誰在為這些“智能”提供運行養料？
想像一下，你是Meta（原Facebook）位於肯尼亞內羅畢外包部門的一名內容稽核員，每個班次你都要工作10個小時，而幾乎每55秒，你就必須處理一條違規報告。
現在，跳入你眼前的是使用者上傳的一段慘烈車禍視訊，你的任務是判定這段視訊是否違反了公司關於禁止傳播極端暴力、血腥內容的規定。可當你的目光跟著拍攝者的視角，仔細觀察每個畫面時，你發現了一個慘烈的事實，車禍的受害者之一是你的祖父。你將如何自處？
這不是假設，而是稽核員默茜的真實經歷。事發後，主管出來安慰她，但也提醒她，再不回到工作崗位就無法完成今天的工作了。“明天可以休息一天。但今天既然已經幹了不少，不如把這個班次完成。”
默茜只能回到工位，螢幕上出現了很多新任務，但無一例外都是她祖父那場車禍的視訊。不同角度拍攝的新視訊，變形的車輛、遇難者的特寫，都讓默茜感到無比煎熬，但她束手無策。
全球範圍內，類似的“煎熬”崗位有數百萬個之多。
現在，資料工作已深深融入我們的日常生活，無論是社交軟體、聊天機器人，還是更為先進的自動化技術，它們的順暢運行都離不開這一關鍵環節。若沒有稽核員在幕後的不懈努力，網路將迅速被暴力和露骨的內容所充斥。
同樣，若沒有資料標註員精心建構資料集，指導AI（人工智慧）識別紅綠燈和路標，自動駕駛汽車便無法安全上路。如果沒有AI訓練師對機器學習演算法的指導，我們也無法創造出諸如ChatGPT（美國OpenAI公司發佈的AI聊天機器人）這樣的先進AI工具。
但你是否想過，是誰在為這些“智能”提供運行養料？
圍繞這個話題，3位牛津大學學者詹姆斯·馬爾登（James Muldoon）、馬克·格雷厄姆（Mark Graham）、卡勒姆·坎特（Callum Cant），穿越6個大洲，訪問200餘人，直擊全球人工智慧盛世背後的“數字勞工”真實困境。最終於2025年出版了《投喂AI：人工智慧產業的全球底層工人紀實》這本書。
書中記錄了被剝削機器所困的勞動者的故事——肯尼亞的默茜被迫一遍遍觀看祖父車禍視訊；來自烏干達農村的資料標註員安妮塔幫助建立了世界頂尖公司所依賴的資料集；來自倫敦的機器學習工程師李正在為自己研發的技術所造成的倫理影響而苦惱；來自冰島資料中心的技術員埃納爾處於全球基礎設施權力網路的中心；配音演員勞拉在與AI版的自己爭奪同一個工作機會等。
這些在生產網路中處於不同節點的人有一個共同點——沒有控制權。比如，他們無法決定自己的工作組織方式、工作條件、勞動成果的價值和工作影響。他們都被接入了協調全球勞動分工的系統，這個系統之所以能夠剝削價值，並不是因為它使勞動變得抽象，把世界各地的每個勞動者都當作機器中可替換的齒輪，而是因為它對世界各地的勞動者進行了細緻分工。
蘇格蘭作家伊恩·M.班克斯在“文明”系列小說中描寫了一個富足的未來烏托邦社會。繁榮的根源在於人們創造了超級先進的AI，可以完成大部分工作。擺脫了繁重勞動，人們創造了一個烏托邦：沒有貨幣體系、沒有僱傭勞動，所有需求都能得到滿足。那裡充滿了奢華和享樂氣息，一切社會資源人人共享。最重要的是，人們實現了真正的自由。
但書中做出一個沉痛的對比：我們現在的社會與班克斯的小說截然不同。機器確實具備了繪畫、作曲和寫詩的能力，人類卻不得不像機器一樣，從事單調乏味、收入微薄的工作，而這一切僅僅是為了支撐這些非凡的機器運轉。
科技公司大肆宣揚他們奇妙的發明將如何讓我們的生活變得更美好，而在這背後，數百萬名工人在建造、服務和修繕這些機器。他們是喂養人工智慧的“隱形父母”，卻鮮少出現在技術的讚歌中。
初聽之下，這些只不過是別人的故事，他們在不同的國度過著與我們迥異的生活，但作者認為事實並非如此——他們的故事就是我們的故事。不僅因為我們都有人類的基本經歷和情感，更重要的是，我們與他們處於相似的社會階層。從機率上說，我們每一個人都有可能是從業者、消費者和公民，都有可能成為被機器剝削的對象。
