核心金句：AMT的关闭不是一个平台的死亡，而是一个信号——AI已经强大到可以取代自己的「奶妈」，但谁来塑造AI的价值观，正在成为比模型能力更重要的权力问题。

2026年9月30日，一个在AI历史上扮演过关键角色却鲜少被人提及的平台将永久停止运营。Amazon Mechanical Turk（AMT）——Jeff Bezos亲自命名为「Artificial Artificial Intelligence」（人工的人工智能）的众包平台——在运营21年后，将以一种安静得近乎讽刺的方式落幕。

讽刺在于：这个平台的存在意义，是用人类智能弥补机器智能的不足。而它的关闭，则是因为机器智能已经足够强大，不再需要这种弥补。

但如果你认为AMT的关闭只是一个老旧平台被时代淘汰的普通商业故事，你就错过了这件事真正重要的地方。AMT的终结是一面镜子，折射出整个数据标注产业正在经历的深层重构——权力从去中心化的众包网络，向少数专业化「数据工厂」高度集中；劳动力从匿名的全球零工，向具有领域专业知识的标注专家迁移；而AI本身，正在成为自己训练数据的生产者。

这个悖论——AI越强大，越不需要低端人类标注，却越依赖高端人类判断——是理解当前AI产业格局最重要的线索之一。

一、Bezos为什么要发明「人工的人工智能」

2005年，Amazon推出Mechanical Turk时，这个名字本身就是一个历史梗。18世纪，匈牙利发明家Wolfgang von Kempelen制造了一台名为「土耳其人」（The Turk）的国际象棋机器，能够击败几乎所有挑战者，包括拿破仑和本杰明·富兰克林。这台机器被认为是机械奇迹，直到后来人们发现，它的内部藏着一个真实的人类棋手。

Bezos借用这个典故，精准描述了AMT的本质：一个让人类智能假装成机器智能的系统。

AMT的核心机制极其简单：企业发布「人类智能任务」（Human Intelligence Tasks，HITs），全球工作者（被称为「Turkers」）完成这些任务并获得报酬。任务类型包括图像标注、文本分类、情感分析、数据验证、音频转录等——这些都是当时的机器学习算法无法可靠完成的工作。

在2005年到2010年代初期，AMT几乎是AI产业的隐形基础设施。斯坦福、MIT、卡内基梅隆等顶尖高校的研究人员用它收集标注数据；早期的计算机视觉团队用它标记图像中的物体；自然语言处理团队用它验证语料库的质量。

其中最具标志性的案例是ImageNet。斯坦福大学Fei-Fei Li团队在2007至2010年间构建这一包含超过1400万张标注图像的数据集时，AMT是其核心标注基础设施。根据Fei-Fei Li团队2009年发表的论文（Deng et al., CVPR 2009），ImageNet项目通过AMT招募了来自167个国家的48940名工作者，累计完成了数以亿计的标注任务。没有AMT提供的大规模、低成本众包标注能力，ImageNet几乎不可能在合理的时间和预算内完成——而ImageNet后来成为引爆深度学习革命的关键数据集，2012年AlexNet在ImageNet竞赛上的突破性表现直接开启了现代AI时代。

峰值时期，AMT平台上的注册工作者超过50万人，分布在全球各地。需要指出的是，这一数字指的是累计注册用户规模，实际月活跃工作者数量要小得多——研究人员估算，平台上真正活跃的兼职众包工作者数量约为注册用户的5-10%，经常性参与者的比例更低。[编者注：上述活跃比例为基于多项学术研究的综合估算，非Amazon官方披露数据。]

这个数字背后是一个极度分散的劳动力网络：美国的家庭主妇在孩子睡觉后标注图片；印度的大学生在课余时间完成文本分类任务；东南亚的兼职工作者在空闲时间处理数据验证请求。AMT将全球劳动力市场的价格套利做到了极致——以接近最低工资甚至低于最低工资的报酬，完成了大量推动AI发展的基础性工作。

这里有一个值得深思的历史事实：现代深度学习的崛起，在相当程度上建立在这些匿名工作者的劳动之上。每一个在ImageNet上训练的视觉模型，每一个用人工标注数据微调的语言模型，背后都有无数个「人工的人工智能」在默默工作。

