正式實習的第 一天，晨曦感覺自己可能“被騙”了。

　　剛剛結(jié)束完學校的畢業(yè)論文，準研究生晨曦準備給自己找點事做。投遞了幾份簡歷之后，很快，國內(nèi)某互聯(lián)網(wǎng)大廠的人工智能編輯崗位(翻譯方向)向她發(fā)出了邀請。

　　職位描述上寫著：

　　1. 為人工智能機器學習提供優(yōu)質(zhì)的語料，復制模型訓練迭代;

　　2. 與技術(shù)組對接需求，按時交付優(yōu)質(zhì)合格的數(shù)據(jù)，對編輯結(jié)果質(zhì)量負責。

　　對于不了解模型訓練的晨曦來說，這看上去似乎是一份相當不錯的實習。

　　晨曦面試的是翻譯方向，這與她所就讀的英語專業(yè)十分契合;年初ChatGPT在國內(nèi)爆火，晨曦日常就有使用AI產(chǎn)品的習慣，符合自己的興趣愛好;另外，能有機會參與新興的科技產(chǎn)業(yè)發(fā)展對于文科生來說可遇不可求;當然，最 大的吸引力來自于這家互聯(lián)網(wǎng)大廠。在過去幾年內(nèi)，這家公司已經(jīng)成功吸引了無數(shù)年輕學生前仆后繼。從某種角度來說，簡歷上的大廠名字足以成為自身能力的象征。

　　只是，除了招聘頁面上簡單的職位描述，晨曦沒有從面試官那里獲得關(guān)于這份實習更多的信息。

　　“我當時為什么覺得被騙，就是因為面試的時候HR基本都聚焦在翻譯相關(guān)的問題。”在面試中做了幾道翻譯題之后，晨曦順利拿到了offer。一直到工作之前，她都以為這是一份翻譯的工作。

　　感到“被騙”的不止晨曦一人。

　　作為人工智能編輯最早的一批實習生，楊小云在2月底也來到了這家大廠。面試官表示，這是一份對信息抓取、語言概括和文字編輯等能力要求很高的工作。

　　實際上手之后她意識到：“HR描述的工作跟實操的工作，完全是兩件事情。說得再天花亂墜，其實也是一個‘打標’的工作。”

　　如今，人工智能熱潮帶火了這些以假亂真的聊天機器人，以及通過簡單提示就能生成圖片的繪畫軟件。大模型的現(xiàn)象級出圈，使得數(shù)據(jù)、算法、算力作為訓練大模型的基礎(chǔ)而備受關(guān)注，數(shù)據(jù)標注就是數(shù)據(jù)環(huán)節(jié)必不可少的一部分。

　　2007年，時任普林斯頓大學計算機科學系的助理教授李飛飛開啟了一個名為ImageNet的項目，希望擴展可用于訓練AI算法的數(shù)據(jù)。

　　為了給每個單詞提供盡可能多的視覺案例，亞馬遜眾包平臺Mechanical Turk上的近5萬名工人，花了兩年半的時間標記出圖片中的對象，例如氣球、草莓等共計320萬張圖片。這些工人來自全球的167個國家，大多分布在人工成本低廉的地區(qū)。

　　《時代》雜志的一項調(diào)查發(fā)現(xiàn)，為了減少ChatGPT數(shù)據(jù)集中關(guān)于暴力、性別歧視和種族主義等內(nèi)容，OpenAI使用了每小時收入不到2美元的肯尼亞勞工。《彭博社》報道，谷歌的AI聊天機器人Bard由數(shù)千名合同工訓練，他們只有3分鐘的時間來審閱、標注完Bard的回答。

　　在過去很長一段時間里，數(shù)據(jù)標注對語言與圖像識別的認知要求都并不高。大模型時代，數(shù)據(jù)標注從圖像轉(zhuǎn)向語言，要求更高、更垂直，需要特定領(lǐng)域的專業(yè)知識和流暢的語言能力。