書中最後提出了一個貫穿全書的追問：我們如何才能創造一個機器服務人類的世界，而不是一個人類成為機器僕人的世界？這些問題，正在拷問著每一個被接入這台機器的人。而你，也是其中之一。
誰在為那台非凡的機器做工？
提起開發AI，人們腦海中自然會浮現矽谷的高新科技城市裡，坐在高檔辦公室吹著空調工作的工程師們。但大多數人沒意識到，大約80%的AI訓練時間都花在了標註資料上。自動駕駛汽車、奈米手術機器和無人機等前沿技術，都離不開古盧這樣的地方。
古盧是烏干達北部最大的城市。安妮塔住在古盧郊區邊上的小鎮，每天凌晨5點從家裡出發，步行2小時來到工作的地方——一棟灰色混凝土大樓。這是一家大型資料標註公司在當地的交付中心，總部位於舊金山，在東非各地設有交付中心。
辦公室裡，數百名資料標註員靜靜地坐在一排排辦公桌前工作。燈光被特意調暗以減輕9小時高強度工作造成的眼疲勞，圖片和視訊不斷出現在螢幕上，等待標註。做過電話客服的人會對這裡感到熟悉，因為環境和工作制度如出一轍。
安妮塔一直負責一個自動駕駛汽車公司的項目，工作內容是對著司機駕駛錄影，觀察司機面部表情。當司機分心或表現出睏倦時，她就把資料記錄下來。這些面部表情和眼動資料將幫助汽車製造商搭建車內行為監控系統。安妮塔不停地敲擊鍵盤，拖動滑鼠，速度之快令人瞠目。
只有保持這樣的速度，她的名字才能在後台主管那裡顯示為綠色。倘若沒能按時完成，名字變紅，她就不得不無償加班。
這就是一名資料標註員的日常：系統用顏色標記她的效率，而她必須一刻不停地追趕那個綠色的數字。
和安妮塔一樣，所有標註員都要接受培訓，根據客戶要求辨認圖像中的元素，用不同的多邊形標註交通訊號燈、路標、人臉等物體。一個項目可能需要數百人，分為20人左右的小組。每組有一名組長巡視，盯著後台資料，檢查有沒有人偷懶。組長們有時大喊大叫，有時又輕聲細語，目的只有一個，就是交出讓客戶滿意的成果。只要沒在工作，標註員的生產效率評分就會降低，分數太低，組長就會通過後台軟體查看工作螢幕。
作者在這裡點出了一個殘酷的真相：標註員在工作的每一秒鐘都在權衡——在自己能承受的壓力和能接受的效率評分之間，尋求一個平衡點。
那麼，是誰搭建起了這套把人類變成資料標註機器的全球體系？
作者指出，資料標註是最費時費力的AI工作，通常會外包給第三方。這個市場正在飛速膨脹：2022年規模約22.2億美元，預計年增長率30%左右，到2030年將超過180億美元。
AI公司獲取標註勞動力的方式有兩種。
第一種是數字勞動平台，如亞馬遜機械土耳其人、Clickworker和Appen。平台將標註任務分配給全球成千上萬的註冊使用者，登錄就能接單。每一項任務只支付幾美分的報酬，AI公司就能獲得有價值的訓練資料。
這種“眾包工作”的門檻極低，任何地方都能做。但低門檻的另一面是極低的議價權，有些任務甚至被二次上傳至平台，以更低的價格分包，中間人賺取差價，全球眾包工作的工資被壓到了最低。
第二種是業務外包公司，也就是安妮塔工作的這類機構。這股外包潮流可以追溯到20世紀90年代，企業為降低營運成本，將後台工作轉移到印度、肯尼亞和菲律賓等英語勞動力充足且廉價的國家。
隨著AI的爆發式增長，資料標註的市場價值愈發膨脹。一些公司聲稱會通過社會與企業共建的模式，為員工提供更高工資和更好的工作條件。然而，作者卻指出，問題的核心在於：市場競爭壓力迫使這些公司優先為投資者賺錢，無法真正優先為員工謀福利。科技公司利用廉價勞動力大幅提升效率、降低成本，這通常意味著從依賴這種工作的脆弱勞動者身上搾取最大價值。
