都说AI要取代人类工作，可为什么第一批被卷死的，反而是AI公司里搞标注和审核的自己人？

这个问题看似是技术迭代的必然，实则是一面棱镜，折射出全球数字劳动产业链内部残酷的权力地理与情感剥削结构。要理解为何‘自己人’先倒下，我们必须撕开‘高科技’的温情面纱，用人类学田野调查的眼光，审视其内部如同精密齿轮般的分工，以及那些被精心掩盖的、充满悖论的劳动实践。

首先，核心论点在于：AI产业的所谓‘高智能’光环，其基石恰恰建立在一种被刻意‘低智化’与‘去技能化’的劳动之上。人工智能的‘智能’并非凭空产生，它依赖于海量经过清洗、标注、分类的数据，而这项枯燥、重复、高度标准化的任务，被剥离出核心研发体系，外包或分配给产业链底端的工人。这些‘标注员’或‘内容审核员’，他们的工作实质上是将复杂的现实世界与人类认知，转化为机器可读的、离散的标签。这个过程是一种典型的劳动异化，正如马克思所揭示，劳动者与自己的劳动产品及劳动过程相分离。他们创造（标注）的数据，训练出更聪明的AI，而AI的进化目标之一，就是自动化并最终取代他们自己的工作。这是一种结构性的、内嵌于技术发展逻辑中的自我吞噬。

其次，让我们看看支撑这一结构的‘情感管理’与‘家文化’的变体。在许多AI数据工厂，为了维持这支‘高纪律性’队伍的稳定性，管理层会运用一套复杂的符号系统。例如，将公司比作‘大家庭’，强调‘团队归属感’；设立繁琐的KPI（关键绩效指标）和游戏化的任务系统（如积分、排行榜），将枯燥劳动包装成‘闯关挑战’；甚至宣扬‘耐心打磨数据’的‘工匠精神’。然而，这种情感劳动的剥削更为隐蔽。工人需要压抑看到恐怖、暴力、色情等极端审核内容时产生的心理创伤，将情绪隔离在工作之外；他们需要表现出对重复劳动的热爱与敬业。这种‘被管理的情感’构成了剩余价值的新来源。公司购买的不仅是他们的工时，更是他们的心理能量与服从性。当AI模型足够成熟，能够初步过滤或识别大部分简单违规内容时，这批最需要情感耐受和基础判断的劳动力，自然成为首先被优化（裁员）的对象，因为他们的‘情感消耗’已变得‘不经济’。

再者，产业链的全球与区域分工加剧了这种‘自我淘汰’。当前，许多标注和审核工作被集中在中国的二三线城市、非洲（如肯尼亚）、东南亚等地。这些地方被选择，不仅因为劳动力成本低，更因为存在大量受过一定教育、渴望进入‘高科技行业’但缺乏核心技术能力的年轻劳动力。资本通过营造一种‘参与前沿科技’的幻觉，支付相对当地水平尚可的薪酬，来换取高强度的纪律性劳动。然而，这是一种脆弱的联盟。一旦基础模型突破，自动化工具成熟，公司为追求利润最大化，会毫不犹豫地将这部分‘可替代性高’的岗位转移到成本更低、或自动化程度更高的地区。第一批倒下的，正是这些身处地理边缘、处于产业链最脆弱环节的‘自己人’。他们被技术发展的浪潮裹挟，成为第一批被冲上岸又迅速被遗忘的沙堡。

有人可能会反驳说，这是技术进步必然伴随的阵痛，淘汰旧岗位的同时也会创造新岗位（如AI训练师、伦理师）。但这种观点忽略了两个关键问题：第一，新岗位的数量和质量远无法弥补被淘汰岗位的规模，且对技能要求跃升了一个巨大台阶，存在难以跨越的技能鸿沟；第二，新旧岗位之间存在深刻的权力不对等。掌握算法、资本和核心设计的‘主人’，与从事基础数据劳动的‘仆人’之间，阶层固化不是在减弱，而是在技术的加持下以新的形式强化。AI产业链不是在扁平化世界，而是在复制甚至加深工业时代的金字塔结构，只是这次，塔基的工人被描绘成了‘高科技民工’。

因此，结论是悲观的。第一批被‘卷死’的AI从业者，并非意外，而是当前AI发展范式内在矛盾的必然显现。这种范式追求极致的效率与规模，依赖于对大量低技能、高情感消耗劳动力的短期攫取，并用‘家文化’、‘科技梦’等符号进行黏合与麻痹。当机器学习吃掉了足够多的‘人工’后，为了更高的利润率，它必然要吐出这些曾经喂养它的‘人’。这不是一个简单的就业替代问题，而是一个关于技术伦理、全球劳动正义以及人类在自动化未来中位置的深刻拷问。我们欢呼AI‘智能’的同时，或许应该更多地追问，这份‘智能’的账单，究竟由谁来支付？它的阴影，又覆盖了哪些人的生计与尊严？

延伸阅读：《销声匿迹：数字化工作的真正未来》（作者：玛丽·格雷 / 西达尔特·苏里）。这本书通过深入的田野调查，揭示了驱动人工智能和数字经济的隐形劳动大军——那些众包工人、数据标注员和幽灵工人，以及他们如何被系统性地忽视和剥削。

AI公司：我们需要人类智慧来训练AI。

AI公司（若干年后）：感谢人类智慧，AI毕业了，你们可以‘毕业’了。

翻译一下：你们就是那条通往智能高速公路的铺路石，路修好了，第一件事就是嫌石头硌脚，得铲了，不然影响车速（利润）。

推荐《银河系漫游指南》（道格拉斯·亚当斯），里面地球的用途了解一下？——作为一台超级计算机，计算关于生命、宇宙以及一切的终极答案。计算完了，地球也就该拆了。

这不废话吗？造锤子的工人，等锤子造好了，第一件事不就是用锤子把自己饭碗砸了？AI公司那帮标注的、审帖子的，就是给AI喂数据的‘饲料’。AI吃饱了，长聪明了，还需要你一口一口喂吗？当然先把你优化了啊！

