1952 年，庫爾特·馮內古特（Kurt Vonnegut）寫了一本叫《自動鋼琴》（Player Piano）的小說。故事設定在一個工程師用自動化消滅了藍領工作的近未來，失業者被安排去做唯一剩下的事：維護那些取代了他們的機器。
七十多年後，這個設定幾乎成真，只不過被取代的不是流水線工人，而是律師、編劇、設計師和科學家，他們被安排做的也不是維護機器，而是一件更荒誕的事：教機器怎麼做自己的工作。
2025 年，據美國就業諮詢機構 Challenger, Gray & Christmas 統計，約 5.5 萬個崗位因 AI 被直接削減，全年僱主宣佈裁員總數達到 117 萬，是新冠疫情以來最高。
這些數字讓人焦慮，但更讓人不適的是這些數字背後還隱藏着一個“喫人”的鏈條：那些被 AI 擠出原有崗位的專業人士，正在成爲 AI 公司最主要的新勞動力來源，他們把自己花了十年二十年積累的職業判斷力，拆解成可供機器學習的結構化數據，以便 AI 更好地取代更多和他們一樣的人。
《紐約雜誌》和 The Verge 在 2026 年 3 月發表的一篇聯合報道，讓我們窺見了這個現象內部運作的一角。記者採訪了超過三十位白領數據工人，發現了一條荒誕的職業鏈條：
一個內容營銷人員因爲 ChatGPT 丟了工作之後，又被 AI 面試官錄用去訓練聊天機器人寫營銷文案；一個電視編劇發現自己的節目組用 ChatGPT 起草新劇集，轉頭接了一份給 AI 公司寫科幻劇本的數據合同；一個平面設計師眼看 85% 的客戶流失給了生成式 AI，最終吞下怨恨，註冊了數據標註平臺，給 AI 標註她曾經靠手藝賺錢的那類視覺素材。
這些人的共同處境是：他們在舊世界裏是受過訓練的專業人士，在新世界裏卻是按秒計酬的零工。
這些人之所以被需要，是因爲 AI 遇到了一個靠自己解決不了的問題。
大語言模型的能力來自於在海量文本上學習模式和規律，但公開互聯網上的數據正在被消耗殆盡，性能增長開始減速。2024 年前後，行業裏開始頻繁談論 Scaling Law“撞牆了”。早期的 RLHF（基於人類反饋的強化學習，Reinforcement Learning from Human Feedback）方法，訓練出的模型擅長讓回答聽上去像模像樣，但實際可靠性進步有限。
尤其像法律分析、廣告文案、管理諮詢、教育方案這些領域，不存在像編程一樣的天然驗證機制。什麼樣的投資建議算“好”？一封客服郵件的語氣怎樣才“恰當”？這些判斷本質上依賴人類的專業經驗。於是 AI 公司想出了一個辦法：既然沒有自動化的評判標準，那就花錢讓人類專家來“製造”標準。
這就是所謂“強化學習經濟”（Reinforcement Learning Economy）的核心邏輯。一整套精密的數據生產流水線被搭建起來：有人負責編寫詳盡的評分量表（rubric），定義什麼叫好的 AI 回答；有人負責審覈這些量表是否合理；有人按照量表給模型的回答打分；有人撰寫“黃金答案”（golden output），作爲模型應該達到的理想示範；還有人用 AI 的口吻一步步寫出推理過程（reasoning trace），讓模型日後遇到類似問題時有跡可循。
更有一種叫“世界構建”（world-building）的項目形態，要求一羣律師或諮詢師角色扮演一個虛構企業的完整團隊，花幾天時間產出上百份會議記錄、財務模型和決策備忘錄，再把這些材料交給另一組人去拿它們考驗模型。
圍繞這條流水線，一批公司迅速膨脹。Mercor 是其中成長最快的一個。三個灣區的年輕人 2023 年創辦了它，起初做 AI 招聘匹配，後來轉向給 AI 實驗室供應專家級訓練數據。2025 年 10 月，C 輪融資 3.5 億美元，估值達到 100 億美元，三位 22 歲的創始人成爲全球最年輕的白手起家億萬富翁。同賽道上還有 Scale AI 和 Surge AI 等競爭者。
