Feeding the Machine — The Hidden Human Labour Powering AI
詹姆斯·马尔登 / 马克·格雷厄姆 / 卡勒姆·坎特 著｜贾青青 车一凡 译
"没有人工，就没有人工智能。"
人正在成为 AI 的生产原料——这是一个近乎残忍的现实。
壹｜核心命题：AI 是一台剥削机器
AI 不是神赐的魔法，是人类劳动的产物——数据标注、内容审核、工程开发、仓库分拣……每一个 AI 功能背后，都有看不见的人工支撑
AI 吸收三种"原料"：物质资源（电力/水/芯片）、人力劳动（标注/审核/工程）、集体智能（全人类积累的知识与语言）
"机械土耳其人"的现代翻版：AI 看似自主运行，实则箱子里藏着真人棋手——全球数百万隐形劳动者在维持它的运转
核心悖论：机器已经能画画、作曲、写诗，人类却不得不像机器一样，从事单调乏味、收入微薄的工作，只为让这些非凡的机器成为可能
剥削逻辑链：AI 公司→外包公司→"全球南方"劳动者，价值在最底层创造，利润在最顶层聚集
贰｜7位主角：AI产业链的人间切面
🔵 安妮塔——乌干达数据标注员
每天凌晨5点步行2小时上班，月薪约200美元（折合时薪约1.16美元）
工作内容：盯着自动驾驶录像，标注司机面部表情，帮AI学会识别人类疲劳
现实处境：
效率软件实时监控每一秒，效率分不达标名字变红
每日9小时高强度标注，休息超1小时即扣分
短期合同（1～2个月），随时被替换
曾遭受管理层性骚扰，举报无门
她的梦想：存钱卖家具，逃出这个困境——但攒的钱刚够孩子学费
🔵 默茜——肯尼亚内容审核员
为 Meta（Facebook）审核违规内容，每55秒处理一条报告，每日工作10小时
最残忍的一天：工作时突然发现屏幕上循环播放的，是记录祖父车祸死亡的视频
主管安慰后，依然要求她完成当天任务
审核员们"几乎每天"观看自杀、虐待、强奸影像，被迫"司空见惯"
心理创伤：部分审核员自杀，伴侣离去，公司仅提供每周30分钟"健康咨询"（实为无资质同事兼任）
就业保障形同虚设：合同期1～3个月，害怕失业不敢发声
🔵 李——伦敦机器学习工程师
高薪、优渥的硅谷式办公环境，负责开发大语言模型 Minerva
管理两支标注团队：菲律宾低薪团队（基础评分）+ 伦敦专业团队（高质量答案范本）
内心困境：
清楚知道"全球南方"劳动者的工作条件
公司为抢市场不断走捷径，伦理防护不足
"她只是庞大机器中的一个齿轮"——知道模型有偏见，却无力改变
🔵 埃纳尔——冰岛数据中心技术员
守护着支撑AI运转的物理基础设施：服务器机架、冷却系统、光缆接口
冰岛数据中心卖点：100%可再生能源、全年低温免费风冷、政治稳定
他是处于"全球基础设施权力网络中心"的普通人——大银行、政府、AI公司的数据都经他手
🔵 劳拉——爱尔兰配音演员
惊愕地发现：自己的声音已被擅自合成为AI版本，AI"劳拉"正在争夺她的工作
创意劳动被剥夺的缩影：AI模型大量使用艺术家的作品训练，却不支付报酬
🔵 亚历克斯——英国亚马逊仓库员工
站在同一位置，每天重复数千次相同动作，满足AI管理系统的效率指标
从扫描枪到头顶摄像头，全程被AI监控
加入员工自发组织的罢工，争取加薪
🔵 保罗——肯尼亚内容审核员工会组织者
克服重重阻力，在非洲创立了首个内容审核员工会
他的故事揭示：劳动者有能力组织变革，但代价极大
叁｜AI的生产解剖：从"标注"到"运行"的完整链条
数据标注：AI的"口粮"
大约80%的AI训练时间花在数据标注上，但这部分劳动最不透明
全球数据标注市场规模：2022年约22.2亿美元，预计2030年超180亿美元，年增速约30%
标注员平均时薪：众包平台约2美元，外包中心约1～2美元，仅是美国最低工资的零头
Karya案例：数据工作者创造的价值是其工资的200多倍；时薪中位数仅10～50美分，而其数据售价是工资的200倍+（劳动者仅获得0.5%的回报）
内容审核：AI无法替代的人类判断
每位审核员每日处理500～1000条违规内容
这些判断同时构建"训练数据集"，反过来训练AI审核系统
恶性循环：人类的痛苦，成为机器学习的原料
工程师层：看不见的伦理代价
大语言模型并不"思考"，只是根据概率猜词——本质是"随机鹦鹉"（Stochastic Parrots）
主要局限：
无法理解句子的真正含义，只能分析语言模式
会"幻觉"（编造事实）、存在偏见、无法自查
"逆转诅咒"：知道"A是B的妈妈"，不代表知道"B的妈妈是A"
训练数据主要来自互联网（Common Crawl），而互联网用户以年轻白人男性为主→偏见被放大复制
数据中心：AI的"身体"
AI不是"飘浮在云端"，而是存在于嗡嗡作响、散发热量的服务器机架中
全球数据中心耗电量占全球总耗电量的2%～3%（相当于法国一年用电量）
单个服务器机架耗电量7年内翻超一倍：不到10千瓦→44～66千瓦
肆｜殖民性：AI不平等的历史根源
