單價上千的新型數據外包，正在圍獵985畢業生

提到數據標注，很多人腦海里浮現的，仍是幾年前那幅畫面：二、三線城市的外包基地里，上百人排排坐，盯著屏幕給圖像框選車輛、行人、紅綠燈。這類任務門檻極低，無需培訓，按件計酬，完成上千張標注收入勉強200元。

但最近一兩年，風向悄然變了。隨著模型能力的升級，訓練所追求的不僅是識別能力，更是判斷和推理能力。

于是，一種時薪上千的新型標注任務開始在各大平臺和眾包社區流行：評估AI回答是否隱含偏見，改寫帶有誤導性的醫療建議，比較兩個政治話題回復哪個更中立。

這些任務動輒耗時一兩個小時，要求標注者具備語言敏感度、常識推理能力，甚至基礎的法律或倫理知識，報酬也水漲船高，普通任務百元起步，復雜場景下，一單800到1000元已不罕見。

同樣是支撐智能系統運轉的勞動，為何一個被高價爭搶，一個卻被壓到底端？模型標注需求的升級，對于普通勞動者而言究竟意味著什么？

給大模型標注并不是新鮮事。早在2018年前后，隨著計算機視覺和語音識別技術的爆發，數據標注的風就已吹進中國廣大的基層勞動市場：三、四線城市的待業青年、照顧孩子的全職媽媽、課余時間打零工的大學生，甚至一些退休后想補貼家用的老年人。平臺通過微信群、兼職APP或地方勞務中介層層分包任務，形成一張覆蓋城鄉的數字零工網絡。

那時的招聘廣告寫得簡單直白：“會用電腦即可”“在家可做”“日結工資”。門檻之低，幾乎消除了所有技能壁壘：不需要學歷證明，不考察專業背景，只要能分清紅綠燈、聽清普通話、點準鼠標，就能上崗。

然而，這種“人人可參與”的表象之下，隱藏著被業內稱為賽博血汗工廠的殘酷現實。

為了維持模型訓練所需的海量數據供給，平臺普遍設定高壓產出指標：熟練工每天至少需完成500張圖像標注，合格圖片的報酬僅在0.2元至0.4元之間，日收入很難突破200元，而這往往還不到知識型眾包中一道題目的價格。

在這里，勞動被極致標準化、碎片化、去人性化，連坐一周就會感到明顯的頭昏眼花、頸椎僵硬。干一年和干一天在技能、經驗或職業發展上幾乎沒有差別。一旦平臺引入AI預標注工具，人力需求便迅速萎縮，毫無議價能力的勞動者只能被動接受降薪或淘汰。

而在城市的另一端，一場截然不同的數據生產正在興起。985高校的博士生、三甲醫院的主治醫師、律所的資深律師、財經媒體的主筆……他們坐在圖書館、咖啡館或家中書房，花費兩三個小時打磨一條關于“生成式AI對醫療診斷責任認定的影響”或“如何向高中生解釋貨幣政策傳導機制”的參考答案，完成后，賬戶入賬600元、800元，甚至1000元。他們不必打卡，不用趕量，可以拒絕不符合專業方向的任務，平臺還會主動邀請他們參與高階項目評審。

于是，同是為大模型提供訓練數據，勞動卻分裂成兩個世界：一邊是一單五毛的機械點擊，靠透支視力與青春換取微薄日薪；一邊是一單上千的認知輸出，用專業積淀兌換靈活高酬。

高價值任務帶來高收入、高認知刺激和行業資源，形成正向循環；低價值勞動則陷入低薪、無成長、技能退化的負螺旋。

這不免讓人疑惑：AI是不是成了兩極分化的兇手？所謂的高薪標注到底是怎么一回事？

隨著通用模型能力需求從識別到推理，醫學、法律、心理學等垂類模型快速發展，簡單標注無法滿足訓練需求。AI不再需要知道答案的人，而是需要能教會它如何可靠地生成答案的人。

那么這類高薪標注模型標注的人才畫像是什么？又隱藏著一種怎樣的價值觀呢？

表面上看，有人一單入賬上千元，工作自由、時間靈活，仿佛進入了智能時代的新藍領階層，但深入其中就會發現，這扇門雖未明寫僅限名校，卻在實踐中悄然向985、211高校畢業生傾斜。平臺未必只看文憑，但面對海量申請者，學歷成了最高效的初篩信號。

