时薪千元挖大厂前员工教会AI后一脚踹开，“多少数据公司正在把高级牛马当饲料榨干”

Vista氢商业·2026年01月12日 16:33

人类究竟被视为AI的长期合作者，还是一次性耗材？

从咨询公司普华永道离职后，邵逸凡收到了一封看起来几乎完美的兼职工作邀请邮件，时薪高达120美元，居家办公，时间自由。

工作内容是「给AI出题」——但不是为了让它答对，而是为了让它答错，然后再手把手教会它，如何像年薪百万的「高级牛马」们一样做咨询。

高时薪、高自由度，这几乎是无数打工人梦寐以求的「神仙工作」。

可邵逸凡却给出了一个截然相反的评价：“在喂AI数据的时候，我不是牛马，我是牛马饲料。”

被AI取代之前，打工人正在牺牲自己供养AI?

问题到底出在了哪里？

邵逸凡很快发现，要想真正难倒AI，光靠编数据是远远不够的。你不能抄袭，也不能使用网上的公开案例，这一切都在暗示着，你必须把自己真正做过的项目喂给它。平台甚至会直接询问：“你是否愿意在抹掉客户信息的情况下，提供你以前做过的项目报告和模型？”但这些项目资料，是她和团队伙伴一起熬了好几个月完成的，又是客户花了几百万买断的。

最关键的是，看似体面的时薪，更像是一笔对你过往经验和知识的“一次性买断费”。她注意到，过往参与的数据标注项目，刚开始接活时任务不断，但一旦连续工作十几个小时，任务就会突然消失，“AI管你要的是无穷无尽的经验，等你自己的经验枯竭了，它就不会再给你分配新任务了”。

换句话说，如今的AI像一个不停哭闹着要吃奶的婴孩，但当它从一个人身上榨干了所有知识和经验，就会立刻转身，去找下一个人。

因此她说：“在喂AI数据的时候，我不是牛马，我是牛马饲料。AI把这些饲料全部吃完以后，变成一个更强大、更加不知疲倦的牛马，然后取代我。”

意识到这一点后，邵逸凡拒绝了这份工作，但评论区却说，“最可怕的是，只要钱给到位，你不干，总会有人干”。

打工人目前的情况相当于“被骗了还要帮人数钱”，被AI取代不是最悲惨的，最悲惨的是燃烧了自己的职业生涯，把AI喂得膘肥体壮，然后再被AI无情地一脚踹开。

如今人们逐渐认识到，AI之所以能从诗词歌赋聊到人生哲学，从写代码到模拟恋爱样样在行，并非天生全能，而是一路被人“教”出来的。

这些“老师”有一个听起来相当高级的名字：人工智能训练师。

自2020年2月起，“人工智能训练师”被正式纳入国家职业分类目录，其中一项基础但不可或缺的工作，正是“数据标注”。有报告指出，未来五年，中国数据标注领域的人才缺口可能高达百万。

所谓的数据标注，是对文本、图像、音频等原始数据进行分类、标记和注释，把人类世界里那些模糊、暧昧、只可意会的经验，一点点拆解成机器能够理解的结构和逻辑。最简单的例子，就像识别验证码那样，教会AI分辨图片中是猫是狗还是摩托车。

不过，普通人从启蒙读到大学，通常要十八年；AI从“啥都不懂”到能写论文、做咨询、当情感顾问，可能只要短短一年。

随之水涨船高的，还有对“老师”的要求——从早期的“会上网就行”，已经进化到了“985硕士以上，具备金融、医学、法律等专业背景”。

“以前总开玩笑说，被裁了就去干数据标注；现在发现，可能连标注的门槛都够不上了。”

如今的门槛究竟卷到了什么地步？在某个标价100-400元/小时的“模型专家项目”招聘介绍中，要求几乎媲美大厂社招，卡985硕士的学历，卡高壁垒的专业背景，还卡2年以上的工作经验。

一位负责多家头部企业标注人员招聘的HR也证实，近两年，标注岗位招聘要求不断提高。早期，多数岗位只要求高中或专科学历，不限经验，上手就能做；而到了今年，本科及以上学历的候选人占比已超过一半。通用类标注开始要求经验，垂直领域普遍要求专业背景，部分岗位还需要通过专业笔试。

