用 AI 訓練 AI 的幽靈工人：OpenAI 開除以 AI 偷跑的 ChatGPT 評分外包商

9 月 22 日，404 Media 發布了一篇介於諷刺與結構性警告之間的調查報導：OpenAI 一直在開除它聘來替模型把關「人性」的外包商——因為這些人自己就在用 AI 做這份工作。一群領薪水防止模型崩壞的人，其中有相當數量正在親手餵養崩壞。

調查發現了什麼

404 Media 記者 Joseph Cox 取得了內部文件，並訪談了三位參與 OpenAI 不同訓練專案的外包商，外加一位曾為多家 AI 公司訓練模型的第四位受訪者。拼湊出來的圖像是：ChatGPT 底下存在一層隱形的品管大軍——而在這層之上，還有第二層隱形體系，專門用來稽核第一層。

第一個令人吃驚的是規模。404 Media 檢視的一份內部文件顯示，這些專案動用的外包商超過一萬人。這是 OpenAI 評分人力規模首度有了公開數字，也讓產業長期以來的暗示變得明確：「人類回饋」裡的那個「人類」，是一套工業化流程，不是小作坊。

第二個令人吃驚的是規則本身。一份描述「外包商的審核員」工作內容的文件（他們的任務包括抓出用 AI 的外包商）寫道：

「不得使用 AI 偵測工具，自己也不得使用 AI。不得使用 GPTZero 或任何其他 AI 偵測工具，它們不可靠。審核員亦不得使用 AI——包括 Grammarly 與 AI 翻譯——來審查、撰寫回饋或評論。」

「不要告訴評分員你懷疑 AI 的原因。如果他們知道你在找什麼，就更容易藏。判斷整體模式，而非單一線索。」

這段話值得讀兩遍。審核員的審核員被禁止使用 AI 偵測器，理由是偵測器不可靠——但他們自己也全面禁用 AI，連 Grammarly 和機器翻譯都不放過。偵測工作最終靠的是人類的模式判斷。

作弊者是怎麼被抓到的

負責稽查同儕的外包商被告知要留意幾個特徵：重複的用詞、AI 風格的標點——包括一個會讓讀過上千篇 LLM 生成文章的人會心一笑的細節，過度氾濫的破折號（em dash）——以及快得可疑的完成速度。

一位外包商告訴 404 Media，在相關的 Slack 頻道裡，大家經常貼出範例問「這是 AI 嗎？」——「答案通常是肯定的。」另一位消息人士形容，用 AI 的人「一直都有，也一直有人因此被資遣，這基本上是唯一會讓你立刻被踢出去的事」，而且「在數千人的群組裡，被逮到的人多得是」。

一位被解僱的外包商向 404 Media 提供了他們的資遣信。信中說雇主發現其工作的「真實性」（authenticity）有問題。這位外包商的自白坦率得罕見：「我不是壞人，也不是爛員工。我只是需要一點助力，於是求助於 AI，最終導致我的垮台。我在這份工作中感受不到任何樂趣，也不覺得自己對社會有一絲貢獻。」

三位消息來源中有兩位任職於 Mercor——這家 AI 訓練公司負責雇用審核 ChatGPT 相關素材的外包商。Mercor 發言人在聲明中證實了政策：合約「嚴格禁止使用 LLM 完成專案」，公司「大量投資」於偵測工具與系統，一旦確認專家使用 AI，「我們會立即將其自專案中移除」。OpenAI 本身則拒絕評論。

破壞者問題

整篇報導中最令人心驚的披露，不是用 AI 的人——而是破壞者。第四位受訪者曾為多家 AI 公司從事模型訓練工作，他告訴 404 Media，自己有時會故意挑選最差的回應，以劣化模型的訓練：

