那些給AI大型模型打標籤的小鎮青年

By: blockbeats|2026/04/07 13:00:09
0
分享
copy
文 | Sleepy.md

山西大同,這座曾經靠煤炭支撐起半壁江山的城市,如今抖落滿身煤灰,換了把鋒利的鋤頭,向著另一座無形的礦山重重砸下。

在平城區金貿國際中心的寫字樓裡,不再有升降井,不再有運煤車。取而代之的,是上千個緊密排列的電腦工位。上海潤迅雲中聲谷大數據智慧服務基地佔據了整整幾層樓,數千名戴著耳機的年輕員工,正盯著螢幕,點擊,拖曳,框選。

根據官方數據,截至 2025 年 11 月,大同市已投運伺服器 74.5 萬台,引進了 69 家呼叫標註數據企業,帶動了超過 3 萬人次就近就業,產值 7.5 億元。在這個數字礦坑裡,94% 的從業者都是本地戶籍。

不僅僅是大同。在國家數據局確定的首批數據標註基地中,山西永和縣、貴州畢節、雲南蒙自等中西部縣城赫然在列。在永和縣的數據標註基地裡,80% 是女性員工。她們大多是農村寶媽,或者是找不到合適工作的返鄉青年。

一百年前,英國的曼徹斯特紡織廠裡,擠滿了失去土地的農民。而在今天,這些偏遠縣城裡的電腦螢幕前,坐滿了在實體經濟中找不到位置的年輕人。

他們正在從事一種極具未來感,卻又極度原始的計件工作,為遠在北京、深圳和硅谷的人工智能巨頭,生產大模型所必需的數據飼料。

沒人覺得這有什麼問題。

黃土高原上的新流水線

數據標註的本質,是教機器認世界。

自動駕駛需要認出紅綠燈和行人,大模型需要分辨出什麼是貓、什麼是狗。機器本身是沒有常識的,必須由人類先在圖片上畫出一個框,告訴它「這是行人」,它才能在吞噬了千萬張圖片後,學會自己辨認。

這份工作不需要高學歷,只需要耐心,以及一根能不停點擊的食指。

在 2017 年的黃金時代,一個簡單的 2D 框,價格能達到一毛多錢,甚至有公司開出 5 毛的高價。手速快的標註員,一天幹十幾個小時,能賺到五六百塊。在縣城,這絕對算得上一份高薪、體面的工作。

但隨著大模型的進化,這條流水線上殘酷的一面開始顯現。

到了 2023 年,簡單圖像標註的單價已經被砸到了 3 到 4 分錢,跌幅超過 90%。即便是難度更高的 3D 點雲圖,那些由密集的點構成、需要放大無數倍才能看清邊緣的圖像,標註員也必須在三維空間中拉出一個包含長、寬、高和偏轉角度的立體框,去嚴絲合縫地包裹住車輛或行人,而這樣一個複雜的 3D 框,也僅僅只有 5 分錢。

那些給AI大型模型打標籤的小鎮青年

單價暴跌的直接後果,是勞動強度的劇增。為了死死咬住每個月兩三千塊的底薪,標註員們必須不斷、不停地提升自己的手速。

這根本不是什麼輕鬆的白領工作。在很多標註基地,管理嚴苛到令人窒息,上班不允許接聽電話,手機必須鎖在儲物格裡。系統會精確記錄每個員工的滑鼠軌跡和停留時間,如果停下來超過三分鐘,後臺的警告就會像鞭子一樣抽過來。

更讓人崩潰的是容錯率。行業的及格線通常在 95% 以上,有的公司甚至要求 98%-99%。這意味著,你拉 100 個框,只要錯 2 個,整張圖就會被打回來返修。

動態圖是連幀的,變道的車輛會被遮擋,標註員必須靠聯想把它們一個個找出來;3D 點雲圖裡,只要超過 10 個點的物體,就必須畫框。一個複雜的車位項目,線畫長了、漏標了,質檢時總能挑出毛病。一張圖返修四五次是家常便飯。最後算下來,花了一個小時的功夫,到手的只有幾毛錢。

湖南的一位標註員在社交平台上晒出了自己的結算單,一天工作下來,她拉了 700 多個框,單價 4 分錢,總共收入 30.2 元。

這是一種極度割裂的圖景。

一邊是發布會上光鮮亮麗的科技大佬,談論著 AGI 將如何解放人類;另一邊,是在黃土高原和西南大山的縣城裡,年輕人每天死盯著屏幕八到十個小時,機械地拉框,幾千個、幾萬個,甚至晚上做夢,手指都在半空中畫著車道線。