事實上，已有AI開始用合成資料學習。如果AI能自己標註資料，那麼AI會取代這些勞動者嗎？作者的判斷是：即使電腦現在能更好地理解世界了，它們仍然會犯錯誤，需要“人機閉環系統”來糾正和檢查輸出結果。新事物會改變世界，但AI依舊需要有直接經歷的人類來整理訓練資料。這數百萬資料標註員在可見的未來裡，不會消失。
故事的最後，安妮塔全然不知自己標註的資料將用於何處。團隊偶爾會聽到關於工作成果的隻言片語，但大多數時候，這些付出彷彿泥牛入海。在經歷了無數個熬夜加班的夜晚後，工作任務終於圓滿完成，項目經理將標註結果交付客戶。資料標註員在AI供應鏈中的角色便告一段落，而那些資料仍在繼續它的旅程。
誰為大語言模型的錯誤買單？
但有些資料，確實抵達了它的目的地——比如倫敦一間舊果醬工廠改造的辦公室裡，並引發了一場災難。
這一章節故事的主角叫李，是一家科技公司的機器學習工程師，她參與開發的大語言模型Minerva。
Minerva可根據客戶需求使用特定資料訓練。為了訓練模型，李監督著兩個標註團隊：菲律賓團隊負責“基於人類反饋的強化學習”，對模型輸出的答案排序，用人類常識糾正偏見；倫敦團隊負責更高級的任務，為模型提供答案範本。
這兩個團隊的分工折射出一個耐人尋味的現實。低成本的勞動力負責基礎糾偏，高薪的專業人士負責賦予模型“格調”。
但即便如此，Minerva卻在向荷蘭客戶做展示時當場失控。原因僅僅是一位資料標註員在和模型討論荷蘭經濟時開了個玩笑，模型就把這個玩笑當成資料“吸收”了，當客戶問起阿姆斯特丹時，用粗俗下流的語言描述了這座城市的夜生活。
李只能提醒標註員，要確保回覆文字的質量。這一點至關重要，因為那怕是資料中的一個小錯誤都可能導致模型性能出現問題。
但作者認為，比錯誤更棘手的是模糊。資料標註的標準本身就不清楚。如果有人問那些球隊贏得過世界盃，模型只回答男子比賽，還是男女都答？某個事件是否屬於種族滅絕？某個組織是不是恐怖組織？每位標註員認識不同，但公司沒有一份切實可行的指南來幫助統一標準。這種模糊性不是某一個公司的疏忽，而是整個行業面臨的普遍困境。
想要弄清模型為什麼會有矛盾表現，需要瞭解它的工作原理。但作者明確指出，大語言模型不能進行思考，也不能理解句子的真正含義。它分析的是語言，而不是語言背後的社會意義。人類在回答問題時，調動的是對語境和人類社會的理解。而模型在回答問題時，調動的是各字元之間的統計關係，它並不真正瞭解這些字元在現實中的含義。
作者引用電腦語言教授艾米麗·本德的觀點，把ChatGPT這樣的模型稱作“隨機鸚鵡”，強調這些系統只是基於資料進行輸出，並未真正理解文字資料的含義，因此具有侷限性。
但問題不在於這些程序如何運作，而在於我們與這些機器交流時會忘記它們是機器。與AI聊天時，我們會錯認為它具備一定的理解力和意圖。由於輸出的結果很複雜，所以它看起來好像真的理解了我們的想法，但實際上這只是一種幻覺。大語言模型其實只是在根據機率猜詞。
這就解釋了為什麼給它明確指令的時候，它給出的答案很準確；但在其他情況下，它的回答完全經不住考驗，只是聽上去很合理，但其實全是它自己編造的錯誤資訊，根本原因就是它無法理解自己說的是什麼。
作者還舉例說明，大語言模型的表現並非總是可預測的。ChatGPT剛發佈時，人們就發現一些“故障詞元”：每每輸入這些詞，模型就會發生故障，開始胡言亂語。比如，問ChatGPT“誰是TheNitromeFan”，它會莫名其妙地回答“182”；讓它重複“StreamerBot”這個詞，它會開始說髒話。沒人知道這些詞元為什麼會讓模型發生故障。這些異常問題說明，大語言模型就像黑盒，人類有時也無法理解它們的怪異行為。
作者認為，人類想要正確理解大語言模型，客觀地評估其優缺點，就不能把它當成人來看。它沒有智力，也沒有創造力，自然也沒有信念、精神和情緒。就如哲學家丹尼爾·丹尼特的觀點，指出我們經常從心靈屬性的角度看待行為，賦予其信念和想法，這就是“意向立場”。但我們不能這樣對待大語言模型，因為它們沒有情感和心智。
