《投喂AI》一书正是从这一被遮蔽的事实出发，揭示当代人工智能产业背后的全球劳动网络。与那些忧虑机器是否会“替代人类”的常见讨论不同，该书将焦点转向一个更少被直视、却已经持续影响现实世界的问题：在制造、训练和优化人工智能的过程中，是哪些人在劳动，又是在何种条件下劳动？

[英]詹姆斯·马尔登、马克·格雷厄姆、卡勒姆·坎特：《投喂AI：人工智能产业的全球底层工人纪实》，贾青青、牟一凡 译，北京：中信出版社，2025年。

英文原版：James Muldoon, Mark Graham and Callum Cant, Feeding the Machine: The Hidden Human Labor Powering AI, Bloomsbury Publishing, 2024.

引文均标注中文版页码。

作者借助对全球多地AI产业劳动者的长期调研指出，作为一种技术进步的人工智能并未成为减少劳动、解放劳动者的有效手段，却成为一种重新组织、分配并规训劳动的“剥削机器”（p.1, p.7）。在某种典型的分工中，工人们被迫像机器一样工作，只为让机器看起来更接近人类智能（p.9）——这种既反讽又残酷的颠倒，意味着人工智能的技术进步与当代资本主义的劳动不公紧密依存，构成了我们理解AI伦理与AI政治经济学问题的真正起点。

1.“投喂”AI的全球劳动网络

《投喂AI》通过对多类劳动者形象的分章并置，呈现了支撑当代人工智能产业运转的全球劳动网络的真实样貌。作者们反复强调，人工智能并非在实验室或代码空间中利用数据“自主”学习、自我进化（p.6, p.8），而是始终依赖持续、密集且高度分化的人类劳动：这些劳动分布于不同国家、不同制度与不同阶层，共同构成AI得以被制造、被训练、被维护及被部署的实质基础。

从数据标注员（第1章）、内容审核员（引言及第7章），到算法工程师（第2章）、系统维护人员（第3章），再到创意工作者（第4章）与仓库员工（第5章），该书呈现了贯穿AI生产全过程的劳动分工结构。不同类型的劳动在这一结构中承担着不同功能：有的直接参与模型训练与系统优化，有的维系基础设施与运行稳定，有的则在AI技术扩散后承受由算法管理、自动化评估和效率压力带来的重塑性影响。正是在这一意义上，“投喂”AI的不是数据而是人：AI并不是以数据为燃料自行驱动，而是以活生生的人类劳动者为“燃料”（fuel）维持运行（pp.206-207）。

然而，作者并未将这些劳动视为该书主题中具有同等地位的并列要素：某些劳动形式直接构成了AI的智能生成的前提条件，而另一些劳动则更多体现了AI作为生产方式成熟之后对更广泛劳动领域的再组织与再分配。这种差异意味着不同章节在最终的规范性论证中承担的理论重量并不相同。

理解《投喂AI》的关键，也不在于简单解读书中出现的各类劳动者的故事，而在于把握作者努力揭示的整体图景：人工智能产业是一种依赖全球不平等分工、并通过技术手段重新规训劳动的生产体系。

顺带一提，基于上述理解，中文书名应更准确地译为《喂养机器：驱动人工智能的隐形人类劳动》。其中，“喂养”好于“投喂”，是因为后者弱化了真实劳动过程的有组织、受剥削、受规训的属性，显得像是随手为之；中译副标题中的“底层工人”字眼虽然凸显了全书的论述重心，却直接无视了章节安排中的半数内容。

2.数据标注与内容审核：AI如何获得“智能”

数据标注与内容审核可统称为“数据工作”（data work），正是它们使得数字生活真正成为可能（p.2）。在全书描绘的支撑人工智能产业的全球劳动网络中，数据标注与内容审核处于该网络的核心位置，它们直接构成AI看起来能够获得或具有智能的前提条件。如果没有对数据的预先分类、清洗、筛选与评估，机器学习模型根本无从学习（p.6）。作者强调，“大多数人没意识到，大约80%的AI训练时间都花在了标注数据上”，以至于“机器学习的魔力就在于数据标注这种琐碎的工作”（pp.29-30）。

在技术层面，人工智能的“学习”并不是对现实世界的自主的（p.6）、直接的理解，而是对被人为处理过的数据模式的拟合。数据标注员通过为图像、文本、语音等材料赋予明确标签，将复杂、多义且充满歧义的现实世界转化为可计算的形式；内容审核员则通过判断、过滤和评级，对模型可接触的语言与行为边界进行持续限定。这两类劳动共同承担着一项关键任务：将社会世界压缩、简化并规范为机器可以处理的对象。正是在这一过程中，人类对意义、语境与规范的理解被外包给了高度碎片化、低报酬且严格受控的劳动岗位。