然而，AMT的商业模式从一开始就存在结构性缺陷。

二、一个平台的慢性病：AMT为什么走向衰落

AMT的衰落不是突然发生的，而是多重因素长期叠加的结果。

质量控制的根本性困境

AMT最大的问题从来不是规模，而是质量。当你拥有数十万名注册工作者时，如何确保他们的标注是准确的、一致的、可信的？AMT的解决方案是「多数投票」——同一个任务发给多个工作者，取多数答案作为最终结果。这个方法在简单任务上勉强可行，但在需要专业知识或细粒度判断的任务上，它会系统性地产生错误。

更糟糕的是，AMT平台催生了大量「机器人Turker」——使用脚本自动完成任务、骗取报酬的账号。2018年发表在《Perspectives on Psychological Science》上的一项研究发现，AMT上的机器人和低质量响应比例可能高达25%至50%，严重影响了依赖AMT数据的学术研究质量。（来源：Kennedy et al., Perspectives on Psychological Science, 2020; Chmielewski & Kucker, 2020。需要说明的是，不同研究对「低质量响应」的定义和估算方法存在差异，25%至50%代表的是多项研究报告的区间范围，而非单一精确数字。）随着这类问题日益严重，真正高质量的工作者逐渐流失，平台质量进入螺旋式下降。

AI能力演进带来的任务替代

但更根本的压力来自AI本身的进步。

AMT最初存在的意义，是让人类完成机器无法完成的任务。但随着深度学习的发展，越来越多的「人类智能任务」被机器接管。图像分类、基础文本分类、情感分析——这些曾经需要大量人工标注的任务，现在可以由预训练模型以极低成本完成。

到2026年，这个替代过程已经加速到令人眩晕的程度。OpenAI发布的GPT-6 Astra在OSWorld 2.0桌面任务自动化基准上达到了72.6%的完成率，意味着大量以前需要人类执行的计算机操作任务，现在可以由AI自动完成。（来源：Computerworld, 2026）与此同时，AI实验室正在以前所未有的速度推出新模型——在同一周内，多家顶级实验室相继发布重大模型更新，CNBC将这一现象描述为「模型疲劳」（model fatigue），反映出AI能力的迭代速度已经远超行业消化能力。（来源：CNBC, 2026-09-06）

这意味着什么？AMT上最常见的任务类型，正在以越来越快的速度被AI取代。当一个图像分类任务可以用一个微调过的视觉模型以1/100的成本完成时，没有理由再付钱给人类工作者去做同样的事情。[编者注：1/100的成本比例为基于行业公开讨论的近似估算，实际比例因任务类型和模型选择而异。]

专业化竞争对手的崛起

与此同时，AMT面临来自另一个方向的竞争：专业化数据标注公司的崛起。Scale AI、Mercor、Prolific等公司提供了AMT无法提供的东西——可控的质量、专业的工作者、复杂任务的处理能力，以及针对AI训练数据需求定制化的工作流程。（来源：Yahoo Finance, 2026）

这些公司理解一个AMT从未真正解决的问题：随着AI模型变得更复杂，训练数据的质量要求也在指数级提升。2015年，你可能需要100万张粗略标注的图片来训练一个视觉模型。2025年，你需要的是100万条精心设计的、包含细粒度推理过程的对话数据，由具有相关领域知识的专家完成。这不是AMT的去中心化众包模型能够满足的需求。

Amazon在2026年7月30日停止接受新客户，并宣布将于2026年9月30日永久关闭平台。（来源：Yahoo Finance, 2026）Amazon官方在AWS服务公告中确认了这一时间表。这个决定被外界普遍解读为Amazon集中资源于AWS AI基础设施的战略调整——在AI基础设施的军备竞赛中，维护一个正在萎缩的众包平台显然不在优先级列表上。

三、50万零工的故事：消失的工作与迁移的劳动力

要理解AMT关闭的人类代价，你需要理解「Turker」这个群体是什么样的人。

AMT工作者的构成极其多样。研究人员发现，在美国，大量Turker是寻求灵活收入来源的兼职工作者——残障人士、照顾儿童的父母、学生、退休人员。在发展中国家，尤其是印度，AMT曾经是一个重要的收入来源，部分全职Turker每月可以从平台获得数百美元的收入——在印度的二三线城市，这是一笔不可忽视的补充收入。

