一家AI公司雇佣找不到工作的专业人士，教AI做他们原本应聘的岗位——然后这家公司被黑客攻击了。这听起来像讽刺小说的情节，却是正在发生的现实。
谁在制造AI的"影子劳动力"？
Mercor的商业模式直白到近乎残酷：招募高学历但就业困难的专家，让他们训练AI系统完成自己无法获得的工作机会。
《纽约杂志》上月披露的细节更令人不安——这些工人完全不知道自己正在为哪家公司的AI模型服务；轮班时间长得惊人；管理层普遍年轻且缺乏经验；合同经常毫无预警地终止。
讽刺的是，Mercor的客户名单堪称AI领域的"顶流"：OpenAI、Anthropic等头部实验室都与其有合作。这些以"安全对齐"为卖点的公司，其训练数据的源头却是一片混乱的外包链条。
这种结构并非Mercor独创。整个生成式AI行业都建立在类似的"金字塔"之上：光鲜的产品演示底层，是全球数百万标注员、审核员、训练师的隐形劳动。区别在于，Mercor把这套模式搬到了美国本土，而且雇佣的是本应进入中产的专业人士。
一次攻击如何撕开供应链的脆弱
6月底，Mercor向TechCrunch证实遭遇黑客入侵。攻击路径指向一个名为LiteLLM的开源项目——这是一个用于统一调用多种大语言模型接口的工具库。
TechCrunch审阅的 alleged 被盗数据样本显示，泄露内容包括Slack数据和视频片段，后者据称记录了Mercor的AI系统与受雇工人之间的对话。这意味着，雇佣Mercor训练AI的客户，其敏感信息很可能已经外泄。
Mercor发言人的回应堪称标准危机公关模板："我们正在第三方取证专家的协助下进行彻底调查，将持续与客户和承包商直接沟通，投入必要资源尽快解决问题。"
但事态迅速恶化。据Business Insider上周报道，承包商已提起五起诉讼，指控Mercor违反数据隐私和消费者保护法律。诉状声称，泄露可能涉及社会安全号码、住址等高度敏感信息。
更具冲击力的连锁反应来自客户方。Wired本月初报道，Meta已正式暂停与Mercor的所有合作，启动独立安全调查。对于一家依赖大客户信任的B2B初创公司而言，这几乎是致命打击。
硅谷真正害怕的不是数据泄露
耐人寻味的是各方焦虑的优先级。
承包商关心的是个人信息安全和劳动权益；监管机构可能关注隐私合规；但Meta们的核心担忧藏在报道的字里行间——失去竞争优势。
AI训练方法是各实验室的核心机密。数据配比、反馈机制、对齐策略，这些细节决定了模型的能力边界。Mercor的漏洞不仅暴露了数据，更可能让竞争对手窥见OpenAI或Anthropic的"训练配方"。
这种恐惧揭示了AI行业一个不愿公开讨论的真相：所谓"智能"的涌现，大量依赖人工标注和反馈循环。科技叙事喜欢强调算法突破，却淡化背后庞大的人类劳动网络。
Mercor的争议远早于这次黑客事件。诉状显示，此前已有三起集体诉讼针对该公司，指控范围从工资克扣到虚假招聘承诺。一位前承包商向媒体描述的工作体验是"高压、不透明、随时可能被切断收入来源"。
这些声音从未进入主流科技讨论，直到安全漏洞迫使大客户不得不回应。
当"AI取代人类"的叙事遭遇现实
Mercor的案例提供了一个观察窗口，让我们重新审视技术变革中的权力结构。
公司宣传的逻辑通常是：AI自动化提升效率，人类转向更高价值工作。但Mercor的工人正在经历的是反向过程——他们因自动化失业，又被召回训练取代自己的系统。这不是"转型"，而是同一批人在产业链中的降级循环。
更深层的悖论在于知识权力的转移。这些拥有专业背景的工人被要求拆解自己的 expertise，转化为可规模化的训练数据。他们既是知识的生产者，又是被剥夺知识价值的对象。
开源工具LiteLLM在此扮演了一个尴尬角色。它本是为了降低开发者调用多模型门槛的便利工具，却因供应链某环节的疏忽成为攻击向量。这提醒我们：AI系统的安全边界取决于最薄弱的环节，而外包链条的每一个环节都在扩展攻击面。
这个模式会走向何方？
Mercor的危机不太可能终结AI外包行业，但可能加速几种趋势。
大客户正在重新评估供应商风险管理。Meta的暂停决定可能引发连锁反应，推动更严格的第三方审计和合同条款。对于Mercor的竞争对手而言，这是争夺市场份额的窗口期；对于整个行业，这是合规成本上升的起点。
监管压力也在积聚。五起诉讼只是开始，涉及劳动者分类、数据跨境流动、AI训练透明度等议题的立法讨论正在多州推进。Mercor的案例很可能成为政策辩论的引用素材。
更根本的问题或许在于：当AI公司声称其产品"增强人类能力"时，能否诚实面对训练数据的生产条件？消费者和企业采购决策中，"伦理AI"的权重是否会从营销话术变为硬性指标？
Mercor的故事还没有结局。调查仍在进行，诉讼将陆续展开，客户去留有待观察。但它已经揭示了一个常被忽视的维度——技术革命的代价分配从不均匀，而那些最接近系统的人，往往最后才被听见。
对于科技从业者而言，这是一个检查自身供应链的契机：你的AI产品中，有多少人类劳动被隐藏在API调用和自动化流程之后？这些劳动的条件是否经得起审视？答案可能不舒服，但回避它不会让问题消失。
热门跟贴