澎湃新闻-科技 industry_media D1

发布：2026-06-01 · 事件：2026-06-01

凌晨五点，内罗毕的天还没有亮，迈克尔·杰弗里·艾什亚（Michael Geoffrey Asia）仍然睡不着。失眠已经持续很多年了。自从他开始替人工智能系统“清理世界”，训练机器如何说话、如何安慰人、如何模仿爱，他的身体就再也难以回到正常的状态。 他会在深夜想起自己曾写下的那些句子——扮演一个永远在线、永远体贴、永远知道该说什么的人。很多时候，那些“我理解你”“我想你”“我爱你”并不属于他，却要由他发出去，最终变成平台可以计量和售卖的服务。

数据

凌晨五点，内罗毕的天还没有亮，迈克尔·杰弗里·艾什亚（Michael Geoffrey Asia）仍然睡不着。失眠已经持续很多年了。自从他开始替人工智能系统“清理世界”，训练机器如何说话、如何安慰人、如何模仿爱，他的身体就再也难以回到正常的状态。 他会在深夜想起自己曾写下的那些句子——扮演一个永远在线、永远体贴、永远知道该说什么的人。很多时候，那些“我理解你”“我想你”“我爱你”并不属于他，却要由他发出去，最终变成平台可以计量和售卖的服务。 迈克尔常说：“人工智能其实并不‘智能’，每一个AI背后都有人的面孔。”在他看来，今天的生成式AI热潮不只是算法、芯片和数据中心的故事，也建立在一套很少被讨论的人类基础设施之上——分布在肯尼亚、印度、菲律宾、巴西等全球南方国家的大量低薪外包数据工人。他们支撑着这场AI繁荣，却很少被当作技术产业的主体。 作为曾在多家大型科技企业外包平台工作8年的资深数据劳工，迈克尔原本学的是航空货运代理，却因失业、贫困、孩子生病和家庭债务，被迫进入这条数字劳动链。 他的故事揭开了一个被技术狂热掩盖太久的事实：今天被全球追捧的人工智能，公众看到的往往是模型能力、资本投入和产品竞赛，却很少看到背后那条漫长、隐蔽而脆弱的劳动链。 这条劳动链包括数据标注员、内容审核员、聊天审核员、测试员、提示词编写者，以及无数处于层层外包底端的数字劳动者。他们整理数据、清理互联网上最肮脏的内容、训练机器模仿人类情感、修正模型错误，却承受着低薪、高压、创伤和几乎无法申诉的劳动环境。 正如罗马天主教教宗良十四世近期对AI的警示中说的：科技不能以牺牲人性为代价，绝不能让AI支配人类。他将AI带来的风险比作历史上的奴隶制，提醒世界警惕将“剥削人”再次常态化。 如果说第一次工业革命留下的标志性图景之一，是英国煤矿里满身煤灰、面容疲惫的工人，那么AI时代或许也正在形成自己的劳动图景：那些在技术繁荣背后承受低薪、高压、失眠与心理创伤的数据劳工。他们的故事告诉我们——AI的“智能”并非凭空诞生。人们看到的是它越来越像人，却很少看到，真正的人如何在这条链条上被消耗。 迈克尔并不是唯一一个付出代价的人。他说，仅在肯尼亚，此刻就至少有50万人从事着类似工作。一年半前，他和同伴创立了肯尼亚数据标注者协会（DLA），试图把那些分散、沉默、彼此隔绝的经历重新连接起来。他反复说：“我们不能一边建造AI，一边失去建造AI的人。” 迈克尔原本并不属于AI行业。他毕业于内罗毕航空学院，学习航空货运代理，希望进入航空物流行业，但始终求职无门。真正把他推入这条产业链的，是一场家庭危机。 失业数月后，儿子在学校被严重烫伤；一年后又查出胃部问题，检查结果呈癌症阳性。那是2020年疫情最严重的时候，航班停摆、流动受限，迈克尔却不得不长期守在医院，面对一个癌症患儿和不断增加的医疗开支。当时他已两年没有工作。 为了继续治疗，他四处借钱。就在那时，一家名为Sama的外包公司打来电话。这家公司后来参与了Meta相关项目。迈克尔回忆，接到电话时他还在医院里，却立刻赶去上班，“因为那是我唯一的机会”。 这份工作的月薪只有210美元，但对当时的他来说，已是一家人唯一的现金来源。他后来形容，那不是一份怀着希望进入的新职业，而是一条在债务、疾病和失业中被逼出来的求生之路。 在肯尼亚，像他这样受过教育、会英语、会电脑却长期找不到稳定工作的年轻人并不少。很多人学金融、工商管理、计算机，却最终进入数据劳动行业，而且这种情况并不只发生在肯尼亚。 在不同数据外包公司工作8年后，迈克尔认为，公众对生成式AI存在一种普遍误解：它其实没有想象中那样“智能”。几乎每一个AI系统背后，都站着真实的人。从聊天机器人到自动化系统，它们的运行都离不开大规模人类劳动，而数据标注正是其中最基础、也最容易被忽视的一环。 如今主流的大语言模型建立在海量互联网数据之上，包括科学研究、新闻文章、维基百科等。这些文本数据被拆分成词元，模型通过学习词元之间的关系，逐步掌握类似人类的表达方式。训练数据越多，模型能力通常越强。 迈克尔将生成式AI的数据来源概括为四类：开放互联网抓取的公共数据、购买的版权内容、企业内部数据，以及人工标注数据。其中，人工标注对模型训练至关重要，却最容易被忽视。 他的第一份相关工作就是数据标注员。以自动驾驶为例，AI识别道路环境并非“天生会”，而是依靠大量图像输入和人工标注一步步训练出来的。系统不仅要识别成年人，也要分辨儿童、猫、卡车、树木、消防栓、减速带和不同信号灯。关键不仅在于标注，更在于准确；一旦误标，就可能让系统形成错误认知并带来现实事故风险，因此数据通常还需经过多轮质检。 迈克尔参与过大量道路识别项目，却从未标注过一条非洲本地道路，绝大多数图像都来自美国和欧洲。换句话说，这项技术的大部分基础劳动在非洲完成，但主要服务对象却始终是欧美市场。 因此他反复强调，人们口中的“Artificial Intelligence（人工智能）”，在某种意义上更像是“Africa Intelligence（非洲智能）”。因为支撑这些系统运转的大量基础工作，实际上正是由非洲劳动者完成的。