圖丨Mercor 創始團隊（來源：Mercor）
這些公司都在爭相網羅有學位、有經驗的專業人才，招聘廣告五花八門：廚師、管理顧問、野生動物保護科學家、私家偵探、記者、教師，甚至還有“北美青少年幽默專家”。一位行業資深人士在報道中評價說，這是人類歷史上規模最大的專業知識採集行動。
供給側也如這些公司所願異常紅火。面向應屆生的求職平臺 Handshake 在 2025 年 8 月的數據顯示，平臺上的崗位發佈量同比下降超過 16%，而每條招聘收到的申請多了 26%。高學歷者就業困難加劇的同時，Handshake 自己也推出了幫求職者對接 AI 訓練數據崗位的項目。“隨着 AI 重塑工作的未來，”該平臺在宣傳中寫道，“我們有責任幫助用戶參與 AI 經濟。”
參與 AI 經濟。聽上去很體面。但報道中呈現的實際體驗，和這個措辭之間有着巨大的落差。
幾乎所有受訪者都描述了同一種模式：項目初期待遇尚可，有人類主管可以溝通，工作甚至有些趣味。然後情況迅速惡化，任務量增加，完成時限縮短，薪酬下調。達不到新要求的人被靜默“下線”（offboarded）。有編劇談到，他認識的一些得過獎的導演和製片人不會公開說自己在幹這種活兒，但那就是他們目前養家餬口的方式。
有設計師描述了一個爲 Meta 做視頻標註的項目突然關閉後，數千人被邀請加入一個做同樣工作但時薪從 21 美元降到 16 美元的新項目，這個價格已經低於加州等多個州的最低工資。新項目的 Slack 羣裏刪掉了茶水間和互助頻道，連工人之間的私信功能都關掉了。沒有人知道該找誰問問題。
而這些人連工作時上廁所的自由都沒有。Mercor 要求工人安裝名爲 Insightful 的軟件，追蹤電腦操作精確到秒，無鍵盤輸入即彈窗質詢。被判定爲“非生產性”的時間可能被從報酬中扣除。
報道中一位做了多部流媒體劇集的編劇談到，所有構成“你是一個人”的瑣碎時刻，上廁所、給自己倒杯咖啡、因爲背痛而伸個懶腰……這些全都被剝奪了，因爲那不算工作時間。“工會最初就是爲了這些東西而成立的，”她說，“保障工時、午休、假期和病假。而現在這些全部倒退了。”
圖丨Insightful App（來源：Insightful）
而在 Surge AI 旗下的 Data Annotation Tech 平臺上，情況甚至更不透明。工人們經常連被解僱了都不知道，只是某天登錄後發現任務面板空了，客服按鈕也失靈了，這種現象被稱爲“死亡儀表盤”（dash of death）。
但我們也無法把這些問題歸咎於某一家公司，因爲根源在於整條供應鏈的運轉方式。
AI 實驗室發現模型在化學領域薄弱，就向數據供應商下單找化學家。化學家產出一批數據，供應商送去實驗室，項目暫停，等實驗室看效果。也許實驗室調整了數據需求，也許換了供應商，也許突然決定要的不是化學家而是生物學家了。
一位數據公司高管在報道中承認，AI 實驗室自己經常也不確定到底要什麼，而不確定性一路向下傳導，全部由最底層的工人承擔。爲了應對這種波動，數據公司刻意維持龐大的待命勞動力池。反正工人是獨立承包商，不需要醫保、帶薪假或失業保險，多招一個人的邊際成本幾乎爲零。
嚴格的保密協議又給工人加了一層枷鎖。他們不知道自己在給哪家公司幹活，合同裏只會寫“客戶”，也不被允許透露工作細節。他們無法積累可遷移的職業聲譽，無法用過往經歷去議價。
一位在數據行業工作超過十年的管理者對此有句話說得很直接：沉默本身就是僱主的定價權。只要工人不能證明自己做過什麼，他們就永遠沒有辦法要求與能力相稱的報酬。他們唯一的權力，就是繼續排隊。