但这些工作的本质是高度可替代的。图像标注、文本分类、数据验证——这些任务不需要特殊技能，进入门槛极低，因此报酬也极低。AMT的「最低工资问题」长期以来是学术界和劳工权益倡导者批评的对象：2018年的一项学术研究（Hara et al., CHI 2018）发现，AMT工作者的中位时薪仅约2美元，只有4%的工作者时薪超过7.25美元（当时的美国联邦最低工资标准）。

现在，这些工作正在消失。消失的路径有两条：

第一条路径：AI直接替代

最简单的标注任务——图像分类、基础情感分析、是/否判断——已经可以由AI模型以极低成本完成。这不是未来的预测，而是正在发生的现实。当前一代大型语言模型和视觉模型在这些基础任务上的表现已经达到甚至超过了众包工作者的平均水平，而成本仅为人工标注的几十分之一。

第二条路径：任务升级与技能门槛提升

对于那些AI尚未能替代的标注任务，需求正在快速向高端迁移。

RLHF（基于人类反馈的强化学习）、Constitutional AI训练数据、复杂推理链的评估——这些任务需要的不是廉价劳动力，而是具有专业背景的评估者。一个能够评估医学诊断推理是否正确的标注者，和一个在AMT上标注猫狗图片的Turker，是完全不同的劳动力市场。

这就是数据标注产业「中产化」的含义：低端任务消失，高端任务对技能要求大幅提升，中间的大量工作者面临要么向上转型、要么退出市场的选择。这是AI时代劳动力市场「空心化」的一个微缩样本——中间层被抽空，顶端和底端的差距急剧拉大。

对于曾经依赖AMT谋生的工作者来说，这意味着什么？截至本文发布时暂无公开数据显示这批工作者的具体转型情况，但从产业结构变化来看，据推测，能够向专业化标注平台迁移的比例可能相当有限——Prolific等平台对工作者的审核标准远高于AMT（要求学历验证、身份验证、特定领域资质），而Scale AI的核心标注团队更接近经过培训的全职或长期合同工，而非随时上线的零工。[编者注：以上关于迁移比例的判断为基于产业结构分析的合理推断，非基于实证数据。]

四、接管的是谁：新型数据标注产业的解剖

Scale AI、Mercor、Prolific——这3家公司被点名为AMT的替代者，但它们代表的是截然不同的商业模式和产业逻辑。（来源：Yahoo Finance, 2026）

Scale AI：数据工厂的垂直整合

Scale AI是这个领域最具代表性的公司，其核心逻辑是将数据标注从「众包市场」转变为「管理服务」。Scale AI不只是提供一个平台让工作者完成任务，而是承担整个数据生产流程的质量责任——从任务设计、工作者筛选、质量控制到最终交付。

这种模式的关键优势在于，它能够处理AMT无法处理的复杂任务：需要专业领域知识的标注（医疗、法律、代码）、需要细粒度判断的评估（推理链质量、幻觉检测）、需要跨模态理解的任务（视频理解、多模态对话评估）。

Scale AI的客户名单包括OpenAI、Meta、美国国防部等——这些客户对训练数据质量的要求，是AMT的众包模型根本无法满足的。根据公开报道，Scale AI在2024年完成了一轮10亿美元的融资，估值达到约138亿美元，使其成为数据标注领域估值最高的独角兽。（来源：Forbes, 2024-05-21）这一估值本身就说明了市场对专业化数据标注服务的巨大需求预期。

对投资者的启示： Scale AI的估值轨迹揭示了一个重要的投资逻辑——在AI产业链中，「数据层」的价值正在被重新定价。当模型架构趋于同质化、算力成为可购买的商品时，高质量训练数据的稀缺性反而成为最持久的竞争壁垒。关注数据标注产业链上下游的投资者，可能比单纯追逐模型公司获得更好的风险调整回报。[编者注：以上为编者分析，非引用数据。]