　　但對于普通的數(shù)據(jù)標注員來說，它依然是一份不斷重復的低技術(shù)含量的工作。

　　正如同這些“被騙”的名校學生進大廠實習一樣，他們沒辦法說清，自己的工作是為了實現(xiàn)什么樣的目的，有什么價值。他們往往只有一個模糊的認識，為了“訓練大模型”。

　　以晨曦和楊小云為代表的人工智能編輯實習生，便因為訓練大模型的需要而誕生。這些受到熱捧的大模型，讓實習生們懷揣著好奇和憧憬進入，同時，也讓他們感受到背后真實的混亂和價值感匱乏。

　　1.當大學生涌入大模型數(shù)據(jù)標注

　　人們通常會認為，數(shù)據(jù)標注員是一群身處三四線城市、低學歷、高年齡的群體。事實上這也的確是此前國內(nèi)數(shù)據(jù)標注員的現(xiàn)狀。

　　根據(jù)人社部2021年發(fā)布的《人工智能訓練師國家職業(yè)技能標準》，人工智能訓練師的普遍受教育程度是初中畢業(yè)(或相當文化程度)。他們可能分散在河北、河南、山東、山西等傳統(tǒng)勞動密集型企業(yè)選址的地區(qū)，甚至更偏遠的山區(qū)——在那里，數(shù)據(jù)標注是扶貧的試點項目。

　　但改變已經(jīng)隨著大模型的出現(xiàn)而發(fā)生。

　　讓楊小云感到無聊的，其實就是為訓練大模型而做的數(shù)據(jù)標注工作。

　　經(jīng)過簡單的培訓和考核之后，楊小云被安排進了文字編輯組。她每天的工作就是回答題庫中的問題，目的是通過標注者人工書寫答案來優(yōu)化大模型的訓練過程。

　　一個問題的回答步驟經(jīng)過嚴格把控。以游戲《原神》為例，如果收到“夜蘭的圣遺物是什么?”的問題，楊小云需要把回答拆分成幾個段落：首先夜蘭是什么?其次圣遺物是什么?最后夜蘭的圣遺物配對什么?

　　在指定的搜索引擎上搜集資料，完成回答的編輯之后，最終以Markdown的形式完成提交。

　　除了簡單易答的問題，楊小云的大多數(shù)時間都花在了自己完全不熟悉的專業(yè)領(lǐng)域，例如經(jīng)濟專區(qū)、法律專區(qū)等。

　　顯而易見，這與以往的數(shù)據(jù)標注工作完全不同。

　　在大模型出現(xiàn)之前，數(shù)據(jù)標注的場景通常都是幾百人的工廠，一人一臺電腦，只有鼠標鍵盤噼里啪啦的聲音。而他們一天8小時的工作時間內(nèi)，都只做一件簡單重復的事情：在不同的圖片中框出機動車、非機動車、行人、紅綠燈(目標檢測);或者劃出一段話的主語、謂語、賓語(語義分割)。

　　這些針對圖片視頻的拉框和文本的語義分割，都是對已有數(shù)據(jù)進行處理，數(shù)據(jù)標注員本身并不用給出“創(chuàng)造性結(jié)論”。但針對大模型的數(shù)據(jù)標注并非如此。數(shù)據(jù)標注員除了需要對已有數(shù)據(jù)進行處理之外，還需要對問題進行解答，給出正確的結(jié)論。

　　根據(jù)觀研天下數(shù)據(jù)中心2023年發(fā)布的《中國數(shù)據(jù)標注行業(yè)現(xiàn)狀深度分析與投資趨勢研究報告(2023-2030年)》，在ChatGPT發(fā)布之前，AI訓練數(shù)據(jù)標注以語音和計算機視覺為主，自然語言處理(NLP)的需求不足15%。

　　隨著ChatGPT聊天機器人成為AIGC的現(xiàn)象級應(yīng)用，對更偏情緒判斷、考驗理解能力甚至推理能力等高質(zhì)量文字標注任務(wù)的需求正在越來越多。

