本文來(lái)自微信公眾號(hào)： 鳳凰網(wǎng)科技 ，作者：鳳凰網(wǎng)科技，編輯：趙子坤

林知夏每天都在做同一件事：教AI更像人。

她反復(fù)聽模型生成的粵語(yǔ)語(yǔ)音，判斷哪里不夠自然，哪里帶著機(jī)器味，哪里不像一個(gè)真正的粵語(yǔ)母語(yǔ)者。有時(shí)候，一個(gè)字的鼻音偏差，她能聽出來(lái)；一個(gè)細(xì)微的吞音錯(cuò)誤，她也能發(fā)現(xiàn)。

過(guò)去兩年，她把這些經(jīng)驗(yàn)一點(diǎn)點(diǎn)交給AI。而她也親眼看著AI越來(lái)越“像人”。

到2025年底，她負(fù)責(zé)訓(xùn)練的語(yǔ)音模型已經(jīng)能夠流暢完成大部分粵語(yǔ)場(chǎng)景的表達(dá)。曾經(jīng)需要反復(fù)修正的問題，越來(lái)越少出現(xiàn)。

模型進(jìn)步的同時(shí)，一種微妙的情緒也開始出現(xiàn)。因?yàn)樗絹?lái)越難判斷：究竟是在訓(xùn)練AI，還是在訓(xùn)練一個(gè)未來(lái)可能替代自己的東西。

這種矛盾并不只屬于林知夏。從互聯(lián)網(wǎng)大廠的數(shù)據(jù)策略師，到兼職寫Rubric（評(píng)分標(biāo)準(zhǔn)）的博士生；從商品圖片審核員，到語(yǔ)音模型測(cè)評(píng)師，一群新的勞動(dòng)者正在做著同一件事——把自己的知識(shí)、經(jīng)驗(yàn)和判斷力拆解成機(jī)器能夠?qū)W習(xí)的形式。

他們是AI訓(xùn)練師。而他們或許也是第一批親手參與制造自己替代者的人。

如果把時(shí)間拉長(zhǎng)來(lái)看，這甚至不只是一個(gè)職業(yè)變遷的故事，而更像是人類歷史上第一次大規(guī)模向機(jī)器移交判斷力的過(guò)程。

從給貓打框，到教AI思考

AI訓(xùn)練師并不是ChatGPT時(shí)代才出現(xiàn)的新職業(yè)。

早在2010年前后，隨著深度學(xué)習(xí)興起，大量數(shù)據(jù)標(biāo)注員就已經(jīng)出現(xiàn)在人工智能產(chǎn)業(yè)鏈中。他們給圖片里的汽車和紅綠燈畫框，為語(yǔ)音數(shù)據(jù)標(biāo)記發(fā)音，為地圖數(shù)據(jù)補(bǔ)充路況信息。

那時(shí)行業(yè)普遍相信：“數(shù)據(jù)是新時(shí)代的石油?！?/p>

2012年ImageNet競(jìng)賽成為深度學(xué)習(xí)發(fā)展的關(guān)鍵節(jié)點(diǎn)。此后十余年間，全球科技公司開始瘋狂收集數(shù)據(jù)。中國(guó)也誕生了一批專門的數(shù)據(jù)標(biāo)注企業(yè)，在貴州、河南、山西等地形成了龐大的數(shù)據(jù)標(biāo)注產(chǎn)業(yè)。

那時(shí)候的標(biāo)注員更像流水線工人。模型不會(huì)識(shí)別貓，人類就告訴它什么是貓；模型不會(huì)識(shí)別汽車，人類就一張張把汽車框出來(lái)。

AI訓(xùn)練師的任務(wù)，是給機(jī)器提供答案。

林知夏剛進(jìn)入科大訊飛AI研究院時(shí)，做的很多工作也帶著這種“流水線色彩”。

她每天要從B站、喜馬拉雅等平臺(tái)尋找語(yǔ)料，篩選純?nèi)寺?、無(wú)背景音、單一聲線的視頻素材，再整理成訓(xùn)練所需的數(shù)據(jù)集?！白铋_始其實(shí)沒那么高深?！彼f(shuō)，“更多是在做數(shù)據(jù)準(zhǔn)備工作?！?/p>