Prolific：学术级数据质量的民主化

Prolific的定位与Scale AI不同，它更接近一个「研究级众包平台」——工作者经过严格筛选和验证，平台对最低时薪有明确要求（Prolific要求研究者支付至少每小时8英镑的报酬），数据质量和伦理标准是核心卖点。Prolific的主要客户是学术研究机构和需要高质量调研数据的企业。截至2024年，Prolific拥有超过20万名经过验证的参与者池。（来源：Prolific官方网站公开信息）

这个定位让Prolific在AI数据标注市场上占据了一个独特的生态位：不是最便宜的，也不是最专业化的，而是在质量、成本和规模之间取得了相对平衡的选择。

Mercor：AI辅助的人才匹配

Mercor的角色更接近一个「AI时代的人才中介」，专注于将具有特定专业背景的工作者与需要专业标注的任务匹配。Mercor在2024年获得了包括Peter Thiel和Jack Dorsey在内的投资者的支持。这个模式的核心假设是：随着标注任务变得越来越专业化，传统的众包匹配逻辑（谁先接任务谁做）将被专业化匹配逻辑取代。

三者共同揭示的产业趋势

这3家公司的崛起，揭示了数据标注产业的一个根本性转变：从去中心化的市场（AMT模型）到中心化的服务（专业数据公司模型）。

在AMT时代，数据标注是一个接近完全竞争的市场——工作者之间相互竞争，价格趋向于劳动力成本的最低值，质量参差不齐。在新的产业格局中，少数专业化公司掌握了训练数据生产的核心能力，形成了相当程度的护城河：专业工作者网络的积累、质量控制流程的沉淀、与顶级AI实验室的深度合作关系。

这种集中化带来了一个新的权力结构问题：当AI训练数据的生产被少数公司控制时，这些公司实际上掌握了影响AI模型行为和价值观的关键杠杆。谁控制了训练数据，谁就在某种程度上控制了AI的「世界观」。

对政策制定者的启示： 当前AI治理框架（包括欧盟《AI法案》和美国行政令）主要聚焦于模型开发者的责任，但几乎未触及数据标注供应链的透明度问题。如果训练数据的生产集中在少数公司手中，且这些公司的标注标准、工作者构成、价值取向缺乏外部审计机制，那么仅对模型层面的监管将存在重大盲区。建议政策制定者将「训练数据供应链透明度」纳入AI治理框架的优先议题。[编者注：以上为编者基于产业分析的政策建议，非引用数据。]

五、AI自动化的核心悖论：越强大的AI越需要人类，也越不需要人类

这是整个数据标注产业最令人着迷也最令人困惑的悖论，值得深入展开。

悖论的第一面：更强的AI需要更高质量的人类标注

现代大型语言模型的训练流程，远比外界想象的更依赖人类反馈。预训练阶段（在海量文本上的自监督学习）确实不需要人工标注，但让模型从「能说话」变成「说有用的话」的关键步骤——RLHF、DPO（直接偏好优化）、Constitutional AI——都需要大量高质量的人类评估数据。

更重要的是，随着模型能力的提升，评估模型输出质量所需的人类专业程度也在提升。评估GPT-3的输出，可能只需要普通人判断「这个回答有没有帮助」。评估2026年最新一代模型的输出，你需要能够判断复杂数学推理是否正确、代码是否存在安全漏洞、医学建议是否符合临床指南的专家。

以GPT-6 Astra为例，它在OSWorld 2.0桌面任务自动化基准上达到了72.6%的完成率。（来源：Computerworld, 2026）评估这个模型在剩余27.4%失败案例中的错误模式——是理解错了用户意图？是执行了不安全的操作？还是选择了低效的路径？——需要具备深厚计算机操作知识的人类评估者。这不是AMT上的匿名工作者能做的事情。

悖论的第二面：更强的AI正在接管数据标注工作

与此同时，AI正在越来越多地参与自己的训练数据生产。

「合成数据」（Synthetic Data）已经成为AI训练的重要组成部分——用一个已有模型生成训练数据，再用这些数据训练下一代模型。Meta在训练Llama系列模型时大量使用了合成数据，Google DeepMind的AlphaProof在数学推理领域也依赖合成数据取得了突破。

