給 AI 打工的人，迷失在數據標註里

北京 798 附近的一家咖啡館內，AI 數據標註師廖仔在交談中一再提到店裡的咖啡機器人。

在這家佔地近3000平米的咖啡館內，不少咖啡師圍繞著中央圓形島台工作，但其中最引人矚目的是一台人型機械臂的咖啡機器人。 據說，該機器人的臉還是依據咖啡店主理人建模而成。

如果時間回到三四年前，廖仔想不到機器人可以沖咖啡，也想不到自己會進入 AI 賽道。

99 年出生的他，專科學歷，曾在深圳一家體制內單位工作，因為不想自己的人生就這樣一輩子看到頭，廖仔離職讀了一個建築設計相關的課程。 後來，他又由設計師切入 AI 行業，最終成為了大廠的一名外包數據標註師。 職業變化背後，廖仔的收入也水漲船高，月薪從一開始 3K 一路漲到了現在 13K。

處在 Gap 期的蘇打也曾試圖進入這個行業。

985 碩士畢業的她此前工作一直順風順水，但去年因為跟上司發生矛盾離職後，進入了漫長的職業空窗期。 近半年來，蘇打也想過轉換賽道。 當下火熱的 AI 行業讓她心動，數據標註師曾被她視為職業轉型的方向之一。

但經過一次兼職后，蘇打打消了這個念頭。 “這就是一個純燒腦的體力勞動，看不到任何上升的空間。” 她對「定焦 One」說道。

作為人工智慧訓練師的一個工種，數據標註師 2020 年被正式納入國家職業分類目錄， 但圍繞這個職業前景的討論卻是冰火兩重天。

一邊是基礎大模型高速擴張時期，大廠高薪與「AI 紅利」吸引而來的數以萬計的求職者，全國各地甚至湧現了不少打著 AI 訓練師旗號的培訓班; 另一邊則是瀰漫在從業者之中的不安和焦慮，很多人覺得自己是在為 AI 打零工，或者只是成為了大模型優化的一個耗材，既難以形成技術積累，也隨時可能被 AI 所取代。

如今，隨著大模型開發從“拼底層參數”轉向“爭場景落地”，這一工種的需求也在發生變化。 標註崗位不再像過去那樣“批量放量”，取而代之的是更垂直化的需求和更強的專業門檻。 轉型成功的廖仔，和抽身離開的蘇打，正是這股 AI 浪潮下的兩個典型註腳。

“擰螺絲”的三種姿勢：數據標註師的隱秘分層

如果想要進入 AI 行業，數據標註或許是最沒有門檻的一個崗位——在網路上隨手就能找到一份兼職。

「定焦 One」體驗了一個眾包平臺的視頻審核兼職專案，任務是為自動售貨機做數據標註。 正式上崗前，求職者先得進群進行一輪訓練——為 500 條視頻進行標註，且正確率在 90%以上才算通過考核。 正式接單后，以計件形式收費，每單費用在 0.04 元到 0.1 元浮動，標錯還會扣錢。

每個計件視頻長度大概十來秒，需要辨別出顧客從自動售貨機中拿走的商品種類以及數量。 任務看似簡單，做起來卻並不容易。 很多飲品、零食的包裝非常接近，加上夜晚光線干擾，極易誤判。 「定焦 One」嘗試標註了 20 條視頻，用時 25 分鐘，完全正確的只有 14 條。

群裡負責培訓的老師一再鼓勵大家：一開始錯誤率高是正常的，後面會越來越熟練、正確率越來越高，熟練后每天最多可做3000條視頻。

但做過類似兼職的人在社交媒體抱怨： 真的做不了太久，眼睛受不了。 在那個標記為 11 群的近 200 人大群內，不斷地有人退出、加入，就像一條永不停歇的虛擬流水線。

