实战

AI 数据劳工调查:模型能力背后的隐形供应链

布朗大学学生追踪 AI 数据标注劳动。本文拆解训练数据供应链中的工资、规则控制权与议价能力,并指出原始调查仍有样本、平台和单价等细节待核实。

字号

一条 HN 热帖,不只是模型讨论

Brown University 的报道标题是“Brown student maps the hidden global labor powering AI”。学生追踪 AI 数据标注工作的来源、工资、劳动者画像,以及它和 AI 产业链之间的关系。

这篇报道登上 Hacker News 首页,获得 66 points 和 57 条评论。

HN 首页通常被模型发布、推理成本和 Agent 框架刷屏。这条帖子把讨论拉到了另一层:模型能力之外,谁在做训练数据劳动?他们拿多少报酬?任务如何跨境流转?平台和模型公司之间又由谁制定规则?

这些问题很具体。也更难回答。

模型可以跑一次 benchmark。数据劳动通常没有公开日志。

把标注任务当成供应链来查

这项调查采用参与式田野方法。研究不只采访劳动者,也追踪标注任务从哪里来、工资水平如何、劳动者是什么画像,以及数据怎样进入 AI 训练环节。

把一条数据标注任务拆开,大致会看到这样的链条:

  1. 任务由模型公司、数据平台或外包商定义。
  2. 平台把任务拆成图片分类、文本清洗、偏好排序等具体工作。
  3. 劳动者通过众包平台、自由职业平台或中介组织接单。
  4. 标注结果经过质量审核、合并和清洗。
  5. 数据进入预训练、监督微调或人类反馈流程。

最终进入模型的,往往只是“训练数据”“偏好数据”或“合成数据”几个标签。任务来源、审核规则、返工成本和劳动者收入,被折叠在供应链里。

参与式田野方法的价值,也在这里。它从任务和劳动现场反向追供应链,而不是从模型公司的技术文档顺向猜。

不过,当前新闻摘要没有披露完整研究材料。看不到全部任务记录,也就无法仅凭报道复原每条数据路径。

反共识:问题不是“低价”两个字

讨论数据劳动时,最容易停在“工资低”。

低价当然重要。但它更像症状,不是问题本身。更关键的是三层控制权。

第一层是数据生产权。谁决定哪些内容被标注、哪些回答算“更好”,谁就参与了模型行为的定义。标注者面对的可能不是完整任务,而是被切碎后的分类、排序和过滤指令。

第二层是平台规则。什么任务可以接,单价怎么调整,审核不通过是否扣钱,数据能不能用于训练,争议由谁裁决,都写在平台规则里。

第三层是议价能力。如果任务池大量依赖低门槛众包,劳动者很难拒绝质量差、价格低的订单,也很难证明某次扣款不合理。

这三层决定了所谓“隐形成本”如何被吸收进模型效果。

一份被审核、返工和清洗过的标注,可能只体现为某个模型更高的准确率。模型报告不会自动附上一张工资单,也不会标出哪一条标签来自哪个国家的劳动者。

所以,问题不只是“给得少”,而是劳动者无法参与决定数据如何生产、训练成果如何分配。

全球南方与殖民贸易史

这项研究把 AI 训练数据劳动放进全球南方、跨境劳务与殖民贸易史中考察,而不是只讨论模型或软件自动化。

这个视角不是给技术史贴一个“殖民史”标签。它指向具体的地理分工。

模型、算力和资本可以集中在少数公司。数据原料的采集、审核与整理,则可能分散到工资较低的地区。原材料在本地出售,加工价值在别处实现。

这和殖民贸易史中的结构相似:原料地从产地流向消费市场,中间环节的利润与成本被分开记录,劳动力承担的风险也常常晚于产品进入市场。

这里仍要谨慎。不能因为 AI 数据劳动跨境,就断言每个标注平台都复制了殖民贸易。研究者需要的是任务轨迹:数据从哪个平台流出,由哪类中介组织,经何种审核进入哪家公司。

但如果研究能建立这张地图,它能解释一个长期被忽略的事实:模型效果并非只由算法、芯片和 GPU 决定,也依赖一套有地理关系、有工资差异、有权力不对称的原料体系。

读懂报道前,先等原文数字

当前素材没有给出以下关键信息:

  • 样本规模与调查持续时间;
  • 不同任务的标注单价和计件方式;
  • 具体覆盖哪些国家与地区;
  • 涉及哪些众包、外包或数据平台;
  • 任务类型、质量审核规则和拒单成本;
  • 数据最终用于预训练、微调、评测还是人类反馈。

这些数字缺失,不妨碍指出调查方向重要。但它们会限制结论强度。

尤其不能用几名劳动者的经历,替代整个 AI 标注行业。也不能把某个低单价任务的外包模式,直接推广到所有数据工作。平台之间差异很大,同一平台内部也可能按国家、语言和任务等级分层定价。

HN 的 66 points 和 57 条评论说明技术社区注意到这个问题。它不构成对调查结论的背书。

后续最值得追踪的是原始报告全文、平台任务样本和匿名劳动者访谈。如果报告公开可复核的标注流程,争议才能从价值判断变成证据核对。

编辑思考

这项调查重要,不是因为又出现了一个“AI 伦理争议”,而是它把模型评测经常省略的那部分成本重新摆到台面上。benchmark 能记录准确率和延迟,却通常不记录一条训练数据经过几次返工、由谁完成、报酬如何分配。模型越强调数据规模,这些看不见的劳动越容易被当成免费基础设施。

我的判断是,下一轮可信的模型报告不应只附数据来源比例,还应披露关键数据生产条件:供应商类型、审核流程、报酬区间、劳动者所在地区,以及争议和申诉机制。透明度不一定能解决议价能力不足,但连成本都无法识别,就谈不上治理。

这次与过去不同的地方,是调查从劳动现场反向追踪 AI 数据链,而不是从实验室叙事解释技术进步。不过,原文样本规模、平台和单价仍待核实。在这些细节公开前,最稳妥的结论不是“AI 复制了殖民贸易”,而是 AI 已经形成需要被当作供应链审查的数据劳动体系。

来源

https://www.brown.edu/news/2026-10-26/ai-data-workers

来源: https://www.brown.edu/news/2026-10-26/ai-data-workers