BLOG
医生律师去当 AI 零工，时薪 400 美元是高薪还是高知被榨
开场小对谈：高知打工人走进 AI 零工
拾闻：这周有一条彭博法律的新闻，说美国一些医生和律师开始接一种新零工，给 AI 模型做训练数据，时薪最高到了 400 美元。这事听起来有点反常识。
永亮：核心判断是，AI 训练数据的产业链正在分层，而且分层速度很快。一边是低薪的通识标注，另一边开始出现高薪的专业知识零工。彭博法律 10 月 16 日的报道把这个现象摆到了台面上，报道标题就是《Doctors and Lawyers Are Joining AI’s $400-an-Hour Gig Economy》。LinkedIn 今年还把 data annotator 列入了美国增速第四快的岗位。我的判断是，这是模型公司正在用零工化的方式，把专业人士的隐性知识抽出来喂给模型。以下个人经验会逐处标明。
拾闻：400 美元时薪听着很高，但也有人把它叫做「知识被榨取」，在他们看来，这不属于「知识变现」。
永亮：核心判断是，这个争议本身比数字更有意思。它把两个问题并到了一起：专业人士的时间到底值多少钱，以及他们出售的是知识本身还是知识的再生产许可。我今天带的是 17 年技术总监、峰值管过 70 人团队的视角来聊，不会给标准答案，只会把几个关键矛盾拆开看。
拾闻：那我们就从「发生了什么」开始。
Q1：AI 训练零工里现在都有什么人
拾闻：先把事实层对齐。现在做 AI 训练数据的高知零工，大概是什么画像？
永亮：彭博那篇报道给了一组数字。民事权利律师时薪最高能到 400 美元；凝聚态物理专家约 170 美元；软件工程师约 120 美元。零工平台 Mercor 自己公布的数据是平均时薪 110 美元。这些数字都来自平台或报道，不是第三方审计，读的时候要带一层判断。Mercor 没有披露覆盖比例，所以「平均 110」能不能代表大多数，我打个问号。
拾闻：这跟传统认知里的「数据标注工」差别很大。
永亮：核心判断是，业内已经在用两个词区分这两种人。低薪的那部分叫 annotator，做通识判断；高薪的这部分被称为 expert，有医生、律师、工程师，也有数学家、会计师、科学家。报道里说，这些专家是「cherry on top」，也就是说，模型公司知道大部分脏活累活还是由低薪工人完成，但最后的「味道」要靠专业人士来调。这形成了一个两头大、中间小的结构。
拾闻：他们具体做什么？
永亮：从报道透露的信息看，主要是做专业领域的判断、校对、案例标注，以及帮助模型理解复杂场景里的边界情况。比如一个医疗案例，机器标不准，就请医生来判断；一份合同，机器读不懂法律后果，就请律师来标注。这件事的本质，是把专业人士过去十年二十年积累的判断力，拆成模型可以学习的样本。
Q2：400 美元时薪，到底贵不贵
拾闻：400 美元一小时，换成人民币几乎两千多块。对很多人来说这就是「天价零工」。
永亮：核心判断是，如果只看时薪，会被数字带偏。400 美元是峰值，不是常态。按报道披露，民事权利律师是这个价位，物理专家 170 美元，软件工程师 120 美元，Mercor 平均 110 美元。这些数字之间差距很大，说明专业壁垒和市场稀缺度决定了价格。但这里必须加上一句：这些数字都是平台自述或报道引用，不是我的统计。这是我的估算，不是统计。
拾闻：那从企业的角度看，400 美元贵吗？
永亮：从模型公司的角度看，可能不贵。训练一次大模型的成本以百万美元计，一个错误案例导致的模型跑偏，代价远高于几百美元。请一个资深律师标几个小时的案例，比让一群普通标注工猜一年还要稳。但反过来看，对专业人士来说，这件事的收入结构并不稳定：零工平台可以随时停用账号，任务量也不固定。报道里提到，很多低薪标注工人面临账号停用、收入不稳定的状态。专家零工的收入上限高，但未必有长期保障。
拾闻：所以高薪不等于稳定。
永亮：核心判断是，高薪掩盖了劳动关系的不稳定性。这很像平台经济里的老问题：用高单价吸引人进来，但不承担雇佣责任。对医生、律师、工程师这些传统上依赖稳定职业身份的人来说，这其实是一种身份的降级。他们卖的不再是一份专业意见，而是一个可以无限复制的判断样本。
Q3：这是知识变现，还是知识被榨取
拾闻：那回到开场那个争议，这到底是知识变现，还是知识被榨取？
永亮：核心判断是，两个说法都对，但发生在不同阶段。知识变现发生在交易发生的那一刻：我付出时间，你支付时薪，双方自愿。但知识被榨取发生在交易完成之后：模型把我的判断固化进参数，可以无限调用，而我拿到的只是一次性劳务费。问题是，这个「固化」之后的价值，跟我拿到的报酬之间，完全不成比例。
拾闻：有没有可能专业人士也拿到了额外回报，比如名气、人脉？
永亮：报道里没有提到署名、声誉或长期合作。所以价值分配很清楚：专业人士卖出一次性劳动力，平台和大模型公司买到可规模化的知识资产。这个结构下，「变现」更像一次性的变现，「被榨取」更像对未来收益权的让渡。
