从 1 美分到 85 美元：AI 数据劳动力的三个时代 context 在用户感知侧的问题更多是需求侧做产品的逻辑，把视角切换到产业端——context 在 AI 训练过程中的经济学随着技术的更迭也的确有意思 一个可能让人意外的数据：同样是在给 AI"当老师"，菲律宾数据标注工人的时薪是 1-2 美元，而 Mercor 平台上顶级领域专家的时薪可以达到 200 美元。差距近 100 倍。 100 倍反映的除了是地理套利的差异以外，也是 AI 数据劳动力市场的三次代际跃迁。 第一代是蓝领式的数据清洗。 2016 年，19 岁的 Alex Wang 从 MIT 辍学创立 Scale AI，用平台化的方式把数据标注变成可规模化的服务。Scale AI 在菲律宾、肯尼亚等地雇佣大量零工工人， 每完成一个标注任务获得几美分报酬。这些工人被当作"可替换的人力工具"，价值被严格限定在执行层面。2024 年 Scale AI 估值达到 138 亿美元，2026 年 Meta 以 143 亿美元购买了其 49% 的非投票权股份。 第二代是白领式的偏好判断。 ChatGPT 爆火后，RLHF（人类反馈强化学习）成为模型训练的关 键环节。Outlier 平台在 2023 年推出，专门面向 RLHF 任务，招募记者、编辑、技术写作者。这 些工人的工作从"打标签"变成了"做判断"——判断两个回答哪个更好、哪个更安全。时薪提升到15-50 美元，专业领域可达 40-100 美元。但这种模式有规模限制和价值天花板——增长高度依赖 劳动力规模的扩张。 第三代是专家级的领域知识注入。 Mercor 的三个创始人（2004 年出生，高中辩论队队友）最初 做的是 AI 招聘，用 AI 面试系统帮印度工程师对接美国远程岗位。2023 年下半年 pivot 到 RLHF 专家调度——他们的 AI 面试系统能精确评估候选人的专业能力，用来做 RLHF 专家筛选简直是 天然适配。结果堪称疯狂：ARR 从接近零增长到 2025 年底的约 4.5-5 亿美元，估值跳到 100 亿 美元。平台上约 3 万名专家，平均时薪 85 美元，顶级专家 200 美元以上。 这种变化或许可以被称为"专业知识溢价"越聪明的 AI，越需要更聪明的 人来教它。而且随着模型能力的提升，这个溢价还在扩大。 这个趋势的一个侧面证据是：Invisible Technologies 在 2024 年实现了约 1.34 亿美元的年化收入，同比增长 123%，EBITDA 利润率达到 11%。这家公司采用"数字流水线"模式，将复杂任务拆分为微任务，由全球 35 个国家的专家完成。Surge AI 由前 OpenAI 员工创立，专注高质量 RLHF，是 Anthropic 等顶级 AI Lab 的供应商。Turing 拥有 400 万+ 开发者的全球人才网络， 是 OpenAI 的官方合作伙伴。 这些公司的共同特征是：它们不培养专家，只筛选和调度专家。它们的竞争力不在"拥有"人才，而 在"匹配"人才——用最快的速度、最高的精度，把正确的人送到正确的任务上。这种"人力AWS"的商业模式，可能是 AI 时代最有扩展性的劳动力形态。