通用岗位收缩，专业反馈需求增加
数据标注的工作内容正在变化。2025 年 9 月，xAI 据报裁撤约 500 名通用 AI 导师，同时计划把专业导师团队扩大至原来的 10 倍。同年 6 月，Meta 以约 143 亿美元取得 Scale AI 49% 的股权，引发部分客户对供应商独立性的担忧。中国也在推进高质量数据集和标注能力建设。这些变化涉及三个问题：哪些判断仍需要人来做，自动化能承担多少工作，以及企业如何选择可信的数据供应商。
xAI 调整招聘，Meta 入股改变 Scale 的客户关系
据媒体报道，2025 年 9 月 12 日，xAI 向约 500 名通用 AI 导师发出解雇邮件，约占报道所述 1500 人标注团队的三分之一。邮件将裁员解释为岗位调整：缩减通用任务，增加需要专业知识的 AI 导师。
xAI 表示，计划把专业 AI 导师团队扩大至原来的 10 倍，招聘方向包括 STEM、编程、金融、医学和安全。据 Business Insider 报道，部分导师在裁员前还需参加专业测试，内容包括传统学科以及 Grok 的个性和模型行为。公司正在重新划分岗位能力要求，专业团队的扩招计划则仍需通过后续招聘落实。
2025 年 6 月，Meta 以约 143 亿美元取得 Scale AI 49% 的无投票权少数股权，交易对应估值约 290 亿美元，创始人 Alexandr Wang 随后加入 Meta。据报道，Google 等客户因数据保密和供应商独立性问题重新评估合作。Scale 则表示继续独立运营，业务不与 Meta 合并。按 Sacra 的估算，Scale 2025 年营收约为 20 亿美元，客户关系变化仍是后续业务的不确定因素。
两起事件分别显示了人员与供应商管理的重要性。复杂任务需要具备相应知识的标注者；外包训练数据时，企业也需要审查访问权限、保密条款和供应商股权关系。价格与规模仍然重要，但已不足以单独决定采购。
标注工具与专家服务都在增长，市场口径各不相同
研究机构普遍看好数据标注需求，但对市场边界的定义并不一致。以 Mordor Intelligence 的标注工具市场估计为例，规模从 2025 年的 23.2 亿美元增至 2026 年约 30.7 亿美元，并预计 2031 年达到 124.2 亿美元，年复合增长率为 32.27%。这里统计的是工具市场，不能与包括外包服务、专家反馈在内的更宽口径直接相加。
标注服务商也在改变产品组合。Kili Technology 的企业指南列出模型预标注、程序化标注、主动学习、持续监控、分阶段审核，以及 RLHF 和 RLAIF 等方法。数据质量会影响模型效果，但它与架构、训练方法和计算投入共同起作用。对企业来说，关键是找出当前任务最缺哪类数据，再选择合适的生产和审核方式。
招聘和任务报价提供了另一组观察窗口。部分平台将法律、医学、金融等专家任务标为每小时 50–100 美元或更高；这类公开报价并非所有从业者的实际平均收入，任务供应和资格要求也各不相同。Upwork 的 2026 年报告显示，其平台 AI 数据标注技能需求同比增长 154%，在数据科学与分析类别中增速最快。这反映的是该平台客户需求，而不是全球就业人数。
专业标注者开始参与模型评估与训练任务设计
2010 年代中期，许多标注项目需要大量人员绘制边界框、转录音频或完成分类。Appen、CloudFactory 等公司通过分布式团队承接这类任务，主要解决招募、培训、交付和质量管理问题。标准化标注至今仍有需求，只是部分初步工作可以交给模型完成。
前沿模型也需要更复杂的反馈。例如，审核一段医疗建议，要判断信息是否准确、推理是否完整，以及哪些表述可能引发误用。HeroHunt.ai 的行业分析据此强调，部分实验室正在增加对领域专家和高技能评审者的需求。这些工作与简单分类任务并存，所需知识和审核流程却相差很大。
Surge AI 是其中一家服务商，提供语言数据和人类反馈服务，并与 Anthropic 等实验室合作。它强调标注者筛选、写作能力与专业判断。据媒体报道，其标注网络约有 5 万人，2024 年收入达到约 10 亿美元量级。具体项目的人员资格、反馈一致性和交付质量，仍是客户选择这类服务的依据。
Mercor 等平台则负责为实验室匹配医生、律师、科学家等专业人员。如果一个医疗项目需要儿科医生参与，平台可以承担招募、审查、签约和项目管理。媒体在 2025 年中期已将 Mercor 的年化营收估计为数亿美元。年化数字反映当时业务速度，并不等于全年已经确认的收入。
RLAIF 让模型生成反馈，人类仍需设计标准和检查结果
除了调整人员构成，实验室也在尝试自动生成部分训练反馈。RLHF 使用人类反馈，RLAIF 使用 AI 反馈；两者可以组合使用，并非只能选择其中一种。
RLHF 是对齐语言模型的一类常用方法。典型流程是请人对多个回答进行比较，用偏好数据训练奖励模型，再通过强化学习调整语言模型。它需要设计任务、培训评审者、收集反馈并检查一致性，复杂领域的审核成本尤其高。成本取决于任务难度和质量要求，很难用单条标签的统一价格概括。
RLAIF 让另一个模型依据既定规则生成偏好标签。Google 研究人员在 2023 年发布、后发表于 ICML 2024 的研究中，在摘要和对话等任务上观察到与 RLHF 相当的表现。自动反馈能够扩大数据生产规模，但效果仍取决于评审模型、提示、任务和后续人工评估。ABAKA AI 等服务商将成本和扩展性视为推动企业采用这种方法的原因。
自动反馈也会带入评审模型的错误与偏好。Curriculum-RLAIF 论文讨论了分布变化、标签噪声，以及样本难度与奖励模型能力不匹配的问题。作者尝试按由易到难的顺序组织偏好数据，并在其实验中改善奖励模型的泛化表现。这为数据排序提供了一种方法，是否适用于其他模型和专业领域还需测试。
因此，人类反馈仍可用于制定评分标准、校准关键样本和检查自动评审的偏差。对边缘案例、安全相关内容和高度主观的任务，人工审核尤其有价值。企业需要根据错误代价和自动评审表现，决定哪些环节可以扩大自动化比例。
中国推进高质量数据集建设，也增加专业标注需求
中国正在通过产业政策、数据集建设和地方试点发展数据标注能力。贵州等地已有相关项目。政策希望将数据资源转化为可用于模型训练和行业应用的数据，但项目能否持续运营，仍取决于实际订单、人员能力和质量管理。
2026 年 6 月，国家数据局发布《关于推进行业高质量数据集建设行动的实施方案》，提出强基扩容、标注攻坚、提质增效等专项行动，作为落实“十五五”规划和“人工智能+”部署的具体措施。方案把标注放在数据供给、流通和应用的整体流程中，强调专业场景与质量要求。
