文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
文章圖片
提到數據標注 ， 很多人腦海里浮現的 ， 仍是幾年前那幅畫面：二、三線城市的外包基地里 ， 上百人排排坐 ， 盯著屏幕給圖像框選車輛、行人、紅綠燈 。 這類任務門檻極低 ， 無需培訓 ， 按件計酬 ， 完成上千張標注收入勉強200元 。
但最近一兩年 ， 風向悄然變了 。 隨著模型能力的升級 ， 訓練所追求的不僅是識別能力 ， 更是判斷和推理能力 。
于是 ， 一種時薪上千的新型標注任務開始在各大平臺和眾包社區流行：評估AI回答是否隱含偏見 ， 改寫帶有誤導性的醫療建議 ， 比較兩個政治話題回復哪個更中立 。
這些任務動輒耗時一兩個小時 ， 要求標注者具備語言敏感度、常識推理能力 ， 甚至基礎的法律或倫理知識 ， 報酬也水漲船高 ， 普通任務百元起步 ， 復雜場景下 ， 一單800到1000元已不罕見 。
同樣是支撐智能系統運轉的勞動 ， 為何一個被高價爭搶 ， 一個卻被壓到底端？模型標注需求的升級 ， 對于普通勞動者而言究竟意味著什么？
給大模型標注并不是新鮮事 。 早在2018年前后 ， 隨著計算機視覺和語音識別技術的爆發 ， 數據標注的風就已吹進中國廣大的基層勞動市?。 喝⑺南叱鞘械拇登嗄輟⒄展撕⒆擁娜奧杪?、课余时间打零工的大学?， 甚至一些退休后想補貼家用的老年人 。 平臺通過微信群、兼職APP或地方勞務中介層層分包任務 ， 形成一張覆蓋城鄉的數字零工網絡 。
那時的招聘廣告寫得簡單直白：“會用電腦即可”“在家可做”“日結工資” 。 門檻之低 ， 幾乎消除了所有技能壁壘：不需要學歷證明 ， 不考察專業背景 ， 只要能分清紅綠燈、聽清普通話、點準鼠標 ， 就能上崗 。
然而 ， 這種“人人可參與”的表象之下 ， 隱藏著被業內稱為賽博血汗工廠的殘酷現實 。
為了維持模型訓練所需的海量數據供給 ， 平臺普遍設定高壓產出指標：熟練工每天至少需完成500張圖像標注 ， 合格圖片的報酬僅在0.2元至0.4元之間 ， 日收入很難突破200元 ， 而這往往還不到知識型眾包中一道題目的價格 。
在這里 ， 勞動被極致標準化、碎片化、去人性化 ， 連坐一周就會感到明顯的頭昏眼花、頸椎僵硬 。 干一年和干一天在技能、經驗或職業發展上幾乎沒有差別 。 一旦平臺引入AI預標注工具 ， 人力需求便迅速萎縮 ， 毫無議價能力的勞動者只能被動接受降薪或淘汰 。
而在城市的另一端 ， 一場截然不同的數據生產正在興起 。 985高校的博士生、三甲醫院的主治醫師、律所的資深律師、財經媒體的主筆……他們坐在圖書館、咖啡館或家中書房 ， 花費兩三個小時打磨一條關于“生成式AI對醫療診斷責任認定的影響”或“如何向高中生解釋貨幣政策傳導機制”的參考答案 ， 完成后 ， 賬戶入賬600元、800元 ， 甚至1000元 。 他們不必打卡 ， 不用趕量 ， 可以拒絕不符合專業方向的任務 ， 平臺還會主動邀請他們參與高階項目評審 。
于是 ， 同是為大模型提供訓練數據 ， 勞動卻分裂成兩個世界：一邊是一單五毛的機械點擊 ， 靠透支視力與青春換取微薄日薪；一邊是一單上千的認知輸出 ， 用專業積淀兌換靈活高酬 。
高價值任務帶來高收入、高認知刺激和行業資源 ， 形成正向循環；低價值勞動則陷入低薪、無成長、技能退化的負螺旋 。
這不免讓人疑惑：AI是不是成了兩極分化的兇手？所謂的高薪標注到底是怎么一回事？
隨著通用模型能力需求從識別到推理 ， 醫學、法律、心理學等垂類模型快速發展 ， 簡單標注無法滿足訓練需求 。 AI不再需要知道答案的人 ， 而是需要能教會它如何可靠地生成答案的人 。
那么這類高薪標注模型標注的人才畫像是什么？又隱藏著一種怎樣的價值觀呢？
表面上看 ， 有人一單入賬上千元 ， 工作自由、時間靈活 ， 仿佛進入了智能時代的新藍領階層 ， 但深入其中就會發現 ， 這扇門雖未明寫僅限名校 ， 卻在實踐中悄然向985、211高校畢業生傾斜 。 平臺未必只看文憑 ， 但面對海量申請者 ， 學歷成了最高效的初篩信號 。
一位擁有多年科研經驗的博士曾嘗試參與某大模型項目 ， 卻在試標階段被拒 。 他的回答“過于學術 ， 缺乏教學引導性” ， 不符合平臺對“AI友好型表達”的要求 。 這說明 ， 學歷只是敲門磚 ， 真正決定去留的 ， 是能否將專業知識轉化為模型可學習的思維范式 。
