盈禾配资深扒151份JD，揭秘“数据标注员”：两极分化，30倍薪水差，残酷的未来

作者｜樊雅婷

邮箱｜fanyating@pingwest.com

早上九点，小林戴上耳机，打开标注平台，耳朵里传来一段带四川口音的普通话。

她要先逐字把这段语音转写出来，再标出发音偏差、语调异常和方言特征词，最后判断 AI 的识别结果哪里对了、哪里跑偏。听起来像在听播客，旁人或许以为她在摸鱼，可这就是她的工作。

她的官方 title 叫"数据标注员"，但她更愿意说自己是"AI 训练师"——这样听起来酷一点。毕竟在大多数人的认知里，这份工作就是 AI 时代的流水线：面对电脑，机械地点鼠标，日复一日地画框、打标签，技术含量不高，是典型的"人肉电池"。

可一旦有人追问"具体做什么"，小林通常会沉默两秒，然后答："就……教 AI 听人话。"再多的，她也说不上来了。

也许下面这份从业者简历里的工作描述，大致能说明他们每天在做的事。

对于越来越多想进入AI行业的年轻人，数据标准正在成为他们会考虑的入门工作，这个工种因何而生，整个行业是什么面貌，从业者又将走向何方——我们抓取了 Boss 直聘上"数据标注"关键词下、base 在北京的 302 个岗位，逐一拆解其中 151 份完整 JD。

同一份标注工作，月薪能差出三十倍

ChatGPT 会写诗，靠的是标注员逐条评价"这句好、那句差"；自动驾驶能在路口认出红绿灯，是因为有人对着数万张街景图、一个像素一个像素地描出边界。你对 agent 说一句"播放周杰伦的歌"，它一秒就听懂并执行，这背后是成千上万条带口音、带环境噪声、带吞音连读的语音指令被人工标好了。

如今为了更自然的交互，语音标注的复杂度还在指数级上升——不再只是把声音转成文字，而是要标出情绪、意图、语用场景，连方言里那点微妙差异都要标，模型才能真正学会"听人话"。

每一处智能闪光，都有一双人类的手在托底。这双手的主人靠它挣多少、能干多久，是另一回事。先看收入。

151 份完整 JD 里，北京数据标注岗位月薪中位数 10500 元，最低 2K，最高 65K——首尾相差三十多倍。

低薪这头多是实习、兼职和众包。日薪岗有 84 个，中位 185 元/天，招聘帖上写着"数据标注，双休，小白可做"，学历经验全不限，月薪 4-5K。光谱另一端，百度给自动驾驶数据标注算法实习生开出 500-600 元/天，要求硕士；阿里巴巴的 AI 训练师岗 20-35K、16 薪，同样卡硕士。

同为标注，身价差出十倍。差距来自工作内容早已分化：低薪端是执行，按要求标、按 SOP 做；高薪端是定义，定标注规则、管质量标准、打通算法和数据的闭环。前者可替代，后者难复制。

一个在标注行业干了六年的老兵说得直白：2016 年，标注员是手艺人，熟手吃香；现在，标注员是流水线工人，谁都能干，你就是个账号。

从"画框"到替 AI 拿主意

151 份 JD 能分出四种主要模态。

文本标注占 16%，做语料清洗、对话质量评估、多语言翻译校对。

大模型时代这类需求暴增——腾讯在招"大模型数据标注-代码方向"，应聘者得看懂代码，判断 AI 写的程序哪里好、哪里有 bug，再用人的判断去纠正它。

图像和视频标注占 17%，包含框选、描点、分割、关键点标注，自动驾驶是大户。

某大型车企的"智驾数据标注算法工程师"岗，要求处理 4D 点云和 LiDAR 数据，输出时序一致的 BBox 真值，月薪 40-70K、15 薪。这早不是"画框"，而是要懂传感器原理和三维空间关系。

语音和音频标注在招聘平台占比最低，只有 1%，要求却一点不低。

今年 6 月初，马斯克的 xAI 面向全球招中文 AI 导师，训练 Grok 的中文语音能力，要求母语级中文、熟悉方言和地域口音差异，能做语音转写、发音纠错和音频标注，美国境内时薪 35-45 美元。同一时期，京东科技在招法语、德语、荷兰语标注，专八是门槛，要能识别发音错误和语调偏差——标准堪比语言学研究。

多模态和综合标注占比最大，达 36%，一个岗位同时涉及图文音视频，常见于大模型数据团队。单一技能的可替代性越来越高，全能选手更吃香。

把这 151 份 JD 按业务领域看，分布高度集中：

大模型/AIGC 语料直接占 28%，自动驾驶和医疗影像各占 7%。近三成岗位在给大模型"喂饭"。军备竞赛进入白热化，GPU 数量不再是唯一筹码，谁的数据更贴近真实人类，谁就多一分胜算。

门槛也跟着被改写。近九成岗位要求本科或大专，表面仍是低门槛工种。但那 13 个卡硕士的岗位，几乎全扎在大模型评测、算法配套和海外多语言方向——盛大网络"专家级数据标注师"日薪 400-800 元，要硕士、可远程；阿里训练师 20-35K、16 薪，非硕士不招；还有金融类标注专家，时薪 150-200 元。

