AI训练背后的“白领零工”：专业知识正被系统性拆解为一次性消耗品
1952年，库尔特·冯内古特在小说《自动钢琴》中预言：自动化将取代蓝领工人，而失业者被迫维护取代自己的机器。七十多年后，这一图景重现，但主角已变为律师、编剧、设计师与科学家——他们不再维护机器，而是被雇佣去“教AI做自己的工作”。
被裁者成为训练者：AI裁员潮催生新型劳动力市场
据美国就业咨询机构Challenger, Gray & Christmas统计，2025年约5.5万个岗位因AI被直接削减，全年雇主宣布裁员总数达117万，创新冠疫情以来新高。
更值得关注的是其背后隐性的“吃人链条”：被AI挤出原岗位的专业人士，正成为AI公司最主要的数据劳动力来源。他们将十年甚至二十年积累的职业判断力，拆解为结构化数据，用于训练模型替代更多同类从业者。
典型职业链条案例
- 内容营销人员被ChatGPT取代后，转而受聘训练聊天机器人撰写营销文案；
- 电视编剧发现剧组用ChatGPT起草剧集，随即承接AI公司科幻剧本的数据标注合同；
- 平面设计师因85%客户转向生成式AI流失，最终注册数据标注平台，为其曾凭手艺谋生的视觉素材打标签。
这些人在旧体系中是受训专业者，在新体系中却沦为按秒计酬的零工。
为何需要人类专家？AI遭遇“能力天花板”
大语言模型依赖海量文本学习模式，但公开互联网数据正快速枯竭，性能增长明显放缓。2024年前后，“Scaling Law撞墙”成为行业共识。早期RLHF（基于人类反馈的强化学习）虽能提升回答“像样度”，但可靠性提升有限。
法律分析、广告文案、管理咨询、教育方案等专业领域缺乏天然验证机制——何为优质投资建议？客服邮件语气如何才算“恰当”？这类判断高度依赖人类经验。于是AI公司选择“花钱制造标准”：雇佣专家定义标准、审核标准、打分、撰写“黄金答案”（golden output）、构建推理链（reasoning trace），甚至开展“世界构建”（world-building）项目，由律师或咨询师角色扮演虚构企业团队，产出会议纪要、财务模型与决策备忘录供模型训练。
数据训练产业迅速扩张
Mercor是该赛道成长最快的企业之一。三位湾区青年2023年创立，初期聚焦AI招聘匹配，后转向为AI实验室提供专家级训练数据。2025年10月完成C轮融资3.5亿美元，估值达100亿美元，创始人以22岁之龄跻身全球最年轻白手起家亿万富翁行列。Scale AI、Surge AI等亦为重要竞争者。
这些公司大规模招募具备学位与实操经验的专业人才，招聘范围覆盖厨师、管理顾问、野生动物保护科学家、私家侦探、记者、教师，甚至“北美青少年幽默专家”。业内评价称，这是“人类历史上规模最大的专业知识采集行动”。
图丨Mercor 创始团队（来源：Mercor）
体面口号下的劳动困境
“参与AI经济”听来体面，现实却充满落差：
- 项目初期待遇尚可、有人类主管沟通，但很快任务量激增、时限缩短、薪酬下调，未达标者被静默“下线”；
- 有编剧指出，不少获奖导演与制片人私下从事此类工作，却不愿公开承认；
- 为Meta做视频标注的项目关闭后，数千人被转入新项目，时薪从21美元降至16美元，低于加州等多州最低工资；新项目Slack群删除茶水间与互助频道，甚至关闭私信功能；
- Mercor要求工人安装Insightful软件，精确追踪键盘操作至秒，无输入即弹窗质询，“非生产性时间”可能被扣减报酬；
- 一位资深编剧坦言：“上厕所、倒咖啡、伸懒腰……所有构成‘你是一个人’的琐碎时刻全被剥夺。”
图丨Insightful App（来源：Insightful）
Surge AI旗下Data Annotation Tech平台则更不透明：工人常在登录后发现任务面板清空、客服失灵，被称为“死亡仪表盘”（dash of death）。
结构性问题：不确定性向下传导
AI实验室发现模型在化学领域薄弱，便向数据供应商下单招募化学家；产出数据后项目暂停，待实验室评估效果——期间需求可能调整、供应商更换，甚至转向生物学家。一位数据公司高管坦言：“AI实验室自己也常不确定要什么，不确定性一路向下传导，全部由底层工人承担。”