竞争也在日益加剧，目前的招聘通过率，大约仅为二进一。

为了搞清楚入行要经历怎样的筛选，氢商业编辑在一款众包标注平台注册了账号。正式接单之前，需要上传完整简历、选择细分专业方向，并通过对应领域的专业知识测试。

以媒体方向为例，准入考试的难度，几乎可以对标高考语文。

在这里，你既是考生，也是老师。一小时的时间里，得完成约20道题，不能使用AI辅助，不能复制粘贴，只能纯靠手打，节奏相当紧凑。

考试分为两个部分。第一部分，是当阅卷老师：在同一道问题下，对比两个模型给出的回答，判断哪个更好，并说清楚原因。评判远不止于简单的字词搭配，更要像批改高考作文那样，看它是否文体得当、立意准确、逻辑通畅。

第二部分，是当出题老师：需要原创一道开放式难题，明确要求“难度超过国内模型当前水平”。和前文邵逸凡提到的工作内容类似，出题的目的就是难倒AI，也就是说，在百分制情况下，它只能拿到不足40分，比常见的60分及格线还要严苛。

出题人不仅要写出参考答案或详细考点，还要把这道题分别投喂给作为测试组和对照组的两个大语言模型，对它们的回答进行打分、对比优劣，并像一位耐心的一对二辅导老师那样，教会它们“为啥错、错在哪”。

在整个过程中，平台反复强调一个词「真实」，要求真实问题、真实情景、真实需求、真实经验。

因为真实数据，始终都是最稀缺、也最昂贵的资源。镜相工作室报道曾指出，只有不断积累来自真实世界的问题和反馈，模型才能持续进化，而专家型AI训练师，就是获取这类数据的一条“捷径”。

为此，OpenAI曾向医学、法律、语言学、计算机、物理学等领域的至少300名专家“取经”，报酬为每小时100美元，每个问题平均要花上两小时。

从成本角度看，这其实是一笔非常划算的买卖。一名高学历、具备实务经验的专家型标注员，其人力成本，往往远低于模型出错所带来的代价：自动驾驶中一个漏标的行人，可能让耗资数千万的百万公里路测功亏一篑；法律合同中的一个理解偏差，就可能引发上亿的诉讼风险。

更重要的是整体效率的提升，花两倍的价钱雇一个人，就能让他干四个人的活。比如，医学博士对CT影像的判读效率和准确性远超普通标注员，还能反过来优化数据采集与标注标准体系。

标注工作本身也在升级。它不再只是分类、画框，而是逐步走向逻辑推理、价值判断和创造性示范。最基础的接近于判断题，评估模型的回答是否正确、完整、符合逻辑；更进一步的是修改题，指出问题所在，并提供更优答案；最高级的是示范课，完整呈现一个人类专家如何拆解问题、权衡利弊，并最终做出决策的全过程。

在国内，大厂们也在走相似的路径：通过搭建专家型社区，构建更真实、更可靠的数据集。阿里推出了晓天睿士、腾讯推出了AI Expert，字节推出了Xpert，纷纷打出“专家标注，驱动AI进化”的旗号。

高薪，是上述平台最直接的吸引力。比如，阿里晓天睿士宣称时薪可达千元，几乎抵上普通白领的日薪。不过，下限是50元，还有一行小字“一切以最终项目定价为准”。

不只是兼职，正式员工的薪资也相当可观。据财经天下统计，字节跳动给AI训练岗开出了月薪2-4万元、15薪的待遇，小红书也对“AI标注产品”岗开出了2-4万元、16薪的标准。

一时间，社交媒体上，许多求职博主纷纷号召“这波秋招/春招，文科生请大胆投AI”，与此同时，各类AI训练师速成培训班也应运而生。

AI热下人人都想分一杯羹，数据标注被描绘为最低门槛、最快入门的工作，成为许多文科生试图转行AI的跳板。

最常被提及的例子，是小红书和复旦大学合作的“AI人文训练营”，和哲学、社会学等人文学科背景的高校学子一起搞实验，希望让模型更有“人味”，更懂“同理心”，随后小红书也宣布录用了一名复旦哲学博士。

“月薪三万，文科友好，但这一切真的像听上去那么‘自由而有用’吗？”

高级牛马，正在成为AI饲料?