第1章对乌干达数据标注员的描写，细腻地展现了这种智能生产的现实代价。标注工作表面上是技术中立的重复劳动，实则已经嵌入极为严密的劳动规训：精确到分秒的效率监控，不断提高的绩效标准，对失误的惩罚性追责，低至每小时1.16美元的微薄薪酬，以及高度不稳定的短期合同（pp.25-27）。这种劳动组织方式并非偶然或出自管理者恶意，而是为了在全球竞争中持续压低成本、保住企业存活和员工饭碗而有意为之的制度设计（pp.35-36）；数据标注行业中的恶劣工作条件也并不是管理失误或个别现象，而是商业模式本身的组成部分，深受殖民主义和全球经济不平等结构的影响（pp.36-38）。

内容审核劳动同样如此。为了让AI系统看起来安全、文明且符合主流价值，审核员需要长期暴露于暴力、恶意与极端内容之中（暴露频度约为每天500-1000条），却几乎得不到相应的心理支持或人身保护（pp.2-4）。这些劳动者不仅在经济意义上被压低价值，在智识和精神层面也被系统性隐藏：他们的判断被自然化为算法效果，他们的情感与创伤则被视为技术运行的外部性成本。

数据标注与内容审核集中体现了人工智能产业的根本悖论：机器之所以显得“智能”，恰恰是因为大量人类劳动被迫以去技能化、去主体化的方式嵌入其中。“数据血汗工厂”（p.35）的员工被要求像机器一样稳定、高效且可预测地工作，确保机器在输出端显得更像人类。机器的拟人化甚至人性化，其背后是大批劳动者的非人化——这种颠倒并非技术逻辑使然。算法背后是人，作恶和应当担责的也都是人。

因此，《投喂AI》一书和它的相关研究项目的真正价值在于，当无数研究者执着于评估人工智能的能力边界和价值挑战时，它迫使读者正视一个更尖锐的真问题。用作者们自己的话说：“评论家们总是热衷于争论AI在未来几十年可能的发展，以及它可能带来的社会危害，却忽略了当下这些构建AI的从业者的重要性……，忽略了对当下AI背后强大利益集团的分析和批判。”（p.14）

3.工程师、技术员、创意工作者及仓库员工：被榨取的与被替代的

在数据标注与内容审核支撑起AI产业智能基础的同时，机器学习工程师和数据中心技术员则分别从无形的和有形的两方面确保算法稳定运转。处于科技公司头脑地位的工程师拥有较高的薪资与职业声望，甚至精细化地领导基础的和高阶的两类数据标注团队，却也很难以其技术专业性左右公司的最终决策；即使想要重视内容的“伦理和安全问题”，亦无法在行业竞争激烈、公司逐利至上的情况下坚持质量原则（pp.42-44）。这样一来，负责训练机器的工程师也难免被机器反向训练为标准化的执行者。

数据中心技术员的故事则集中提醒我们注意到，AI也拥有“沉重的肉身”（借用自刘小枫）。作者在全书开篇即提醒我们注意：“AI是有实体的”（p.8）。作为一种“剥削机器”，AI不仅“榨取”劳动者精力和人类集体智能，而且掠夺自然资源（p.9）。AI的算力竞争需要并正在消耗大量的水、电资源（pp.76-77）和关键矿产（pp.79-80）；与此同时，作为“数据基础设施”（p.72）的数据中心并不能为被攫取资源的地方带来多少就业和发展，因为“数据中心并不需要那么多员工”，甚至同样倾向于多雇佣合同工、少雇佣正式员工（p.77, p.63）。

“一提到AI，人们脑海中便浮现出发光的大脑、神经网络和失重的云朵等意象，仿佛AI本身就能飘浮在以太中。我们往往不会去想象这样的真实图景：在高耗能的数据中心里，装在重型机架上嗡嗡作响的服务器，不断释放热量，制造白噪声，以及触须般交错纵横的海底电缆将AI训练数据传输到全球各地。AI是有实体的，它存在于由芯片、服务器、电缆以及各种配件构成的机体中。……它需要电力来维持运转，需要水为服务器降温。”（p.8）

上图以所引用段落为提示词由Nano Banana Pro生成。

相比之下，创意工作者和仓库员工以另一种不同的形式被AI“剥削”：前者面临被生成式大模型取代的风险，后者则被严密的AI调度系统精确支配。这两类案例虽能揭示人工智能对更广泛劳动领域的影响，但它们更多体现的是AI技术成熟带来的进一步后果。因此，应当承认它们在书中的理论地位相对次要，或者至少是对标题所示内容范围的偏离：前者展示了AI如何以资本逻辑重塑创意产业的价值分配，后者则揭示了算法化管理如何加剧劳动控制，均未触及AI“被喂养”的结构核心。