为应对波动，数据公司维持庞大待命劳动力池。因工人多被定义为独立承包商，无需医保、带薪假或失业保险，边际成本近乎为零。
严苛保密协议进一步削弱议价能力：工人不知服务对象，合同仅写“客户”，不得透露工作细节，无法积累可迁移职业声誉。一位从业超十年的管理者直言：“沉默本身就是雇主的定价权。只要工人无法证明做过什么，就永远无法获得与能力匹配的报酬。”
全球劳动力池加剧压价压力
加州正尝试建立制度阻力：过去半年，至少三起集体诉讼指控Mercor错误归类工人；Scale AI与Surge AI此前亦涉类似诉讼，Scale AI已在和解进程中。原告核心主张是：公司对工人实施“非同寻常的控制”（指定平台、安装监控、设定流程），法律上难以成立独立承包关系。
2026年2月，美国劳工部发布拟议新规，试图厘清雇员与独立承包商界定标准，但能否追上新型劳动形态扩张速度仍存疑。
相较Uber司机需物理存在方可接单、具备本地组织维权基础，数据工人完全远程可替。若美国工人争取更高报酬，企业可迅速转向全球南方国家。世界银行估计，全球数据劳动者达1.5亿至4.3亿人。
终极悖论：训练AI，即加速自身淘汰
每个训练项目都指向自我消亡：教会AI法律分析后，法律分析数据即失效；掌握冷门语言学分支后，该需求即从清单中移除。
一位语言学硕士从事rubric编写一年后发现，无论提问多冷僻的理论或濒危语言，模型均能精准回应。其周提交量从三四个锐减至勉强一个；项目结束后，五个月未获新岗。
Marketing AI Institute的Paul Roetzer描绘终极场景：AI实验室高价聘用百名资深注册会计师微调模型，使其超越人类水平；随后，初级会计岗位即被自动化。“整个行业膨胀，但对个体而言，技能被完整提取之日，即是被‘下线’之时。”
“人类特质更有价值”？现实远比口号复杂
Mercor CEO Brendan Foody曾表示：“AI自动化90%经济后，人类成为剩余10%瓶颈，单位产出杠杆效应可达十倍。”逻辑成立，但适用对象实为顶尖少数。
对绝大多数专业人士而言，其能力恰处于“足够好、可被标准化提取”区间——足以训练AI，又不足以令AI学成后仍需其服务。数据标注行业的残酷性，正在于此精准利用。
Anthropic最新报告《AI的劳动市场影响》指出：AI实际采用率远低于技术可行替代率。这“时间差”既是缓冲期，也是倒计时——大量高学历者唯一可得的工作，是在不稳定条件下，以最值钱的专业知识换取临时报酬，并加速该报酬归零进程。
政策缺位与组织缺位
当前政策讨论聚焦于AI引发大规模失业后的再培训或全民基本收入，但另一种趋势更需关注：任务级替代而非岗位级替代——人类被重新分配至AI生产流程的中间环节，如修改半成品、编写rubric。这类工作天然间歇性，由独立承包商承担，而现行法规几无保护。
麻省理工学院经济学家Daron Acemoglu指出：“若无适配数据经济的法律基础设施，许多数据生产者将被低薪雇用，甚至被剥削。”他呼吁建立类似工会的集体组织，防止大公司以分而治之策略持续压低数据价格。
时代寓言：在咖啡店与算法之间弹跳
Katya拒绝16美元时薪的Nova项目，转而应聘咖啡店：“至少有能聊天的同事、假装在乎你的老板、确定的下周班表。”这不是她读研时设想的职业路径，但她认为，相比被算法监控抢活儿，做咖啡师更具尊严。
手机响起——此前暂停的项目重启了。
这个结尾成为时代的缩影：一位合格、有经验、受过高等教育的人，在“训练AI取代自己”与“去咖啡店打工”之间反复横跳。问题不在某一家公司，而在技术发展路径与劳动制度安排本身——它将“人类专业知识”系统性地转化为一次性消耗品：被提取、被训练、被丢弃。
如今AI行业热衷讨论“人在回路中”（human in the loop）的伦理与效率，但从数据工人真实处境看，在AI真正接管完整工作回路、社会生产分配方式发生根本变革前，回路中的他们更像一根燃烧的蜡烛：存在价值，即在于把自己烧完，然后“退出”。
问题是：烧完之后怎么办？至今无人给出像样的答案。
（来源：HISTORY）