蘇打也在類似的一個微信群裡。

前不久，她在招聘平臺看到國內某個大廠發佈的數據標註兼職崗位。 專業不限、經驗不限，唯一的門檻是學歷——必須是985/211碩士及以上。

這份兼職是為大模型思考過程和輸出結果進行打分。 輸出結果的正確與否、是否照顧到了用戶的情緒、感受，以及思考過程是否符合邏輯且高效等等都需要納入考量。

蘇打通過篩選后，也被拉到了一個微信群。 同樣的，在正式接單之前，需要先進行培訓和測試。

蘇打收到了一份長達幾十頁的檔，詳細介紹了各個打分維度和評判標準。 根據這個打分體系，她需要先進行兩到三輪的試標，達標后才可進行接單。 通過測試后，在正式的標註過程中，也需保證正確率。 如果正確率低於平均水準，便會失去標註資格，需要重新測試。

據蘇打觀察，她所在群裡測試的通過率並不高。

“這份工作的難點是記憶、理解的成本特別高。 在標註之前，你得先理解、記住他們的評價體系和打分標準。 “更讓蘇打難受的是， 這些標準並不是固定不變的。 有時候，面對相似的問題和回答，她用相同的思考方式去打分，結果卻截然相反。

就像是寫沒有標準答案的一張張試卷，無法通過自我努力或學習提升正確率，只能原地不停得打轉、消耗自己的腦力和體力，最後獲得的報酬微乎其微。 蘇打告訴「定焦 One」，這份兼職也是按計件收費，標註一件的費用只有 3-7 元。

比蘇打幸運一些，廖仔沒有這些嚴苛的 KPI 和考核標準。

廖仔參與標註的是國內另外一家互聯網大廠的外包專案。 他領導著一個由10名標註師組成的小組。 專案里，有好幾個這樣的組別，對該大廠的大模型進行評估、鑒定、指定標註規則。 廖仔會對每天需要標註的任務進行分配，再告訴組員具體的規則和評判標準確保客觀性。 除數據標註之外，他還需跟演算法團隊、產品研發團隊溝通，根據上下游反饋調整模型的評估和鑒定。

廖仔還是以咖啡機器人舉例，如果要 AI 製作咖啡，那麼就需告訴它整個鏈路，包括咖啡樹如何種植、咖啡豆有哪些品類、分子結構如何、怎麼研磨等等。 通過每一步的數據標註，對它進行調校，然後再回歸到模型，讓它自主訓練。

三種數據標註工作可以大致勾勒出這個職業背後的隱形分層： 自動售貨機標註，考驗「體力+注意力」，靠重複和熟練提升效率; 為大模型的思考過程和輸出結果打分，要求較強的理解力和記憶力，像在答一道道沒有標準答案的試卷; 大模型評估，則在標註之外承擔流程管理和溝通工作，具備一定自主性。

常有人將數據標註比做 AI 流水線上的「螺絲釘」。。 在廖仔看來，即便是擰螺絲釘，到他這一步，最起碼清楚了用什麼工具擰、怎麼擰效率會更高。

尷尬的崗位：重要，但是廉價

站在產業鏈更上游的 Jackson，能從更為完整的流水線上審視數據標註的意義。

Jackson 是海外一所名校研究生畢業，現在在上海一家科技企業從事基礎模型訓練工作。 他告訴「定焦 One」，模型訓練主要包含三個部分：預訓練、監督微調和強化學習。

預訓練所需的數據量動輒十幾 TB，主要來源於公開爬蟲數據、模型合成數據、第三方採購數據或企業自有數據。 這一階段對人工標註的依賴較少。

數據標註師主要介入的，是后兩個階段。

微調階段（Supervised Fine-Tuning，簡稱 SFT）目標是讓預訓練后的通用語言模型適應特定任務或對話場景，使其輸出更符合人類期望。 簡而言之，就是輸入特定數據後，教會模型“如何回答”。