一位擁有多年科研經驗的博士曾嘗試參與某大模型項目，卻在試標階段被拒。他的回答“過于學術，缺乏教學引導性”，不符合平臺對“AI友好型表達”的要求。這說明，學歷只是敲門磚，真正決定去留的，是能否將專業知識轉化為模型可學習的思維范式。

當然，高學歷某種程度也意味著高報酬。在計算機、臨床醫學、法律或金融等領域，一道需要整合前沿文獻、構建推理鏈條的任務，報價常達600至1000元。即便是哲學、教育、新聞等文科方向，只要具備思辨深度或教學價值，時薪也能輕松過百。但高回報背后是嚴苛的質量門檻，平臺不為努力買單，只為一次合格率付費。多數任務需經歷兩到三輪返修，一次邏輯疏漏、一處引用偏差，就可能被整單拒收。

關于工作形式，平臺定期釋放題庫，用戶自主認領，無打卡、無坐班、有空就做……這種彈性的工作形式吸引了大量研究生、青年教師和自由職業者。可這并不意味著一次合格就一勞永逸，系統會根據歷史交付質量動態分配任務權重。表現優異者被打上“優質貢獻者”標簽，優先獲得高單價題目，而反復返修的人也會被算法悄然降權，減少發放。

說到底，時薪過百買的不是時間，而是可規模化、可標準化、可被AI內化的高質量人類思維。而這張通往高薪的門票因此只發給那些既能深耕領域知識，又能跳出學術話語、持續迭代表達方式的人機協作型人才。

但AI的進化永不停歇，它一邊淘汰底層的機械勞動，一邊不斷抬高認知協作的門檻。昨天還在寫問答對的人，今天可能就要設計倫理測試集；今天被視為專家的輸出，明天或許就能被新模型自動合成。

本質上，AI一直在產生新的工作形態，而這一過程的本質仍是“剝削”人類的體力和腦力去完成自己的進化。

AI的進化從未停止催生新角色。十年前，沒人知道數據標注員是什么；五年前，提示工程師還是冷門詞匯；如今，“AI訓練師”“倫理對齊專員”“多模態內容設計師”正成為招聘熱詞。

但它每向前一步，人類勞動的分野就加深一分。當模型從識別圖像走向生成法律意見、撰寫醫學診斷建議時，它對好數據的定義也隨之升級。

也就是說，AI其實在進化中不斷淘汰舊的崗位、產生新的崗位。傳統數據標注剛興起時，甚至有輔導機構去做相關的培訓。但現在，高薪知識標注又筑起了新的技能壁壘。

首先，新崗位的誕生并不意味著機會均等。數據標注升級的同時，準入門檻也提高。平臺雖不公開寫明“僅限985”，卻通過試標任務、專業背景審核和交付質量追蹤，將絕大多數非體系化訓練者擋在門外。

其次，即便進入高階標注崗位，勞動關系的本質仍未改變。多數從業者仍以“靈活用工”“項目外包”形式存在，沒有勞動合同、晉升通道，甚至不被視為公司正式人力結構的一部分。他們可能每天花數小時判斷一段AI生成內容是否“冒犯少數群體”，卻從未參與過相關倫理準則的制定。他們的腦力被征用，主體性卻被抹去。

值得警惕的是，AI產業正通過技能神話合理化這種不平等。平臺常宣稱，“高價值任務理應匹配高能力者”，仿佛薪酬差距完全由個人努力決定。事實上，所謂高階技能往往是臨時性、碎片化且不可積累的。

今天需要你判斷政治偏見，明天可能轉向醫療術語校準，后天又要求你理解科幻小說中的隱喻，這些任務彼此割裂，難以形成可遷移的職業資產。勞動者被迫持續學習、快速適應，卻始終處于用完即走的不穩定狀態。

而一旦模型通過人類反饋學會某種判斷模式，這類標注任務就會迅速減少甚至消失。昨天還在寫千元問答的人，明天可能就找不到同類題目。你貢獻了讓AI變聰明的關鍵數據，卻無法分享它商業化后的任何收益。

所以，當我們看到“一單200”的新聞時，或許不必急于歡呼低端勞動正在消失。真正值得觀察的，是那些曾經做著5毛一單的人，現在去了哪里？

AI的發展不會停下，崗位也會繼續變。但對具體的人來說，每一次升級背后，可能都是一道不得不跨越的窄門。