整体而言，各类智能劳动者们的故事似乎指向了一种劳动结构演变的历史趋势：AI产业内部，传统意义上的技术精英与体力劳动者的二分不再显著，所有劳动者都被裹挟进一条严密的劳动层级链。作者对此评论道（值得对之完整引用）：

“本书提到的7个人物故事中，除了投资人，其他人都希望改变现有体制，从而在劳动者间实现更公平的价值和权力分配。虽然他们在AI生产网络中的权力、所从事的工作类型以及出生国家等因素导致其工作环境有天壤之别，但这些劳动者共同面临被卷入剥削机制的命运，他们所创造的价值远超所获得的报酬。他们都无力改变整个网络的运作模式，也无法自主决定工作内容以及在AI生产中的角色。这揭示了投资者和雇主阶层与劳动者之间的根本矛盾。”（p.179）

4.从隐形劳动到集体行动：重思“伦理AI”的可能性

然而，被剥削、不自主的共同处境，并未消除不同类型劳动者之间在改变现状时仍然显著的能力差异。尽管数据标注员、内容审核员、工程师与技术维护人员同处于同一AI生产网络之中，但他们在议价能力、可替代性、工作可见性、地理流动性以及承受集体行动风险的能力上显然并不对称。正视这种不对称，既是有效讨论的必要起点，又是有效行动可能性的一个来源（pp.169-174）。

被卷入同一剥削机制，并不自动意味着具备同等的集体行动条件。在阅读第7章和第8章密集且快节奏的“改造世界”叙事时，读者应始终提醒自己，作者们并未假定一种天然同质的劳动者命运共同体。那些尝试在高度分散、跨国外包且劳动关系极不稳定的AI产业网络中推动集体行动的人类个体，也都很快意识到劳动者团结并非既成事实，而是一项需要被持续建构的政治实践。

书中呈现的组织努力，用一句咒语般被不断重复的话说，面临着多重结构性障碍。一方面，数据工作高度碎片化，劳动者之间彼此隔离，合同短期化与平台化用工削弱了持续动员的可能性；另一方面，南北不平等与法律制度差异，使跨国协作面临现实限制。更重要的是，不同劳动层级之间的风险承受能力并不对等：对部分工程师而言，公开发声意味着职业转型风险；而对外包标注员和内容审核员而言，组织行动则至少直接意味着失业——亦即意味着一家生计最不坏的可能性的丧失。

正因如此，作者的务实之处在于并未将希望寄托于某种浪漫化的全体劳动者觉醒。但与此同时，作者的理想主义之处在于，他们无法满足于以劳动者对彼此的“同情心”和“利他主义精神”为基础的全球行动力量（pp.169-170）。为了进一步实现“从根本上改变整个生产网络中的权力结构”的理想，第8章讨论了一系列行动步骤（steps），并明确指向一个相当不同于技术伦理主流导向的规范性立场：人工智能的治理不应只围绕算法性能、风险控制或价值对齐展开，而必须正视其作为一种生产方式所嵌入的劳动关系与权力结构。

换言之，《投喂AI》真正促使我们反思的，并不只是某一类或某几类受害者和弱势者的处境，更是人工智能作为一种生产方式正在如何重塑劳动本身：谁被纳入技术进步的叙事，谁被排除在可见性之外；哪些劳动被视为“智能”的来源或不可替代的人类尊严，哪些劳动却被合理化为可无限压缩的成本。作者最终转向对工会组织、供应链监管与跨国劳动协作的退进，着力将人-机关系的泛泛讨论中被遮蔽的劳动主题重新带回研究与行动的视野。

该书的规范性立场可以被理解为一种实践取向的马克思主义伦理：它不仅揭示了剥削的存在，而且坚持将技术问题重新锚定于劳动关系、权力结构与集体行动的可能性之中。当人工智能不断被描绘为强大而近乎自主的未来力量时，《投喂AI》恰逢其时地提醒我们：是“智能”背后沉默劳作的“人工”（human labour），而不是与“人工智能”（artificial intelligence）并肩而立的“人类智能”（human intelligence），才关乎最不容失守的人性尊严所系的首要阵地。

基于这一规范性立场，伦理上最需要捍卫的，并不是某种力图保持人类独特性的抽象人文主义信念：最需要追问的，并不是作为整体的人类是否还能保持智能优势，而是承担不同劳动分工的具体的、个体的人是否都能保有人性尊严。