在人工智能蓬勃發展的背后，有一群“隱形”的勞動者——AI數據標注師。他們通過為海量數據打上標簽，助力AI模型的學習與成長，然而自身卻面臨著職業困境與未來迷茫。本文深入剖析了數據標注師這一群體的現狀：從高薪誘惑下的涌入，到工作強度與收入的不對等；從缺乏技術壁壘的重復勞動，到被AI替代的潛在危機。

———— / BEGIN / ————

北京798附近的一家咖啡館內，AI數據標注師廖仔在交談中一再提到店里的咖啡機器人。

在這家占地近3000平米的咖啡館內，不少咖啡師圍繞著中央圓形島臺工作，但其中最引人矚目的是一臺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筑設計相關的課程。后來，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注師。職業變化背后，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后，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，數據標注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。”她說道。

作為人工智能訓練師的一個工種，數據標注師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，全國各地甚至涌現了不少打著AI訓練師旗號的培訓班；另一邊則是彌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。

標注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浪潮下的兩個典型注腳。

“擰螺絲”的三種姿勢：數據標注師的隱秘分層

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

我們體驗了一個眾包平臺的視頻審核兼職項目，任務是為自動售貨機做數據標注。

正式上崗前，求職者先得進群進行一輪訓練——為500條視頻進行標注，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，做起來卻并不容易——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。

我們嘗試標注了20條視頻，用時25分鐘，完全正確的只有14條。

群里負責培訓的老師一再鼓勵大家：一開始錯誤率高是正常的，后面會越來越熟練、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里。

前不久，她在招聘平臺看到國內某個大廠發布的數據標注兼職崗位。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文件，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，在正式的標注過程中，也需保證正確率。如果正確率低于平均水平，便會失去標注資格，需要重新測試。

據蘇打觀察，她所在群里測試的通過率并不高。

“這份工作的難點是記憶、理解的成本特別高。在標注之前，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，這些標準并不是固定不變的。

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，最后獲得的報酬微乎其微。

蘇打告訴我們，這份兼職也是按計件收費，標注一件的費用只有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。

廖仔參與標注的是國內另外一家互聯網大廠的外包項目。他領導著一個由10名標注師組成的小組。項目里，有好幾個這樣的組別，對該大廠的大模型進行評估、鑒定、指定標注規則。廖仔會對每天需要標注的任務進行分配，再告訴組員具體的規則和評判標準確保客觀性。除數據標注之外，他還需跟算法團隊、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制作咖啡，那么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、怎么研磨等等。通過每一步的數據標注，對它進行調校，然后再回歸到模型，讓它自主訓練。

三種數據標注工作可以大致勾勒出這個職業背后的隱形分層：

1. 自動售貨機標注，考驗“體力+注意力”，靠重復和熟練提升效率；

2. 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；

3. 大模型評估，則在標注之外承擔流程管理和溝通工作，具備一定自主性。

常有人將數據標注比做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，最起碼清楚了用什么工具擰、怎么擰效率會更高。

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注的意義。

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，主要來源于公開爬蟲數據、模型合成數據、第三方采購數據或企業自有數據。這一階段對人工標注的依賴較少。

數據標注師主要介入的，是后兩個階段。

1. 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，就是輸入特定數據后，教會模型“如何回答”。

2. 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質量。

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，幫助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于前者，很難量化；蘇打的工作則是后者，可以計件考核。而像前文提到的自動售貨機標注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注的數據。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注，但（AI公司）老板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，而且模型還會更新迭代，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注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，字節跳動在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，阿里巴巴集團CEO吳泳銘宣布，未來三年，阿里將投入超3800億元用于建設云和AI硬件基礎設施。

但即便是這些頭部玩家，也必須在各環節精打細算。

數據標注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。“你不干，有的是人肯干，價格自然上不去。”

問題的本質不在于數據標注不重要，而在于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、斑馬身上的一根毛發，很難辨析出其對于整體的意義。在這條流水線上，標注師很難積累出個人能力上的“獨占優勢”，非常容易被替代。

沒有壁壘，就難有議價能力。

從招聘網站公開信息來看，兼職數據標注師日薪多在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。相對技術崗和算法崗，這樣的薪資水平并不算高。

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注相關的崗位。

為此，她還專門咨詢了一位從事AI數據標注多年的朋友。

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，后來又跳槽去了另外一家大廠。朝陽行業、高薪崗位，很多人羨慕她踩中了風口，但她勸蘇打慎重投遞這個崗位——因為數據標注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從業者的階梯式分布：塔底是標注，腰部是應用，再往上是做微調和后訓練，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，標注師們訓練出來的模型本身，在悄然和標注師展開競爭。會不會被AI取代，成為懸在標注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%的人工標注。

這背后的邏輯是：模型不強時，對標注的需求就大；標注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注師替代了。

在海外的一些高科技企業，這樣的情況已經發生。

據彭博社報道，蘋果公司于2024年1月關閉了一個與Siri人工智能業務相關的團隊。他們原本負責對用戶與Siri交互時產生的數據進行監聽分析、標注和理解用戶需求。同樣因為自動標注能力大幅改善，2022年6月，特斯拉裁撤了200名為其標注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，也影響著數據標注師的職業前景。

2023年初，基礎大模型是所有科技巨頭競相投入的戰場，百度、字節、阿里、騰訊等大廠商高調押注自研大模型，數據標注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注這一基礎工種的崗位供給與預算安排。于是，用于支持基礎大模型訓練的數據標注需求可能被壓縮。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，需求并未完全消失。

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，就需要找人標注數據。數據標注的需求仍將長期、大量存在。

另一方面，根據清華大學發布的《智能數據產業發展觀察報告》，2024年數據標注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年中國人工智能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，這些增長更多屬于“橫向增量”——也就是新場景帶來的數據標注需求擴容，而非“標注師”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對于設計行業的沖擊已經開始，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項目為他打開了新世界大門。

后來，他從公司離職，對AI進行了更為系統的學習。

今年春節后，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賬號“炸毛瘋兔”，記錄AI心得。

“凡事發生，皆有利于我。”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，服務細致妥帖。

而引人注目的咖啡機器人一下午并沒有沖調一杯咖啡。

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。

盡管未來不可控，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One，作者：陳丹 編輯：魏佳

想要第一時間了解行業動態、面試技巧、商業知識等等等？加入產品經理進化營，跟優秀的產品人一起交流成長！