985硕士进厂做数据标注，自嘲像个「包工头」

2020 年 11 月，黄土高原以南、关中平原以北，宜君县进入深秋，大地的黄色与枯木的灰色交叠，阿娟开始了她的新工作。

在仅有 20 来人的小办公室里，她给电脑屏幕上的店铺门头图片打标签——曝光过度不能用，店名虚化不能用，门头反光也不能用。这些被标注完成的图片会被拿去给 AI 学习，帮助它识别审核平台商家上传的门头图片。这样的图片标注工作很简单，熟练之后，阿娟十几秒就能处理一张，一天能给近两千张图片 " 打标 "。

这份枯燥的工作有着一个听起来很响亮的名称—— " 人工智能训练师 "，是 2020 年 2 月才被正式纳入国家职业分类目录的新职业。但谈起数据标注这份工作，在之前的两三年间，通常和 " 低门槛 "" 欠发达地区 "" 劳动密集型 " 等名词绑定在一起，从业者们对自动驾驶、人工智能几乎没有了解，只是机械地点击鼠标，完成任务。

2023 年后，以 ChatGPT 为代表的生成式 AI 爆火，人工智能发展进入新阶段，数据标注的职业也有了一些新变化。

这一年，"985 硕士 " 刘到闲转行去做数据标注，互联网大厂正编，月薪 1.5 万元以上。不像县城的标注员坐在工位上一整天，刘到闲九点半上班后，要对接产品、算法团队的数据训练需求，解答数据标注团队提出的疑问，大部分时间花在大大小小的沟通与讨论上。

本质上，刘到闲和阿娟的工作没有不同，她们都是 AI 的人类老师。随着行业变化，越来越多像刘到闲一样的高学历年轻人选择成为 AI 训练师，但阿娟们的担忧是，数据标注工作的要求越来越高，她们会不会失去自己的工作。

刘到闲的工作目标，是把 AI 教成一个专家。

这就像培养一个小孩。一开始，是阿娟们教给 AI 最基础的知识，什么是鸟，什么是花，什么是车，让 AI 能理解最常用的话语。到了通用大模型，则像是 AI 去大学里接受通识教育，掌握人类世界那些通行的、全面的知识。但如果想让 AI 完成人类的工作，就需要教给它更专业的知识和技能。

培养一位专家并不容易。一方面，刘到闲需要对接 " 用人单位 "，在公司里则是产品团队，知道他们想要什么样的人才，达到什么样的要求，刘到闲再根据对方的需求去制定培养计划，选取合适的教材，还要编写考核的试卷，并对 AI 的答卷打分。

教 AI 学习的过程是漫长的，工作量庞大，也不能只靠刘到闲一人，她还需要把制定标注的规则，把专业的知识 " 翻译 " 成大白话，让没有理论知识的一线标注员也能轻松理解。某种程度上，标注规则的可操作性，是考察一位专家型 AI 训练师的核心标准。

刘到闲曾接到过一项提升模型意图识别能力的需求。理想状态下，经过数据标注团队的调整，在和用户对话的过程中，AI 大模型能够准确判断用户的输入意图，究竟是想要得到某个领域的信息，还是在寻求情感支持。

这样的意图判断过程接近于人和人之间的交流，有很强的主观性，如果直接交给一线标注员，可能理解各异，如果导致模型训练偏差，纠错成本非常高。而一份高可操作性的标注规则能极大程度地减少误差，提高数据质量。

为了满足需求，刘到闲首先要厘清用户意图的类别，并尽可能详尽地列举出来，然后给每个类别赋予清晰的定义，明确不同分类之间的边界在哪里。比如，用户说 " 我很伤心 "，她在标注规则中写上，这是在寻求情感支持；用户描述了一件生活中发生的开心事，她会将这定义为分享个人生活。

理解自然语言交互中字与字之间的微妙差异，是刘到闲擅长的事。今年 28 岁的她是 985 高校毕业的语言学硕士，曾在科技媒体工作过一年，因为对媒体工作 24 小时待命的厌倦，她开始寻找让创作与科技结合的另一种可能性，比如 " 喂养 AI"。

