人工智能和自动化究竟会创造、消除还是改变工作岗位，以及影响的程度如何，是一场没有止境的争论的核心问题。2013年，牛津大学学者卡尔·贝内迪克特·弗雷（Carl Benedikt Frey）与迈克尔·奥斯本（Michael Osborne）合作发表了一项研究，题为“《就业的未来：工作受计算机化影响的可能性有多大？》（The Future of Employment: How Susceptible Are Jobs to Computerization?）”。该研究估计，到2030年中期，美国47%的工作岗位面临高风险。
去年，世界经济论坛（WEF）发布了《2018年就业未来》（The Future of Jobs 2018）报告。报告指出，预计算法和智能机器将在全球创造1.33亿个新岗位，同时到2022年将淘汰约7500万个岗位，净增约5800万个工作岗位。
无论具体数字或百分比如何，上述所有报告以及新闻和社交媒体上反复传递的核心信息是：自动化和人工智能将使低技能岗位消失，取而代之的是专业化、知识水平高的工作者。显然，我们正面临非熟练劳动力的衰落，以及软件工程师、数据科学家、数字传播专家和网络专家的兴起。
但事实真的如此吗？自动化和人工智能确实具备替代重复性、可预测的认知和体力任务的确切能力（和优势）。然而，人工智能和机器学习还有一个鲜少被讨论、大多数公众甚至并不知晓的隐蔽面：数据的新装配线。
构建人工智能的沉默大军
“数据是新石油”如今已成为人们熟知的格言。这确实不假，数据正日益成为宝贵的新商品，对人工智能而言尤其如此。大多数机器学习算法都需要基于通常规模庞大的数据集进行训练。之所以如此，是因为当今大多数机器学习技术都属于所谓的“监督学习”范畴：计算机最终能够做出“推断”或“决策”，但前提是它已经被展示了足够多带有相应“答案”的示例。我们可以通过向神经网络输入成千上万张汽车图像来教它识别汽车，同时每次都向算法说明：“嘿，这是一辆汽车！”我们提供的汽车图片越多，它识别汽车的能力就越强。
现在，这些训练数据需要由某人进行标注，也就是说需要人工完成。我最近专门撰写了一篇文章，主题是计算机视觉、激光雷达与图像标注。文章解释了该概念、流程以及不同的标注技术。简而言之，就是有人指明图像中确实有一辆汽车，有时还需说明它的位置、正在做什么、车灯是开是关，等等。
人类参与其中，并审核每一张（或几乎每一张）图像、每一行文本以及输入神经网络的每一条数据。为了让你对规模有个概念，仅以自动驾驶汽车为例，据英特尔称，车辆每驾驶八小时将产生40TB的数据。Waymo是众多自动驾驶汽车公司之一，该公司近期称，其车辆在美国公共道路上已行驶了1600万公里。。你可以算一算，这是一个庞大的数据量。
所有这些都意味着数以千计、数以万计的人工工时。而且，标注任务不仅限于自动驾驶汽车或自主机器人。机器学习无处不在，标注工作也是如此，医疗领域同样如此。模式识别软件已用于放射学、病理学、心脏病学、肿瘤学，甚至精神病学。包括影像文件、CT、MR、心电图等在内的海量数据集，同样需要人工参与，以标定肿瘤细胞、围绕异常值绘制多边形，并突出显示病理信号。此外，还有更多应用，包括跨多个行业和应用场景的其他影像、文本或语音识别示例。
装配线2.0
但这项工作在何时、以何种方式、在何处进行？有许多公司开发供人工完成标注流程所用的软件工具。其中一些公司设有内部员工，另一些公司则将实际的人工标注工作外包出去。无论哪种情况，这些标注团队几乎总是位于劳动力成本较低的国家或地区：印度、中国或非洲的多个地区。我们所说的是规模非常庞大的团队，人数以千计。一些公司的标注人员超过5万人，并从全球超过100万名标注员的人才库中调配人手，实行日夜轮班。