更进一步，AI辅助标注（AI-assisted annotation）正在成为标准工作流程：人类标注者不再从零开始完成任务，而是审核和修正AI的初步标注结果。这大幅提升了标注效率——据Scale AI公开披露，AI辅助标注可以将人类标注者的效率提升3到5倍——但也改变了劳动力的角色，从「生产者」变成「审核者」。

在AI实验室密集发布升级版模型的背景下，（来源：CNBC, 2026-09-06）这个循环正在加速：更强的模型产生更好的合成数据，更好的合成数据训练出更强的模型。人类标注者在这个循环中的角色，正在从「主要生产者」向「质量把关者」转变。

悖论的分辨率：两个层次的人类劳动

这个悖论的分辨率，在于区分两个层次的人类劳动：

第一层：执行性标注——按照明确规则完成重复性任务（标记图片中的物体、判断文本情感倾向）。这一层正在被AI快速替代，AMT的衰落主要发生在这一层。

第二层：判断性标注——评估模型输出的质量、一致性、安全性，提供需要专业知识和价值判断的反馈。这一层不仅没有被AI替代，需求反而在增长，但对人类能力的要求大幅提升。

AMT的商业模式几乎完全建立在第一层劳动上。它的关闭，是第一层劳动被AI系统性替代的必然结果。而Scale AI、Mercor等公司的崛起，是第二层劳动需求增长的市场响应。

这个分析框架对于理解未来劳动力市场的走向至关重要：不是「AI取代所有人类劳动」，而是「AI取代执行性劳动，放大判断性劳动的价值」。 这一模式不仅适用于数据标注行业，也是法律、医疗、金融等知识密集型行业正在经历的共同转型逻辑。

对从业者的启示： 无论你身处哪个行业，判断你的工作是否会被AI替代的最简单标准是：你的核心价值是「执行既定规则」还是「在模糊情境中做出专业判断」？如果是前者，替代只是时间问题；如果是后者，AI更可能成为你的效率放大器而非替代者。数据标注产业的分化，是这一规律最清晰的早期案例。[编者注：以上为编者分析。]

六、Amazon的战略逻辑：为什么现在放弃

Amazon关闭AMT的时机选择，本身就是一个值得解读的战略信号。

AMT的关闭被外界普遍解读为Amazon集中资源于AWS AI基础设施的战略调整。（来源：Yahoo Finance, 2026）这个解读是正确的，但需要进一步展开。

Amazon在AI竞赛中的定位，从一开始就与OpenAI、Anthropic、Google不同。Amazon不是一个以模型研发为核心的AI公司，而是一个以AI基础设施为核心的云服务提供商。AWS是Amazon最重要的利润来源——2025财年，AWS贡献了超过1000亿美元的年化营收（来源：Amazon 2025财年财报公开数据）——而AWS在AI时代的核心价值主张，是为其他公司提供训练和部署AI模型所需的计算资源和工具链。

在这个战略框架下，AMT是一个异类：它是一个劳动力市场平台，而不是一个技术基础设施。它的核心资产是工作者网络，而不是计算能力或算法。随着数据标注市场向专业化转型，AMT在这个市场中的竞争优势越来越弱，而维护它所需的运营成本和管理注意力，与Amazon的核心战略方向越来越不匹配。

AMT每年能贡献多少收入？Amazon从未单独披露过AMT的财务数据。但我们可以做一个粗略估算：假设AMT在峰值时期每月处理约100万个HIT（这是基于学术研究者对平台活跃度的估计），平均每个HIT的佣金收入约0.05至0.10美元（Amazon收取20%至40%的佣金），那么AMT的年化收入大约在600万至1200万美元的量级。[编者注：以上收入估算为基于公开可得的平台活跃度研究和佣金结构的推算，非Amazon官方数据，实际数字可能存在显著偏差。] 相比AWS AI相关业务数百亿美元的体量，这几乎可以忽略不计。

关闭AMT，让Amazon可以将资源集中在真正重要的地方：为AI实验室提供训练算力、为企业客户提供AI应用开发工具、扩展自己的AI模型能力（Bedrock平台、Nova系列模型）。在Amazon、Microsoft（Azure）、Google（GCP）三者白热化的云AI竞争中，每一分管理注意力和资本资源都极其宝贵。