　　“(大模型)項目的復雜度變得比以前高了，對人員的要求也相對不一樣了。”星塵數(shù)據(jù)產(chǎn)品部負責人告訴「甲子光年」，“自動駕駛偏視覺信息的識別標注，更偏體力活的工作，對員工進行一些培訓，他們經(jīng)過上手拉框，熟練快捷鍵，掌握一些技巧之后，能很快勝任。但是大模型所需要的是一個完整的、結(jié)構(gòu)化的、多元化的、包羅萬象的數(shù)據(jù)體系，需要四層數(shù)據(jù)來支撐模型的搭建和提升。這些數(shù)據(jù)涉及預訓練、SFT（有監(jiān)督微調(diào)，Supervised Fine-Tuning）、RLHF（基于人類反饋的強化學習，Reinforcement Learning from Human Feedback），私有化部署等等，針對不同行業(yè)的需求，我們發(fā)布了COSMO大模型數(shù)據(jù)金字塔解決方案；對于大模型數(shù)據(jù)標注員來說，標注COSMO的數(shù)據(jù)不是做選擇題，也不是簡單的閱讀理解、文本編輯，而是讓你創(chuàng)造問答，創(chuàng)造內(nèi)容了。”

　　云測數(shù)據(jù)總經(jīng)理賈宇航將大模型的訓練數(shù)據(jù)劃分為基礎(chǔ)數(shù)據(jù)、場景數(shù)據(jù)和場景數(shù)據(jù)優(yōu)化三個階段。他將這三個階段類比成學習的過程。

　　“對于拉框這種基礎(chǔ)的數(shù)據(jù)標注會比較簡單，會電腦操作、學一學即會;場景數(shù)據(jù)是在特定環(huán)節(jié)做定向研發(fā)時所需要的特定領(lǐng)域的數(shù)據(jù)，需要學習相關(guān)領(lǐng)域知識以達到標注要求;到三個階段，基于投入使用中持續(xù)的迭代和優(yōu)化，技能和領(lǐng)域知識的要求會更加精進。”賈宇航表示。

　　在這種工作需求之下，越來越多的大模型公司對數(shù)據(jù)標注員的需求，也從過去的低學歷向高學歷轉(zhuǎn)變，并且這種需求正越來越多。

　　在國內(nèi)主流的求職平臺上，已有不少關(guān)于大模型的數(shù)據(jù)標注崗正在招聘。這些崗位要求標注員的學歷在本科以上。百度此前曾表示，其位于�？诘拇竽Ｐ蛿�(shù)據(jù)標注基地有數(shù)百位數(shù)據(jù)標注員，本科率已達100%。

　　圖片來源：BOSS直聘&脈脈

　　2.苛刻的大模型數(shù)據(jù)標注

　　通常來說，訓練一個大模型，需要以下3個步驟：

　　資料來源：OpenAI《Introducing ChatGPT》

　　這些重復性的工作背后，實際上是為了實現(xiàn)“根據(jù)人類反饋進行強化學習”(Reinforcement Learning from Human Feedback)的技術(shù)，GPT-3.5的最 大提升便來自于此，其中的關(guān)鍵，是人(Labeler)的參與，也就是這些數(shù)據(jù)標注員。

　　從上述RLHF三步驟來看，步驟一與步驟二相對更重要，因為它決定了訓練獎勵模型所必須的數(shù)據(jù)質(zhì)量的高低。而這兩個步驟中的數(shù)據(jù)標注實習生，也被分成了“編輯組”與“排序組”兩個核心小組。

　　編輯組的工作就是回答題庫中的問題;而排序組的工作則是給生成的答案(包括模型和人工生成的答案)進行優(yōu)劣排序。

　　丁小雨在7月份加入文字編輯。同為英語專業(yè)的丁小雨和晨曦一樣，期待著一份翻譯工作能提高專業(yè)水平，但她的工作其實也與英語并不相關(guān)。

　　對比2月份楊小云實習的時候，丁小雨面臨的文字編輯組變得更加細分，每個實習生要選擇一個垂直方向，例如娛樂、物理、政治等，答案的要求也變得更加詳細。

　　一道古詩文的選擇題，不能只解釋答案，而要先從題型開始介紹，然后是詩文的翻譯以及背景，最后是每個選項正確與否的分析，最重要的是要對標3月14日OpenAI發(fā)布的GPT-4。