专业壁垒也在往高了筑。医疗标注明确要临床医学、影像学背景；代码方向要计算机专业，能写能 debug；影视美学标注青睐戏剧影视文学、数字媒体艺术；金融标注要金融经济专业；具身智能标注则指向机械和自动化。离数据价值链的上游越近，越不只靠细心和耐心，而是实打实的领域知识。

同一顶帽子底下，众包日薪 100 与专家月薪 6.5 万并存，中间地带正被持续挤压。

换个角度，一个岗位能同时容下学医的、写代码的、做设计的、搞金融的，它也正在变成几乎所有专业的出口。

大厂定规则，外包拆包

再看招聘池里的公司，大厂和外包商泾渭分明。

302 个岗位中能认出的大厂有京东、腾讯、阿里、快手、小红书、百度，但招人最多的不是它们，而是标注外包公司和数据服务商——海天瑞声、云测数据、倍赛科技牢牢占据岗位数前列。

行业逻辑很清晰：大厂定标注规则和评测标准，外包公司拆成细碎 SOP 再层层分包。

许多标注员觉得工作机械、看不到全貌，原因就在这里——他们站在流水线末端，手里只有一个账号和一套指令。

但核心模型能力，大厂从不轻易交出去。

腾讯亲自招代码方向的大模型标注，快手直接为可灵 AI 招标注项目管理，小红书招大模型数据标注实习生。模型越关键，数据质量越要握在自己手里。

数据标注的过去，现在和未来

数据标准已经成为AI进展背后的人类底座。而要理解它如何发展到今天，未来会走向何方，还是要看一看它一整个历史。

2006—2014，是前标注时代。

那时"数据标注"还不算一个职业。李飞飞在普林斯顿启动 ImageNet 时，最初以 10 美元时薪雇本科生逐张标图，可学生很快受不了这种重复劳动，按当时效率估算，标完整个数据集要 19 年。转机来自 Amazon Mechanical Turk：2008 到 2010 年，来自 167 个国家的近 5 万名众包工人，完成了超过 1400 万张图片的标注。在学术圈，做标注被当成"搬砖"，李飞飞的基金申请甚至被 NIH 评审批为"普林斯顿做这个是一种耻辱"。

2012 年，AlexNet 以 15.3% 的 top-5 错误率拿下 ILSVRC 冠军，领先第二名超过 10 个百分点，Yann LeCun 后来称之为计算机视觉史上无可争议的转折点。整个行业由此意识到：算法差距可以追赶，数据差距才是壁垒。标注这件事，第一次有了变成一门生意的可能。

2014—2017，标注工厂时代。

第一批数据标注公司成立，这些公司选址往往在三线城市，理由很现实：人力便宜、租金便宜、有补贴。"我们就是在吃人口红利，"一位标注公司老板曾毫不避讳地说，"开在北京一个月 4000 招不到人，开到县城 2000 就有人抢着干。"

大量农村青年、小镇宝妈、残障人士经培训成了标注员，在产业匮乏的县城，月入 3000-5000 已是体面收入。但他们大多不知道自己在做什么："每天就是拉框拉框拉框，这些框拿去干嘛，没人告诉我们。"

2017—2020，分化与升级。

一些大厂开始建起更大规模的数据标注基地，大厂入场带来标准化和分层。标注师群体开始分化：底层仍是基础框选，往上是质检员，再往上是标注规则师——要懂 AI 基本原理，收入翻好几倍。2020年初，人社部正式将"人工智能训练师"纳入国家职业分类目录，顶级训练师年薪已超过30万。

2020 至今，AI 反噬。

GPT-3 论文（《Language Models are Few-Shot Learners》，NeurIPS 2020）证明了大模型的少样本学习能力，模型不再需要海量人工标注也能完成许多任务。同时自动标注技术成熟、合成数据崛起，行业自动化率从三年前的约 30% 飙到 60% 以上。

但 RLHF 又催生出一类全新需求：给模型输出做偏好排序、评估事实准确性、纠正推理链路——这些活不再叫标注，而叫提示词工程师或 AI 对齐训练师，技能门槛完全不同。

这种替代已经写进了招聘启事。百度的"自动驾驶数据标注模型算法实习生"，工作内容就是开发预标注模型，让 AI 自己标数据。"自动标注+人工复核"成了主流工作流：AI 先粗标一版，人负责质检、纠错、补齐边界案例。基础重复性标注确实在被吞噬，可"这版标得好不好""边界案例怎么处理""这段画面美感够不够"，这类要主观判断和领域经验的环节，仍得人来兜底。

2024 年的行业数据呈现出一道明确的剪刀差：80% 的投资流向自动标注公司，传统劳动密集型标注企业拿到的融资不到 5%；基础标注用工在收缩，懂医学、法律、金融的专家级标注师却持续紧缺。

一位 AI 公司 HR 对我们说得更直接："AI 训练师的薪资是标注员的 3-5 倍，但我们几乎不会从标注员里招训练师，宁愿招刚毕业的计算机系学生从头带。"

纯执行型标注员正在退场。留下的，要么有某个领域里难以替代的专业判断，要么有质量管理和项目统筹的能力。