此，也經常“手慢無”。

然而，搶到任務只是第一關。任務包一旦被領取，真正的游戲才剛剛開始。

盡管平臺宣稱人們可以在任意方便的時間完成標注任務，但實際上，如果不及時開始標注任務，平臺會在2-3天內強制釋放，之前為搶單付出的努力將化為烏有。

這是一種典型的勞動控制技術。平臺首先營造了一種任務稀缺性，讓勞動者預先投入時間、注意力、情感勞動去獲得任務資格。緊接著，通過限時的任務回收機制迫使勞動者盡快開工，將任務閑置與周轉成本轉嫁給標注員。

這種機制與外賣騎手的搶單邏輯類似，利用搶單的沉沒成本與任務回收的機制組合，平臺將“盡快完工”內化為勞動者自己的選擇。利用自主性幻象實現了無需現場監督和直接命令的勞動控制。

而一個更深遠的影響是，這套機制強化了數據標注“低門檻，可復制”的工作想象，敦促標注員在認知上完成了去技能化。個體勞動者的議價能力被進一步弱化，即便是擁有豐富領域知識與經驗的行業專家，也不過是平臺可替換、可調度的勞動資源。任務分配成為平臺控制的“前哨性設計”，預告了平臺對數據標注勞動過程的全面支配。

標準化生產：二元分工、SOP控制與勞動原子化

數據標注平臺的勞動分工相對簡單，主要由標注員與質檢員兩類角色構成。標注員負責執行標注任務，質檢員負責審核結果，形成了“生產—審核—修正”的責任鏈條。

二者的工作均依賴于平臺提供的標準作業程序文檔（Standard Operating Procedure，下文簡稱SOP）。平臺的項目經理與產品經理會為每個項目定制不同的SOP，涵蓋標注工序、標注規則、特殊情況處理等。標注員和質檢員必須嚴格遵循這些規范進行操作，其工作成果將直接與標準進行比對，并據此計算薪酬。

通過制定SOP，平臺將復雜任務拆分為標準化操作，使勞動過程高度去技能化。

我對SOP并不陌生。互聯網時代，人們早已習慣用標準流程來組織工作。但數據標注的SOP文檔沒有那么好理解，我常常需要反復閱讀三遍才能明白接下來要做的工作。有時我很懷疑這些文檔的撰寫過程，究竟是AI發力了，還是AI壓根沒參與。

盡管平臺在制定SOP時力求標準的客觀、清晰與詳細，但在實操中避免主觀性幾乎是不可能的。當規則解讀出現分歧時，最終解釋權往往掌握在質檢員與管理者手中，而返修帶來的時間成本與薪酬損失只能由標注員承擔。為降低返修與退回風險，標注員只能向質檢員與管理者的解讀靠攏，主動放棄自己的判斷。

如果說SOP決定了標注員如何工作，那么平臺溝通機制則決定了勞動者如何協作。

在傳統模式中，標注員與質檢員多通過即時通訊工具同步交流。不僅是圍繞返修意見的溝通，還包含對標準的多輪討論，有時甚至會有一些情感性表達。但在平臺模式中，溝通被限制在系統內的異步留言板中，二者僅在返修時可以對話。返修的次數有限，意味著溝通頻次和深度都在降低，這進一步阻斷了互助關系與集體經驗的形成。

作為標注員，平臺系統上條理清晰的意見讓我感到慶幸又無奈。我感激質檢員盡力用最短的話說清意見。大部分的質檢員都是從標注員中選取，他們明白標注員在面對大段修改意見時的崩潰，尤其返修花費的時間并不支付薪酬。

但是，平臺系統的異步溝通模式又讓我回歸書信時代，我不能在返修間隙和質檢員或者其他標注員來上一兩句吐槽。我和摸魚搭子的對話自由被平臺阻斷了，這種痛苦類似于手機砸臉、睡覺落枕和腳趾撞桌腿，一種說了矯情，不說刺撓的痛苦。

SOP與異步溝通系統的設置共同推動著勞動者走向原子化。這種原子化狀態首先弱化了勞動者之間的人際信任與協作，轉而不斷強化平臺規則的絕對權威。

在此狀態下，個體勞動者變得更加孤立，更容易被平臺監控、評估乃至替代。他們不得不主動向平臺標準靠攏，以更順從的姿態開展工作。標注員對規則的解釋權、協商權與異議空間被大幅壓縮。與此同時，因標準理解偏差、溝通不足等產生的成本與責任，也被全面轉嫁給標注員與質檢員。

最終，平臺得以實現對勞動者高效且低成本的勞動控制。

技術霸權：算法監控與AI輔助的動態質檢

在第一節我們提到，RLAIF訓練模式的最終目標是要幫助AI建立任務評估體系，最終實現自主訓練與進化。要實現這一點需要兩個核心步驟，一是提供高質量的任務拆解思路、考點（Rubrics）與標準詳情，二是要確保AI能夠理解標準并實施評估。