基本上，工厂和制造设施正变得越来越智能，充满了代替人类工人完成手工任务的机器人，而数据标注工厂则是人工智能时代的新装配线2.0。如果没有驱动这场革命的机器学习算法，这些新工作本不会存在。可以将数据标注视为装配线的认知版本，在这种模式下，工人不必承受高强度的体力劳动，而是从事认知类工作。诚然，这仍然是一项相当重复的任务，但它是坐着完成的，远离潜在的危险机械。
数据标注员并非易事，需要接受培训，并且需要极其细致的注意力。你需要在图像中的物体周围绘制非常精确的多边形，或者使用鼠标和键盘精准定位地标。而且你必须以极高的准确度完成这些工作：标注数据的质量对机器学习算法的成功至关重要。此外，在自动驾驶汽车等许多行业中，糟糕的训练数据可能会决定生死。标注数据耗时费力，但它是教会我们的机器如何行动、做出决策和预测结果的必要工作。
鉴于任务的规模和特点，数据标注为低技能工人、生活在发展中国家的人群，或在求职方面面临更大困难的群体，提供了绝佳的机会。
Deepen AI是一家从事数据标注业务的组织，例如，它已开始与lifelong.ai合作。lifelong.ai是一家非营利组织，帮助难民获得工作机会并学习新技能，以改善其社会经济状况。Lifelong在约旦培训叙利亚难民成为数据标注员，并为他们连接人工智能市场中的远程工作机会，同时还免费提供英语、网页开发和移动开发课程。
此外，Deepen承诺向员工支付高于最低工资标准的薪酬，并建立了清晰的职业发展阶梯，帮助员工从标注员晋升为团队负责人、软件质量保证人员、项目经理和人力资源专员。得益于这一努力，Deepen在印度的许多员工有机会结婚、组建家庭、成长，并丰富其所在社区的生活。
由此可见，人工智能不仅为拥有硕士和博士学位的人创造机会。这项蓬勃发展的技术实际上正在以难以预测的方式，为低技能人群催生新的工作类别。
数据标注的阴暗面
企业有责任增强社区能力，并确保员工不会困于低技能工作，而是能够在知识和技能上不断成长。然而，在这些低技能就业机会之中，也存在阴暗面。一些标注公司试图以超竞争性的定价抢占市场并获取更高利润，却将标注员的薪资压得极低。部分报酬可低至每小时1美元，甚至更低，远低于最低工资标准。从事此类业务的机构，基本上是在数字时代助长一种新型的奴役。
对标注数据的需求极为旺盛，因此短期内，采取这种做法的公司可能获得可观的经济回报。然而从长远来看，这种行为模式将导致员工流失率居高不下、产出质量低下，并对社区产生负面影响。这些公司不仅通过剥削工人、以不道德的方式开展业务而破坏社会规范，这种不公平的行为也对整个行业造成损害。人工智能是一项备受争议的技术，围绕它存在诸多社会、伦理和道德方面的担忧。向数据标注员支付荒谬薪酬的肮脏做法，无疑会给整个行业蒙上阴影，损害人们对技术的信任，并最终阻碍或延缓社会获得技术可能带来的诸多益处。
总之，自动化和人工智能的到来，既在淘汰数以百万计的工作岗位，也在创造数以百万计的新岗位。并非所有由人工智能创造的工作都必然面向高技能、高知识水平的工作者；低技能人群同样拥有许多新的机会。这些新岗位的增长速度，可能无法与其他低技能岗位消失的速度相匹配，但人工智能仍处于起步阶段。很可能在未来几年，数据的可用性以及获取标注数据集的需求将呈指数级增长，这意味着全球对数据标注员的需求很可能急剧上升。
做出可靠的预测非常困难。我们或许能做的最好的事情，就是效仿我们的算法：审视当前的事实，并据此做出一些推断。仅就自动驾驶汽车而言，我们目前知道，要实现安全、完全自动驾驶，我们还需要再行驶数百万乃至数十亿英里……这足以让大量数据标注员在相当长的一段时间内保持忙碌。
