有人月薪三千，有人月薪过万。
你刷短视频时，多半刷到过“教AI认猫狗”那种标注活。现在这行已经卷到你家里了。
近日，一个叫“觅蜂派”的众包平台上线，普通人申领一台设备，就能在自家客厅记录叠衣服、拧瓶盖的动作，按有效数据时长换钱；机器要学的，正是这些你压根不会当回事的小事。
而在你每天用的那些AI问答、智能驾驶背后，还藏着另一群人专门给模型挑错、打分、出题难为它，澳洲数据服务商Appen在半年报里表示，中国区2026年上半年营收同比增长80.4%，几乎全靠国内大模型厂商的RLHF与红队需求——一家给AI打分的公司，业绩被中国的大模型撑了起来。
从贵州山区的标注基地，到北京亦庄的具身智能训练场，“教AI”已经长成一条分工细致的产业链。
这条链上到底站着哪些人，又在为哪些AI打工？
01给AI打工的人，到底在哪儿如今，人其实按“判断的难易”分成了三层：最底层是教AI认东西的标注员，往上是给机器人喂动作的采集员，最难的一层是给AI定对错的评估师。一层比一层难，也一层比一层贵。
最基本的是教AI认东西。在贵州贵安，端木优才通的200多名标注师每天处理来自京东、百度、阿里、OPPO的订单，做自动驾驶的2D与3D点云勾勒、视频识别和多语种文本校准。
在贵州惠水，周训迪所在的贵州智华星云教育科技，为百度、奇瑞、岚图的智能驾驶系统“搓框”——把激光雷达扫回的三维空间点，一笔一笔框成车辆、行人和路障，让机器认得出来。山东滨州的张胜岳管着一支30人左右的县城团队，月薪2500到3000元，干的同样是“教AI认东西”的活。
往上一层，给机器人喂动作。觅蜂科技（智元机器人控股子公司）的众包平台“觅蜂派”9月23日上线，普通人申领设备，在零售、仓储、家庭场景里记录叠衣服、拧瓶盖的操作，平台基础定价约20元每小时。
它的合作方嘉合盛鑫，给设备申领者的时薪在10到30元之间——同一撮人，处在链条的不同抽成层级。诺亦腾机器人用动作捕捉和真人采集，为宇树、智元、小鹏等头部机器人企业供训练数据，自称占据全球专业惯性动作捕捉市场约七成份额。
最难的一层，给AI定对错。这一环背后是一批专业数据服务商：海天瑞声是智谱、Meta、阿里、腾讯、月之暗面、字节跳动的数据供应商，业务覆盖SFT、RLHF、DPO和模型评估全流程。
汇洲智能旗下的热热数据为字节跳动等客户提供RLHF、问答对生成和模型安全评测，累计服务客户超过200家。此外，在出题“难倒AI”的领域上，还有阿里巴巴千问事业部在招内容安全自动化评测专家，中电科网络安全（电科网安）的AI攻防安全研究员岗位，都把红队测试和对抗样本攻击列为核心职责——红队，就是专门找模型漏洞、诱导它说错话或危险话的一群人。
这些公司服务的AI客户，从京东、百度、阿里、OPPO的自动驾驶，到智谱、Meta、字节、月之暗面的大模型，几乎覆盖了当下最活跃的AI产品线。
02同一份工，工资为何差出十倍？为什么会出现这样一群人？
最朴素的原因是，眼下的AI还远没到可以完全信任的地步。OpenAI在2022年的InstructGPT论文里早就摆过数据：给模型喂入人类偏好反馈之后，闭域任务的幻觉率从41%降到了21%——降了一半，却没能归零。
模型是靠人类把“对错”的标准一遍遍校准，才从“会胡说”变成“少胡说”，真扛重要任务，还得有人兜底。
这种“人在回路”不是企业的自选动作，有时候是被法律逼出来的。
欧盟《人工智能法案》第14条明确要求，高风险AI系统必须由自然人监督，2026年8月2日起全面生效，某些高风险场景甚至要求至少两名合格人员分别复核。监管都为“谁来判断AI”这件事盖章，企业自然要把检查和反馈的活继续留给人工。
与此同时，企业也在算一笔成本账：让人做检查和反馈，比全用人便宜，比全信AI安全。但这笔账的代价，最终落在干活的人身上——县城标注员月薪2500到3000元，大厂项目经端木优才通这类服务商和多层外包落地，从业者多为灵活用工，缺乏正式劳动合同。
同一个“给AI打工”的标签，工资和合同形态的跨度，本身就说明了判断力在这条链上被如何分层定价。
目前，中国数据标注市场规模已从2018年的25.86亿元涨到2025年的117.53亿元，全球2025年已站上约200亿美元，年复合增速约24%。盘子越大，分工越细，定价自然越拉得开。
链条的另一端，阿里千问的红队岗位、海天瑞声的专家级RLHF标注，对应硕士以上、月薪过万的价码。
把镜头拉到海外，美国AI红队专家2026年的年薪普遍在8万到28万美元之间，头部前沿实验室总包甚至能到70万美元级别。一端是县城里月薪三千的标注员，一端是年薪数十万元的对抗性测试员，同一件事，定价差出十倍甚至更多。
03会不会被机器取代？但这只是过渡期，不会永久这样。自动标注已经在吃掉一部分人工框选的活。海天瑞声自研的AI平台，正是把“可标准化的判断”逐步交给机器。
更广泛的趋势是，AI辅助标注在2025年已覆盖行业约63%的工作量，人工标注占比从2023年的78%降到37%；自动化标注系统能独立完成约85%的基础标签，把效率提升3倍以上、成本压降四成以上。
Meta在2023年推出的Segment Anything（SAM）更把图像分割从“逐像素手绘”变成“点一下、修正一下”：一张图的遮罩生产时间从几分钟缩到几秒，机器先画轮廓，人只管纠错和定类别。
不过模型越强，越需要人定义“好”和“危险”的标准。OpenAI的超级对齐（Superalignment）研究点破了一个尴尬：当模型比人类更聪明，人类将无法可靠地判断它的输出，今天赖以对齐大模型的RLHF，面对超人类模型可能直接失效。
越是强模型，越需要人站在“终审”的位置上告诉机器什么算对、什么算危险。海天瑞声在北京运营的具身智能数据训练场，用100多台机器人产出数据，同时把人的角色推向“终审”和“新项目研发”；端木优才通也计划把贵安总部扩到300到500人，重点补高精度标注终审岗和新项目研发岗，而不是继续堆通用标注的人力。
过渡期重塑的，是人在数据链上的位置：从“搓框的人”，变成定标准、判价值、控风险、提新问题的人。
低技能标注被自动化挤压的同时，合同、社保等权益未必同步跟上。
数据标注众包从业者被叫做AI产业背后的“幽灵劳工”，长期排除在传统劳动保护之外。劳动法学者粟瑜认为，层层转包与平台众包，本质上是企业压缩用工成本、隔离风险的安排；直到2025年新版《新就业形态人员职业伤害保障办法》落地，才为这类群体留下纳入空间，但专门、精准的法律保护体系远未成形。
当机器学会自己挑错，人的价值反而更集中在“定标准”这一端。谁能定义什么是好、什么是危险，谁就握住了下一阶段的话语权。
你怎么看这件事？欢迎在评论区留言讨论。