关闭一个正在萎缩的业务，集中资源于核心战场——这是一个教科书级别的战略收缩决策。

七、对立视角的碰撞：AMT的关闭是好事还是坏事？

在深入分析之后，有必要正面呈现这个问题上存在的对立视角，并给出明确判断。

视角一：AMT的关闭是AI进步的必然，是好事

这个视角的核心论点是：AMT代表的是一种不可持续的劳动模式。平台上的工作者长期以低于最低工资的报酬完成重复性劳动——中位时薪仅约2美元（Hara et al., 2018）——这本质上是对全球劳动力价格差异的剥削。随着AI能力的提升，这些工作被自动化取代，是技术进步的正常结果。

更重要的是，AMT的关闭和专业化数据标注公司的崛起，意味着数据标注行业正在走向更可持续的方向：更高的质量要求、更高的工作者报酬（Prolific要求最低每小时8英镑，Scale AI的专业标注者报酬更高）、更专业的工作流程。这对整个AI产业的长期发展是有益的。

AI伦理研究者Timnit Gebru等人长期批评AMT式众包平台对工作者的剥削性质，从这个角度看，AMT的关闭甚至可以被视为一种迟来的纠正。

视角二：AMT的关闭加速了AI劳动力的两极分化，是警示

这个视角的核心论点是：AMT虽然不完美，但它提供了一个相对低门槛的进入渠道，让全球数十万工作者能够参与AI产业的价值创造。随着数据标注产业向专业化集中，这个进入渠道正在关闭。

新的数据标注产业需要的是具有专业背景的工作者，而这些工作者本来就已经具备了其他高薪职业的机会。真正需要收入的低技能工作者，将被排除在这个产业之外。国际劳工组织（ILO）在2021年发布的《数字劳动平台的工作条件》报告中就曾警告，平台经济的专业化趋势可能加剧全球数字劳动力市场的不平等。

与此同时，数据标注产业的权力集中在少数公司手中，意味着AI训练数据的生产越来越不透明，越来越难以被外部审计和监督。

视角三：来自全球南方的声音

一个在英语科技媒体中几乎完全缺席的视角来自发展中国家的工作者。在肯尼亚内罗毕、印度海得拉巴、菲律宾马尼拉，大量工作者依赖数据标注工作维持生计。《时代》杂志在2023年的一篇调查报道中揭露，OpenAI通过外包公司Sama雇佣肯尼亚工人以每小时不到2美元的报酬标注有毒内容，导致工人遭受严重心理创伤。（来源：TIME, 2023-01-18）AMT的关闭和产业集中化，对这些工人意味着什么？他们是否会在新的产业格局中找到位置，还是会被彻底边缘化？

据推测，产业集中化对全球南方工作者的影响可能呈现两极分化：一方面，Scale AI等公司在肯尼亚、菲律宾等地设有运营中心，部分工作者可能被吸纳进更正规的雇佣体系，获得相对更好的劳动保障；另一方面，那些无法满足专业化门槛要求的工作者，将失去这一收入来源，且缺乏替代性的数字经济参与渠道。[编者注：以上为基于现有产业信息的合理推断，尚无系统性实证研究支持。]

我的判断：三个视角都揭示了部分真相，但第二和第三个视角更被低估

第一个视角描述的是已经发生的事实：AMT的商业模式确实存在根本性缺陷，专业化替代是必然趋势。

但第二和第三个视角指出了一个被大多数技术乐观主义者忽视的问题：数据标注产业的集中化，是AI产业最重要的权力集中风险之一，但它几乎从未出现在主流的AI治理讨论中。 当我们讨论AI风险时，讨论的是模型能力失控、深度伪造、就业替代——很少有人讨论训练数据生产的权力集中问题。

八、大多数人没看到的：数据标注的「隐性权力」

这是这篇文章想要触达的最深层洞察。

每当我们讨论AI的「对齐问题」（Alignment），讨论如何让AI系统的价值观与人类价值观保持一致，讨论如何防止AI产生有害输出，我们实际上在讨论的，在很大程度上是数据标注问题。