平臺引入了算法監控與AI輔助的動態質檢來保障以上兩個步驟的順利實施。

首先，借助算法來確保考點的質量。只有當AI的輸出結果不能滿足所有考點要求時，標注員的任務才算有效。簡言之，標注員只有“考倒”AI，才能通過審核。

與此同時，平臺還引入了AI輔助質檢系統。在人工審核之前，AI會先根據考點自動評分，并將結果與人工評分進行比對。通過這一程序，平臺逐步訓練AI理解和執行評估標準。

算法和AI質檢將數據標注過程進一步程序化，勞動者不再主導任務理解，而是圍繞系統設定的評估邏輯展開工作。布雷弗曼所說的“去技能化”，在這里以新的技術形式實現。

在完成任務的過程中，我產生了一種習得性無助的感受。完成一項任務需要經歷多道審核和多輪返修。就像反復嘗試開門卻總是失敗的人最終會放棄轉動門把手，我到后期已經不愿意再打開平臺完成標注任務。

此外，盡管與質檢員和項目經理的溝通空間被大幅壓縮，卻依舊存在協商縫隙。但若碰上算法和AI質檢，簡直像是一拳頭打在了棉花上。我無法與算法協商，只能主動滿足算法對難度與清晰度的需求。

無形之中，平臺使個體勞動目標等同于算法目標，解釋權與評估權被系統壟斷。勞動者最終陷入對平臺系統的結構性依附，在技術霸權的陰影中埋頭工作。

數字泰勒主義與品味游戲：數據標注會往哪里去？

AI面前，人人平等？

綜上所述，AI數據標注的勞動過程并非簡單的按圖索驥，而是一套由平臺算法支持，分工清晰、流程嚴謹的動態流水線。這套體系遵循典型的數字泰勒主義原則，通過將工作拆分為標準化、重復性的任務，持續監控勞動績效，來提高效率和生產率。

標注員與質檢員構成了這一體系的核心分工結構。計件制薪酬、任務回收機制、SOP流程、多輪算法質檢與人工審核相互嵌套，使數據標注形成一個封閉的生產循環。系統同時強化了對勞動力的監控與控制，加劇了平臺資本與勞動者之間的權力不平等。

與傳統泰勒主義主要優化體力勞動不同，數字泰勒主義將管理控制擴展到認知和情感領域。平臺試圖將思想、判斷和情感轉化為可測量、可優化的數據輸入，從而推動知識勞動與情感勞動的商品化。

這些被商品化的認知勞動，正被用于訓練AI的“品味”（taste），也即判斷力。

科技公司普遍認為，高質量的數據標注能夠幫助模型形成穩定的價值判斷。Surge AI創始人Edwin Chen在一次訪談中反復強調：“我們不是在教模型如何對話，而是在教它什么是對、什么是好……我們不是在檢查這首詩有沒有提到月亮，而是在問，這首詩有沒有打動你”。

這里的品味，既包含審美與直覺，也包含理性判斷。然而吊詭的是，數據標注的勞動過程正在最大程度地剝離勞動者自身的理解與創造力。標注員被簡化為流水線上的執行者，人類判斷力被拆解為碎片化的數據。

更有趣的是，數據公司們對“品味”的化用，在無意間改變了人類社會長期以來的“品味游戲”。在皮埃爾·布迪厄的經典著作《區分：判斷力的社會批判》中，品味被視為文化資本的重要組成部分，是社會階層區隔的重要機制。但在數據標注平臺上，流水線式的管理邏輯被應用到智力與創造性工作之中，從而模糊了體力勞動與腦力勞動之間的傳統界限。不論是白領還是藍領，都在這場數據生產中接受同樣的監控與規訓。

但問題也隨之而來，AI面前，真的人人平等嗎？

數據標注行業中的“品味游戲”揭示了AI模型輸出背后的另一層邏輯。當科技公司強調品味時，他們實際上是在定義一種標準化的認知框架，并試圖為數據采樣可能帶來的偏差提供某種免責聲明。

模型開發領域流傳著一句話，“有多少人工，就有多少智能。”這句略顯粗糙的說法，卻揭示了數據標注的重要性。在RLAIF訓練模式中，標注員不僅要依據多維標準對模型輸出進行評分，還需要對不同標準進行偏好排序。換言之，數據標注的過程實際上是在界定人類認知的邊界。

特定群體的價值觀和判斷框架，正通過數據被不斷嵌入模型之中。

作為智能系統的基礎，數據決定了模型的能力邊界。當我們向AI提問時，得到的回答在某種程度上反映了標注員的“品味”。而其品味又受到教育背景、階層經驗和文化環境的影響。當一個身處硅谷的精英工程師與一個來自非洲的標注員同時進行標注時，AI所吸收的邏輯顯然并不相同。

這意味著，如果標注員群體的社會結構過于單一，某些認知偏見就可能被不斷放大并固化在模型之中。而缺乏數據權重的弱勢群體，往往更容易被忽視。

科技公司并非完全沒有意識到這一問題，模型開發者承諾要在制度和技術層面限制偏見。然而一個難以回避的事實是：在模型真正形成之前，數據供應體系已經在很大程度上決定了它將如何理解世界。