通過對大語言模型的分析，作者發現它更擅長處理有明確目標和有較多文字資料支撐的標準化任務。但他給出了一個核心判斷，使用大語言模型的最大風險，就是誇大其功能和生產力，導致人們未經深思熟慮，就將它們應用於眾多行業。這樣一來，決策權就從可以充當責任主體的人類移交給了不受監控、無法追責的機器。
特別是在執法、銀行貸款、簡歷篩選、福利發放和教育等領域，演算法決策實際上加劇了長期存在的偏見、歧視和錯誤決策問題。模型不具備人類的理解能力、社會意識和同理心，因此試圖簡單地用它替代人類是不現實的。
作者用了一個比喻句收尾——模型就像私立學校培養出的政治精英階層，他們的話聽起來似乎很有道理，細想下來卻充滿了該階層對社會的偏見，體現了社會權力分配不均的事實。
在Minerva的故事裡，公司高層急於推出產品，技術創新團隊擔心模型不成熟。最終妥協：以測試版發佈，宣稱是實驗性產品。
至於Minerva發佈後會產生什麼新問題，不是李能左右的。她職權有限，能做的只是盡力確保流程合規。她的故事到這裡，呈現的是一個在大機器面前只能做一顆螺絲釘的人的處境，她看到了這台機器的全部問題，但在商業壓力和組織邏輯面前，她什麼也改變不了。
在冰島湧動的資料流
你有沒有想過，為什麼一個靠近北極圈、人口稀少的島國，會成為AI時代數字基礎設施的熱門選址？
埃納爾是冰島北部一家剛成立的資料中心的設施經理。這座資料中心的特別之處在於它的能源——電力來自附近的布蘭達水電站，100%可再生能源。與大多數歐盟資料中心相比，這座建築的日常管理能耗低90%，能源使用效率高達1.03，而歐洲平均值是1.57。
實現這一點的原因很簡單，冰島的低溫大幅降低了冷卻成本。中心直接把外部冷空氣吸入，通過排氣管道將伺服器產生的熱氣排出，幾乎不需要額外耗電製冷。
冰島在全球市場所佔份額不大，只有10個資料中心，而英國和德國各有500多個，但資料中心產業已佔冰島GDP的1%～2%。2023年末的雷克雅未克資料中心論壇上，時任冰島總統提醒與會者，將數字基礎設施向冰島遷移是因為這裡擁有大量綠色能源。冰島資料中心的代表以低溫為賣點，配上了一句廣告語：冰島——最“冷酷”的資料中心天堂。
真正把冰島拉入數字經濟的，是海底光纜。1994年第一條光纜CANTAT-3投入使用，此後又鋪設了FARICE-1和DANICE。2022年，新光纜IRIS連接了愛爾蘭戈爾韋和冰島，不再依賴英國或丹麥的電纜中轉。冰島資料中心主席比約恩·布利約爾弗松指出：這條新光纜讓我們離市場更近了……在愛爾蘭可以找到所有的雲服務提供商，這意味著把項目轉移到冰島變得更加容易。行銷總監則調侃說，冰島成了“都柏林的數字後花園”。
為什麼企業願意把資料傳到這麼遠的地方處理？作者認為，因為冷卻成本正變得難以忽視。伺服器能耗中約40%用於散熱。2022年7月，英國高溫導致國民醫療服務體系的兩個資料中心伺服器過熱損壞，修復花了140萬英鎊和數周時間。隨著AI發展，單個伺服器機架的耗電量在過去7年裡增加了一倍多。比約恩·布利約爾弗松說，之前單個機架消耗不到10千瓦，現在要44千瓦，有時甚至66千瓦。北極圈邊緣的氣候成了寶貴資產，冬季均溫約0℃，夏季10℃～13℃，免費自然風冷大幅降低了運行成本。
這裡的另一張王牌是可再生能源。水力發電佔70%，地熱佔30%，不像風能或太陽能存在間歇性問題。冰島沒有海底輸電電纜，所有能源都留在島上，而資料中心用電量穩定，是電力公司的理想客戶，電力公司願意與他們簽下10年長期優惠合同。
事實上，冰島的資料中心產業最初建立在加密貨幣之上。2017年，約90%的容量用於挖礦，耗電量很快超過冰島全部家庭用電，引發抗議。人們認為不應該把可再生資源浪費在比特幣上。直到最近，許多資料中心才重新定位，把可持續發展作為主要賣點，為AI客戶服務。但作者也強調：資料中心的耗電量並沒有下降，國家只是用AI產業替代了加密貨幣產業，作為下一個新增長點。
