消费电子观察 — 智能手机、影音穿戴、智能家居与消费电子供应链资讯与深度分析

一个几美分一单，却曾托起整个深度学习时代的跑腿众包平台。 现在，它要关门了。 亚马逊刚刚宣布，旗下众包平台Mechanical Turk将于今年9月30日彻底停止服务。 <img src="https://img.36krcdn.com/hsossms/20260828/v2_df7f79600eff42a994e3e19c08eaf323@5091053_oswg488348oswg954oswg510_img_000?x-oss-process=image/format,jpg/interlace,1" /> 巅峰时期，平台上超50万人在线打杂，看图、分类、标注，把电脑当时还学不会的小事，一单单全人工完成。 后来，这股庞大的「人肉算力」直接参与撑起了ImageNet数据集—— 没有MTurk，ImageNet上千万张图片的人工标注，几乎不可能完成。 没有ImageNet，李飞飞可能不会一夜成名。 Hinton师徒不会一战封神，深度学习可能也不会在2012年突然复兴。 21年后，真正的AI越来越会做这些作业了。 而当年替AI装聪明的那群人，连同这个平台一起，迎来了《下线通知》。 <h2>50万人在线打零工，MTurk找来真人“代班”</h2> Mechanical Turk（MTurk）上线于2005年。 其实最开始吧，亚马逊压根没想着靠这玩意儿改写什么AI历史。 MTurk当时解决的是一个特别实际且抓马的问题：有些任务，对电脑难得要死，对人却简单得离谱。。。 于是亚马逊干脆想了个非常直接的办法：既然程序搞不定，就把问题切碎了扔给真人呗～ 于是乎，这些被拆出来的小任务，就被叫做HIT，也就是Human Intelligence Task。 比如一家公司手里有1万张图片要分类，MTurk的玩法，是直接拆成1万个独立任务，同时撒到平台上。 100个人可以一起干，1000个人也可以，几万人一起上线，就更快。 换句话说，MTurk并不是让单个人干得更快，而是把一件原本只能排队做的苦力活，变成了可以「全球并行」。 真·人工版数据飞轮了。。。 <img src="https://img.36krcdn.com/hsossms/20260828/v2_9ae5a1462acb40cea4ac2c60f6117fcd@5091053_oswg51930oswg1080oswg1078_img_000?x-oss-process=image/format,jpg/interlace,1" /> 而Mechanical Turk这个名字，本身也刚好对应这套「玩法」。 18世纪，欧洲曾有一台著名的机械土耳其人，外面看，是一台会自己下国际象棋的机器，甚至还能跟拿破仑对弈。 后来大家才发现，机器里面一直藏着真人棋手！？（我大E了。。。） 亚马逊把这个典故搬到互联网上，几乎严丝合缝，程序表面上像在自动处理，真正干活的，却是屏幕后面的真人。 贝索斯当年给它起了一个堪称一语成谶的说法： 人工的人工智能（artificial artificial intelligence）。 这个点子一旦跑通，MTurk很快就从亚马逊自家的工具，长成了一个全球众包市场。 到2011年，MTurk上已经汇聚超过50万名Worker，覆盖190个国家。 人一多，能接的活也开始迅速膨胀，图片筛选、语音转写、文本分类、数据清洗、情绪判断、内容审核。 只要是那种「机器容易犯难，人几秒就能判断」的任务，都能往这里扔。 这一扔，就是21年。 <h2>没有MTurk，就没有如今的ImageNet和深度学习革命</h2> 时间回到2006年前后。 刚到普林斯顿任教不久的李飞飞，决定干一件在当时颇有些反潮流的事儿—— 给机器造一本足够大的视觉百科全书。 彼时，主流计算机视觉数据集，往往只有几千到几万张图片，数据太少，模型很容易学成刷题家，能记住训练集里的套路，却很难真正理解现实世界里千奇百怪的物体。 于是李飞飞团队想干一件当时非常疯狂的事儿：给机器造一个「足够大」的视觉世界。 ImageNet数据集，由此诞生。 <img src="https://img.36krcdn.com/hsossms/20260828/v2_345f794403f94e1780ef70e13d07a2e1@5091053_oswg15958oswg646oswg332_img_000?x-oss-process=image/format,jpg/interlace,1" /> ImageNet以WordNet为骨架，把现实世界拆成一个个概念，再往每个概念下面塞进成百上千张真实图片。 狗、汽车、苹果、椅子、鸟、鱼……能被定义出来的东西，尽量都往里装。 但很快，一个更现实的问题迎面砸了过来—— 图片不难找，Google、Yahoo、Flickr确实也都能搜，但真正麻烦的是搜回来的图，根本不一定对，甚至完全不相关的东西！！！ 于是搜索引擎负责把图捞回来之后，还得有人工去做最后一步：一张一张确认。 说个夸张的数字，ImageNet后来要处理的候选图片规模，超过 1.6亿张！！！这一下，人力问题彻底成了死结。。。 <img src="https://img.36krcdn.com/hsossms/20260828/v2_201e4103ea224e599dbb3cc47e8c79fa@5091053_oswg43828oswg1080oswg1031_img_000?x-oss-process=image/format,jpg/interlace,1" /> 就在ImageNet快被海量人工筛图拖住时，李飞飞团队把目光转向了刚上线不久的Amazon Mechanical Turk。 ImageNet团队开始把海量图片筛选工作拆成微任务，再分发给MTurk平台上的全球Worker。 一个宏大的AI基础设施，就这样被拆成了无数次最普通的「鼠标点击」。 