RLHF（基于人类反馈的强化学习）的核心，是让人类评估者判断哪个模型输出更好。这个「更好」的定义，嵌入了评估者的文化背景、价值观、专业判断。当一个模型被训练成「有帮助、无害、诚实」（HHH：Helpful, Harmless, Honest），这些标准是由谁定义的？是由完成标注任务的工作者，是由设计标注指南的公司，还是由委托数据标注工作的AI实验室？

在AMT时代，这个问题相对分散——数十万工作者的价值判断存在相当程度的多样性，虽然也存在系统性偏差（大量工作者来自美国和印度，代表性有限）。

在新的集中化产业格局中，这个问题变得更加尖锐：当少数专业化数据公司控制了顶级模型的RLHF数据生产时，它们实际上在以一种极其不透明的方式，影响着数十亿人每天与之交互的AI系统的行为。根据公开信息，Scale AI是OpenAI、Meta、Anthropic等多家顶级AI实验室的数据标注供应商，这意味着同一家公司的标注标准和价值取向可能同时影响多个竞争性AI模型的行为模式。

换一种方式理解这个问题的严重性：如果一家媒体公司同时为CNN、Fox News和BBC撰写新闻稿，我们会认为这是一个严重的信息垄断问题。但当一家数据标注公司同时为OpenAI、Meta和Anthropic提供RLHF数据时，几乎没有人意识到这是一个类似的——甚至更深层的——价值观垄断风险。

这不是阴谋论，这是产业结构的必然结果。问题不在于这些公司是否「邪恶」，而在于这种权力集中本身缺乏足够的透明度和外部监督机制。Scale AI的标注指南是否公开？它们的工作者是否代表了足够多样化的文化背景和价值观？当标注指南中对「有害内容」的定义发生变化时，是否有外部审计机制？

Anthropic在其关于Constitutional AI的研究论文中曾讨论过这一问题，指出将AI对齐的价值判断外包给标注工作者存在固有的局限性。但这种学术层面的讨论，尚未转化为产业层面的透明度要求或监管框架。

AMT关闭的真正意义，不只是一个平台的终结，而是一个更去中心化的数据标注时代的终结。在那个时代，AI训练数据的生产虽然质量参差不齐，但在某种程度上更加分散、更加多元、更加难以被少数力量控制。

九、数据标注产业的未来形态

基于以上分析，可以对数据标注产业的未来形态做出几个有据可查的预判。

预判一：AI辅助标注将成为标准工作流程

人类标注者的角色将从「执行者」转变为「审核者」。AI生成初步标注，人类验证和修正——这个模式已经在Scale AI、Labelbox等多家专业标注公司中实践，并将成为行业标准。这意味着同样数量的人类工作者可以处理更多任务，但也意味着对每个工作者的专业判断能力要求更高。

预判二：专业化领域标注将成为最高价值工作

医疗AI、法律AI、金融AI——这些垂直领域的AI应用需要具有真实专业背景的标注者。一个能够评估肿瘤学诊断推理的放射科医生，或者能够审核复杂合同条款分析的执业律师，其标注劳动价值将远高于通用标注工作者。据公开报道，Scale AI已经在招募具有博士学位的专业标注者，时薪可达50至100美元——与AMT上2美元的中位时薪形成鲜明对比。[编者注：50至100美元的时薪范围来自Scale AI公开招聘信息和行业报道，实际薪酬因任务类型和专业领域而异。]

预判三：合成数据与人类标注的比例将持续演变

随着AI能力的提升，合成数据在训练数据中的比例将持续增加，但不会完全取代人类标注。原因在于：合成数据存在「模型坍缩」（model collapse）的风险——2024年发表在《Nature》上的一项研究（Shumailov et al.）证明，用模型生成的数据反复训练模型，会导致输出分布逐渐退化。人类标注作为「真实世界信号」的来源，将长期保有其不可替代的价值，尤其是在需要真实世界价值判断的任务上。

根据现有信息的合理推断，预计到2028年前后，主流AI模型的训练数据中合成数据占比可能达到50%以上，但高价值的人类判断性标注数据的绝对需求量不会下降，反而可能因为模型复杂度的提升而增长。[编者注：以上比例预测为基于当前产业趋势的推断，非基于确定性数据。]