　　“要參考它的答案，又不能跟它的答案雷同，還要比它的答案好。”丁小雨很無奈。

　　而晨曦被安排進的是排序組，每天為問題對應(yīng)的多個回答進行排序，以確定不同答案的優(yōu)劣。

　　排序的結(jié)果是需要被明確量化的。她需要從有用性、真實性、相關(guān)性、安全性等不同角度對回答進行評分，并且寫下原因。這是為了讓機器無限接近人類期待的答案。

　　晨曦發(fā)現(xiàn)自己有時候不得不在幾個糟糕的回答之間做出選擇。而當所有的回答都不好時，她被要求自己寫出更好的回答。

　　編輯組的丁小雨面臨的要求更加苛刻。每個回答在合格交付之前將要面臨兩道審核。第 一道來自組長：“做完幾道題就要開審核的會，給我們挑毛病，直到改到組長滿意為止。”第二道來自于總部，總部審核通過才算結(jié)束。

　　一次，因為格式的錯誤，丁小雨的大多數(shù)回答被判了全錯。“可能調(diào)一下順序就可以了，但是他們不在意你是回答的內(nèi)容錯了，還是格式出現(xiàn)問題，直接就是全錯。”

　　更令丁小雨崩潰的是，組長直接表示，如果再錯這么多就可能勸退她。

　　為大模型做數(shù)據(jù)標注是一件*的結(jié)果導向的工作。不管在做的過程中付出了多少努力，只要效果不好，之前的一切努力就會被全盤否定。

　　但問題在于，無論是編輯組的答案輸出，還是排序組的答案排序，都是一個非常主觀的工作。數(shù)據(jù)標注實習生們很難把控一個答案到底是好是壞;針對同一個問題，不同實習生往往也會給出不同的答案。

　　為了解決這一問題，大模型數(shù)據(jù)標注團隊每天必須進行的一項工作就是開“審核會”——在公司內(nèi)部被稱為“拉齊會”，目的就是拉齊答案的標準，拉齊每個人的理解，拉齊所有的建議。

　　只是，要實現(xiàn)真正的拉齊，是一件頗為費勁的事。這就像高考閱卷一樣，不同的人會分到同樣的題目，如果評分不一致，就要不斷調(diào)整直到得出一個統(tǒng)一的分數(shù)。

　　在晨曦的印象里，每天都有兩三小時的時間花在會議上。會議開到最后，往往敲定的是最簡單粗暴的解決方法，少數(shù)服從多數(shù)，她形容為“沒有價值在創(chuàng)造價值”。

　　不過，比起大家坐在一起“人為”拉齊答案標準，一個更令人頭大的問題是：標準并非人為拉齊之后就可以一勞永逸，而是要不斷根據(jù)模型輸出的反饋進行調(diào)整。

　　每天上班的第 一件事，楊小云需要確認當天是否下發(fā)了新的標注標準，大到回答的框架，段落的拆分，小到搜索引擎的選擇，空格、標點符號等格式。但標準一直在變。一旦發(fā)現(xiàn)投喂的數(shù)據(jù)在機器上不奏效，標準就需要重新制定，全部問題跟著推翻重寫。

　　“這就好像織布一樣，是織橫紋還是豎紋?是織芝麻扣還是麥子扣?但是不管是什么扣，都只能放進程序里跑，發(fā)現(xiàn)跑不出來就要換一種方法。”楊小云向「甲子光年」解釋。這個比喻的背后是，如果數(shù)據(jù)標注給出的答案，在獎勵模型的訓練過程中可能沒有達到預期的效果，就要調(diào)整標準。

