No.0294
Science Partner
Bring you to the side of science
导 读
旻宏跟你说一个真实的荒唐事。
中部内陆一所职校，这两年嗅到AI风口，在能源转型绿电丰富的一个城市火速开了个几个新专业，名字起得很气派“人工智能技术应用“”数据科技服务”。招生老师跑进每一个可以跑进去的班级，站在讲台上说：
“同学们，AI是未来。数据是AI的粮食。现在全国缺口超过百万，你们只要学会打标注，月薪四五千起步，稳的。”
台下坐着一批十六七岁的孩子还有他们的父母，听完觉得这事靠谱。反正听起来比那些明日黄花的老专业好听多了，名字里带着AI，听上去就像站在了时代正中央。
于是第一届招满了。
两年后，这批孩子毕业了。
有人发现工作没着落，托关系问了一圈，得到的答案大同小异：要么岗位缩编了，要么干脆说“现在这块大部分交给模型自动跑了，你们来干嘛呢。”
整件事加在一起，从招生到失业，不超过三年。
一个专业的寿命，比一些网红餐厅还短。
这个世界、当下的教育设置，到底怎么了...
走，跟伙伴君来！
今日主笔 | 旻宏
学校新开了个AI专业，第一届学生刚毕业，岗位已经没了
我知道您看到这里可能想说：这不就是个例吗，哪个行业没有这种情况？
但问题是，这还真不是个例。
这两年，全国陆续开了几百个类似的专业方向，名字各有变体：AI技术应用、大数据标注与处理、智能信息服务……核心内容大同小异，都在教一件事：如何给AI打工。
学生学的是框图标注，是文本分类，是语音转写，是内容审核。
然后他们走出校门，信心百倍。然后，他们发现，这些工作，AI自己已经能做了。
不是做得和他们一样好，而是做得比他们更快、更便宜、更不需要交社保。
这就是今天职业教育里，最真实、最少人愿意正面讲的那个问题。
01. 你可能听过一个词，叫“知识蒸馏”。
如果没听过，旻宏帮你翻译一下：就是用大模型来教小模型，让小模型花更少的钱，干跟大模型差不多的活。
这本来是AI公司压缩成本用的技术。但这几年它被玩出了一种更激进的用法：各家公司开始直接拿竞争对手的模型输出来当训练数据，喂进自己的系统。
GPT的输出喂给Llama，Llama的数据流进Gemini，GEmini的输出再转手可能就成了下一代产品的语料。
整个AI行业的潜规则之一就是“互抄作业”。
而抄作业最直接的结果，就是原来需要大量人工来做的“数据生产工作”，正在被这个循环越来越多地内化进去。于是，那些职校开出来的课程里，本来依赖的那层岗位需求，开始快速萎缩。
学校不是没努力，企业也不是临时变卦，是整个行业底层的逻辑悄悄换了，而且换得太快，没给任何人留太多反应时间。
最惨的，是那些刚好在这个时间窗口里读完两年的孩子。
他们不是受害者，也谈不上被谁坑了。
他们只是，赶上了一个专业的有效期比他们的学制还短的年代。
02. 好消息是蒸馏这件事也有命门
要搞清楚这件事为什么会发生，我们得先想明白一个问题：AI互相抄作业，到底会抄出什么后果？
研究人员发现，纯合成数据的训练闭环是有极限的。这个现象有个专业名词，叫模型坍塌（Model Collapse）。
打个比方吧。你把一张高清照片复印，再把复印件复印，再复印，再复印。前几次看不出来，但复印到二十次的时候，图像已经模糊到认不出原来是什么了。
模型蒸馏的多代循环，本质上是同一个问题。每转一圈，都在累积误差。几代之后，模型开始丢失那些只有在真实世界里才会出现的东西：文化细节、边缘场景、人的真实判断，以及那些很难被归纳成规律的、活生生的认知复杂性。
特斯拉前AI总监，也是OpenAI的联合创始人之一大神Karpathy专门说过这件事。他的判断是：纯合成数据训练出来的模型会“静默崩溃”，质量不是一下子垮掉的，而是悄无声息地在你看不见的地方慢慢烂掉。
你以为它还好，其实它已经烂了。
所以模型互相抄作业的尽头，不是彻底不需要人了，而是如果没有高质量的真实人类数据压阵，整个链条最终会一起失效。
这也就是为什么，真实人类的高质量判断，在这个时代反而更值钱，但遗憾的是，值钱的，可能不是职校在教的那种。