圖｜受訪者供圖

但很快，她發(fā)現(xiàn)事情正在發(fā)生變化。2024年她剛接手項(xiàng)目時(shí)，團(tuán)隊(duì)訓(xùn)練的粵語(yǔ)語(yǔ)音模型仍然顯得笨拙。機(jī)器說(shuō)話會(huì)卡頓，語(yǔ)速忽快忽慢，聲調(diào)不夠穩(wěn)定，很多句子聽起來(lái)依然帶著濃重的機(jī)械感?！澳阋宦牼椭朗菣C(jī)器?！?/p>

那時(shí)國(guó)內(nèi)不少語(yǔ)音模型仍處于追趕階段?！懊绹?guó)做了二十年的東西，你想五六年追上，肯定不現(xiàn)實(shí)?！绷种恼f(shuō)。

但AI進(jìn)步的速度遠(yuǎn)超很多人的預(yù)期。一年多后，當(dāng)她離開項(xiàng)目時(shí)，同一個(gè)模型已經(jīng)能夠流暢完成大部分粵語(yǔ)表達(dá)。語(yǔ)調(diào)、停連、節(jié)奏都越來(lái)越接近真人，甚至能夠模仿不同地區(qū)的口音特征?！罢娴脑絹?lái)越像人了?！?/p>

類似的變化也發(fā)生在京東。陳若寧2025年進(jìn)入京東，負(fù)責(zé)商品圖片生成相關(guān)標(biāo)注工作。剛?cè)肼殨r(shí)，團(tuán)隊(duì)對(duì)AI生圖的要求并不高。“能把商品摳出來(lái)，再換一個(gè)背景，我們就覺得已經(jīng)不錯(cuò)了。”

但僅僅過(guò)去半年，情況完全不同了。Google的Nano Banana模型讓一切變了樣。過(guò)去需要大量人工設(shè)計(jì)和后期處理的場(chǎng)景，如今模型已經(jīng)能夠自動(dòng)生成。給它一臺(tái)洗衣機(jī)，它可以生成一個(gè)用戶打開洗衣機(jī)門的動(dòng)作場(chǎng)景；給它一件服裝，它可以自動(dòng)匹配模特、燈光和展示環(huán)境。

更重要的是，模型開始理解圖片背后的含義。過(guò)去，大模型處理中文能力很差，商品圖中的文字經(jīng)常生成亂碼。許多電商團(tuán)隊(duì)甚至默認(rèn)“不要讓模型寫字”。

如今，模型不僅能識(shí)別商品圖上的文字，還能理解商品信息背后的賣點(diǎn)。識(shí)別出搪瓷杯后，它會(huì)生成“耐用”“不易碎”等描述；識(shí)別出嬰兒用品后，也會(huì)自動(dòng)調(diào)整文案風(fēng)格。

變化發(fā)生得如此之快，以至于很多訓(xùn)練規(guī)則都在不斷失效。

外包標(biāo)注員孟霖對(duì)此感受深刻。2025年剛?cè)胄袝r(shí)，他負(fù)責(zé)大量選擇題訓(xùn)練任務(wù)。當(dāng)時(shí)設(shè)定規(guī)則時(shí)，有一條幾乎每次都要寫：“回答不得超出給定選項(xiàng)范圍。”因?yàn)槟Ｐ徒?jīng)常會(huì)在三個(gè)選項(xiàng)之外，自己創(chuàng)造第四個(gè)答案。

但到了2026年初，這條規(guī)則被取消了?！百|(zhì)檢直接告訴我們，不用寫了?！彼f(shuō)，“因?yàn)楝F(xiàn)在模型已經(jīng)不會(huì)犯這種低級(jí)錯(cuò)誤了?！?/p>

模型正在跨過(guò)越來(lái)越多曾經(jīng)需要人工糾正的錯(cuò)誤。而這也意味著，訓(xùn)練師必須尋找新的問題。問題開始從“什么是正確答案”，變成“什么是更好的答案”。

這一變化背后，是整個(gè)大模型產(chǎn)業(yè)正在經(jīng)歷的一次轉(zhuǎn)向。

向大模型交出自己的判斷力

如果說(shuō)預(yù)訓(xùn)練時(shí)代教會(huì)AI的是知識(shí)，那么后訓(xùn)練時(shí)代教會(huì)AI的，則是如何使用知識(shí)。