AI所看到的世界，本身就經過了數據標注的過濾。

因此，AI面前或許人人平等，但前提是，你得被AI看見。

剩下的1%

隨著人工智能的快速發展，公眾對“AI換人”的焦慮不斷上升。在數據標注行業，這種擔憂正在加速成為現實。

過去兩年，商湯科技與海天瑞聲等頭部數據服務企業不斷加大在數據生產流程自動化方面的投入，傳統意義上重復性強、技術門檻低的“拉框打標”正迅速被AI輔助標注工具所取代，崗位需求斷崖式下滑。

在這一背景下，國內互聯網大廠主導的數據標注平臺正切入更高階的戰場，試圖在更加復雜的“心智”領域實現數據標注的自動化。從去年到今年年初，AI正在自我訓練的道路上一路狂飆，大模型已經能夠生成海量的合成數據，減少對人工標注的依賴。

例如在2月發布的GPT-5.3 Codex的技術文檔中，Open AI寫道，“GPT-5.3Codex是我們第一個在自身創建過程中發揮了關鍵作用的模型。Codex團隊利用其早期版本來調試自身的訓練，管理自身的部署，并診斷測試結果與評估結果。”

換言之，模型開始自主制造、驗證、迭代自己的訓練數據。AI的遞歸自我提升（Recursive Self-Improvement，下文簡稱RSI）已經箭在弦上。

然而，自動化標注技術仍然存在明顯局限。在復雜任務上，AI仍然難以達到人工標注的準確度。即便是最先進的模型，目前也仍然依賴“合成數據生成 + 人類驗證”的訓練模式。

原因很簡單，真實世界永遠有不可模擬的噪音，而這些復雜性很難完全通過合成數據模擬。一旦訓練數據過度人工化，模型性能反而可能下降。這解釋了為什么從事普通標注任務的勞動者面臨失業，而與高階技能相關的標注崗位需求仍然保持了154%的年增長。

但這個增長速度能夠持續多久？

如果回溯技術史，類似的故事已經上演過許多次。從18世紀的珍妮紡紗機，到蒸汽動力機械，再到20世紀的工業機器人，重大技術進步對勞動力的需求往往呈現出相似的,一條先升后降的倒U型曲線。

在技術擴散初期，新技術會創造大量新的工作需求。生產效率的提高擴大了市場規模，新的產業鏈環節被不斷打開，勞動力需求迅速上升。

隨著技術逐漸成熟，自動化水平提高，原本依賴人工完成的工作開始被機器替代。崗位數量不再增長，而進入結構性調整階段。

到了技術發展的后期，大部分標準化任務被徹底自動化，行業中只剩下少量高度專業化的崗位。

今天的數據標注行業，很可能正處在這條曲線的前半段。

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

那些重復性極強的標注崗位會不復存在，而那些需要高技能、專業知識的標注崗位或許會保持短期增長，然后在峰值之后緩慢下降，最終穩定在極小的比例。

或許是5%。

也可能只有1%。

木已成舟，不如乘興而去

人工智能的發展正在創造新的經濟神話，但這種價值增長并不總是與人類勞動生產同步。人類的時間與勞動力仍然處于這場價值循環的底層，而掌握生產資料的資本則不斷擴大其控制范圍，躍躍欲試地計劃收割一切。

題注中關于“AI解放資本而非人類”的判斷極具沖擊力，這一技術決定論觀點調動了人們對于技術最原始的恐懼。

在AI時代，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對。

但不要忘記，盡管資本極力將AI描述為一種脫離于人類的，近乎神的創造，但AI看似獨立的進化過程仍然建立在人類認知勞動之上。

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

然而，品味從來不僅來自理性規則，也來自人類的直覺與欲望。AI或許可以模擬邏輯，卻很難復制這種細微復雜的生命經驗。邏輯可以被設定和優化，而欲望充滿了非理性、矛盾與生命力。

每隔十年，總會有一批年輕人站在新的技術風口上。十年之后，有些人會被認為抓住了機會，也有人被認為錯過了時代。

但很多時候，人們甚至沒有時間思考，自己為什么要站在那個風口上。

不要被張牙舞爪的技術決定論嚇倒。

專注你的呼吸，想想你的欲望。

欲望不過是人類的起點，卻可能是AI難以抵達的終點。

既然木已成舟，不如乘興而去，以求順勢而歸。

注釋：

[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-威澤夫特等人對尼克·蘭德觀點的總結性評論。

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). 勞動與壟斷資本：二十世紀中勞動的退化 (方生等譯). 北京：商務印書館.

胡萬亨. (2021). 當卡爾·馬克思遇見人工智能：《非人的力量：人工智能與資本主義的未來》評介. 科學與社會, 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

中國信通院.(2025,08).數據標注產業發展研究報告（2025年）.中國信通院.https://www.caict.ac.cn/kxyj/qwfb/ztbg/202508/t20250829_691214.htm