冰島地處邊緣地帶，提供了一個獨特的視角來觀察AI生產網路在全球更大範圍內的運作，並突顯了一個重要論點，即權力正日益集中到科技巨頭手中。
放眼全球，98%的網際網路資料通過海底光纜傳輸。21世紀第2個10年後期，大型科技公司開始投資建設自有光纜。Google已擁有或投資了19條光纜，Meta建造了全球容量最大的海底光纜，速度達每秒500太位元。如果將機器學習模型想像成網際網路的“大腦”，那麼光纜就是“動脈”，以接近光速的速度將資料傳輸到世界各地。作者寫道，科技公司不僅通過掌控光纜來掌握資料基礎設施，也在逐步掌控人們的資料生活。
提升基礎設施對AI巨頭日益重要，AI模型越大，對算力要求越高。2018年GPT-1需要1.17億個參數，到2023年GPT-4需要1.76兆個參數。目前AI公司將超過80%的資金投到了計算資源上。全世界超過50%的超大規模雲服務供應商在美國，僅在弗吉尼亞州北部就有近300個資料中心。
但資料中心繁榮的另一面是勞工權益問題。2021年《資料中心動態》雜誌披露，Google的資料中心有13萬至15萬TVC員工，即臨時工、外聘人員和合同工，遠超正式員工數量，許多合同期只有3個月，同工不同酬，幾乎不享受福利。
環境問題同樣尖銳。愛爾蘭的資料中心預計在2028年需消耗約27%的本國電力，2022年愛爾蘭國有電力公司宣佈2028年前不再接收都柏林地區新建資料中心的申請。
作者在結尾處寫道，AI為冰島這樣的邊緣地帶提供了新機會，但無論它們如何努力，在全球AI行業舞台上只能扮演邊緣角色。大型科技公司擁有基礎設施權力，能夠制定小公司必須接受的條件。遍佈全球的光纜以毫秒級速度傳輸資料，帶來新經濟機遇，也將人們捲入更複雜的權力體系。
AI會率先取代創意工作者？
大量的創意工作者也面臨著被低成本、高效率的AI“偷走”的風險。
一家公司未經配音演員勞拉的同意，擅自採集她的聲音，製造了一個沒有靈魂的AI配音演員，而其工作報價只有人類配音演員的1/10。在勞拉看來，這就好像有人克隆了自己。
事實上，整個配音行業都對此束手無策。許多預算緊張的公司都開始使用AI配音演員，這樣能節省很多成本。因此，數百萬配音演員都可能面臨失業風險，並喪失作為演員的身份認同。
勞拉還發現，AI配音中缺失了某種重要的東西。人聲能夠喚起共鳴，根據語境調整語調和語氣，表達特定感情和意義，但AI做不到。可這並不能阻擋AI成為勞拉的又一個競爭對手。
生成式AI站在巨人的肩膀上，依靠海量的人工資料進行訓練，資料集規模的不斷擴大使得大語言模型突飛猛進，但這其中難免摻雜受版權保護的內容。比如來源於“影子圖書館”，或者使用仍受版權保護的作品。
這一切使得AI公司實際上在出售本不屬於它們的東西：圖像生成工具的價值建立在人工原創作品的基礎之上，這些作品從資料集中被剝離出來，轉化為商品銷售。無數創意工作者都面臨類似困境——AI可能偷走他們的工作機會，降低作品價值，甚至最終取代他們。
被AI偷走成果的恐慌下，一些創作者也已經開始試圖攻破這個難題。芝加哥大學的研究人員開發了一款名為“Nightshade”的新工具，創作者可以在數字圖像中加入一些特殊像素，一旦AI引入這些作品進行訓練，特殊像素就會導致系統崩潰。
2023年9月，美國編劇工會與電影公司達成了協議，規定AI不能參與劇本寫作和修訂，電影公司不得使用劇本秘密訓練AI機器人。
創意工作者與AI的抗爭才剛剛開始。但這場角力拋出了一個根本問題：AI是否具有創造性？