AI生产网络延续了殖民时代的权力模式：
高薪稳定岗位→美国、欧洲核心城市
低薪危险岗位→"全球南方"边缘地区
关键矿产→非洲、拉美开采→运往西方加工
基贝拉（内罗毕最大贫民窟）的隐喻：
1899年英国殖民铁路（连接内陆与英帝国）
2009年东非海底光缆（接入全球互联网）
铁路和光缆做了同一件事：把基贝拉的劳动者纳入全球剥削网络
数字连接≠议价平等：乌干达外包公司无法与特斯拉平起平坐，"扁平世界"从未真正扁平
"知识的殖民性"：AI的训练数据基于西方知识体系，AI被包装成白人面孔和白人声音，强化殖民等级
伍｜劳动管控的历史传承
当代数据中心对劳动者的监控超过了最严苛的种植园主
奴役劳动→雇佣劳动，暴力体罚→效率扣分，本质相同：用数据控制人体的每一秒
陆｜AI五大真实风险（当下，非未来）
❶ 虚假信息与操控选举：生成式AI让"量身定制的谎言"规模化成为可能，一对一渗透数百万选民
❷ 算法偏见固化歧视：AI在贷款审批、简历筛选、刑事司法中加剧对少数族裔和女性的歧视
❸ 生物武器门槛降低：大语言模型6小时内可生成化学战剂配方，开源模型进一步扩散此能力
❹ AI驱动的战争扩大化：以色列"福音"系统用AI生成打击名单，"薰衣草"系统标记37000个目标，平民伤亡大幅扩大
❺ 工作管理系统侵蚀所有行业：算法管理最先在弱势劳动者身上测试，成功后迅速推广——没有人能逃离监控
柒｜AI时代的权力格局
"大AI"的基础设施权力：亚马逊、谷歌、微软、Meta + OpenAI、Anthropic、英伟达垄断算力、数据和资金
全球大型数据中心超过一半属于三家大公司
英伟达一家占机器学习GPU市场95%
平台时代 vs AI时代：
平台时代：轻资产（爱彼迎无房，优步无车）
AI时代："基础设施权力"（数据中心+海底光缆+AI芯片）→资本密集型门槛极高
监控资本主义升级：从"追踪你的浏览行为卖广告"，到"追踪你的每一秒工作行为来剥削劳动"
捌｜五项改变路径：如何拆除剥削机器
路径一：增强劳动者集体力量
加入工会，实现集体谈判
"共同决定"制度：劳动者代表进入董事会（德国模式）
员工持股计划（迈德纳计划、英国工党提案）
道格拉斯定律："权力从不主动让步。不施压，无所得。"
路径二：让企业承担责任
公平劳动项目（Fairwork）：10条原则评分（0～10分），曝光逼企业整改
Sama案例：从0分→5分，完成24项工作条件改进（含最低工资、延长合同、取消无偿加班）
企业怕负面声誉，声誉压力是有效杠杆
路径三：政府监管（三层）
上游监管（难度最高）：在外包所在国推行劳工保护，但企业随时可撤离
下游监管（效果显著）：在大市场国家立法，企业不敢失去市场准入
德国《供应链法》：员工3000人以上的公司须确保全供应链最低标准
欧盟《企业可持续性发展尽职调查指令》：将低于生活工资纳入违规行为
全网监管：国际劳工组织公约，覆盖187个成员国
路径四：劳动者合作社
Karya案例（印度班加罗尔）：
数据工人时薪约5美元（远超印度最低工资）
公共数据许可证：劳动者集体拥有数据集所有权，可从多次转售中持续获益
某案例转售后，劳动者时薪达到约1000卢比（约12美元，印度最低工资40倍）
局限：融资难、难规模化，无法在大型数据中心领域与巨头竞争
路径五：挑战整个系统
认清根本问题：资本主义逻辑决定了AI的发展路径
历史示范：奴隶制被废除不是靠感化奴隶主，而是靠权力平衡转变
工程师拒绝提供监控技术、亚马逊员工罢工、内容审核员联合组建工会——变革正在发生
玖｜核心金句
"人正在成为AI的生产原料。"
——田丰（中国社会科学院研究员）"AI训练数据堪称全球利润最丰厚的资产之一，然而，从事这项工作的劳动者所获得的回报微乎其微。"
——Karya联合创始人萨菲亚·侯赛因"权力从不主动让步。过去不会，将来也不会。不施压，无所得。"
——弗雷德里克·道格拉斯（19世纪美国废奴运动领袖）"最悲哀的不是失去安全感，而是我们无法想象事情可以变得更好。"
——哲学家恩斯特·布洛赫"与无人剥削的痛苦相比，被资本家剥削的痛苦微不足道。"
——经济学家琼·罗宾逊（关于发展中国家的两难困境）"终有那么一刻，我们必须挺身而出，用我们的血肉之躯去阻挡那无情的齿轮……唯有自由之光普照，这台机器方能重新焕发生机。"
——马里奥·萨维奥（1964年，加利福尼亚大学伯克利分校）"他们的故事就是我们的故事。"
——本书作者
拾｜行动清单：每个人能做什么
消费者：关注AI产品背后的劳工条件，支持公平劳动认证（Fairwork评分高）的企业和平台
工程师/技术人员：不为政府提供监控技术，在职场内推动伦理政策落地；拒绝接受"市场竞争"作为忽视伦理的借口
管理者/HR：了解自己采购的AI服务是否建立在不公正劳工体系上；要求供应链透明
政策制定者：借鉴德国《供应链法》和欧盟尽职调查指令，将AI外包纳入监管
所有人：加入或支持工会；学会识别算法管理在自己工作中的侵蚀；建立跨国劳动者连带