在這條讓AI變得更“聰明”的生產(chǎn)鏈上，關(guān)鍵節(jié)點(diǎn)是兩類人：一類是直接面對(duì)任務(wù)的“做題人”，他們按照規(guī)則生產(chǎn)數(shù)據(jù)；另一類，則負(fù)責(zé)設(shè)計(jì)任務(wù)的“出題人”，負(fù)責(zé)拆字段、寫規(guī)則、定標(biāo)準(zhǔn)。

兩類人協(xié)力完成的，是同一件事：把人類的判斷力結(jié)構(gòu)化。

周以恒在字節(jié)負(fù)責(zé)數(shù)據(jù)策略工作，就是鏈條中的“出題人”。在他看來(lái)，很多普通用戶看到的是AI越來(lái)越會(huì)聊天、越來(lái)越會(huì)寫文章，但真正發(fā)生變化的是模型內(nèi)部能力結(jié)構(gòu)。

“基模其實(shí)只是預(yù)測(cè)下一個(gè)詞?！彼f(shuō)，“它學(xué)到了很多知識(shí)，但并不知道知識(shí)之間應(yīng)該怎么連接。”

換句話說(shuō)，模型知道很多事實(shí)，卻不知道什么時(shí)候該調(diào)用這些事實(shí)。后訓(xùn)練要解決的，恰恰是這個(gè)問題。

例如，一個(gè)用戶如果詢問：“現(xiàn)在12點(diǎn)半了，我還沒吃午飯，請(qǐng)給我推薦一家附近人均40元以內(nèi)的日料店。”對(duì)于人來(lái)說(shuō)，這是一個(gè)簡(jiǎn)單需求。

但對(duì)模型而言，需要完成一連串復(fù)雜動(dòng)作。它首先要理解用戶真正想表達(dá)什么；然后調(diào)用地理位置工具獲取坐標(biāo)；把坐標(biāo)轉(zhuǎn)換成商圈信息；再調(diào)用本地生活工具篩選符合條件的餐廳；最后把結(jié)果組織成自然語(yǔ)言反饋給用戶。

整個(gè)過(guò)程中，模型不僅要理解語(yǔ)言，還要學(xué)會(huì)規(guī)劃、推理和決策。這些能力，并不能直接從互聯(lián)網(wǎng)網(wǎng)頁(yè)中學(xué)到。

過(guò)去十年，AI行業(yè)一直相信規(guī)模擴(kuò)張，需要更多參數(shù)，更豐富數(shù)據(jù)，更大的算力。但到了2024年前后，一個(gè)越來(lái)越明顯的問題開始出現(xiàn)——高質(zhì)量互聯(lián)網(wǎng)數(shù)據(jù)正在接近天花板。

公開網(wǎng)頁(yè)、論壇、百科和新聞里的優(yōu)質(zhì)內(nèi)容并不是無(wú)限的。當(dāng)幾乎所有大模型公司都在使用相似的數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)，僅靠擴(kuò)大規(guī)模已經(jīng)越來(lái)越難獲得能力突破。

行業(yè)開始尋找新的資源。這一次，不再是網(wǎng)頁(yè)，而是人腦中難以被提取的“判斷力”。醫(yī)生如何診斷疾病、律師如何構(gòu)建論證、研究員如何閱讀論文、母語(yǔ)者如何識(shí)別語(yǔ)感……這些原本只存在于經(jīng)驗(yàn)中的知識(shí)，開始成為后訓(xùn)練時(shí)代最重要的訓(xùn)練材料。

AI需要學(xué)習(xí)的不再是知識(shí)本身，而是人為什么這樣思考。過(guò)去，AI訓(xùn)練師的工作是告訴模型答案是什么；現(xiàn)在，他們要告訴模型為什么是這個(gè)答案。

這種變化，讓整個(gè)職業(yè)開始從“數(shù)據(jù)工人”變成“知識(shí)工人”。

“做題人”孟霖對(duì)此感受頗深。這名人文社科方向的博士生，從2025年開始兼職參與大模型訓(xùn)練項(xiàng)目。剛?cè)胄袝r(shí)，他接觸的大多是相對(duì)標(biāo)準(zhǔn)化的任務(wù)：判斷回答是否正確、比較兩個(gè)答案哪個(gè)更好、補(bǔ)充引用來(lái)源。