　　標準變更，意味著上一次拉齊會結(jié)論的失效，標準又要重新拉齊。

　　“又冗余又高效，每天都在非常高效地說一些廢話。”楊小云吐槽。

　　3.被大廠薅羊毛的高材生

　　一邊是每天開不完的拉齊會，一邊是隨時可能變更的數(shù)據(jù)標準。很多像晨曦一樣被大廠光鮮亮麗的招牌吸引進來的高材生們，卻在一次次內(nèi)耗中喪失了自己最初的心氣，最終選擇離開。

　　這些實習生的共同特點是高學歷。招聘要求是本科以上，但許多實習生擁有碩士研究生的文憑。

　　他們中不少人受過中國乃至世界*大學的教育。楊小云的身邊有來自北大、帝國理工的學生，晨曦工位旁的實習生來自南開、電子科大;丁小雨在培訓的時候被明確告知，實習生的學歷是經(jīng)過篩選的。“他(面試官)說像我們這樣高學歷的大學生，學習東西比較快，容易上手”。

　　管理一幫聰明人從來都不是一件容易的事。因為這些人很容易從不斷重復的動作中發(fā)現(xiàn)工作的本質(zhì)，進而質(zhì)疑這份工作對自己的未來是否真的有價值。

　　丁小雨形容自己的工作“沒什么價值，很內(nèi)耗”。

　　每天早上來到工位，打開顯示屏和筆記本，一邊用筆記本查看規(guī)則，一邊在顯示屏上編寫回答，丁小雨能清晰地感受到詳細的規(guī)則和流程讓自己逐漸失去了思考的空間，把她規(guī)訓成了一個機器。“沒有學到東西，而且也沒有精力去學習其他的東西，就慢慢喪失學習的動力和做其他事情的熱情。”

　　丁小雨還在脫敏組待過，但實際工作和“脫敏”這個詞沒有根本聯(lián)系，只是使用不同的聊天機器人與企業(yè)內(nèi)測的產(chǎn)品回答相同的問題，并對答案進行對比打分。只干了幾天，她又被調(diào)到過文字校對組，要做的是修改pdf格式轉(zhuǎn)換成Word格式時出現(xiàn)的錯誤，主要是錯別字和標點符號。在這個她形容為“接近崩潰”的過程中，她每天要完成25頁與醫(yī)療相關(guān)的糾錯任務(wù)。

　　在面試過程中，面試官曾問丁小雨能不能接受一份比較枯燥和重復的工作。“我當時回答是能接受。我想所有候選人的回答應(yīng)該都是能夠接受。”因為本科只有一段實習經(jīng)歷，帶著積累更多實習和體驗大廠的期待，即使抱著懷疑的想法，丁小雨還是選擇了入職。

　　在短短兩個月中，丁小雨已經(jīng)算是同期實習生中堅持到最后的人。她親眼見到許多實習生躊躇滿志地進來，又垂頭喪氣地離開。

　　人類學家大衛(wèi)·格雷伯將“狗屁工作”(bullshit jobs)定義為沒有意義或目的的工作，本該被機器自動化淘汰掉的工作，卻因為裝點門面、討好上級、填補系統(tǒng)漏洞而繼續(xù)存在。數(shù)據(jù)標注就像是狗屁工作的變體，通常認為已經(jīng)被機器替代，卻仍然需要人類完成。

　　在人工智能熱潮到來之際，人們往往會聽到這樣的期許：AI可以替代人類完成重復性、乏味的工作，從而讓人類有更多時間和精力去追求更有創(chuàng)造性、成就感的工作。

　　但也有可能的是，人工智能像過去節(jié)省勞動力的技術(shù)一樣，如電話和打字機，克服了信息傳遞和手寫的苦惱，但也產(chǎn)生了大量的通訊、文書工作，以至于需要配備新的人工來進行管理，例如前臺、文員。AI可能不會替代人類，但會創(chuàng)造出更加乏味、枯燥、孤立的工作。