预判四：数据标注产业的监管压力将增加

随着AI治理讨论的深入，数据标注产业的透明度和问责机制将受到越来越多的关注。欧盟《AI法案》已经对高风险AI系统的训练数据提出了文档化和透明度要求。谁生产了AI的训练数据、按照什么标准生产、工作者是否受到公平对待——这些问题将从学术圈和倡导团体的关注范围，逐步进入监管机构的视野。

预判五：开源数据标注生态可能成为制衡力量

值得关注的一个潜在趋势是：随着对数据标注权力集中问题的认识加深，开源社区和非营利组织可能推动建立更透明、更去中心化的标注基础设施。类似于Hugging Face在模型开源领域的角色，数据标注领域也可能出现致力于标注标准透明化、工作者权益保障和文化多样性的开源项目。这是基于现有信息的合理推断，而非已经发生的事实，但它代表了一种值得关注的可能性。[编者注：以上为编者基于产业趋势的前瞻性分析。]

结语：「人工的人工智能」的遗产

2026年9月30日之后，Amazon Mechanical Turk将成为历史。但它留下的问题，不会随之消失。

Bezos在2005年用「Artificial Artificial Intelligence」这个名字，精准捕捉了一个时代的本质：机器的智能，需要人类的智能来支撑和弥补。21年后，随着AI能力的飞跃式进步，这种弥补在许多层面已经不再必要。

但「人工的人工智能」的逻辑并未消失，它只是升级了。现在，人类不再需要帮助机器识别图片中的猫，但人类需要帮助机器理解什么是「好的推理」、什么是「有害的输出」、什么是「符合人类价值观的回答」。这些判断，比标注图片中的猫困难一千倍，也重要一千倍。

AMT的数十万零工，是第一代「人工的人工智能」。他们的工作——从ImageNet的1400万张标注图像到无数NLP数据集的质量验证——建立了现代AI的基础。他们的消失，标志着AI能力已经跨越了一个重要门槛。

而他们的继承者——Scale AI、Mercor、Prolific上的专业标注者——是第二代「人工的人工智能」。他们的工作，将塑造AI的价值观和判断能力。他们的劳动，将以一种比第一代更深刻、更难以察觉的方式，影响着未来AI系统与数十亿人的互动方式。

这才是AMT关闭真正值得关注的地方：不是一个平台的终结，而是一个关于谁来塑造AI「价值观」的权力问题，正在以一种极其不透明的方式被解决。

对于AI产业的观察者和参与者来说，这个问题的答案，比任何一个模型基准测试的数字都更重要。而对于每一个日常使用AI产品的人来说，值得追问的是：你每天与之对话的AI，它的「价值观」是谁标注的？按照什么标准？为了谁的利益？

21年前，Bezos发明了「人工的人工智能」来弥补机器的不足。21年后，真正的问题不再是机器能不能做到，而是机器应该怎么做——而这个「应该」，仍然只有人类能够定义。

参考资料

  1. The Amazon Service Bezos Nicknamed ‘Artificial Artificial Intelligence’ is Closing for Good — Yahoo Finance, 2026

  2. ‘Model fatigue’ sets in as AI labs race to roll out new versions — CNBC, 2026-09-06

  3. OpenAI launches GPT-6 Astra, its first model to cross a critical cybersecurity threshold — Computerworld, 2026

  4. ImageNet: A Large-Scale Hierarchical Image Database (Deng et al.) — IEEE/CVPR, 2009 (历史参考：AMT作为基础设施的学术记录)

  5. Scale AI raises $1 billion at $13.8 billion valuation — Forbes, 2024-05-21

  6. OpenAI Used Kenyan Workers on Less Than $2 Per Hour to Make ChatGPT Less Toxic — TIME, 2023-01-18

  7. AI models collapse when trained on recursively generated data (Shumailov et al.) — Nature, 2024

  8. A Workers’ Inquiry into the Conditions of Digital Labour Platforms — ILO, 2021 (关于平台经济劳动条件的系统性研究)

  9. Hara, K., Adams, A., Milland, K., Savage, S., Callison-Burch, C., & Bigham, J. P. (2018). A Data-Driven Analysis of Workers’ Earnings on Amazon Mechanical Turk. — ACM CHI, 2018 (AMT工作者薪酬的实证研究)

主题分类：劳动力变革/AI应用