回答這個問題，首先得弄清楚機器產出的結果與人類創造的結果有什麼不同。人類具備創新能力，可以提出新想法、新建議，在不斷交流中獲得洞察力，在長期的刻苦和努力後才具備創造力。而AI的產出靠的是背後的訓練資料，它從資料中分析模式，並輸出相似結果。
在畫作領域，2018年，佳士得拍賣行拍賣了第一件AI生成的藝術品，是一幅模糊的男子肖像畫，名為《埃德蒙·貝拉米肖像》（Edmond de Belamy）。法國藝術團體Obvious使用2014年由伊恩·古德費洛（Ian Goodfellow）發明的GANs（生成對抗網路），基於由14—19世紀的15000幅肖像作品組成的訓練資料集，利用電腦演算法生成了這幅畫。畫作估價不到1萬美元，但最終以43.25萬美元成交。
這個結果，證明了AI可以生成與人類藝術相差無幾的藝術作品。但也有批評認為，複製和創造圖像本質上仍是一種複製行為，AI生成的畫雖然是新的，但本質上還是其他資料和作品的衍生物。
在小說領域，2016年，第一部由AI生成的小說《電腦寫小說的那一天》（The Day a Computer Wrote a Novel）出版，本書甚至通過了日本星新一文學獎的第一輪評選。然而，該作品的開發人員稱，創作團隊預設了情節脈絡、人物設定乃至關鍵語句等核心框架，這些指令資訊在小說中的佔比高達80%。
作者認為，AI寫作工具距離真正通過創造力測試還有很長的路要走，因為它們的輸出質量較低，且需要人類程式設計師的深度介入。
事實上，許多創意產業公司並不關心AI作品是否真正具備創造力。他們更在意它能不能賺錢，能否推向市場。藝術作品在資本市場本質上也是一種商品，人們需要從商品的角度看待它們，才能理解創意產業公司對新技術的應對邏輯。
AI物流系統中的燃料
亞歷克斯在一個先進的物流倉庫上班：挑高的大廳里布滿了高速運轉的傳送帶和成噸的商品，都處於世界上最複雜的AI系統的控制下。
這裡是亞馬遜建設在英格蘭西米德蘭茲郡的考文垂的一座倉庫，在之前，這裡是捷豹布朗巷工廠。這座新倉庫的編號為BHX4，BHX4是亞馬遜的“進港交叉轉運倉”，同時也是為其他倉庫供貨的中轉站。
亞歷克斯在收貨區工作，任務是把貨物與AI系統提供的資訊進行比對，確認無誤後放到傳送帶上。不需要和任何人說話，一個人站在那裡，聽系統指令，一遍遍重複相同的動作。
亞歷克斯和同事們今天的任務量是140多萬件貨物。這種情況下，每15秒就得搬完一個周轉箱。雖然安全搬運章程規定工人不得將箱子舉過頭頂，但如果遵守這些章程，就不可能快速完成工作。這裡也是倉庫安全事故高發區域。
整間倉庫，唯一有椅子的地方是經理辦公室。因為公司認為坐著工作會降低效率，倉庫裡的一切活動都要求速度。
亞歷克斯剛來BHX4時，這種苛刻的標準讓他感到極度不適。有一次，他心情糟透了，感覺這些工作都毫無意義，因此工作效率降到了平時的一半。上午10點左右，組長走過來問他怎麼回事，他沒有回答。組長就在他身後足足站了5分鐘，盯著他工作，直到確信他加快了速度才離開。
很快，轉正的壓力讓他適應了工作速度，不再感到困擾。每天上班時，他就保持平靜的心態和勻速的工作節奏，腦子裡還可以想想其他事情。還有一件重要的事——不要留下空閒時間記錄，就是指在工作時間內，掃描器沒有檢測到員工處理商品的行動軌跡。
亞歷克斯已經在這個部門工作了5年。他的工位永遠只有他一個人，沒有任何人可以交流，所以工作時他腦子裡經常會閃現各種問題。出現頻率最高的問題就是：“我這輩子究竟在幹什麼？”他試圖避免想起這個問題，因為答案讓他害怕。
無數像亞歷克斯這樣的存在，和技術一起，撐起了亞馬遜的這套物流系統。它有望成為21世紀最先進的物流系統，這套系統由一套電腦程序支撐，程序由專門的團隊SCOT（供應鏈最佳化技術）管理運行。
如果亞馬遜商城是身體，那麼SCOT就是它的神經系統。SCOT規模巨大，它能調配年收入超過5000億美元、市值1.5兆美元的亞馬遜的資源。因此，它可能是世界上最具影響力的AI系統之一。
