亚马逊宣布，旗下众包平台 Mechanical Turk（MTurk）将于今年 9 月 30 日彻底停止服务。这个在巅峰时期曾有超过 50 万人在线接单的平台，曾长期承担图片筛选、分类、转写、内容审核等微任务，也被视作早期 AI 训练体系中的一块基础设施。
对 AI 发展史来说，MTurk 的意义不只是一门零工生意。李飞飞团队早年推进 ImageNet 时，正是借助这套众包系统，把海量图片筛选和标注工作拆成无数个小任务，再分发给全球工人完成。没有这类大规模人工参与，ImageNet 的推进难度会高得多。
一个把人工判断拆成微任务的平台
Mechanical Turk 上线于 2005 年。它的核心思路很直接：有些任务对计算机来说很难，但对人而言只需要几秒就能完成，于是把这些工作拆碎后交给真人处理。
在 MTurk 体系里，这类任务被称作 HIT，即 Human Intelligence Task。比如一家机构手里有 1 万张图片需要分类，平台可以把它拆成 1 万个独立任务，同时向外分发。接单的人数越多，处理速度越快。它解决的不是单个人能否更快完成工作，而是把原本需要排队处理的工作改造成可全球并行的流程。
Mechanical Turk 这个名字本身也带有典故。18 世纪欧洲曾出现过一台著名的“机械土耳其人”，外表看似是会自行下国际象棋的机器，后来才被发现内部藏着真人棋手。亚马逊把这一名称搬到互联网服务上，指向的也是同一种结构：表面像自动化系统在运转，真正完成判断的却是屏幕后的人。
贝索斯当年将其称作“人工的人工智能（artificial artificial intelligence）”。这个模式跑通后，MTurk 很快从亚马逊内部工具演变为面向全球的众包市场。
到 2011 年，MTurk 已经汇聚超过 50 万名 Worker，覆盖 190 个国家。随着参与者扩大，平台可承接的任务类型也不断增加，包括图片筛选、语音转写、文本分类、数据清洗、情绪判断和内容审核等。只要属于“机器容易出错、人能快速判断”的工作，基本都可以被塞进这套系统里。
ImageNet 如何借助 MTurk 完成大规模筛图
时间回到 2006 年前后。刚到普林斯顿任教不久的李飞飞决定构建一个足够大的视觉数据集，让机器不再只在小规模样本里学习。彼时主流计算机视觉数据集通常只有几千到几万张图片，规模有限，模型很容易只记住训练集里的模式，难以覆盖现实世界中丰富的物体形态。
在这一背景下，ImageNet 诞生。该数据集以 WordNet 为骨架，把现实世界拆成一个个概念，再为每个概念收集大量真实图片。狗、汽车、苹果、椅子、鸟、鱼等各类对象，都被尽量纳入其中。
真正困难的地方不是找图，而是确认图片是否正确。Google、Yahoo、Flickr 可以提供海量候选图片，但搜索结果中往往混杂着不相关内容，最后仍需要人工逐张核验。后来，ImageNet 需要处理的候选图片规模超过 1.6 亿张，人力筛选很快成为瓶颈。
在这个阶段，李飞飞团队把目光投向了刚上线不久的 Amazon Mechanical Turk。团队将大批图片筛选工作拆成微任务，分发给 MTurk 平台上的全球工人。一个庞大的 AI 基础设施建设过程，就这样被拆成了一次次普通的鼠标点击。
2009 年发表的 ImageNet 论文提到，当时数据集已经收录 5247 个概念、320 万张整理后的图片。ImageNet 团队后来回顾项目时给出的数字是：共有 4.9 万名 MTurk 工人参与，来自 167 个国家。换句话说，这个后来写入 AI 史的数据集，背后是一支分布在全球的临时标注队伍。
从 ImageNet 到 2012 年深度学习转折点
ImageNet 建成后，后续进展开始加速。2010 年，ImageNet 挑战赛启动，研究团队开始用同一套数据训练模型，并在同一榜单上比较结果。
两年后，多伦多大学的 Geoffrey Hinton 与学生 Alex Krizhevsky、Ilya Sutskever 参加 ImageNet 大规模视觉识别挑战赛，使用深度卷积神经网络，把 2012 年 ImageNet 挑战赛 Top-5 错误率压到约 15%，显著拉开与传统方法的差距。
这次结果让整个计算机视觉领域更直观地看到，海量数据、GPU 算力与深度神经网络结合后，效果会出现明显跃迁。此后，Alex Krizhevsky 的名字与 AlexNet 绑定在一起；Ilya Sutskever 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 此后获得图灵奖，也被广泛视作深度学习代表人物之一；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中的位置。
再往后，VGG、GoogLeNet、ResNet 相继出现。ImageNet 榜单不断被刷新，深度学习也从视觉任务扩展到语音、自然语言处理，最终走向今天的大模型阶段。
亚马逊决定关停，平台衰退早有迹象
亚马逊对关停 MTurk 的公开解释较为简短，只表示公司会持续评估旗下产品和服务，因此决定停止这项服务。
据 CNBC 此前援引数据工人权益组织 Turkopticon 的 Krista Pawloski 说法，MTurk 这些年一直在衰退，亚马逊投入越来越少，而新一代数据标注平台也持续分走工人和客户。
从任务结构看，变化也很明显。2005 年时，判断一张图片里是否有狗，对机器仍是难题；到今天，这类工作已经成为多模态模型可以顺手完成的基础任务。随着模型能力提高，MTurk 当年最有价值的一批基础标注工作，正在被自动化替代。
AI 对人工的需求没有消失，但门槛变了
行业对“人”的需求并未消失，只是方向发生了变化。前沿模型如今更需要程序员、医生、律师等专业人士参与评代码、审回答、测试推理能力与安全性。
在这种需求下，Scale AI、Mercor、Prolific 等新平台开始崛起，重点筛选和管理专业人群，向模型训练与评测提供更专业的数据支持。相较之下，MTurk 这种“任何人都可以接单、单价只有几美分”的众包模式，显得越来越不适应新的训练需求。
还有一个颇具反差的现象。2023 年，一项来自瑞士学者的研究发现，在受访 MTurk 工人中，使用 AI 模型完成文本任务的比例最高可达 46%。也就是说，客户原本购买的是人工判断，但部分工人接单后，可能会把任务再交给 ChatGPT 一类模型处理。
一段早期 AI 基础设施的生命周期
MTurk 的命运，某种程度上也是过去 20 年 AI 发展路径的一种缩影。早期，人类躲在机器背后，一张图一张图地点选和判断，帮助构建出 ImageNet，也把深度学习时代推向前台。后来，AI 沿着这些数据不断成长，学会看图、听声音、处理文字。
21 年后，当年那些替 AI “装聪明”的人工微任务工人与平台一起退场。那台名字源自“内部藏着真人棋手”的“机械土耳其人”，也走到了关闭时点。
本文来自微信公众号“量子位”，作者：梦瑶。参考链接为 CNBC 报道。