● ChatGPT 引发的生成式 AI 浪潮改变了数据标注行业。图源：视觉中国

这是个可遇不可求的转行机会。ChatGPT 的走红带来了生成式 AI 和预训练模型的爆发，模型 " 堆量 " 训练后涌现出的智能让业内外惊叹。她看到了模型训练 " 走俏 " 之下，数据标注的重要性。她想踏上这波风口，离前沿技术更近一点。

和刘到闲一样做数据标注的同事基本都是硕士研究生学历，在公司内部被划分为运营岗。她的一部分同事是冲着 AGI（通用人工智能）理想来的，另一部分是冲着大厂正编和高收入来的。在人工智能风口面前，数据标注岗位，成了为数不多非技术背景员工的职业跳板。

虽然薪水没有预想中高，和公司里的其他运营岗同事相比，刘到闲的薪水甚至更低一些。但相比阿娟那样基础的数据标注工作，从事多模态对齐、知识图谱构建等高端标注的薪资可达 2-3 倍，月薪两三万也很正常，有些公司还开放了从数据标注到产品、算法等岗位的晋升路径。

相应的，专家型数据标注师的要求也越来越高。据刘到闲观察，目前大厂招聘 AI 数据专家的学历要求大多为硕士研究生，且需要在相关专业领域有所积累，比如医疗、法律、财经等。

连最基础的一线数据标注员的门槛都在提升，大模型公司下游的数据标注岗也会对应聘者是否毕业于 211 高校有偏好。据《科创板日报》2023 年 8 月报道，百度智能云海口标注基地的数百名数据标注师，100% 是本科学历。

一份由百度数据标注外包公司提供的 " 文心一言 2024 笔试题 " 显示，在判断 AI 的回答是否准确时，应聘者需要考虑该回答是否符合客观事实，逻辑是否通顺，并给出相应的判断理由；应聘者还要修改一篇 800 字以上的议论文——这已经类似高中语文老师的工作。

毕竟，AI 已经不再是那个牙牙学语的孩童，它们需要学历更高、能力更强的老师，才能继续成长。

阿娟亲历了数据标注行业的变化。

作为链条最末端的一线数据标注员，在阿娟的想象中，她应当也是像刘到闲那样工作的。她毕业于一所民办普通高校，是误打误撞入的行。

2020 年，在朋友的介绍下，阿娟第一次听说了 " 数据标注员 " 的工作，很陌生，但感觉挺高大上的，" 我觉得可能是像以前大家想象中的大厂（员工）键盘敲得噼里啪啦响的那种，具有含金量 "。

那时的招聘要求也简单，只要会用一些办公软件就行。抱着试试的心态，阿娟报了名，通过培训考试后于当年 11 月上岗工作。和她一起入职的基本都是宜君本地人，有孩子母亲，也有中专刚毕业的年轻人。

● 陕西省铜川市宜君县，一位 AI 训练师正在工作。图源：视觉中国

最开始的标注任务主要是图像类，涉及外卖、保险、医疗等各种领域。阿娟印象比较深刻的是一个宠物鼻纹项目。

很多宠物主人会给自己的宠物买保险，鼻纹是保险公司区分相同品种、长相相似的宠物的关键。她和同事需要做的工作是，给宠物照片中的鼻子部分画框，帮助 AI 进一步识别鼻纹。这个项目让阿娟感受到了工作的价值感。她认为这是在帮助宠物主人给宠物顺利投保、向保险公司理赔，尽管她所在的小县城几乎没有人会给宠物上保险。

图像数据标注做得熟练了，阿娟又陆续接触了很多文本类的项目。项目类型换得很快，业务需求也很庞杂，有时前一周还在做合同文件标注，下周又换成了医学论文数据提取。经理给什么项目，阿娟和同事们就照着标注规范去完成，遇到疑问就提出、讨论、解决，绝大多数项目都没有给她留下印象，她也很少好奇这些标注完的数据会用到哪里。

工作近两年后，阿娟的同事越来越多，原本的小办公室容纳不下，两百多个人搬进了敞亮的写字楼。她明显感觉任务难度在上升，公司招聘的学历要求已经提高到了大专以上。她们开始做形式更丰富、标注规则更复杂的项目。

在一个视频侵权类项目的标注里，阿娟需要判断给定的关键词和视频内容的关联度。关联度一般会按照百分比分为四档，100% 是完全关联，0 是完全无关。她和组员需要基于对关键词和视频内容的理解，按照标注规范一一对应标注，这能解决 80% 以上的任务，剩下的 20% 可能会存在异议，需要和业务方开会讨论。

