人工智能的发展离不开海量数据的喂养，而数据的“清洗”与“标注”，则高度依赖一个庞大而隐秘的群体——他们被称为“人在环中”（Human-in-the-Loop）。这些从事数据标注、内容审核、算法反馈的人类劳动者，是AI模型从“笨拙”走向“聪明”的隐形拐杖。然而，随着模型复杂度的攀升与任务量的激增，这根“拐杖”正在发出不堪重负的呻吟：“The Human-in-the-Loop Is Tired”（人在环中已疲惫不堪）。一场关于人机协作模式可持续性的讨论，正在全球科技界悄然升温。
从“辅助”到“瓶颈”：疲惫的循环如何形成？
“人在环中”理念最初是为了弥补机器学习模型的短板：当模型遇到置信度低、边界模糊或伦理敏感的样本时，系统会将任务“外包”给人类评审员。这种模式在自动驾驶图像识别、社交媒体内容审核、医学影像标注等领域被广泛采用。但鲜为人知的是，这些人类评审员正面临前所未有的工作压力。
在肯尼亚内罗毕，数千名内容审核员为全球各大社交平台工作，他们每天需要观看数以千计的暴力、仇恨言论或色情内容，平均每30秒处理一条。世界卫生组织的最新研究报告指出，这类工作者的创伤后应激障碍（PTSD）发病率已超过战地记者和消防员。而在中国，随着自动驾驶、大语言模型等领域的爆发，数据标注师从2018年的约10万人激增至2025年的超过200万人，但行业平均工作年限已从3年下降至1.5年——离职主要原因是“精神疲劳”与“认知过载”。
认知税：当人变成“机器校准器”
问题的核心在于，人类在“环中”的角色正在异化。理论上，人是监督者、是判断者；实际上，人变成了机器的“校准器”。当大语言模型用概率生成回答时，人类评审员需要判断“哪个回答更合理”，但这往往涉及复杂的语境理解与价值权衡。一项2024年斯坦福大学的研究表明，从事大模型对齐工作的评审员，在连续工作两小时后，其判断准确率会从92%降至73%，且对模糊问题的“不确定”选择比例上升了40%。
“我就像一台永远在修正偏差的机器。”一位匿名的北京数据工程师在社交媒体上写道，“每天标注2000条语音片段，每条差异只有毫秒级。我的耳朵在嗡嗡作响，大脑已经麻木。但算法告诉我，‘你的疲劳就是我们需要修正的偏差’。”这种讽刺性的循环——人类的疲劳反而被AI视为下一个需要克服的“噪声”——正在摧毁从业者的自我价值感。
经济诱因下的“理性剥削”
“人在环中”疲惫的另一面，是平台经济与AI资本的双重压力。标注公司通常按“有效标注量”结算，复杂的审核任务单价极低，而头部平台对质量的要求却逐年提高。为了达到每日KPI，标注员被迫牺牲休息时间；而为了控制成本，企业又倾向于采用“人机混合”的自动化校验——将人类标注结果再次送入另一个模型进行交叉验证，导致人类工作被“二次审视”，心理压力倍增。
更值得警惕的是，一些平台开始利用人类的疲惫感进行“算法淘金”。例如，当标注员在深夜或连续工作后出现判断偏差时，系统会标记这些“异常样本”作为训练数据，反向优化其“疲劳检测模型”——这意味着，人类的疲惫不再被同情，而是被系统性地“数据化”和“资源化”。
破解“厌倦之环”：技术与人本主义的再平衡
面对日益严峻的“人在环中”疲惫症，行业开始反思：是否所有任务都适合“人在环中”？答案是否定的。清华大学人工智能研究院的吴晨教授指出：“人类不应该是AI的‘补丁程序’。我们需要重新设计人机交互界面，让人类做擅长的事：创造性判断、道德推理与审美决策；而将大量重复性、低认知负载的校验工作交给更鲁棒的自动校验系统。”
目前，一些领先企业已开始尝试“主动学习”算法——模型只将最不确定、最有价值5%的样本交给人类，从而减少人类工作量。同时，心理学家与计算机科学家合作开发的“疲劳感知工作流”开始落地：通过眼动追踪、反应时分析，系统会在标注员进入认知疲劳前自动切换其任务类型，或强制休息并给予奖励积分。
但更根本的出路在于重构人机协作的伦理框架。国际劳工组织2025年发布的《人工智能与体面劳动指南》首次提出“人在环中”的“人类自主权原则”：人类有权知晓哪些数据被用于训练模型，有权对AI的判断提出质疑并中止循环，且享有确定的工作时长上限。
尾声：“疲倦”本身也是一次觉醒
“The Human-in-the-Loop Is Tired”——这句标题不只是一声叹息，更是一个警讯。它提醒我们：AI的每一次进化，背后都有无数个被算法“征用”的疲惫灵魂。当人类被简化为流程中的一个概率节点，当认知被异化为数据管道中的一个函数，技术进步的炫目光芒终将照见自身的阴影。
或许，真正的智能突破，并不在于让机器更聪明，而在于让身处循环中的人，有机会喘一口气，重新夺回属于人的节奏。毕竟，只有当“环中人”不再疲惫，人机协作的齿轮才能真正优雅地转动。