　　除了無法獲得工作價值認同之外，到手的薪資，恐怕也不能讓這幫高材生們實現(xiàn)“價格認同”。

　　據(jù)「甲子光年」了解，這些數(shù)據(jù)標注實習生的工資并不高。如果位于一線城市的工位，大多數(shù)人工智能實習生的工資是150元/天，兼有房補，提供免費食堂;位于二線城市，只剩下100元/天，房補也縮減三分之二，20元的餐補替代免費餐食。

　　像丁小雨在二線城市的工位實習，因為辦公地點處在城市中心，地段繁華，一頓外賣輕輕松松超過20元的餐補標準，基本上都需要用實習工資倒貼。

　　因為他們大多數(shù)只是作為訓練大模型的基礎(chǔ)標注員，可能被統(tǒng)一安排到和專業(yè)毫無相關(guān)的崗位，又有可能隨時抽調(diào)到不同的部門，經(jīng)過短暫的培訓后要求快速上手。

　　丁小雨形容，他們是一批一批被大廠薅羊毛的實習生。

　　晨曦明顯感受到，她不是唯 一感受到期待與實際工作落差的人。“說得直白一點，我覺得這個工作配不上我。有時候聊天我會發(fā)現(xiàn)其他實習生可能是985本科，也有海歸的碩士，他們的落差也非常非常大。”

　　楊小云則表達得更為直接：“可能是一個不太恰當?shù)谋扔�，我媽媽上過高中，她來做這個工作也可以。”

　　4.“我們其實是流水線的工人”

　　事實上，招聘高材生做一些低技術(shù)含量的工作，給付極低的薪資成本，也是目前大模型數(shù)據(jù)標注發(fā)展初期市場混亂的客觀體現(xiàn)。對于數(shù)據(jù)標注公司來說，在大模型目前的發(fā)展階段，數(shù)據(jù)標注還沒有形成統(tǒng)一的標準，對標注員也沒有成型的具體要求。

　　星塵數(shù)據(jù)產(chǎn)品部負責人表示：“隨著大模型基礎(chǔ)能力補齊之后，開始向更垂直、更加復雜能力的發(fā)展過程中，任務(wù)會逐步產(chǎn)生變化，要求工具和人員隨之更新迭代。但是，大模型現(xiàn)在還在早期發(fā)展過程，市場需求對標注員的要求也隨任務(wù)的差異有高有低。相比CV(計算機視覺)項目而言，NLP(自然語言處理)的標注員對理解能力、專業(yè)術(shù)語、領(lǐng)域知識的要求更高，必須能提供準確、可靠的語料。”

　　該負責人介紹，大模型對數(shù)據(jù)標注提出的難題更多體現(xiàn)在頂層設(shè)計。對于每個數(shù)據(jù)標注任務(wù)，如何理解客戶的應(yīng)用場景訴求，進行數(shù)據(jù)選擇、數(shù)據(jù)分布設(shè)計、可高效低成本落地執(zhí)行的pipeline設(shè)計等一套解決方案的設(shè)計，如何提高平臺工具的效率和能力，是更大的挑戰(zhàn)。

　　這其中依賴著垂直領(lǐng)域?qū)＜易鳛楦呒墭俗�員的參與，將領(lǐng)域?qū)�業(yè)知識和經(jīng)驗注入解決方案的設(shè)計，甚至參與到數(shù)據(jù)質(zhì)量檢查迭代的過程中。

　　數(shù)據(jù)解決方案提供商倍賽科技的運營負責人張子千直言，目前就訓練大型模型而言，基礎(chǔ)標注員和之前從事框選工作的標注員在工作難度、時薪方面并沒有明顯的區(qū)別。在為客戶進行大模型微調(diào)并創(chuàng)建垂直領(lǐng)域的解決方案時，最 大的難題在于如何構(gòu)建高質(zhì)量的數(shù)據(jù)集，這需要IT、醫(yī)學和金融等專業(yè)領(lǐng)域的標注專家才能解決，這類人才依然稀缺。