強化階段（Reinforcement Learning from Human Feedback，簡稱 RLHF）的核心是利用人類偏好數據優化模型輸出品質。

用再通俗一點的話解釋，SFT 是要寫出一個答案讓 AI 學習、模仿; 而 RLHF 則是在 AI 給出幾個答案后，説明 AI 選擇一個更符合人類偏好的答案。

廖仔大部分的工作都屬於前者，很難量化; 蘇打的工作則是後者，可以計件考核。 而像前文提到的自動售貨機標註這類較為簡單的數據收集工作，將很快被 AI 替代。

Jackson 介紹，在微調和強化階段都可以使用一些自動化手段，或是使用其他模型生成的數據，但其內容的多元性、正確性以及專業性可能不如人工標註的數據。 就像 DeepSeek 生成的內容一眼就能看出來。

“最好的效果肯定是全部由人工標註，但（AI 公司）老闆們比起做個完美的模型，更在意成本。 能用模型合成一個次優版本，也是可以接受的。 ”

據 Jackson 估算，一次完整的微調和強化訓練多則需要幾十萬條數據，而且模型還會更新反覆運算，數據的需求也會成倍累積。 據他觀察，目前國內的大模型團隊有財力做人工數據標註的只有幾家頂級大廠，其他團隊大部分都是用別人的模型生成數據。

根據公開資料，位元組跳動在 AI 上的投入僅 2024 年就達到了 800 億，2025 年這一數字還要翻番到 1600 億。 今年 2 月，阿裡巴巴集團 CEO 吳泳銘宣佈，未來三年，阿裡將投入超 3800 億元用於建設雲和 AI 硬體基礎設施。

但即便是這些頭部玩家，也必須在各環節精打細算。 數據標註作為成本可控的一環，被大廠選擇以外包、眾包的形式進行，成為常態。

蘇打每天兼職的工作量大概在3-4個小時，她計算了一下時薪，也就30-60塊之間。 蘇打說，這三四個小時必須全神貫注，一點水分也擠不出。 這樣的一個付出和回報，如果不是對這個行業感興趣真的很難堅持下來。

但蘇打所在的微信群每天還在不斷進人。 “你不幹，有的是人肯干，價格自然上不去。”

問題的本質不在於數據標註不重要，而在於這類工作缺乏技術壁壘。 大模型的生成、優化是一個非常精細化的過程。 每一條數據就好像是布玩偶身上的一個針腳、斑馬身上的一根毛髮，很難辨析出其對於整體的意義。 在這條流水線上，標註師很難積累出個人能力上的“獨佔優勢”，非常容易被替代。

沒有壁壘，就難有議價能力。

從招聘網站公開資訊來看，兼職數據標註師日薪多在 120-500 元之間，外包崗位月薪大部分在 9-17K 之間。 幾家大廠的正式崗位，月薪則在 15-25K 之間。 相對技術崗和演算法崗，這樣的薪資水準並不算高。

被自己訓練的 AI 替代：誰能突破金字塔？

因為沒有成長性，蘇打最終放棄了兼職，也不打算再投任何數據標註相關的崗位。 為此，她還專門諮詢了一位從事 AI 數據標註多年的朋友。

這位朋友在大模型爆火之前，便加入了國內的一家大模型團隊，後來又跳槽去了另外一家大廠。 朝陽行業、高薪崗位，很多人羡慕她踩中了風口，但她勸蘇打慎重投遞這個崗位。 因為數據標註師職業發展空間有限，很難跳進 AI 產業真正的核心環節。

Jackson 也持類似的觀點。

他用金字塔形容當前 AI 從業者的階梯式分佈：塔底是標註，腰部是應用，再往上是做微調和後訓練，塔尖才是基礎模型設計和預訓練。 “現在基本上是背景決定一切，很難從塔底一層層向上突破。”

所謂的背景是指學歷和學術背景。 譬如，很多崗位，學歷就是一個硬性門檻。 Jackson 分析，應用層面需要本科學歷，微調和后訓練階段碩士起步，基礎模型基本上都是博士。

就拿他所在的演算法崗來說，找工作要看學歷、實習、比賽、論文若干個維度。 AI 圈尤其重視學術背景。 如果沒有過硬的論文，即便是排名還不錯的學校畢業，也很難進入大廠的 AI 團隊。