有人曾經說,人工智能的外表是一輛呼嘯而過的豪車,但打開車門你會發現,裡面有一百個人正騎著自行車,咬著牙拼命踩踏板。

沒人覺得這有什麼問題。

教機器「如何去愛」的計件工

當圖像識別的瓶頸被突破後,大型模型迎來了更深層的進化,它需要學會像人類一樣思考、對話,甚至展現出「同理心」。

這就催生了大型模型訓練中最核心、也最昂貴的環節——RLHF(基於人類反饋的強化學習)。

簡單來說,就是讓真人對 AI 生成的回答進行打分,告訴它哪個回答更好、更符合人類的價值觀和情感偏好。

ChatGPT 之所以看起來「像人」,就是因為背後有無數個 RLHF 標註員在給它上課。

在眾包平台上,這類標註任務往往被明碼標價:單件費用 3 到 7 元。標註員需要對 AI 的回答進行極其主觀的情感打分,去評判這個回答是否「溫暖」、是否「有同理心」、是否「照顧了用戶的情緒」。

一個拿著兩三千月薪、在現實的泥淖裡疲於奔命、甚至連自己的情緒都無暇顧及的底層打工人,卻要在系統中擔任 AI 的情感導師和價值觀裁判。

他們需要把溫暖、同理心這些極其複雜、微妙的人類情感,強行揉碎,量化成 1 到 5 的冰冷分數。如果他們的打分和系統設定的標準答案不一致,就會被判定為正確率不達標,從而扣減原本就微薄的計件工資。

這是一種認知抽空。人類那複雜幽微的情感、道德與悲憫,正被強行拖入演算法的漏斗。在冰冷的量化與標準化刻度裡,它們被榨乾了最後一點溫熱。當你驚嘆於螢幕裡的賽博巨獸已經學會了寫詩譜曲、嘘寒問暖,甚至披上了多愁善感的皮囊時;螢幕外,那群原本鮮活的人類,卻在日復一日的機械判斷中,退化成了沒有情緒的打分機器。

這是整個產業鏈最隱秘的一面,從來不出現在任何融資新聞和技術白皮書裡。

沒人覺得這有什麼問題。

985 碩士與小鎮青年

底層的拉框工作正在被 AI 的履帶碾壓,這條賽博流水線開始向上蔓延,開始吞噬更高階的腦力勞動。

大型模型的胃口變了。它不再滿足於嚼碎簡單的常識,它需要吞噬人類的專業知識和高階邏輯。

各大招聘平台上開始頻繁閃爍一類特殊的兼職,比如「大型模型邏輯推理標註」「AI 人文訓練師」。這份兼職的門檻極高,往往要求「985/211 碩士及以上學歷」,涉及法律、醫學、哲學、文學等專業領域。

許多名校研究生被吸引,湧入這些大廠的外包群。但他們很快發現,這根本不是什麼輕鬆的腦力運動,而是一場精神折磨。

在正式接單前,他們必須閱讀長達幾十頁的評分維度和評判標準文件,進行兩到三輪的試標。達標後,在正式標註中,如果正確率低於平均水準,就會失去資格,被踢出群聊。

最讓人窒息的是,這些標準根本不是固定的。面對類似的問題和答案,用相同的思考方式去評分,結果可能截然相反。這就像在做一份永遠做不完、且根本沒有標準答案的試卷。無法通過自我努力或學習提升正確率,只能原地不停地打轉,消耗腦力和體力。

這就是大型模型時代的新型剝削——階層折疊。

知識,這把曾被視作打破壁壘、向上攀爬的黃金階梯,如今淪為了供奉給算法的、咀嚼起來更為複雜的數字草料。在算法和系統的絕對權力面前,象牙塔裡的 985 碩士與黃土高原上的小鎮青年迎來了最詭異的殊途同歸。

他們一同跌落進這座深不見底的賽博礦坑,被剝奪了光環,抹平了差異,統統化作了履帶上廉價且隨時可以被替換的齒輪。

在國外也是一樣。2024 年,蘋果公司直接砍掉了聖地亞哥一個 121 人的 AI 語音標註團隊。這些員工負責改善 Siri 的多語言處理能力,他們曾以為自己站在大廠核心業務邊緣,卻瞬間墜入失業的深淵。