但很快，任務(wù)難度開始迅速提升。如今，他需要圍繞一個(gè)人文社科問題寫出數(shù)百字回答，同時(shí)附上二十多條Rubric。

所謂Rubric，本質(zhì)上是一套評(píng)分標(biāo)準(zhǔn)。每一條標(biāo)準(zhǔn)都需要寫清楚：引用了哪篇論文、為什么引用這篇論文、這篇論文如何支撐當(dāng)前觀點(diǎn)、引用邏輯是否充分，以及最終應(yīng)該給予怎樣的評(píng)分。

這意味著，他不僅要給出答案，還要把自己的思考過(guò)程完整拆解出來(lái)。

“以前可能十條引用就夠了，現(xiàn)在要二十多條?！彼f(shuō)，“而且每條都要解釋為什么?！爆F(xiàn)在，他寫一條要花費(fèi)三四個(gè)小時(shí)間。

為了保證數(shù)據(jù)質(zhì)量，平臺(tái)會(huì)要求所有引用來(lái)自論文、官方文件或權(quán)威機(jī)構(gòu)網(wǎng)站，甚至?xí)ㄟ^(guò)錄屏和多模型交叉比對(duì)來(lái)防止直接使用AI生成內(nèi)容?！叭绻闾峤坏臇|西跟某個(gè)AI的回答邏輯相似，就會(huì)被查出來(lái)。”孟霖說(shuō)。

某種程度上，平臺(tái)購(gòu)買的不是答案，而是人類形成答案的過(guò)程。

孟霖逐漸意識(shí)到，自己真正提供給模型的，不是知識(shí)本身。而是知識(shí)之間的關(guān)聯(lián)。為什么這篇論文比另一篇論文更重要？為什么這個(gè)觀點(diǎn)能夠支撐當(dāng)前結(jié)論？為什么兩個(gè)看似無(wú)關(guān)的研究結(jié)果可以建立聯(lián)系？

這些“為什么”，恰恰是大模型最缺乏的部分，也是人類最昂貴的部分。

同樣的事情，也發(fā)生在林知夏身上。隨著模型能力不斷提高，她的工作重點(diǎn)開始從尋找語(yǔ)料轉(zhuǎn)向測(cè)聽。所謂測(cè)聽，并不是簡(jiǎn)單判斷聲音是否正確，而是判斷它是否足夠像一個(gè)真實(shí)的人。

一個(gè)字的邊音和鼻音是否準(zhǔn)確，一句話的重音位置是否自然，一個(gè)地區(qū)的粵語(yǔ)和另一個(gè)地區(qū)的粵語(yǔ)之間是否存在細(xì)微差異……這些問題很難寫成標(biāo)準(zhǔn)答案，甚至很多母語(yǔ)者自己都說(shuō)不清楚。

“香港粵語(yǔ)和廣州粵語(yǔ)的差別，很多人聽不出來(lái)?！绷种恼f(shuō)，“但項(xiàng)目里必須有人能聽出來(lái)。”

這種能力并不來(lái)自課本，而是來(lái)自長(zhǎng)期浸泡在語(yǔ)言環(huán)境中的經(jīng)驗(yàn)，它更接近一種直覺。

而AI訓(xùn)練師的工作，就是把這種直覺拆解出來(lái)。拆成規(guī)則，拆成標(biāo)簽，拆成評(píng)分標(biāo)準(zhǔn)，最終變成模型能夠?qū)W習(xí)的數(shù)據(jù)。

離職后，林知夏偶爾還會(huì)被原項(xiàng)目組找回去參與測(cè)評(píng)。“有時(shí)候他們開會(huì)對(duì)線，還會(huì)把我拉進(jìn)去?！彼φf(shuō)，因?yàn)橹挥凶约耗苈牫鰜?lái)。

但她也知道，這種不可替代性正在不斷縮小。每一次測(cè)評(píng)，每一次修正，每一次反饋，本質(zhì)上都在幫助模型縮短與自己的距離。

另一邊，陳若寧也在經(jīng)歷類似的變化。她負(fù)責(zé)的是商品圖片生成。過(guò)去，團(tuán)隊(duì)只需要判斷圖片是否違規(guī)、是否出現(xiàn)明顯錯(cuò)誤。如今，模型已經(jīng)能夠生成足夠完整的商品場(chǎng)景。新的問題變成：它夠好嗎？