　　OpenAI投入了幾十位博士生進行數(shù)據(jù)標注的指導和審核，而將基礎(chǔ)的數(shù)據(jù)標注外包給了數(shù)據(jù)標注公司，分散在非洲、印度等低收入地區(qū)。真正起作用的是那些高級標注員，只占到很小的比例。

　　通過對比百度在北京總部和海口數(shù)據(jù)標注基地招聘的標注員崗位介紹可以看出，同樣是為了訓練大模型，前者為高級標注員，負責指導、培訓和審核，而后者則是基礎(chǔ)的數(shù)據(jù)標注員，兩者在薪資水平上千差萬別。

　　圖片來源：BOSS直聘

　　也就是說，那些更高級別的高級標注員其實才是大模型訓練的關(guān)鍵人才，他們的工作更具技術(shù)含量、價值更高，同時人力成本也更高。

　　對比之下，這些來自名校的實習生們，即使是為了訓練大模型而來，從現(xiàn)階段來說，也與過去那些數(shù)據(jù)標注員在本質(zhì)上并無差別。

　　實習生之間常常開玩笑，他們并不是在大廠，而是在互聯(lián)網(wǎng)富士康，自己是流水線上的工人。他們既看不到自己的工作成果最終通向何方，也無法與身邊的人產(chǎn)生橫向的意義鏈條。

　　這種“互聯(lián)網(wǎng)富士康”的玩笑，指的不僅僅是這些實習生的工作，就連工作量與管理模式，也幾乎與工廠流水線看齊。

　　實習生們每天要完成的工作量，都有規(guī)定的人效紅線。對于楊小云來說，她一天需要標注滿32條問題，如果沒有達到紅線要求，就要匯報原因或者加班把它干完。而完成工作的前提，是不斷變換的拉齊會標準，以及不停的資料搜集。

　　為了最快速度完成模型訓練，標注團隊面臨的是高壓式的管理。楊小云所在的小組工作時間禁止說話，閑聊幾句的代價可能會新增額外的任務(wù)量，完不成工作會在群里被瘋狂提醒，甚至生病請假也可能會被正職的加急電話打擾。

　　此外，為了保證數(shù)據(jù)不被泄密，數(shù)據(jù)標注跨組別的交流是明令禁止的。即使不同小組的實習生安排在臨近的位置，也不能討論工作內(nèi)容。這些實習生們都不知道，在企業(yè)內(nèi)部，數(shù)據(jù)標注到底有多少細分的組，有多少實習生。一個組可能有10人、40人、50人、60人，每層樓會有上百人。

　　在高壓的人效紅線之下，只有遇到違禁的題目能讓楊小云短暫“高興”一下。因為涉及到暴力、色情、血腥的內(nèi)容要直接去掉，但還可以算到個人的工作條數(shù)。“相當于擰到了一個壞的螺絲，你只會很高興這個螺絲不用你擰了”。早上分工的時候，實習生之間甚至爭著領(lǐng)違禁問題。

　　在楊小云提前離職之后，她經(jīng)常刷到同期實習生深夜10點，甚至12點還在公司開會的朋友圈。還有實習生給她發(fā)語音，帶著哭腔，但是因為租了房子沒有辦法離開，堅持不下去就意味著房租全部打水漂。

　　5.這里永遠不會缺人

　　但不是沒有堅持下來的人。

　　李竹溪是其中少見的擁有數(shù)據(jù)標注經(jīng)驗的實習生。她學的是認知語言學，她解釋道，語言學與神經(jīng)結(jié)合的方向，觀察腦成像，包括建立腦機接口，與人工智能有一定的聯(lián)系。

　　在來到這家大廠之前，她就曾在另一家大廠做過大語言模型的數(shù)據(jù)標注，那還是在ChatGPT發(fā)布之前。在李竹溪的印象中，在ChatGPT出圈之后，類似的數(shù)據(jù)標注實習如雨后春筍一樣一下子就冒了出來。