制造业和机器人应用还会增加对现场数据的需求。例如，设备状态、工序动作和机器人交互记录，需要结合特定工业场景理解。USCC 的相关分析讨论了开放模型降低应用门槛的作用；模型可用之后，企业仍需采集和审核本地数据，才能适配具体设备与工作流程。
企业如何分配自动标注、人工审核和专家评估
实践中，可以把数据生产分成四类工作，按任务难度和风险安排不同人员与工具：
第一类：AI 预标注与人工审核。 图像分类、实体识别等标准化任务，可先由模型提出标签，再由标注员抽查或纠错。自动完成的比例需要实测，重点是最终错误率、审核时间和总成本。
第二类：领域专家判断。 医疗、法律、金融等任务，需要专业人员评估推理、事实和适用条件。专家既可以直接提供标签，也可以设计规则、培训审核人员和处理争议样本。
第三类：AI 反馈与人类校准。 RLAIF 生成偏好数据，人类检查关键样本并评估系统性偏差。组合使用两类反馈，有助于扩大数据量，同时保留对评分标准和模型行为的检查。
第四类：持续更新评估。 当模型能力、用户任务和训练数据发生变化，评估也需要更新。团队可以维护独立测试集、设计新的专业任务，并检查模型是否只是熟悉公开题目，从而减少测试成绩与实际效果之间的差距。
这几类工作可以由内部团队和外部供应商共同完成。企业需要分别管理工具、通用标注人员、专家网络与评估团队，明确各自的验收标准和反馈方式。外包还是自建，应结合数据敏感程度、任务复杂度和持续需求决定。
标注岗位在变化，数据标准仍需要明确负责人
数据生产正在增加对专业判断和自动化工具的使用。xAI 的岗位调整、专家平台的增长和 RLAIF 研究，分别显示了这一变化的不同方面。但通用标注并未整体消失，自动反馈也没有统一取代人类反馈；具体分工仍由任务和质量要求决定。
当更多训练反馈由模型生成时，企业更需要明确谁负责制定标准、验证结果和处理分歧。高质量数据不只是标签看起来一致，还要能改善模型在真实任务中的表现。专家判断的价值，最终也需要通过这些结果来检验。
来源：
TechCrunch, "xAI reportedly lays off 500 workers from data-annotation team" (2025-09-13), https://techcrunch.com/2025/09/13/xai-reportedly-lays-off-500-workers-from-data-annotation-team
Los Angeles Times, "xAI lays off 500 AI tutors working on Grok" (2025-09-15), https://www.latimes.com/business/story/2025-09-15/elon-musks-xai-lays-off-500-ai-tutors-working-on-grok
Sacra, "Scale AI revenue, valuation & funding", https://sacra.com/c/scale-ai
TSG Invest, "Scale AI Stock: $29B Valuation — Is It a Buy?", https://tsginvest.com/scale-ai
HeroHunt.ai, "The Changing Landscape of AI Data Labeling Hiring (2026)", https://www.herohunt.ai/blog/the-changing-landscape-of-ai-data-labeling-hiring-2026
Kili Technology, "2026 Data Labeling Guide for Enterprises", https://kili-technology.com/blog/2026-data-labeling-guide-for-enterprises-build-high-performing-ai-with-expert-data
Business Research Insights, "Data Annotation Market Forecast 2026–2035", https://www.businessresearchinsights.com/market-reports/data-annotation-market-121577
ABAKA AI, "Is RLHF Dead? Why AI Companies Are Moving Toward RLAIF", https://www.abaka.ai/blog/rlhf-vs-rlaif-ai-alignment
SuperAnnotate, "5 Scale AI Alternatives [After the Meta Deal]", https://www.superannotate.com/blog/scale-ai-alternatives
Humans in the Loop, "Data Annotation Trends 2026: Forecast & Best Practice", https://humansintheloop.org/data-annotation-trends-2026-forecast-best-practices
Mordor Intelligence, "Data Annotation Tools Market Size & Share", https://www.mordorintelligence.com/industry-reports/data-annotation-tools-market
HeroHunt.ai, "The Ultimate AI Data Labeling Industry Overview (2026)", https://www.herohunt.ai/blog/the-ultimate-ai-data-labeling-industry-overview
Pattern / Agentic Patterns, "RLAIF (Reinforcement Learning from AI Feedback)", https://agentic-patterns.com/patterns/rlaif-reinforcement-learning-from-ai-feedback