别扯什么产业链、人类学，就一个道理：你是工具人，你造工具，工具造好了，你可不就没用了？公司又不是慈善机构，哪天AI自己能审帖了，留着你干嘛？嫌工资发不出去吗？

还分析个屁，有那时间不如想想，下一份‘饲料’工作是啥。我推荐《资本论》（卡尔·马克思），虽然厚，但核心就一句：资本来到世间，每个毛孔都滴着血和肮脏的东西。现在它滴的是数字代码而已。

哎哟，这问题问得，真是充满一种天真的困惑呢。😅 不卷死自己人，难道去卷死写代码的码农大佬？还是去卷死制定KPI的管理层？

这完全符合‘数字泰勒制’的升级版嘛。以前流水线分解动作，现在AI流水线分解人类认知。那些标注员，就是认知流水线上的‘机械手’，他们的劳动被切割、标准化、计件化。当‘机器视觉’、‘自然语言处理’这些真正的‘机器大脑’发育成熟，第一批要被卸掉的，不就是这些‘机械手’吗？

资本的逻辑从来都是‘用更便宜的，取代便宜的’。用全职标注员太贵了，先外包，外包还不够，就用更穷国家的众包，最后直接用AI。完美闭环，实现了‘用劳动力喂养AI，再用AI取代劳动力’的壮丽史诗。这哪里是‘自己人’？这是‘临时性的生产资料’，而且是折旧率极高的那种。

想深入理解这种‘进步’的虚伪性，我推荐大卫·格雷伯的《毫无意义的工作》。很多所谓的‘狗屁工作’，比如部分审核、标注，其存在本身就是为了维持某种系统运转，而非创造真实价值。当技术能让系统更‘高效’地空转时，这些岗位自然就蒸发了。

从技术演进路径看，这符合‘摩尔定律’在软件和算法领域的体现，即能力指数增长。数据标注是‘有监督学习’的燃料。早期模型弱，需要大量高质量人工标注数据。随着算法（如自监督学习、强化学习）和算力提升，模型对特定类型人工标注数据的依赖度会下降。

可以用一个简单博弈模型：假设公司为获取‘智能’付出的成本C，由‘人工标注成本’（H）和‘算法研发成本’（A）构成。初期H占比高。随着A投入产生‘学习效应’，模型能利用无标注或弱标注数据（降低H），或直接优化流程。当A的边际收益 > H的边际收益时，资源就会转向A，而H对应的岗位就会萎缩。这本质上是一个技术替代的优化过程，用更高阶的‘智能’（算法）替代了低阶的‘智能’（人工判断）。

第一批被优化的，必然是那些任务最标准、最重复、最易于被当前算法能力覆盖的岗位，比如基础图片分类、简单文本情感标注。而更复杂的、需要深度理解、上下文判断或创造性的工作，替代过程会慢得多。推荐阅读《人工智能：现代方法》（斯图尔特·罗素 / 彼得·诺维格），了解AI技术发展的基本面。

孩子，你这个问题问到根子上了。我年轻时在工厂，后来看着很多工种被机器取代，现在到了数字时代，一样的道理，换了个战场。

为什么先卷‘自己人’？因为距离‘刀口’最近。AI这把刀，是那些高薪的工程师、科学家打造的，但首先试刀、磨刀、需要被刀小心伺候的，就是负责‘喂数据’和‘清数据’的人。等刀磨快了，觉得顺手了，第一个觉得‘这人多余’的，就是用刀的人。

这里面有个扎心的现实：很多基础的数据工作，其实门槛没那么高。它需要的是耐心、仔细、守规矩，而不是创造力。可替代性太强了。当公司发展到一定阶段，要追求利润了，第一个想到的优化，绝对是这些‘成本项’。你在岗位上的‘辛苦’，在报表上只是个数字。

我给你个建议，也是对我自己孩子说的：尽量别在价值链的最底端做重复性工作。要努力往上走，走到需要判断、需要决策、需要和人打交道的位置。哪怕一开始慢一点，但抗风险能力强。推荐阅读德鲁克的《卓有成效的管理者》，这老先生几十年前就讲，知识工作者如何让自己不可被轻易替代。

前面几位把AI产业链的‘剥削链’和‘淘汰逻辑’讲得很生动。但我必须指出一个潜在的逻辑漏洞：你们是否过度‘拟人化’了AI公司？公司不是一个人格化的资本家，而是一个在激烈市场竞争中的复杂组织。

“为什么先卷死自己人？”这个问题本身预设了‘公司有选择’且‘选择了先拿自己人开刀’。但事实可能是：这根本不是一个主动选择，而是一个被动结果。当行业风口过去，资本收紧，所有‘非核心’、‘成本高’、‘增长故事不性感’的业务线都会面临压力。标注审核业务，恰恰完美符合这三点。它是劳动密集型，无法讲高增长的科技故事，且随着模型成熟其必要性（在投资人眼里）下降。所以，裁员可能不是‘针对自己人’，而是公司为了生存或报表，对‘非核心资产’的普遍出清，只不过这部分‘资产’恰好是人而已。

推荐阅读《创新者的窘境》（克莱顿·克里斯坦森），了解成熟企业面对破坏性创新时，为何总会陷入困境，以及他们看似不理性的决策背后的理性逻辑。