在科技巨頭眼中,無論是縣城裡的拉框大媽,還是名校畢業的邏輯訓練師,本質上都是隨時可以替換的「耗材」。

沒人覺得這有什麼問題。

-- 價格

--

兆元巴別塔,砌滿幾分錢的血汗

根據中國信通院發布的數據,2023 年中國數據標註市場規模達 60.8 億元,2025 年預計 200~300 億元,据預測,到 2030 年,全球數據標註和服務市場銷售額將狂飆至 1171 億元。

這些數字背後,是 OpenAI、微軟、字節跳動等科技巨頭動輒數千億、上萬億美元的估值狂歡。

但這些潑天的財富,並沒有流向那些真正「餵養」AI 的人。

中國的資料標註行業,呈現出典型的倒金字塔外包結構。最頂層,是死死捏著核心算法的科技巨頭;第二層,是大型資料服務供應商;第三層,是遍布各地的資料標註基地和中小型外包公司;最底層,才是那些拿計件工資的泥腿子標註員。

每一層外包,都要狠狠刮走一層油水。當大廠砸出的單價是 5 毛錢時,經過層層盤剝,落到縣城標註員手裡的,可能連 5 分錢都不到。

希臘前財政部長雅尼斯·瓦魯法基斯在他的著作《技術封建主義》中,抛出了一個極具穿透力的觀點:今天的科技巨頭,已經不再是傳統意義上的資本家,而是「雲領主」(Cloudalists)。

他們擁有的不是工廠和機器,而是算法、平台、算力,這些是賽博時代的數字領土。在這個新的封建體系裏,用戶不是消費者,而是數字佃農,我們在社交媒體上的每一次點讚、評論、瀏覽,都在免費為雲領主上供數據。

而那些分佈在下沉市場的資料標註員,則是這個體系裡最底層的數字農奴。他們不僅要生產數據,還要對海量的原始數據進行清洗、分類、打分,將其轉化為大模型能夠消化的高質量飼料。

這是一場隱秘的認知圈地運動。就像 19 世紀英國的圈地運動把農民趕進紡織廠一樣,今天的 AI 浪潮,把那些在實體經濟中找不到位置的青年,趕到了屏幕前。

AI 並沒有抹平階層鴻溝,反而建立了一條從中國中西部縣城,直通北上廣深科技巨頭總部的「資料與血汗輸送帶」。技術革命的敘事總是宏大華麗,但其底色,永遠是廉價勞動力的規模化消耗。

沒人覺得這有什麼問題。

不再需要人類的明天

最殘酷的結局就快來了,越來越快。

隨著大模型能力的躍升,那些曾經需要人類日夜勞作才能完成的標註任務,正在被 AI 自己接管。

2023 年 4 月,理想汽車創始人李想在論壇透露了數據,過去,理想一年要做大約 1000 萬幀的自動駕駛圖像人工標定,外包成本接近一個億。但當他們使用大模型進行自動化標註後,過去需要用一年做的事情,基本上 3 個小時就能完成。

效率是人的 1000 倍,而且還是早在 2023 年。在剛剛過去的 3 月,理想還發布了新一代 MindVLA-o1 自動標註引擎。

行業裡流傳著一句無比真實的自嘲:「有多少智能,就有多少人工。」但現在,大廠在數據標註外包方面的投入,已經出現了 40%-50% 的斷崖式下降。

那些在電腦前枯坐了無數個日夜、把眼睛熬得通紅的小鎮青年們,親手餵大了一隻巨獸。而現在,這隻巨獸正在轉過頭來,砸掉了他們的飯碗。

夜幕降臨,大同平城區的寫字樓依然蒼白如晝。交接班的年輕人們在電梯間裡沉默地互換著疲憊的軀殼。在這個由無數個多邊形框死死禁錮的折疊空間裡,沒人關心大洋彼岸的 Transformer 架構又迎來了怎樣史詩級的躍遷,也沒人聽得懂千億參數背後算力的轟鳴。

他們的視線,只被焊死在後台那根代表著「及格線」的紅綠進度條上,算計著那幾分、幾毛的計件數字能不能在月底拼湊起體面的生活。

一邊,是納斯達克的敲鍾聲與科技媒體的連篇累牘,巨頭們正為 AGI 的降臨举杯相慶;而另一邊,這些以血肉之軀一口口餵大 AI 的數字農奴,卻只能在酸痛的睡夢中,戰戰兢兢地等待著那隻由自己親手饲養的巨獸,在某個看似平常的清晨,漫不經心地一腳踢飛他們的飯碗。

沒人覺得這有什麼問題。

猜你喜歡

熱門幣種

最新加密貨幣要聞

閱讀更多