這看似簡(jiǎn)單，卻比判斷對(duì)錯(cuò)困難得多。什么樣的背景算高級(jí)？什么樣的燈光更符合品牌調(diào)性？什么樣的模特姿態(tài)更自然？什么樣的構(gòu)圖更容易促進(jìn)成交？這些問題沒有標(biāo)準(zhǔn)答案。

于是，訓(xùn)練師們不得不把模糊的審美感受轉(zhuǎn)化成具體規(guī)則。業(yè)務(wù)方說(shuō)希望圖片更有“高級(jí)感”。訓(xùn)練團(tuán)隊(duì)就要拆解：高級(jí)感來(lái)自留白還是色彩？來(lái)自光影還是材質(zhì)？來(lái)自場(chǎng)景設(shè)計(jì)還是人物狀態(tài)？

原本存在于經(jīng)驗(yàn)中的判斷，被一步步翻譯成機(jī)器能夠理解的語(yǔ)言?！俺鲱}人”們需要把標(biāo)準(zhǔn)抽象出來(lái)，寫成規(guī)則文檔，再下發(fā)給外包標(biāo)注團(tuán)隊(duì)。

在這個(gè)過(guò)程中，無(wú)論是“出題人”還是“做題人”，鏈條兩端的AI訓(xùn)練師們共享同一身份：認(rèn)知的搬運(yùn)工。他們搬運(yùn)的，是人腦中的更為抽象的“人類經(jīng)驗(yàn)”。

事實(shí)上，如果把時(shí)間拉長(zhǎng)來(lái)看，人類技術(shù)發(fā)展的歷史，本質(zhì)上就是一部不斷外包自身能力的歷史。

工業(yè)革命時(shí)期，蒸汽機(jī)幫助人類擺脫肌肉勞動(dòng)。流水線幫助人類擺脫重復(fù)勞動(dòng)。計(jì)算機(jī)幫助人類擺脫大量機(jī)械計(jì)算?；ヂ?lián)網(wǎng)幫助人類完成信息處理。

而今天，大模型正在推動(dòng)另一場(chǎng)新的外包。過(guò)去被認(rèn)為只能存在于人腦中的能力——經(jīng)驗(yàn)、直覺、判斷、推理——開始被系統(tǒng)性轉(zhuǎn)移給機(jī)器。

AI訓(xùn)練師恰恰站在這個(gè)過(guò)程的最前線。他們每天做的事就是：把原本無(wú)法描述的，變成可以描述的；把原本無(wú)法量化，抽象成可以量化的；把原本只屬于人的能力，變成機(jī)器能夠?qū)W習(xí)的能力。

從這個(gè)意義上說(shuō)，他們并不是在訓(xùn)練AI。他們是在拆解自己。

這種轉(zhuǎn)變，其實(shí)早已在全球AI產(chǎn)業(yè)鏈中出現(xiàn)。數(shù)據(jù)標(biāo)注公司Scale AI在硅谷的崛起，讓資本市場(chǎng)意識(shí)到：高質(zhì)量的人類反饋，本身就是AI時(shí)代最稀缺的生產(chǎn)資料。

當(dāng)大模型進(jìn)入后訓(xùn)練時(shí)代后，這種需求進(jìn)一步爆發(fā)。企業(yè)爭(zhēng)奪的已經(jīng)不只是數(shù)據(jù)，而是能夠提供專業(yè)判斷的人。

模型可以自己生成內(nèi)容，卻無(wú)法定義什么內(nèi)容更好，它可以學(xué)會(huì)模仿人，卻無(wú)法天然理解人的偏好。而后訓(xùn)練時(shí)代最重要的競(jìng)爭(zhēng)力，恰恰建立在這些偏好之上。

于是，一個(gè)有些矛盾的局面出現(xiàn)了：模型越聰明，對(duì)人貢獻(xiàn)的能力緯度要求越高。

但與此同時(shí)，人所提供的能力也正在被模型一點(diǎn)點(diǎn)吸收。而這群訓(xùn)練師們，既是AI成長(zhǎng)的養(yǎng)料，也是AI成長(zhǎng)后最直接被取代的人。