项目越来越复杂，同事的工作能力越来越高，行业飞速变化，但阿娟和同事们并不清楚这些变化是如何发生的。对处于行业末端的她们来说，和 AI 大模型有关的一切都在混沌间发生。

传统的标注依赖规则，生成式大模型标注则需要逻辑，比如标注推理步骤（因为 A 所以 B，但受 C 限制），或需要理解，比如多模态对齐（文本和视频内容关联），这类任务要求标注员具备抽象思维能力和跨学科知识储备，普通劳动力无法胜任。

有无数的普通标注员正在陆续被行业淘汰。

阿娟工作内容的变化，和刘到闲有机会转行做数据专家，都是同一件事的结果——大模型公司想活下去，必须去卷高质量数据。

2023 年，大模型公司招算法专家，投入算力资源去训练模型，比谁的模型参数大，谁迭代的速度快，谁在各类榜单上能名列前茅。但比来比去，大家拉不开差距，各家的模型都无法在生产力领域足够胜任，砸在训练上成本短时间收不回来。

到了 2024 年，大模型公司开始面临生死考验：从哪赚钱？怎么活下去？怎么实现大模型在垂直场景的商业化落地？甚至有头部大模型公司放弃预训练，全面转向应用开发，把资源投入到能赚钱的事情上。

一个共识是，要想在专业领域落地，高质量的垂类数据是竞争的核心。比如医疗场景中的影像识别，需要临床医生进行标注，法律场景中的合同条款，需要律师标注条款中的逻辑关联和司法解释。要想一个专业模型好用，必须有足够的精准的初始数据，这些数据难以从公开渠道获取，标注成本也十分高昂，但却是不得不做的投入。

一个高学历的专家型数据标注员的人力成本，远低于模型出错要付出的代价：自动驾驶标注中一个漏标的行人可能导致百万公里路测失败，间接消耗的测试成本可能高达数千万，而法律合同的标注错误可能让企业面临诉讼。专业型的数据专家也能显著提升标注效率，比如医学博士对 CT 影像的识别率是普通标注员的好几倍，还能帮助优化数据采集策略。

● 中国国际医疗器械（春季）博览会上展示的 AI 辅助诊断。图源：视觉中国

这时像刘到闲一样，有垂直领域专业知识的 AI 训练师就成了香饽饽。" 垂直领域（模型数据）我们不太冒险去找普通的人标注，肯定要找专业的。比如说标语音（模型），我们就会偏向于去找学语言学的人，因为他们才能判断答案的好坏。" 小琴说。

小琴在一家创立十多年的上市公司就职，该公司有多款成熟的 AI 产品，围绕作为核心业务的语音模型搭建了自有的数据标注团队。2023 年后，标注任务从客观选择题变为了阅读理解题，前期标注规范的制定、人机对齐工程更复杂。为了保证标注的一致性，她们可能会花半个月的时间研究标注规范，要求产品、算法、标注、评测团队共同参与。

这一年，她所在的公司计划研发音乐模型，面临的第一个问题就是数据如何标注。他们发现在给模型投喂足够多的数据后，模型能够拥有 " 涌现 " 能力，在一定程度上 " 创造 " 音乐，但计算机专业出身的团队成员无法判断模型生成的音乐质量如何，也很难找到优化方向。

隔行如隔山，从语音模型到音乐模型，他们在音乐相关数据的标注上没有经验。于是，团队计划找一位在音乐学院就读的学生做顾问。小琴认为，只有音乐专业的人才能分辨出模型生成的音乐到底合不合理，才会知道调整哪个韵律、哪种乐器可以辅助模型生成更好的结果。

更早之前，她所在公司还投入大笔资金，邀请了很多专业的录音师到录音室录制一手的声音数据。

小琴坦言，不管是现在还是未来，真实的数据一直都是无价之宝，只有把真实场景中产生的数据累积起来，才有可能做出更好的模型，专家型 AI 训练师则是获取真实数据的 " 捷径 "。

据新智元报道，OpenAI 为了提升模型处理客户问题的能力，向医学、法律、语言学、计算机科学、物理学等领域的专家提问，至少 300 人，每人每小时支付 100 美元报酬，每个问题平均耗时约两小时。Scale AI、Turing 和 Invisible 等公司，也招募经验丰富的程序员或博士，协助 OpenAI、Google、Anthropic 和 xAI 等公司，在 AI 开发的后训练阶段提高模型质量。