亞馬遜希望將其AI系統塑造為“物流大腦”。但作者指出，跟其他系統一樣，它依賴勞動力和基礎設施。它所體現出來的智能，是從員工的大量工作中提取出來的，是這些倉庫和物流員工的日常工作創造了AI系統所需的資料。員工們一次次掃描貨品條形碼，才有了系統需要的基本資訊，就像鍋爐工人把煤炭送進蒸汽機一樣，亞馬遜的員工也是這樣把資料送進公司的AI系統裡的。
倉庫裡有不止一個資料來源。比如，倉庫每個角落都裝有閉路電視監控攝影機。拍攝的視訊就是資料來源之一。貨物從BHX4出庫後會被送到配送中心，配送中心通常圍繞設施中央的“籠子”而建。在那裡，小型機器人在籠子邊緣排列的揀貨和打包站點之間來回拖曳移動式貨架單元。
員工們要在站點孤零零地工作10個小時，不斷重複相同的幾個步驟。晚班更加難熬，很多人最終都患上了焦慮症或抑鬱症。
每個站點都由三台攝影機監控，這些攝影機使用名為“Nike”的電腦視覺AI，記錄倉儲員工將物品放置在貨架上的位置，以便後來的揀貨人員能快速找到。該系統通過在貨架上投射彩色燈光，指示物品的位置或應放置的位置。
95%的情況下，監控系統無須人工干預就能提取到所需資料，但在另外5%的意外情況下，視訊會被傳輸給印度和哥斯大黎加的標註員進行處理。他們的工作就是彌補系統漏洞，確保系統能識別出所有物品。這些標註員的工作異常忙碌，但收入十分微薄。
系統也會自動追蹤每個員工的生產效率。2019年，亞馬遜的內部檔案顯示，系統會自動追蹤效率較低的員工，如果他們一直無法達成目標或者空閒時間記錄過多，系統會自動解僱這些員工。公司還將這種個人生產力管理與員工輪崗相結合。2020年，亞馬遜宣佈將使用機器學習演算法根據員工的肌肉使用情況來制定工作時間表，並讓員工在使用不同肌肉群的工作之間輪崗，以減少疲勞，提高整體的工作產出。
而高度集中的知識都掌握在亞馬遜的高管手中，他們可以操控AI系統。但對倉庫員工和配送員來說，這些由AI驅動的自動化系統是一種無形的外部力量。員工像傀儡一樣，被這種力量控制。員工成了系統的附屬品，他們之所以還有用，是因為相比工業機器人，他們在精細動作控制和高階問題解決方面更具優勢，而且成本更低。
如果員工不能遵守規劃或無法跟上進度，就會被解僱，公司也會迅速招聘新的員工。這項工作很容易上手，而被解僱的員工沒有在工作中積累任何有價值的技能。
對亞歷克斯這樣的員工來說，AI系統決定了他每時每刻的工作任務。但和其他在亞馬遜全球配送網路工作的員工一樣，他並不知道系統的運作方式。他的訴求也不會被系統優先考慮。所以許多人認為，最佳化AI系統就是為了提高效率及降低生產成本，而不是為了員工的福祉。公司的利潤和顧客的需求才是第一位的。
在AI領域，只有少數人擁有權力
現在，AI公司及其投資者所處的當代商業環境是一個嶄新的AI時代。
大型科技公司是推動AI發展的主力，它們目前處於資本主義經濟全球化的激烈競爭之中，因此面臨降低成本的壓力。想要降低成本，公司要麼通過加強勞動強度或減少工資的方式壓榨員工，從而獲得更多產出；要麼投資能提升生產效率或消除浪費的新技術。在此情境下，新技術的開發賦予了企業超越對手的競爭優勢，並促使它們持續追求新的創新成果。
應對這些壓力的挑戰，落在了資本所有者或其代理人的肩上，一般是指公司決策層，包括經理人、所有者、股東和投資者。決策層在做出決定時，很少讓底層員工參與。因此，公司決策優先考慮的是決策層的需求和願望，而非員工訴求。
在全球AI生產網路中，幾乎沒有人能從根本上改變目前的生產關係。投資者和所有者才能聚在董事會會議室中，做出重大的決策。泰勒的故事就是如此。
泰勒是矽谷一家風投公司的合夥人，專注於投資有潛力的科技初創公司。他所在的風投基金管理著5億美元，目標是10年內實現300%的投資回報率。