排隊的人越來越多。一個項目結束後，工人們湧向 Mercor、Alignerr、Micro1、Handshake……這些平臺永遠在招人，用 AI 面試官篩選，招聘成本趨近於零。一個受訪者說她申請了幾十個項目，只拿到了三個。
這裏面有一個工業革命以來反覆出現的結構性故事。
麻省理工學院經濟學家 Daron Acemoglu 用英國織工的遭遇做過類比：機械化之前，織工是自僱的手工業精英，掌控自己的時間和技藝。紡織機出現後，他們被迫進入工廠，接受更長工時、更低報酬和管理層的密切監視。技術不僅奪走了舊工作，還催生了一種將所有權力集中在資本一方的勞動組織方式，直到幾十年的工人運動和勞動立法才設了限。
（來源：HISTORY）
加州是目前美國唯一產生一些阻力的地方。過去半年，至少三起集體訴訟指控 Mercor 將工人錯誤歸類爲獨立承包商。Scale AI 和 Surge AI 此前也面臨類似訴訟，Scale AI 正在和解中。原告律師的核心論點是：鑑於公司對工人行使的“非同尋常的控制”，例如指定平臺、安裝監控、設定詳細操作流程等，將他們定義爲獨立承包商在法律上站不住腳。
2026 年 2 月，美國勞工部發布了一項新的擬議規則，試圖釐清僱員與獨立承包商的界定標準。但這些法律框架能否追得上這種全新勞動形態的擴張速度，仍然是個問號。
而且，正如報道中一位律師指出的，數據標註工人和 Uber 司機相比有一個更大的弱勢：Uber 司機必須在某個城市物理存在才能接單，可以本地化組織和維權；數據工人完全可以被遠程替換，如果美國工人爭取到了更高報酬，公司轉頭就能從其他國家找到更便宜的人。世界銀行估計全球有 1.5 億到 4.3 億數據勞動者，大量分佈在全球南方國家。
但即便這些勞動權益問題都得到了妥善解決，也無法改變一個更根本的事實：每一個具體的數據訓練項目，都在朝着自身消亡的方向推進。你教 AI 做法律分析，AI 學會了，你的法律分析數據就不再被需要。你幫 AI 掌握了語言學中的冷門分支，那個分支就從需求清單上劃掉了。
報道中有一位語言學碩士，做了一年的 rubric 工作。到 2025 年末，他發現，不管他問模型多冷門的理論和瀕危語言，模型都能找到正確的論文。他從每週提交三四個 rubric 變成勉強完成一個。項目結束後，他已經五個月沒有找到新工作。
Marketing AI Institute 的 Paul Roetzer 用一個場景來描述這種循環的終極形態：假設 AI 實驗室想自動化初級會計工作，它花高價僱一百名資深註冊會計師，以遠高於市場的時薪來微調一個模型，直到模型表現得和普通人一樣好，甚至超過專家。
“然後，那個崗位就被自動化了。”整個行業雖然仍在膨脹，但對每一個具體的人來說，自己擁有的那份技能被完整提取的那天，就是自己被“下線”的日子。
這就構成了當前 AI 勞動經濟中最殘忍的循環：系統需要你的專業知識，但需要你的專業知識，恰恰是爲了不再需要你。人花十年二十年練就的判斷力，在這個系統裏變成了一種一次性消耗品，被提取，被用來訓練模型，然後被丟棄。
我們當然可以認爲，AI 時代，一些人類獨有的特質會更有價值，例如品味、判斷力、創造力和同理心。Mercor 的 CEO Brendan Foody 自己也說過類似的話，“AI 自動化了 90% 的經濟之後，人類就成了剩下 10% 的瓶頸，每一單位人類產出的槓桿效應是以前的十倍。”這話在邏輯上沒有錯。
問題在於，它描述的是一個贏家通喫的世界：對頂尖的那一小撮人來說，他們的判斷力確實可能身價倍增；但對絕大多數普通專業人士來說，這種說法近乎苛責。不是每個律師都是最高法院的出庭大律師，不是每個設計師都有不可替代的美學直覺，不是每個編劇都能寫出讓 AI 望塵莫及的劇本。
