标注到底在标什么

机器学习的老话：垃圾进，垃圾出。模型不会自己认识世界，它认识世界的唯一方式就是人喂给它的数据。而"喂"之前的清洗、打标签、划区域，就是标注。

按数据类型分，常见的就四大块：

图像类。 拉框（bounding box）是最基础的，自动驾驶项目里一帧街景可能要框出几十个目标：车、行人、红绿灯、锥桶。往细了走就是语义分割，沿着物体边缘一笔一笔描出来，一个熟练标一天也就几百张。再往上是关键点，人脸 106 个点、人体骨骼 17 到 25 个点，用在美颜和动捕上。

文本类。 早年间是情感标注（这条评论是夸是骂）、意图分类（用户这句话想干嘛）。大模型起来之后这块变了很多，最典型的是指令数据的生产和清洗：给你一坨原始问答，你要判断哪条答案质量好、好在哪、要不要改写成更标准的回复。还有敏感内容审核标注，这个活对心理承受能力是实打实的考验。

语音类。 一段录音，转写文字、标记说话人、把咳嗽停顿这些噪声段标出来。方言和带口音的普通话最折磨人，一段潮汕话能让标注员卡半小时。

点云类。 三维标注，在激光雷达扫出来的点云里框车框人，自动驾驶公司这块需求量很大，上手门槛也是这几个里面最高的。

为什么这行没被模型取代，反而变难了

很多人觉得标注是青春饭，等模型够强了就没人要了。逻辑没错，但现实拧巴：模型越强，对数据的要求越刁钻。

以前标注一张图，规则能写到三十页文档，标注员照着执行就行，本质是体力活。现在大模型时代流行的说法叫"数据飞轮"——用模型预标注，人来兜底纠错。听起来人被解放了，实际上对人的要求反而高了：你得看得懂模型的输出，得知道它错在哪、错的原因是数据问题还是模型问题。纠错比从零标更费脑子，因为你要先理解它为什么这么标。

还有一块完全没被取代反而涨价的：偏好标注和对齐数据。 给两个模型的回答排序、判断哪段回答有幻觉、撰写高质量的示范回复——这种活没有标准答案文档可抄，全凭标注员自己的判断力和领域知识。RLHF 烧钱烧的就是这。这类任务按条计价，一条几块到几十块不等，和按张几毛钱的拉框完全是两个工种。

踩过的坑

挑几个：

规则文档写不完。 项目开工前产品经理觉得规则很清晰，标到第三天就会出现文档没覆盖的情况：遮挡算不算完整目标？远处模糊的人影标不标？规则每补一条，之前标过的数据要不要回溯？不及时定清楚，返工的量级会吓死人。所以正规项目都有试标环节，先标几十条，把分歧暴露出来，比开工后对齐便宜十倍。

标注员之间的一致性是生命线。 同一条数据给三个标，得三个结果，这批数据就是废的。行业里用 Kappa 系数之类的指标测一致性，一般要求 0.8 以上。提高一致性的土办法就一条：晨会拉齐认知，典型案例全员过一遍。听起来很土，但比什么管理工具都管用。

最难招的不是手快的人，是"懂业务"的人。 医疗项目里能看懂 CT 影像的、法律项目里能判断合同条款风险的，这种领域标注员薪资能翻倍，还常年缺人。纯拉框的岗位在往成本更低的地区转移，但带领域判断的岗位留在了这里，而且越来越值钱。

这行的职业路径大致是：标注员 → 质检 → 组长/规则制定 → 项目管理，往上走就是数据产品经理或者转训练师方向。

证书这块，上海的政策其实是很好的：

入门：数据标注专项职业能力证书。 2024 年底上海在人工智能领域率先试点开发了数据标注和模型运用两个专项职业能力评价项目，配套专项职业能力证书（依据是当年 12 月市人社局等七部门发的《关于进一步加强本市重点产业领域技能人才培养试点工作的通知》）。出台背景说得很直白：国家职业标准还没覆盖到的紧缺新技能，先给评价通道。这个证书不分等级，考核内容就是图文标注、点云标注这些实打实的操作，适合零基础想验证自己适不适合这行的人——培训加考核走完，拿证还有 1000 元补贴可领（在职按申领规则执行）。我见过首批拿证的候选人反馈，说在招聘会上明显更受欢迎，这个反馈可信，因为愿意花几十块培训费筛选候选人的公司，看到官方背书确实会省心很多。

进阶：人工智能训练师职业技能等级证书。 国家职业编码 4-04-05-05，三级/高级工，考的是完整的训练师工作流——数据采集清洗、标注、模型效果调优、业务结合，本质上是把"标注员"升级成"懂模型的人"。这个证书在上海补贴目录里属于 A 类，三级标准 3250 元、在职按 80% 领 2600 元，部分区还有区级补贴叠加。报考条件是相关职业从业满 10 年（看社保），或相关专业毕业。

比证书更重要的是几个底层能力，不管考不考都建议练：

1. 看文档的耐心。 标注规则文档又长又绕，但每一个"显然"背后都有对应的返工事故。
2. 对模糊的容忍度。 这行天天遇到规则没写的情况，会提问、会记录、会沉淀的人升级最快。
3. 一点数据敏感度。 用 Excel 就够了：算算各类别的分布、查查自己一天的产量曲线，很多问题看数字比看图快。

数据标注经常被描述成 AI 产业链里最底层的活，这个印象对一半。底层的那部分正在被自动化和成本转移吃掉，但往上的那截——带判断的、带领域知识的、需要对齐人类偏好的——不但没消失，反而成了大模型竞争里最稀缺的环节之一。