但这条 " 捷径 " 并不好走。为了确保工作质量，大型 AI 公司越来越多地把高质量数据标注的工作放到了内部，或者直接雇佣专家，而不是以往的外包。数据就是壁垒，也是另一个烧钱游戏。

过去两三年，在像泡沫一样迅速膨胀的 AI 招聘市场里，"985 硕士 " 做数据标注不过是其中的一个缩影。

Emily 是一位从业多年的科技行业猎头顾问，近两三年为不少 AI 公司招聘海外人才。在招聘侧，AI 公司给她留下了一个非常深刻的印象——这些公司非常有活力、非常激进，招人一定要非常年轻。

曾有企业客户告诉 Emily，作为一家年轻的 AI 数字人公司，员工一定要 98 后，95 后可能太 " 老 " 了。这些企业还要求应聘者有足够优秀的学习背景，" 国内‘清北复交’，国外只看‘藤校’，211 都觉得丢脸 "。

生成式 AI 浪潮下，招聘市场最火爆时，一家 AI 初创公司的 HR 每天会收到 100 多封简历，根本来不及看。陆陆续续地，会有候选人跟 Emily 说：" 我觉得这个有点泡沫，我觉得我们公司好像有点不稳，下半年你帮我看看机会。"

刘到闲也感受到了这种 " 不稳 "。2024 年以来，或许是模型已走过 " 堆量 " 训练的阶段，她看到自己支持的模型团队对数据标注的需求正在减少。事实上，当标注精度越来越高，边际收益开始递减，长尾的数据成本极高，许多公司也难以负担。

● 图源：视觉中国

她开始反思，转行后的两年多时间，究竟都经历了些什么。

985 硕士、大厂正编、AI 风口之上，这些都无法掩饰工种处于产业链下游的事实。相比于产品、算法团队，刘到闲所扮演的角色几乎没有话语权，她甚至自嘲像个 " 包工头 "。工作的 " 中台 " 性质，要求她日复一日地和各方沟通、协调，" 你是去承接需求的，你要去听算法的决定，听产研他们想要什么东西，然后去交付给他们。没有那么强的主动性，工作内容也不是特别有创造性 "。她从工作中获得的价值感越来越弱。

有次产研团队让刘到闲制定规则来提高模型某方面的能力，但她研究后发现，需要标注的数据质量不够高，难以通过规则来界定自然语言间的模糊地带。她根据自己的专业判断反馈给了产研团队，但对方只认为是刘到闲专业能力不够，扣下来一个影响模型效果的 " 帽子 "。

这种 " 背锅 " 的经历很多，让她感到极度疲倦；和同行交流时，她也感受到了 " 怨气 "。" 合作的产研团队，可能因为你是一个比较下游的角色，就会表现得高高在上，工作体验不太好。" 刘到闲说。

" 教会 AI 之后，数据标注员们怎么办？" 这是摆在每一个数据标注行业的从业者面前的难题，不论学历，不论专业。现在，随着 AI 越来越聪明，已经可以自己生成数据、自己训练，越来越不需要人类的监督，AI 的人类老师们也终将没有东西可教。

刘到闲已经开始看其他的工作机会了。她可以回到媒体行业，继续做科技报道，但薪水的差距让她犹豫不决。像多数 AI 训练师一样，转岗做 AI 产品经理或者运营也可以，不过反复沟通、拉扯消耗的能量，需要花些时间来恢复。

阿娟还没有去想这个问题。工作八个月后，她就升了小组长，至今已有 18 位组员。她需要为组员们的标注准确率和效率负责，多了些向上沟通的工作，工资也涨到了四千多元一个月。在小县城生活，做个 " 月光族 "，这些钱已经让她感到很幸福。

阿娟的亲友都不知道她在做什么，因为她从不在下班时间聊工作。这也是这份职业带给她的快乐——她从前在培训机构当英语老师，时常需要周末给学生们补课，很难有完整的休息时间。做了数据标注工作后，她到点下班，将生活和工作完全分离。

阿娟计划多攒攒工作年限，这两年再升个项目经理。

（应受访者要求，文中阿娟、刘到闲、小琴、Emily 皆为化名。）