　　她順利完成了三個月的實習，即使在她的形容中，這是一份“比較機械、難度不大”的工作。李竹溪描述自己更注重體驗，“我不指望這份工作很有趣，去體驗一下還是很不錯的，既收獲了大廠的實習經(jīng)驗，也體驗了這里獨特的企業(yè)文化”。

　　對來自雙非院校的文科生趙碩來說，大廠的人工智能編輯實習崗已經(jīng)是他上層的選擇。

　　在找暑假實習的時候，他其實更傾向于一個研究所的運營崗位，研究所屬于事業(yè)單位，更帶編制，對于趙碩有很強的吸引力，“當時我特別期待它能給我反饋”。但最終研究所沒有選擇研一的趙碩，招走了一個年級更高的學生。

　　還有更“卷”的人。

　　在趙碩眼中，有些實習生會特別努力，領(lǐng)取更多的任務(wù)量，以謀求轉(zhuǎn)正的機會。認真的態(tài)度、勤奮的狀態(tài)會博得正職的青睞，“Leader與他們之間經(jīng)常有一定的交流，也會給他們一些管理的授權(quán)，管理實習生”。

　　甚至公司每周會評選表現(xiàn)突出的實習生，將他們的照片貼在墻上作為表彰，但是并不一定存在獎金激勵，趙碩所在的業(yè)務(wù)線就沒有。

　　云測數(shù)據(jù)總經(jīng)理賈宇航告訴「甲子光年」，數(shù)據(jù)標注員的晉升主要有兩條：一條是專家路線，在掌握特定垂直領(lǐng)域的相關(guān)技能之后，初級的標注員可以逐漸成為高級的標注專家;另一條是管理路線，成為項目的管理者。

　　但趙碩不會選擇留下。在讀了一年研之后，趙碩很明顯地體會到，他對于未來工作的期待降低了。感受到身處大環(huán)境的日益變化，觀察到本科畢業(yè)選擇就業(yè)的同學的不如意，趙碩之前期待的“高精尖”“不可替代性強”的工作也逐漸被一份安穩(wěn)的工作替代。作為一名文科生，他焦慮于自己還沒有掌握不可替代性強的技能，更希望能找到一份在編制內(nèi)管理的工作。

　　閑聊的時候，實習生們會互相感嘆自己在做的工作或許很快就會被機器替代，不再需要人工投喂數(shù)據(jù)。

　　對于云測數(shù)據(jù)總經(jīng)理賈宇航來說，類似的擔憂并不存在。隨著算法的實際量產(chǎn)，數(shù)據(jù)閉環(huán)能力增強，整體標注數(shù)據(jù)量和手工數(shù)據(jù)標注量依然在逐年上升。以往是百分之百人工標注，現(xiàn)在是人工標注、自動標注、人工校驗各有一定占比。未來可能自動標注占比會越來越大。不過，雖然人工標注的占比在減小，但伴隨人工智能行業(yè)的逐步發(fā)展數(shù)據(jù)量日漸增加，人工標注的量仍會持續(xù)增加。

　　在提前離職之后，楊小云找到了一份自己喜歡的游戲策劃實習，那里工作氛圍輕松，也更有獲得感，人工智能編輯對她來說是一段“倒霉”的實習經(jīng)歷。而對于丁小雨來說則是一次祛魅的過程，即使去了曾經(jīng)很期待的大廠實習，也會面臨無數(shù)枯燥無味的工作，她覺得這可能是因為自己的能力還不夠強或歷練機會太少。

　　但那里也永遠不會缺人。

　　楊小云聽說在她走之后，團隊從幾十個人在一個月內(nèi)擴充到了幾百個。丁小雨發(fā)現(xiàn)，每隔10天，就會來一批新的實習生，每批都有二三十人。

　　“你可能罵罵咧咧地走了，向全世界宣告這個工作多么不好，但還有源源不斷的新人進來補充你的空位。”

　　*應(yīng)采訪對象要求，文中人物晨曦、楊小云、丁小雨、李竹溪、趙碩為化名。‍