“数据标注不值得。”

一边是培训班、训练营、专家招募如火如荼，一边是从业者避雷劝退劝得大张旗鼓。

太多的Dirty work，是它被避雷的首要原因。

在宣传里，AI训练师的工作往往被描述得很动人：你不是在打杂，而是在教机器理解人类。但落到现实里，它依旧是一条高度工业化的数据流水线。

来自复旦大学的小亚告诉Vista看天下，当用户说“我失恋了，想去旅行”时，未经训练的AI往往只会甩出交通路线和门票价格，像个不开窍的“直男”。而AI人文训练师要做的，是教AI像闺蜜一样，先大骂“渣男”，并安抚情绪说“我理解你的难过”，然后给用户推荐可以容她大哭一场的海边，而不是人挤人的网红景点。听起来很高级，但执行起来极其消耗。在工作的7个小时里，她要给AI下50-100条指令，每条往往要反复生成六七次，才能勉强选出一个“像人说的”。

图源：公众号@复旦大学

这种挫败感也源于产业链中的弱势地位。据镜相工作室报道，985硕士刘到闲正在大厂担任AI训练师，自嘲自己更像个“包工头”，主要就是承接上游算法和产品团队的需求，然后负责交付，“没有那么强的主动性，工作内容也不是特别有创造性”。更憋屈的是，当数据质量本身有问题时，她的专业判断常被忽视，反而要替模型效果背锅，“合作的产研团队，可能因为你处于下游，就表现得高高在上”。

钱，可能也没有想象的那么多。

在真正拿到标注兼职之前，很多人先经历的，是一轮又一轮免费的试标。申请时，你可能要开摄像头、开麦克风，花掉半天时间，只是为了争取一个“可能的机会”。于是，一个看起来像正经招聘的流程，实际可能是一场低成本的数据采集。

真正拿到offer的人并不多，而被骗稿、被扣钱、被以“质量不达标”等模糊理由拒付报酬的经历，却在圈内频频发生。

即便顺利上岗、远程办公，工作体验也谈不上轻松。工作界面通常自带计时器，实时监测你的屏幕状态：一段时间没有操作，就会自动暂停甚至报错。想去倒杯咖啡、上个厕所、刷一下微博，都得先手动点“暂停”——带薪摸鱼，在这里几乎不存在。

不同项目的报价差异极大，上限和下限之间往往隔着一两个数量级。公开招聘信息显示，基础兼职的日薪多在百元到几百元之间；即便是正式岗位，月薪水平也低于同级别的技术岗、产品岗和运营岗。

问题并不在于数据标注不重要，而在于它缺乏技术壁垒。每一条数据，都像玩偶身上的一针一线，很难被单独识别其价值。在这条高度标准化的生产线上，大量重复劳动难以沉淀为不可替代的能力，从业者的议价空间也就被不断压缩。

真正让人不安的，是职业前景。AI训练师们一边工作，一边怀揣着“教会徒弟，饿死老师”的不安，担心自己不过是AI进化路上的一次性耗材。

更残酷的是，训练师们亲手训练的“替代者”的确正在逐步上场。训练师Jackson告诉定焦，在一些成熟的文本模型中，由AI合成的数据已经替代了80%的人工标注。

这种不安并非杞人忧天，行业在向上狂奔的同时，也在冷静而迅速地清退早期的“基建者”。过去，媒体常常报道数据标注如何为农村妇女、残障人士等群体带来新的就业机会；但如今，这些最基础、也最脆弱的岗位，正在悄然消失。据冷杉报道，在贵州某带有扶贫性质的数据基地中，为了提高订单的效率，原本担任标注主力的“妈妈工人”的比例被要求降到25%以下。

与此同时，AI数据公司的商业模式，正在进一步放大这一职业的脆弱性。

2024 年以来，随着大模型逐渐走过“堆量训练”阶段，数据标注的边际收益开始明显递减。

高端标注成为行业瞩目的重点，但这门生意面向的客户群体极其狭窄，几乎只围绕着那几家头部大模型公司转，一旦客户更换供应商，或干脆选择自建团队，订单就会迅速缩水。更现实的是，这个行业几乎没有真正的护城河：业务高度同质化，需求零散且不断变化，过去积累的人力和经验很难在新项目中复用，标注员流失率始终居高不下。

但没有门槛的另一面，是“谁都能入场”。只要接下一小部分需求，新玩家就有机会站上牌桌，也正因如此，依旧有不少年轻的数据标注公司在缔结新的财富神话。

2025年6月，Meta创始人扎克伯格豪掷143亿美元收购数据标注公司Scale AI，28岁的创始人Alexander Wang一夜之间跻身百亿富豪之列；给邵逸凡发来工作邮件的Mercor，估值同样高达百亿美元，其创始人Brendan Foody今年才23岁。