大多數人的專業能力，恰恰處在“足夠好、但可以被標準化提取”的區間裏，好到可以被用來訓練 AI，卻又沒有好到 AI 學完之後仍然需要他們。數據標註行業的殘酷之處在於，它精確地利用了這個區間。
那些被招去寫 rubric 和 golden output 的人，是因爲他們夠專業才被選中的；但也恰恰是因爲他們的專業程度可以被拆解成規則和示範，他們的知識才具有被提取的價值。真正無法被拆解的那種頂級判斷力，它確實存在，但它從來不是多數人擁有的東西。
把“人類特質會更有價值”當作一種普遍的職業建議，多少有些社會達爾文主義的味道：它假設每個人都能成爲那個不可替代的人，而事實上，大部分人只是在做自己力所能及的、體面的、有尊嚴的工作。這些工作正在被系統性地拆解。
Anthropic 自己最近發佈的一項研究提供了一個有用的框架來理解這種處境。在題爲“AI 的勞動市場影響”的報告中，研究者發現 AI 的實際採用率遠低於其技術上的可行替代率。也就是說，AI 在很多領域已經有能力取代人類完成任務，只是尚未全面部署。
這之間的時間差，既是緩衝，也是倒計時。數據標註行業的故事展示的正是這段緩衝期裏發生的事：不是大規模的突然失業，而是大量受過良好教育的人發現，自己唯一能找到的工作就是參與訓練 AI，在極不穩定的條件下，用自己最值錢的東西換取臨時性的報酬，同時加速這份報酬最終歸零的進程。
關於政策應對，目前討論最多的是 AI 導致大規模失業後該怎麼辦，重新培訓、全民基本收入等等。但另一種可能同樣值得關注：也許不會出現驟然的大規模失業，而是越來越多的具體任務被 AI 接管，人類被重新分配到生產流程的其他環節，一部分人修改 AI 產出的半成品，另一部分人編寫 rubric 來改進它。
這類工作天然是間歇性的，意味着它將由獨立承包商來完成，而現行法規對這類工人幾乎沒有保護。Acemoglu 認爲，我們可能需要某種類似工會的集體組織，來防止大公司用分而治之的策略持續壓低數據價格。“如果沒有適合數據經濟的法律基礎設施，”他說，“許多生產數據的人將會被低薪僱用，或者用一個更重的詞，被剝削。”
最令人唏噓的，或許是那些已經走到這條路盡頭的人。Katya 在被邀請加入 16 美元時薪的 Nova 項目後，決定不幹了。她去應聘了一家咖啡店。“至少在咖啡店拿最低工資的時候，你還有幾個可以聊天的同事，有一個假裝在乎你的老闆。你知道下週你的班表是什麼樣的。”這不是她讀研究生時想象中的職業轉型，但她覺得做咖啡師至少比被算法監控着搶活兒幹更有尊嚴。
然後她的手機響了。一個之前暫停的項目又開始了。
這個結尾幾乎可以成爲我們這個時代的寓言：一個合格的、有經驗的、受過高等教育的人，在“訓練 AI 取代自己”和“去咖啡店打工”之間來回彈跳。這不是任何單一公司的惡意，Mercor 也好，Scale AI 也好，Surge AI 也好，它們只是供應鏈上的中間節點。
真正的問題在於，當前的技術發展方式和勞動制度安排，讓“人類專業知識”變成了一種一次性消耗品：被提取，被用來訓練模型，然後被丟棄。
如今 AI 行業喜歡談論“人在迴路中”（human in the loop）的對與錯，但從這些數據工人的經歷來看，在 AI 真正接管完整工作迴路、社會的生產分配方式發生重大變革之前，迴路裏的他們更像是一根正在燃燒的蠟燭，它的存在價值，就在於把自己燒完，然後“退出”。
問題是：燒完之後怎麼辦？到目前爲止，沒有人給出一個像樣的答案。
參考資料：
1.https://nymag.com/intelligencer/article/white-collar-workers-training-ai.html
運營/排版：何晨龍