“站在金子塔尖的，大部分是頂級學校的博士，還需要發很多論文的那種。” 他總結。

與此同時，標註師們訓練出來的模型本身，在悄然和標註師展開競爭。 會不會被 AI 取代，成為懸在標註師們頭上的達摩克利斯之劍。

Jackson 指出，在一些成熟的文本模型中，模型合成的數據已經替代了 80%的人工標註。 這背後的邏輯是，模型不強時，對標註的需求就大; 標註多了模型能力變強了，AI 就會在這個任務或者這個領域把標註師替代了。

在海外的一些高科技企業，這樣的情況已經發生。

據彭博社報導，蘋果公司於 2024 年 1 月關閉了一個與 Siri 人工智慧業務相關的團隊。 他們原本負責對使用者與 Siri 交互時產生的數據進行監聽分析、標註和理解使用者需求。 同樣因為自動標註能力大幅改善，2022 年 6 月，特斯拉裁撤了 200 名為其標註視頻以改進輔助系統的美國員工。

另一方面，大廠戰略的變化，也影響著數據標註師的職業前景。

2023年初，基礎大模型是所有科技巨頭競相投入的戰場，百度、位元組、阿裡、騰訊等大廠商高調押注自研大模型，數據標註一度成為不可或缺的基礎崗位。

但進入2024年，這場競賽明顯降溫。 多家大廠陸續調整重心，開始從「造更大參數的模型」，轉向“讓模型真正落地”。

這一轉向，也直接影響到數據標註這一基礎工種的崗位供給與預算安排。 於是，用於支持基礎大模型訓練的數據標註需求可能被壓縮。 未來企業需要的將不再是成千上萬「能標數據的人」，而是「懂業務、懂模型的人」。

當然，需求並未完全消失。 一方面，Jackson 解釋，隨著 AI 技術的發展、大模型進一步落地將會產生大量的應用場景。 每當有新的場景出現，就需要找人標註數據。 數據標註的需求仍將長期、大量存在。 另一方面，根據清華大學發佈的《智慧數據產業發展觀察報告》，2024 年數據標註產業有用工需求的企業從 2023 年的 457 家升至 1195 家。 另據 IDC 數據測算，2025 年中國人工智慧基礎數據服務市場規模將突破 120 億元，2019-2025 年年均復合增長率（CAGR）約為 47%。

只不過，這些增長更多屬於「橫向增量」——也就是新場景帶來的數據標註需求擴容，而非“標註師”作為工種本身的上升通道被打開。 對絕大多數從業者而言，他們所做的，依然是為流水線打工。

已經被 AI「搶」過一次飯碗的廖仔對自己的職業未來充滿信心。

在來北京之前，廖仔在上海的一家設計公司做了兩年設計師。 那時候，AI 對於設計行業的衝擊已經開始，廖仔所在的公司也不得不向 AI 轉型，決定做一個客服類大模型。 他主動請纓參與其中，這個 AI 專案為他打開了新世界大門。

後來，他從公司離職，對 AI 進行了更為系統的學習。 今年春節後，他入職了現在的公司。 每天下班不管多晚，廖仔都會學習兩個小時 AI 相關的內容，他還開了一個小紅書帳號“炸毛瘋兔”，記錄 AI 心得。

“凡事發生，皆有利於我。” 在交流時，廖仔一再引用這句古語。

咖啡店的工作人員時不時會送來一些新品試吃，服務細緻妥帖。 而引人注目的咖啡機器人一下午並沒有沖調一杯咖啡。 最起碼現階段，機器人對這家咖啡館而言，更多是一個裝飾品。 儘管未來不可控，但人的主動性始終是關鍵。

*文中廖仔、蘇打、Jackson 皆為化名。

本文來自微信公眾號 “定焦”（ID：dingjiaoone），作者：陳丹，編輯：魏佳，36 氪經授權發佈。