當然 ， 高學歷某種程度也意味著高報酬 。 在計算機、臨床醫學、法律或金融等領域 ， 一道需要整合前沿文獻、構建推理鏈條的任務 ， 報價常達600至1000元 。 即便是哲學、教育、新聞等文科方向 ， 只要具備思辨深度或教學價值 ， 時薪也能輕松過百 。 但高回報背后是嚴苛的質量門檻 ， 平臺不為努力買單 ， 只為一次合格率付費 。 多數任務需經歷兩到三輪返修 ， 一次邏輯疏漏、一處引用偏差 ， 就可能被整單拒收 。
關于工作形式 ， 平臺定期釋放題庫 ， 用戶自主認領 ， 無打卡、無坐班、有空就做……這種彈性的工作形式吸引了大量研究生、青年教師和自由職業者 。 可這并不意味著一次合格就一勞永逸 ， 系統會根據歷史交付質量動態分配任務權重 。 表現優異者被打上“優質貢獻者”標簽 ， 優先獲得高單價題目 ， 而反復返修的人也會被算法悄然降權 ， 減少發放 。
說到底 ， 時薪過百買的不是時間 ， 而是可規?；⒖蓸藴驶?、可被AI內化的高質量人類思維 。 而這張通往高薪的門票因此只發給那些既能深耕領域知識 ， 又能跳出學術話語、持續迭代表達方式的人機協作型人才 。
但AI的進化永不停歇 ， 它一邊淘汰底層的機械勞動 ， 一邊不斷抬高認知協作的門檻 。 昨天還在寫問答對的人 ， 今天可能就要設計倫理測試集；今天被視為專家的輸出 ， 明天或許就能被新模型自動合成 。
本質上 ， AI一直在產生新的工作形態 ， 而這一過程的本質仍是“剝削”人類的體力和腦力去完成自己的進化 。
AI的進化從未停止催生新角色 。 十年前 ， 沒人知道數據標注員是什么；五年前 ， 提示工程師還是冷門詞匯；如今 ， “AI訓練師”“倫理對齊專員”“多模態內容設計師”正成為招聘熱詞 。
但它每向前一步 ， 人類勞動的分野就加深一分 。 當模型從識別圖像走向生成法律意見、撰寫醫學診斷建議時 ， 它對好數據的定義也隨之升級 。
也就是說 ， AI其實在進化中不斷淘汰舊的崗位、產生新的崗位 。 傳統數據標注剛興起時 ， 甚至有輔導機構去做相關的培訓 。 但現在 ， 高薪知識標注又筑起了新的技能壁壘 。
首先 ， 新崗位的誕生并不意味著機會均等 。 數據標注升級的同時 ， 準入門檻也提高 。 平臺雖不公開寫明“僅限985” ， 卻通過試標任務、專業背景審核和交付質量追蹤 ， 將絕大多數非體系化訓練者擋在門外 。
其次 ， 即便進入高階標注崗位 ， 勞動關系的本質仍未改變 。 多數從業者仍以“靈活用工”“項目外包”形式存在 ， 沒有勞動合同、晉升通道 ， 甚至不被視為公司正式人力結構的一部分 。 他們可能每天花數小時判斷一段AI生成內容是否“冒犯少數群體” ， 卻從未參與過相關倫理準則的制定 。 他們的腦力被征用 ， 主體性卻被抹去 。
值得警惕的是 ， AI產業正通過技能神話合理化這種不平等 。 平臺常宣稱 ， “高價值任務理應匹配高能力者” ， 仿佛薪酬差距完全由個人努力決定 。 事實上 ， 所謂高階技能往往是臨時性、碎片化且不可積累的 。
今天需要你判斷政治偏見 ， 明天可能轉向醫療術語校準 ， 后天又要求你理解科幻小說中的隱喻 ， 這些任務彼此割裂 ， 難以形成可遷移的職業資產 。 勞動者被迫持續學習、快速適應 ， 卻始終處于用完即走的不穩定狀態 。
而一旦模型通過人類反饋學會某種判斷模式 ， 這類標注任務就會迅速減少甚至消失 。 昨天還在寫千元問答的人 ， 明天可能就找不到同類題目 。 你貢獻了讓AI變聰明的關鍵數據 ， 卻無法分享它商業化后的任何收益 。
所以 ， 當我們看到“一單200”的新聞時 ， 或許不必急于歡呼低端勞動正在消失 。 真正值得觀察的 ， 是那些曾經做著5毛一單的人 ， 現在去了哪里？
AI的發展不會停下 ， 崗位也會繼續變 。 但對具體的人來說 ， 每一次升級背后 ， 可能都是一道不得不跨越的窄門 。
【單價上千的新型數據外包，正在圍獵985畢業生】
推薦閱讀
- 451萬分！安卓手機性能之王易主，子品牌的野心越來越大了
- 人類最后的2000天，文科生絕地反擊？
- OPPO新春影片《偷時間的人》上映，全片由Find X9 Pro拍攝
- 想要7年不換機，2026公認“流暢耐用”的3款旗艦，512GB成“香餑餑”
- Canva借助1Password保障高速增長期的身份安全
- 持續瘦身、經典功能回歸，QQ越來越有QQ的樣子
- “敢夢敢為·追覓之夜”：科技企業的另一種年會打開方式
- Carbon Robotics開發出可識別植物的AI模型
- 動態島會移到左邊嗎？記憶體暴漲下，iPhone 18 真的要漲價了？
- 為魅族正名！罵它\Others\的鍵盤俠，可能連真機都沒摸過！