03. 最先被吃掉的，恰好是最多学校在教的
数据标注这门生意，过去几年确实火过一阵。
逻辑很简单：大模型要吃大量数据，数据要有人去分类、打标签、做审核。于是市场上出现了很多岗位，也出现了很多培训班、职校专业、校企合作项目。很多地方一看，这不就是新时代的就业出口吗？
于是赶紧上马。
这套判断在当时不能说完全错。问题在于，技术演进的方向，比教育系统的反应速度快得多。
现在模型已经不只是需要人打标签，它自己也开始会打标签、会生成候选答案、会做初步分类、会帮你筛一遍数据。更重要的是，行业正在从低成本人工堆量转向高质量人类校准。换句话说，AI并不是把人彻底踢出去，而是把人从劳动密集型那一层往上推了一层。
可职业教育最难受的地方就在这儿：它最容易批量培养的，恰恰是最容易被替代的那一层，就比如我们提到那家设在绿电替代火电城市的职校。
这就很尴尬了。
学校教学生怎么框图、怎么分类、怎么转写、怎么做基础审核；但行业真正缺的，慢慢变成了懂业务、会判断、能质检、能仲裁的人。
一个是操作员，一个是把关人。这中间隔着一条很宽的河。
04. Scale AI为什么还值138亿？
说到这里不得不提一个人：Alexandr Wang，华裔，1997年生，19岁创业，做的就是数据标注生意，公司叫Scale AI，估值一度高达138亿美元，后来还拿到了美国国防部的AI合同。
很多人听到这里会困惑：这行不是要完了吗，他怎么还能值这个数？
原因在于，大多数人误解了Scale AI卖的是什么。
它卖的不是便宜的人力，而是一套数据工程体系——如何组织一条高质量的标注管道，如何做质量控制，如何让数据和模型训练形成真正的闭环，如何持续更新评测集和对齐反馈。
蒸馏时代，这套东西的价值反而在涨。
因为整个蒸馏链条需要一个锚，那些被反复验证、质量可靠、能防止模型漂移的高质量人类数据，是整个体系不塌的地基。没有这个锚，合成数据训出来的模型就是那张被复印了二十次的照片。
所以到今天，行业里的共识是这样的：合成数据管规模，人类标注管质量。两者不是你死我活，是分工配合。
05. 职校这次撞上的，不只是行业变化
说到这里，问题就不只是“数据标注行业会不会被替代”了，而是更扎心一点：
职校到底是在培养一个学生，还是在押注一个岗位？
这两者差别很大。
培养学生，意味着你面对的是长期稳定的技能需求输出。押注岗位，意味着你默认这个岗位在未来几年里还会存在，而且数量还不少。
问题在于，很多职业教育机构的逻辑，其实更接近后者。
他们不是先研究未来三年的行业结构，再去设计课程；而是先看到一个岗位热了、企业招人了、市场缺口大了，然后迅速把课程开出来。动作快的时候，确实能吃到红利。可一旦行业变向，学校就会比公司更被动。
公司不行，可以裁。学校不行，往往只能拖。而学生是最被动的那个。
他花了两年时间，学了一套当时看起来很对的技能，最后发现这个技能还没来得及成为自己的饭碗，就先变成了行业过渡期的临时工具。
学生们这种落差，和实实在在搭进去的时间，才是最伤人的。
因为它不是“你不努力”，也不是“你学不会”，而是你认真学了，最后发现课程本身押错了方向。
最后问一个真问题：当下职业教育最该重新思考的地方是什么
过去，很多职校强调的是上手快、能就业、证书好拿。这当然没错，但前提是市场对基础操作工的需求足够大。
可现在不一样了。
AI把很多基础活儿做掉之后，真正留下来的，是更靠近判断、质检、仲裁、反馈、行业知识的工作。未来更值钱的，不是“会不会按流程做”，而是“你知不知道这一步为什么要这么做”。
这对学校来说，意味着课程必须升级：不能只教工具，要教方法；不能只教操作，要教理解；不能只教一个固定岗位，要教学生如何在岗位变化之后继续活下去。
真正好的职业教育，不是给学生一张通往某个工位的门票，而是给他一套在岗位变化后还能重新站稳的能力。
这才是关键！
我是旻宏，咱们下期见～
本文仅作科普分享使用，欢迎小伙伴们点、收藏、关注，以备不时之需，当然更欢迎您把 介绍给周边可能需要的更多伙伴们呀。
热门跟贴