最近，泰勒投資了一家打造一款全新的AI健康與安全產品——能夠利用工作場所現有的閉路電視監控視訊，精準識別潛在風險區域、險情預兆，並有效監控健康與安全規定執行情況的公司。和所有初創公司一樣，它深陷虧損。雖然正慢慢朝著盈利的方向發展，但泰勒對增長速度深感憂慮。
為此，他構思了兩項應對策略。第一項策略是增加初創公司的收入，提高產品銷量或產品單價。但他很快發現，市場接近飽和，提價只會丟失份額。第二是降低生產成本。泰勒調出上月支出記錄，發現最大的開支是資料標註，僅這一項就耗費數十萬美元。
公司僱用亞拉巴馬州的資料標註員，時薪約15美元，他們負責觀看錄影、標註違規片段，以此來提升產品的精準性。於是，泰勒思考後認為，要降低成本，最直接有效的方法就是尋找更廉價的勞動力。據他估算，目前這些標註員的時薪約為15美元。然而，放眼全球，有數十億人願意接受日薪15美元。
他強烈建議創始人將資料標註業務從亞拉巴馬州轉移到東非，這能節省70%的成本，讓公司財務狀況大幅改善。
“我們能降低資料標註成本嗎？能否和其他國家的標註公司合作？是否要考慮一些東非國家？”這些想法，成為泰勒在接下來的會議中分享的重點。潛移默化中，投資者已通過自己的決策，影響技術發展和那些受資本控制的勞動者的生活。
創始人們在討論轉移業務時，主要擔心資料標註業務的質量會下降，但泰勒不太擔心，他覺得這些標註公司肯定能保證質量。他之前擔憂原標註公司的員工會受到影響，但現在他想清楚了：僅僅因為“全球南方”的工資較低，就剝奪那裡的人們的工作機會，這不是更不公平嗎？在全球經濟市場中，總會有人受損，只不過這次碰巧是伯明翰的工人們。
泰勒覺得自己不是奪走了亞拉巴馬州勞動者的工作，而是把工作給了肯尼亞和烏干達的人。他瀏覽了東非標註公司的網站，在“社會影響”一欄看到了標註員微笑的工作照，他們獲得了工作機會，讓自己和家人過上了更好的生活。
在AI領域，只有少數人擁有權力，他們的權力大到足以改變世界，而大多數普通的AI工作者幾乎沒有發言權。作為投資人的泰勒和這些標註員毫無交集，但在全球勞動分工的背景下，身處世界各地的人們會為了同一個項目而一起努力，這就是全球勞動分工的神奇之處。
不讓人類成為AI的“燃料”
本書提到的人物故事中，除了投資人，其他勞動者都共同面臨被捲入剝削機制的命運，他們所創造的價值遠超所獲得的報酬。
他們都無力改變整個網路的運作模式，也無法自主決定工作內容以及在AI生產中的角色。這揭示了投資者和僱主階層與勞動者之間的根本矛盾。在全球資本主義體系下，企業發展AI是為了逐利。這一逐利本質從根本上決定了AI的發展路徑及其系統內從業者的勞動環境。
對於上述提到的每一位勞動者來說，AI生產網路無異於一個不透明的黑箱。沒有現成的地圖為人們指引方向，即使是系統中聯絡面最廣、影響力最大的角色，也難以全面把握整個網路的全部細節和深遠影響。
如果要建設更人性化、公正、公平和體面的AI生產網路，就需要採取一系列相輔相成的策略。這些策略需要在不同的地點，以不同的規模，由不同的參與者來實施。只有在合力之下，才有望改變整個系統。
本著營造一個讓所有AI從業者都能獲得尊嚴和尊重的環境，關注改善AI生產網路中勞動者的經濟狀況等目標，作者提出了五項措施——增強勞動者的集體力量，組織民間社會團體推動企業對其行為負責，對AI公司實施更嚴格的監管，讓勞動者在企業治理中享有更多的參與權和決策權，挑戰整個系統中存在的不公正現象。
這些措施可以平行實施，相輔相成。比如，對AI公司在“全球南方”的外包行為實施更嚴格的監管，可以增強勞動者的議價能力，使他們在與僱主談判時處於更有利的地位。如果這些措施都能得到有效實施，就可以建立一個更加公平、更加人性化的AI工作環境，讓AI真正為人類服務，而不是讓人類成為AI的“燃料”。 (中國企業家雜誌)