2009年发表的ImageNet论文里描述到，当时数据集里就已经收录5247个概念、320万张整理后的图片。 ImageNet团队后来回顾整个项目时给出的数字是：4.9万名MTurk工人，来自167个国家。 换句话说，ImageNet背后真正撑起这场筛图工程的，是一支横跨全球的临时标注大军。 这也就是为什么没有MTurk，ImageNet当年可能真做不出来。。。 <img src="https://img.36krcdn.com/hsossms/20260828/v2_f90a2d5116534c1d870d125c7a245796@5091053_oswg42500oswg568oswg216_img_000?x-oss-process=image/format,jpg/interlace,1" /> ImageNet做起来之后，后面的故事才真正开始加速。 2010年，ImageNet挑战赛开打，全世界的模型开始拿同一套数据训练，再到同一张榜单上PK。 两年后，那个后来被反复写进AI史的组合登场了—— 多伦多大学的Geoffrey Hinton，以及他的两个学生Alex Krizhevsky、Ilya Sutskever。 仨人拿着一个深度卷积神经网络参加ImageNet大规模视觉识别挑战赛。 硬是把2012年ImageNet挑战赛Top-5错误率直接压到约15%，一下甩开传统方法一大截。 这也让整个计算机视觉圈第一次如此直观地看到，海量数据、GPU算力和深度神经网络凑到一起，效果可以直接跨一个台阶。 <img src="https://img.36krcdn.com/hsossms/20260828/v2_6bb716ca0efc4a658b2d27858719c457@5091053_oswg686683oswg1080oswg645_img_000?x-oss-process=image/format,jpg/interlace,1" /> 从左到右：llya Sutskever、Geoffrey Hinton与Alex Krizhevsky 从此，Alex Krizhevsky的名字焊在AlexNet上。 Ilya后来去了Google Brain，参与创办OpenAI并担任首席科学家，离开后又创办SSI。 Hinton老爷子后来拿下图灵奖，也成了公认的深度学习教父之一。 李飞飞则回到斯坦福执教、联合领导HAI，并凭借ImageNet奠定了自己在现代计算机视觉史上的位置。 再往后，VGG来了，GoogLeNet来了，ResNet来了。 ImageNet榜单一年年被往下刷，深度学习从视觉一路冲进语音，再杀进自然语言处理，最后走到今天的大模型时代。 这个世界真的很神奇—— 李飞飞团队借MTurk做出ImageNet；ImageNet让李飞飞声名大噪；Hinton师徒借ImageNet一战成名；深度学习又借这场胜利走向复兴。 来自167个国家的近5万名普通人，坐在电脑前，把上亿张候选图片一点一点「点」成了ImageNet。 <h2>AI终于学会干活了，MTurk却先下线</h2> 也正因为如此，Mechanical Turk今天关停，才显得格外像一个时代闭环。 亚马逊官方说法很克制，只表示持续评估旗下产品和服务，因此决定停止MTurk。 CNBC此前援引数据工人权益组织Turkopticon的Krista Pawloski称，MTurk这些年一直在衰退，亚马逊投入越来越少，新一代数据标注平台也在不断分走工人和客户。 但更直接的原因，说白了还是它当年最值钱的那些活，AI自己越来越会干了。。。 2005年你让机器判断一张图里有没有狗还是正经难题，但现在其实已经成了多模态模型顺手就能完成的基础任务。 与此同时，AI行业对「人」的需求也变了。 前沿模型更需要程序员、医生、律师等专业人士去评代码、审回答、测推理和安全。 于是乎，Scale AI、Mercor、Prolific等新平台崛起，开始筛选和管理专家，提供更专业的训练与评测数据。 相比之下，MTurk这种「谁都能接、几美分一单」的众包模式，也越来越跟不上时代了。。。 <img src="https://img.36krcdn.com/hsossms/20260828/v2_4045cbdc2a1948e985911d7e40dc795b@5091053_oswg515624oswg576oswg1016_img_000?x-oss-process=image/format,jpg/interlace,1" /> 更魔幻的是，连MTurk工人自己都开始用AI！！！ 2023年一项瑞士学者研究发现，受访MTurk工人中，使用AI模型完成文本任务的比例最高可达46%。 原本客户花钱买的是真人判断，结果有些工人可能接单后，再把题目交给ChatGPT之类的模型回答。 这件事多少有点黑色幽默了。。。 MTurk的命运，其实也是过去20年AI的一张缩影。 最早人类躲在机器背后，一张图一张图地点，硬生生攒出了ImageNet，也推开了深度学习时代的大门。 后来，AI沿着这些数据一路长大，终于学会自己看图、听声音、写文字。 21年后，当年替AI装聪明的人退场了。 那台藏着真人棋手的「机械土耳其人」，也终于可以关上柜门了。 参考链接： [1]https://www.cnbc.com/2026/08/25/amazon-service-that-jeff-bezos-called-artificial-ai-is-shutting-down.html 本文来自微信公众号<a href="https://mp.weixin.qq.com/s/6Ua2p2rPPZ9_M40Lz75_bA" rel="noopener noreferrer nofollow" target="_blank">“量子位”</a>，作者：梦瑶，36氪经授权发布。

没有它就没有李飞飞ImageNet…现在它没了

📌 概要