越成功，越快被替代

在今天的大模型競(jìng)賽里，很少有人知道，一條訓(xùn)練數(shù)據(jù)的生命周期究竟有多短。

孟霖所在的項(xiàng)目群經(jīng)常同時(shí)聚集上百名標(biāo)注員。教育、文學(xué)、體育、法律、歷史等不同領(lǐng)域的人都有不同的任務(wù)，但都在為模型提供更精準(zhǔn)的訓(xùn)練數(shù)據(jù)。

在他看來(lái)，大廠對(duì)于數(shù)據(jù)訓(xùn)練的投入近乎不計(jì)成本。“一個(gè)項(xiàng)目群大概百人規(guī)模，單月成本不會(huì)低的?！彼f(shuō)，“而這樣的項(xiàng)目，同時(shí)可能有很多個(gè)?！?/p>

這種投入背后，是整個(gè)行業(yè)對(duì)于“大模型落后”的焦慮。過(guò)去幾年里，參數(shù)、算力和人才成為各家公司爭(zhēng)奪的核心資源。而當(dāng)行業(yè)進(jìn)入后訓(xùn)練時(shí)代之后，能夠提供高質(zhì)量反饋的人，也被納入爭(zhēng)奪范圍。

越來(lái)越多企業(yè)開始提高招聘門檻。碩士成為基礎(chǔ)要求，博士越來(lái)越常見。法律、醫(yī)學(xué)、語(yǔ)言學(xué)、金融等專業(yè)背景開始受到追捧。

林知夏所在的項(xiàng)目組里，985本科只是入場(chǎng)券；孟霖參與的平臺(tái)項(xiàng)目，哪怕是外包兼職也要提供簡(jiǎn)歷、學(xué)信網(wǎng)證明，通過(guò)理論考試和試標(biāo)題才能入群。“就招募要求來(lái)講，去年只要人文社科碩士及以上就可以，今年就得211博士生及以上了?！?/p>

看起來(lái)，這是一個(gè)正在快速升值的新職業(yè)。但吊詭的是，它的終點(diǎn)恰恰建立在自己的成功之上。

周以恒見過(guò)太多這樣的項(xiàng)目，一個(gè)能力缺口出現(xiàn)，訓(xùn)練師設(shè)計(jì)任務(wù)，標(biāo)注員生產(chǎn)數(shù)據(jù)，模型完成學(xué)習(xí)，然后，項(xiàng)目結(jié)束。

“同一個(gè)場(chǎng)景，前期標(biāo)注比較簡(jiǎn)單，后期越來(lái)越難?！彼f(shuō)，“但當(dāng)任務(wù)越來(lái)越難的時(shí)候，恰恰說(shuō)明模型已經(jīng)越來(lái)越強(qiáng)了?！?/p>

模型學(xué)會(huì)了簡(jiǎn)單問題，人就必須尋找更復(fù)雜的問題。模型學(xué)會(huì)了復(fù)雜問題，人又要繼續(xù)尋找新的邊界。每一次能力提升，都會(huì)帶走一部分原本屬于人的工作。

從這個(gè)角度看，AI訓(xùn)練師并不是在攀登一座固定的高山，更像是在為AII修一條通往更高處的階梯。每邁上一個(gè)臺(tái)階，腳下的階梯就不再需要。而那些經(jīng)過(guò)數(shù)月反復(fù)打磨的數(shù)據(jù)，在模型能力提升的那一刻，便和它的提供者們一起，完成了歷史使命。

孟霖自嘲現(xiàn)在做的工作是“自掘墳?zāi)埂保奥脑?年，快的話2年之內(nèi)，標(biāo)注員就不需要了?！彼仓?，自己只是整個(gè)龐雜訓(xùn)練體系外的一顆螺絲釘，“只不過(guò)是專業(yè)知識(shí)更豐富點(diǎn)的那種，實(shí)際上對(duì)AI還是一無(wú)所知。”

林知夏離職之后，原項(xiàng)目組偶爾還會(huì)聯(lián)系她，希望她幫忙參與一些測(cè)評(píng)工作。因?yàn)楹芏嗉?xì)微問題，仍然需要她這樣的母語(yǔ)者判斷。但她知道，這種需求正在減少。過(guò)去必須依靠人工判斷的內(nèi)容，正在逐漸被模型掌握。“模型每迭代一次，人的不可替代性就削弱一點(diǎn)?！?/p>

