AI 淘金趨勢：從「低薪外包」進化到「專家智慧」
人工智慧的發展已進入一個嶄新階段。過去，AI 訓練仰賴大量低成本人力進行數據標註，這些工作常被外包給非洲和亞洲的零工經濟工作者，負責圖像框選、內容描述等基礎數據清洗任務。
然而，隨著生成式 AI 的飛速發展，產業對模型品質的需求急遽提升，這導致資料標註工作模式發生了根本性轉變：從過去的勞力密集型外包，正轉向高專業知識導向的知識密集型任務。
這波變革反映了新一代 AI 模型對更優質、更複雜知識來源數據的渴求。
如今，生物學家、金融分析師、工程師等高薪專業領域的專家，正被納入 AI 訓練流程，取代了原先由肯亞、菲律賓等地低薪勞工執行的簡單註釋工作，因為這些簡單任務已逐漸被自動化所取代。
這種轉變不僅象徵 AI 訓練流程正進入高價值人力與知識的深耕期，也讓像 Scale AI、Turing 和 Toloka 等公司，開始聘請這些領域專家，為 AI 團隊創建更複雜的訓練數據，這對於開發下一代 AI 系統至關重要。
資本熱潮轉向，「高品質資料企業」成投資新寵
市場的投資風向也正在改變。過去的投資熱潮主要集中在 AI 模型本身和運算能力上，如今，目光正轉向那些能提供高品質訓練數據的企業。這種轉變，也導致投資者對數據標籤新創企業的興趣激增，資金開始大量湧入這個領域。
具體來看，科技巨頭已開始大手筆投資。今年六月，Meta 便向 AI 數據標註公司 Scale AI 投資 ，使其估值翻倍至 290 億美元；亞馬遜創辦人 Jeff Bezos 也領投生成式 AI 數據與訓練公司 Toloka 7,200 萬美元，這些案例都明確指出，資料層已成為 AI 投資的新焦點。此外，雲端影片分析公司 Turing AI 也在三月完成 1.11 億美元募資，估值達 22 億美元。
高品質數據在 AI 發展中，正成為繼模型和算力之後的下一個關鍵賽道。
訓練需求轉變，從速度轉向推理與複雜任務
現代 AI 模型，特別是像 OpenAI 的 o3 和 Google 的 Gemini 2.5 這類「推理型」模型，對訓練數據的要求發生了本質性的變化。
Turing AI 聯合創始人兼首席執行官 Jonathan Siddharth 表示，這些模型現在需要的是，真實人類使用這些模型進行知識工作的數據，並在模型出現故障時獲得反饋。這意味著訓練不再只是提供原始數據，而是需要領域專家提供解決問題的「推理步驟」、撰寫程式碼、檢查錯誤、分析數據，甚至是如何建立模擬器來測試物理理論。
Siddharth 甚至預言，最終 AI 模型在某些方面，會比單純的物理學、電腦科學和數據科學領域頂尖人物的疊加結果做得更好。
工資結構與預算也出現「再分配」
這種對專業知識的重視，直接反映在工資結構和預算分配上。Turing AI 指出，為了吸引不同產業的頂尖人才投入數據標註工作，他們支付給專家的薪水比其目前本職工作高出 20% 至 30%。這顯示 AI 公司願意為難以自動化的複雜資料集支付高額報酬。
儘管數據預算僅佔人工智慧公司在運算能力上花費的數千億美元中的 10% 至 15%，但 Siddharth 補充說，這仍然是一筆「巨款」。
從勞力密集到知識密集的結構轉移
數據標註工作從基礎清洗轉為品質驗證與反饋，強調對語意和知識結構的深度理解，這使得 AI 模型能夠處理更複雜的推理任務。
總體而言，人工智慧產業的發展，正驅動一場從勞力密集到知識密集的結構性轉移。AI 模型的興起，雖然讓低成本的簡單任務更容易被處理或自動化，減少了對大量低薪人力的依賴，但也創造了對高階專業知識的巨大需求。
當資料標註從過去單純的外包工變成高知識工作，那些能提供領域專業知識並協助 AI 解決複雜問題的專家，無疑將成為 AI 發展下一波紅利的主要受益者。
＊立即報名 8/15 【AI Agent 知識工作革命論壇】，解析企業如何在各工作場景導入 AI Agent 完成任務
【推薦閱讀】
◆ 【Shopify 示範「真 AI 轉型」】CEO 內部備忘錄外流：精通 AI 是強制要求，不用請說明理由
◆ 【還有 700 天準備】AGI 若在 2027 年實現，人類如何因應「智慧被超越」的衝擊？
◆ 【AI 幕後推手】AI 訓練師：「我們是苦力工人，但沒有我們，就沒有人工智慧語言系統」
＊本文開放合作夥伴轉載，參考資料：《Financial Times》、《cryptopolitan》，首圖來源：Unsplash
（責任編輯：鄒家彥）