拾闻：那是不是说所有专业人士都不该做？
永亮：核心判断是，不能简单下结论。对一些人来说，利用空余时间做几个小时的专业标注，赚到的钱确实可观；对另一些人来说，这等于亲手训练一个将来可能替代自己的系统。个人选择可以不同，但平台的责任不能模糊，至少应该让参与者清楚知道数据会被用于什么模型、是否会被再训练。透明度是底线。
Q4：企业该如何评估这种 AI 训练数据采购
拾闻：你管过技术团队，如果从企业的角度看，采购这种专家零工数据，应该怎么评估？
永亮：核心判断是，企业最容易犯的错，是把专家数据当成「贵一点的外包」。17 年技术管理下来，我见过不少团队买东西只看单价，不看总账。专家数据真正的价值，是帮你发现模型在专业场景下的边界。如果你只是让专家按照你的模板填答案，那跟低薪工人没有本质区别；如果你能让专家指出「这个地方机器理解错了」「这个案例没有标准答案」，那才是真正高价值的数据。
拾闻：具体怎么操作？
永亮：我会要求团队做三件事。第一，明确买专家数据要解决的具体问题，不要泛泛地说「提高质量」。第二，设计反馈循环，让专家的判断不只是样本，而是持续校准模型的依据。第三，记录专家的决策过程，而不只是最终标签。标签是死的，决策过程才是模型真正需要学的。这是我的经验，不是统计。
拾闻：有没有什么坑？
永亮：核心判断是，最大的坑是把专家当成「人形正确答案」。专家也会犯错，专家之间也会有分歧。如果团队缺乏对专家一致性的评估，很容易把专家偏见固化到模型里。我过去定过一个内部规矩：任何引入外部专家判断的项目，必须同时引入至少两个独立来源做交叉验证。这个规矩听起来麻烦，但能避免把一家之言当成行业真理。
Q5：这件事对普通职场人意味着什么
拾闻：不是医生律师的人，也需要关心这件事吗？
永亮：核心判断是，需要。「高知零工」只是其中一个具体现象，这件事的本质是 AI 产业链正在把越来越多的人类知识拆成可交易的数据单元。医生的诊断逻辑、律师的合同判断、工程师的调试直觉，今天被拆开，明天可能就是你的行业经验。LinkedIn 把 data annotator 列为增速第四的岗位，说明这个趋势正在扩散。
拾闻：那对普通人的启示是什么？
永亮：有三个层面。第一，任何可以被拆解成明确判断标准的专业知识，都会变成模型的候选燃料。这意味着「会得多」不再是护城河，「判断标准在哪里模糊、在哪里需要权衡」才是。第二，高单价零工看起来诱人，但它同时也在训练一个能复制你核心能力的系统。第三，企业会越来越需要既懂业务又懂 AI 训练逻辑的人，来充当业务与模型之间的「知识翻译」。
拾闻：所以你认为是机会还是风险？
永亮：核心判断是，对个体而言是机会，对行业而言是风险。机会在于，专业人士可以用一种过去不存在的方式把知识变现；风险在于，这种变现很可能是不可逆的。一旦你的判断被模型学会，你就从「唯一会这个的人」变成「第一批教会模型的人」。这个身份转换，比时薪数字重要得多。
尾声：地图不等于疆域
拾闻：最后收个尾。
永亮：一句话，AI 训练零工正在把高知专业人士的判断力拆成数据，时薪 400 美元看起来很贵，但真正的价格是你是否清楚自己卖掉了什么。专业人士的时间可以被买断，但知识被模型吸收之后，交易的就不再是时间，而是未来无数次调用里本该属于你的那部分价值。
拾闻：最后，用一句话总结这期？
永亮：在 AI 零工经济里，400 美元的时薪不算最贵，真正贵的是你还没想明白自己到底卖了什么。
拾闻：这句话，送给大家。下期见。
【技术纵深】
永亮：这一层值得多讲两句。AI 训练数据市场其实正在快速分层。底层是大量低成本的通识标注，主要由全球零工完成；中间层是面向特定任务、需要一定背景判断的「半专业标注」；顶层才是这次报道聚焦的「专家标注」或「专家反馈」。
永亮：这个分层对应的是模型训练的两个阶段。预训练阶段吃掉大量公开文本，对单个样本的质量要求相对较低；到了后训练或微调阶段，高质量、高难度的样本变得关键，专业人士的价值就在这里被放大。
永亮：还有一个容易被忽视的技术点：专家数据的质量不仅取决于专家本人，还取决于任务设计和验收标准。如果任务设计得太窄，专家只能做「对或错」的二选一，发挥不出判断力；如果任务设计得足够开放，允许专家解释为什么这个案例有歧义、边界在哪里，那么收集到的数据才能真正提升模型的鲁棒性。这也是为什么我始终强调，企业采购专家数据时，要的是「决策过程」，而不只是「最终标签」。
永亮：最后一个判断是，随着多模态和 Agent 技术的发展，对专家数据的需求只会更细分、更频繁。专业人士如果只是把零工当副业，没问题；但如果把它当成职业转型的主航道，就需要考虑：你积累的判断力，到底是变得越来越稀缺，还是正在被标准化、可复制化。这个判断，比任何平台给出的时薪都重要。
👇 你觉得 400 美元的 AI 训练零工，是机会更多还是风险更大？评论区聊聊，下期挑几条接着说。关注我，AI 时代的职场实话，每周更新。