事實(shí)上，這種邏輯正在越來(lái)越多公司內(nèi)部上演。

過(guò)去一年，一個(gè)頻繁出現(xiàn)的要求是“個(gè)體AI化”。越來(lái)越多企業(yè)要求員工梳理自己的工作流，沉淀自己的經(jīng)驗(yàn)，建立屬于自己的Skill。

簡(jiǎn)單來(lái)說(shuō)，就是把原本依賴個(gè)人完成的工作，拆解成標(biāo)準(zhǔn)化流程。什么情況下該做什么決策，什么情況下該調(diào)用什么工具，什么情況下應(yīng)該向誰(shuí)溝通。

這些過(guò)去存在于個(gè)人經(jīng)驗(yàn)中的知識(shí)，開始被要求記錄下來(lái)、結(jié)構(gòu)化、模塊化。

進(jìn)一步的發(fā)展，則被一些從業(yè)者稱為“蒸餾自己”。員工把自己的工作方式、判斷邏輯、溝通習(xí)慣輸入系統(tǒng)，訓(xùn)練出一個(gè)能夠模擬自己工作的數(shù)字分身。

即便離開崗位，這個(gè)分身依然能夠按照過(guò)去的邏輯回答問題。對(duì)于企業(yè)而言，這意味著知識(shí)沉淀。對(duì)于個(gè)體而言，則是一種復(fù)雜的情緒。

陳若寧感到恐慌與疲憊，她最近每天晚上10點(diǎn)，一邊開著需求商品會(huì)，一邊還要額外去構(gòu)思、調(diào)試Skill，把自己一點(diǎn)點(diǎn)“蒸餾”給公司。她很清楚，自己在把原本屬于自己的獨(dú)特經(jīng)驗(yàn)“上貢”給系統(tǒng)。

“工作可能會(huì)沒有?！彼蛉さ溃凹寄芸墒琴惒┯郎??！?/p>

工業(yè)時(shí)代，人們把體力交給機(jī)器；信息時(shí)代，人們把重復(fù)勞動(dòng)交給軟件；而AI時(shí)代，人們開始把判斷力交給模型。

不同技術(shù)革命之間看似差異巨大，卻遵循著相似的規(guī)律。

19世紀(jì)，工匠幫助機(jī)械織布機(jī)走向成熟，最終被機(jī)器改變命運(yùn)；20世紀(jì)，流水線工人推動(dòng)自動(dòng)化生產(chǎn)普及，最終讓工廠越來(lái)越少依賴人工；過(guò)去二十年，程序員不斷把經(jīng)驗(yàn)寫進(jìn)軟件，讓越來(lái)越多工作實(shí)現(xiàn)自動(dòng)化。

而今天，AI訓(xùn)練師正在做著類似的事情。只是這一次，他們交出去的不再是體力，也不只是技能，而是思考本身。

林知夏的語(yǔ)言直覺、孟霖的學(xué)術(shù)判斷、陳若寧的審美經(jīng)驗(yàn)、周以恒的決策邏輯……這些原本只存在于大腦中的能力，正在被一點(diǎn)點(diǎn)拆解、記錄、結(jié)構(gòu)化，然后輸入模型。

從給圖片框出一只貓，到教會(huì)大模型如何思考，人類用了十幾年時(shí)間，把機(jī)器一步步推向更聰明的方向。

AI訓(xùn)練師或許是這個(gè)時(shí)代最特殊的一群勞動(dòng)者。他們工作的全部意義，就是讓自己貢獻(xiàn)的能力最終不再稀缺。

他們把經(jīng)驗(yàn)變成規(guī)則，把直覺變成數(shù)據(jù)，把判斷變成算法。每一次標(biāo)注、每一次反饋、每一次修正，都是在人類與AI之間架設(shè)新的橋梁。機(jī)器之所以越來(lái)越“像人”，是因?yàn)橛腥瞬粩喟炎约翰鸾o機(jī)器。他們教會(huì)機(jī)器理解世界，也在教會(huì)機(jī)器越來(lái)越像自己。

而當(dāng)橋梁最終修通時(shí)，最先離開橋上的，或許正是那些修橋的人。