那些給AI大模型打標簽的小鎮青年

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，換了把鋒利的鎬頭，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里，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。上海潤迅云中聲谷大數據智慧服務基地占據了整整幾層樓，數千名戴著耳機的年輕員工，正盯著屏幕，點擊，拖拽，框選。

根據官方數據，截至 2025 年 11 月，大同市已投運服務器 74.5 萬臺，引進了 69 家呼叫標注數據企業，帶動了超過 3 萬人次就近就業，產值 7.5 億元。在這個數字礦坑里，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注基地中，山西永和縣、貴州畢節、云南蒙自等中西部縣城赫然在列。在永和縣的數據標注基地里，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里，擠滿了失去土地的農民。而在今天，這些偏遠縣城里的電腦屏幕前，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。

沒人覺得這有什么問題。

黃土高原上的新流水線

數據標注的本質，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么是貓、什么是狗。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后，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。手速快的標注員，一天干十幾個小時，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，簡單圖像標注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 點云圖，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，標注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，而這樣一個復雜的 3D 框，也僅僅只有 5 分錢。

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

這根本不是什么輕松的白領工作。在很多標注基地，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里。系統會精確記錄每個員工的鼠標軌跡和停留時間，如果停下來超過三分鐘，后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，標注員必須靠聯想把它們一個個找出來；3D 點云圖里，只要超過 10 個點的物體，就必須畫框。一個復雜的車位項目，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。最后算下來，花了一個小時的功夫，到手的只有幾毛錢。

湖南的一位標注員在社交平臺上曬出了自己的結算單，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里，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，里面有一百個人正騎著自行車，咬著牙拼命踩踏板。

沒人覺得這有什么問題。

教機器「如何去愛」的計件工

當圖像識別的瓶頸被擊穿后，大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」。

這就催生了大模型訓練中最核心、也最昂貴的環節——RLHF（基于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」，就是因為背后有無數個 RLHF 標注員在給它上課。

在眾包平臺上，這類標注任務往往被明碼標價：單件費用 3 到 7 元。標注員需要對 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、在現實的泥淖里疲于奔命、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、同理心這些極其復雜、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。人類那復雜幽微的情感、道德與悲憫，正被強行拖入算法的漏斗。在冰冷的量化與標準化刻度里，它們被榨干了最后一點溫熱。當你驚嘆于屏幕里的賽博巨獸已經學會了寫詩譜曲、噓寒問暖，甚至披上了多愁善感的皮囊時；屏幕外，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里。

沒人覺得這有什么問題。

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。

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

各大招聘平臺上開始頻繁閃爍一類特殊的兼職，比如「大模型邏輯推理標注」「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。

很多名校研究生被吸引，涌入這些大廠的外包群。但他們很快發現，這根本不是什么輕松的腦力體操，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打分維度和評判標準文件，進行兩到三輪的試標。達標后，在正式標注中，如果正確率低于平均水平，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。面對相似的問題和回答，用相同的思考方式去打分，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、咀嚼起來更為復雜的數字草料。在算法和系統的絕對權力面前，象牙塔里的 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圣地亞哥一個 121 人的 AI 語音標注團隊。這些員工負責改善 Siri 的多語言處理能力，他們曾經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，無論是縣城里的拉框大媽，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」。

沒人覺得這有什么問題。

萬億巴別塔，砌滿幾分錢的血汗

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

這些數字背后，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，并沒有流向那些真正「喂養」AI 的人。

中國的數據標注行業，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，是大型數據服務供應商；第三層，是遍布各地的數據標注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注員。

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，落到縣城標注員手里的，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，拋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「云領主」（Cloudalists）。

他們擁有的不是工廠和機器，而是算法、平臺、算力，這些是賽博時代的數字領土。在這個新的封建體系里，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贊、評論、瀏覽，都在免費為云領主上供數據。

而那些分布在下沉市場的數據標注員，則是這個體系里最底層的數字農奴。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 并沒有抹平階層鴻溝，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「數據與血汗輸送帶」。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。

沒人覺得這有什么問題。

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注任務，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，理想一年要做大概 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注后，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 自動標注引擎。

行業里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，大廠在數據標注外包方面的投入，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，親手喂大了一只巨獸。而現在，這只巨獸正在轉過頭來，砸掉了他們的飯碗。

夜幕降臨，大同平城區的寫字樓依然慘白如晝。交接班的年輕人們在電梯間里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里，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后算力的轟鳴。

他們的視線，只被焊死在后臺那根代表著「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，是納斯達克的敲鐘聲與科技媒體的連篇累牘，巨頭們正為 AGI 的降臨舉杯相慶；而另一邊，這些以血肉之軀一口口喂大 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只由自己親手飼養的巨獸，在某個看似尋常的清晨，漫不經心地一腳踢飛他們的飯碗。

沒人覺得這有什么問題。