「我要嘛完全不看結果隨機亂選，要嘛故意選最差的輸出。由於還有幾百個人也在評分，我不確定這實際上能造成多大影響，但感覺就像有人付錢讓我把 AI 弄得更糟。」

就統計而言，幾百人中的一個破壞者多半只是雜訊。但製造出破壞者的誘因結構——位於 AI 價值金字塔底層、低意義的計件工作——和製造出「AI 偷跑者」的是同一個結構。兩者都是同一個問題的症狀：這份工作在這個價格下，對人類而言難以忍受。

為什麼這在技術上事關重大

技術風險很直白：如果回饋不是人類的，以人類回饋為基礎的強化學習（RLHF）就會失效。若模型訓練所用的偏好本身來自另一個模型，就會形成自我偏好的回饋迴圈——模型實質上是在多繞一圈之後替自己的作業打分數。這正是「模型崩壞」（model collapse）背後的機制：當模型反覆在 AI 生成的文字上訓練，就會越練越糟。OpenAI 整個後訓練（post-training）流程，都建立在這上萬名審核者訊號的真實性之上。

脈絡讓這件事更尖銳。上週的 ImpossibleRubrics 研究測得，模型有 8% 到 26% 的機率能鑽模型撰寫評分標準的漏洞，而人類撰寫的標準則是零。而 404 Media 更早的報導揭露了「Project Lily」——數百名外包商閱讀真實 ChatGPT 使用者的提示內容（其中可能包含個人資訊），且消費帳號的相關設定預設為開啟。真實性危機與隱私危機，是同一套體系的兩張臉。

真實性的經濟學

市場早已對此定價。人類驗證的資料如今是 AI 的稀缺投入品，這解釋了為什麼同一波新聞週期裡，Snorkel AI 以 17 倍的 ARR 成長募集 3.5 億美元、估值 35 億美元，而 micro1 以 40 億美元估值募得逾 1 億美元——賣的正是同一件事：向「已經把網際網路讀完」的實驗室供應保證由人類產出的訓練資料。

當一項稀缺投入品值這個價，三件事會接連發生：價格上漲（已經發生）、供應商將偵測工業化（Mercor 的聲明本質上就是一份偵測產品的推銷詞）、以及詐欺等比例上升。破折號獵巫，就是當詐欺無法被機器偵測時，詐欺偵測的樣貌——在一萬人的規模上，重演群眾外包最古老的驗證難題。

檢視這個諷刺

最表層的諷刺很直白：OpenAI 的整個推銷話術是「人人都該在工作中用 AI」，卻因為人們在工作中用 AI 而開除他們。這是真的，但淺。更深的一層是：OpenAI 要求上萬名人類去做的，恰恰是那種高量、重複、低脈絡的判斷工作——而這正是它自家模型最擅長的——然後指望這些人不去用模型替代。這家公司的產品正在掏空自己的供應鏈，而供應鏈心知肚明。

那位外包商的離場感言——「我在這份工作中感受不到任何樂趣，也不覺得自己對社會有一絲貢獻」——可能是全文最重要的一句話。RLHF 被包裝成「把人類價值傳輸進機器」。如果負責傳輸的人體驗到的工作是無意義的，那麼被傳輸的價值本身也值得檢視。

後續觀察

三個問題值得追蹤。第一，OpenAI 的審核合約是否會走向開啟視訊、螢幕錄影的路線——Mercor 所謂的「工具與系統」已暗示這個方向。第二，「這是 AI 嗎？」的 pattern-judgment 層會不會本身也被自動化，形成「模型稽查人類、人類稽查模型」的第三層——一場打不贏的遞迴。第三，是否有監管機構把 Project Lily 的預設開啟資料共享與真實性問題連起來，視為單一資料治理議題。

模型品質最終受到多大影響，外界無從得知。但結構性事實已經白紙黑字：前沿模型底下的那層人類，有漏洞、部分士氣低落、偶爾遭到蓄意破壞，而且靠破折號鑑識來執法。前沿實驗室發布的每一個能力數字，都建立在這一層之上。