Iiwan ng Amazon Mechanical Turk ang operasyon noong Setyembre 30, 2026

Isang platform para sa pagbabahagi ng mga gawain na nagkakahalaga ng ilang sentimo bawat order, na dati ay nagtulak sa buong erang deep learning.

Ngayon, ito ay isasara.

Ipinahayag ng Amazon na tatigil ang serbisyo nito sa Mechanical Turk, ang kanilang crowd-sourcing platform, noong Setyembre 30 ng taong ito.

Sa pinakamataas na punto, higit sa 500,000 ang online sa platform para magtrabaho sa mga simpleng gawain, tulad ng pagtingin sa mga larawan, paghahati-hati, at pagpapalabel, at pinoproseso ang lahat ng mga gawain na hindi pa kayang gawin ng computer sa pamamagitan ng manual na pagtrato.

Pagkatapos, ang malaking "human-powered computing" na ito ay direktang sumuporta sa ImageNet dataset—

Walang MTurk, hindi magagawa ang manual na pag-annotate ng milyon-milyong imahe sa ImageNet.

Walang ImageNet, hindi maaaring maging sikat agad si Fei-Fei Li.

Hindi magiging isang laban na magpapakita ng kahalagahan ni Hinton, at posibleng hindi rin biglaang muling mabuhay ang deep learning noong 2012.

Pagkalipas ng 21 taon, lalong lalalim ng tunay na AI sa paggawa ng mga gawain na ito.

At ang mga tao na dati ay nagpapakita ng karunungan para sa AI, kasama ang platform na ito, ay natanggap ang Paghinto ng Pagpapatakbo.

Ipinakilala ang Mechanical Turk (MTurk) noong 2005.

Sa totoo lang, noong unang panahon, ay hindi sinadya ng Amazon na gamitin ito upang baguhin ang anumang kasaysayan ng AI.

Ang MTurk ay naglutas ng isang partikular na praktikal at dramatikong problema: may ilang mga gawain na sobrang mahirap para sa computer, ngunit sobrang simpleng para sa tao...

Kaya sinubukan ng Amazon ang isang diretso paraan: Kung hindi kayang sagutin ng programa, hatiin ang problema at ibigay sa mga tao lang～

Kaya ang mga maliit na gawain na ito ay tinatawag na HIT, o Human Intelligence Task.

Halimbawa, kung may isang kumpanya na may 10,000 larawan na kailangang i-classify, ang paraan ng MTurk ay agad na hihiwalayin ito sa 10,000 magkakahiwalay na gawain at isabuhos sa platform.

Maaaring gawin ng 100 tao, maaari rin ng 1,000 tao, at mas mabilis kung magkakasama ang ilang libo.

Sa ibang salita, ang MTurk ay hindi nagpapabilis sa isang tao, kundi nagpapalit sa isang gawain na dating kailangang gawin sa pagsisigla, sa isang gawain na maaaring gawin sa “global na parallel”.

Totoong artificial na data wheel na...

Ang pangalan na Mechanical Turk ay kumakatawan sa mga "pamamaraan" na ito.

Noong ika-18 siglo, may isang sikat na mechanical Turk sa Europa; sa panlabas, ito ay isang makina na nakakalaro ng chess nang sarili nito, at kahit na nakakapaglaro laban kay Napoleon.

Pagkatapos ay natuklasan ng lahat na may totoong manlalaro ng chess na nakatago sa loob ng machine!？ (Napakalaking error ko...)

Isinilid ng Amazon ang kuwentong ito sa internet, halos perpekto ang pagkakasundo; sa panlabas, tila automo ang proseso, ngunit ang mga tao sa likod ng screen ang talagang gumagawa.

Noong noon, ibinigay ni Bezos ang isang pahayag na naging prophecy:

Artificial artificial intelligence.

Agad itong naging isang pandaigdigang crowdsourcing market mula sa isang sariling tool ng Amazon kapag nagtrabaho na ang ideyang ito.

Hanggang 2011, mayroon nang higit sa 500,000 na Worker sa MTurk na nasa 190 bansa.

Dumami ang bilang ng tao, tumataas din nang mabilis ang bilang ng mga proyekto na maaaring tanggapin: pagpili ng mga larawan, pagsasalin ng boses sa teksto, pagkaklasipik ng teksto, pagpapaliwanag ng data, pagtataya ng emosyon, at pagsusuri ng nilalaman.

Maaaring ilagay dito ang anumang gawain na "madali para sa tao na masukat sa ilang segundo, ngunit mahirap para sa machine."

Ito ay nangyari noong 2021.

Balik sa taon 2006 o malapit dito.

Kabangon lang ni Li Fei-Fei sa Princeton, nagpasya siya na gawin ang isang bagay na medyo kontrabuho noong panahong iyon—

Gumawa ng isang sapat na malaking visual encyclopedia para sa mga makina.

Noon, ang mga pangunahing dataset para sa computer vision ay karaniwang may ilang libo hanggang ilang dekada ng mga larawan; masyadong kaunti ang data, kaya madaling matutunan ng model ang mga pagsusulit—nakakalapit sa mga pattern sa training set, ngunit mahirap talagang maintindihan ang iba’t ibang bagay sa totoong mundo.

Kaya naisip ng koponan ni Li Fei-Fei na gawin ang isang napakalaking bagay noong panahong iyon: gumawa ng isang “sapat na malaking” mundo ng biswal para sa machine.

Ang ImageNet dataset, mula dito ay nagmula.

Ang ImageNet ay gumagamit ng WordNet bilang kanyang balangkas, hinahati ang real world sa mga konsepto, at pinapalaganap ang bawat konsepto sa mga daan-daang libo-libong tunay na larawan.

Aso, kotse, mansanas, upuan, ibon, isda…… ang lahat ng mga bagay na maaaring ilarawan, isama ang lahat.

Ngunit mabilis na, isang mas realistiko na problema ang sumabog sa harap nila—

Madaling makahanap ng mga larawan, ang Google, Yahoo, at Flickr ay kaya rin maghanap, ngunit ang tunay na problema ay ang mga larawang nakuha ay hindi laging tama, kahit na ganap na hindi kaugnay!

Kaya ang search engine ay responsable sa pagkuha ng mga imahe, ngunit kailangan pa ng tao upang gawin ang huling hakbang: i-verify ang bawat isa.

Isang napakalaking bilang, ang dami ng mga larawang kailangang prosesuhin ng ImageNet ay lumampas sa 160 milyon!! Sa isang pagkakataon, ang problema sa lakas ng paggawa ay naging isang walang lalabas na sitwasyon...

Kapag malapit nang maantala ang ImageNet dahil sa malaking dami ng mga larawang pinagsurihan ng tao, ang koponan ni Fei-Fei Li ay tumingin sa Amazon Mechanical Turk, na bagong ilunsad.

Ang koponan ng ImageNet ay nagsimula na maghihiwalay ang malaking gawain ng pagpili ng mga larawan sa mga mikro-gawain, at pagkatapos ay magkaloob sa mga manggagawa sa buong mundo sa platform ng MTurk.

Isang malaking infrastruktura ng AI, na ginawa nang maraming beses sa pinakasimpleng «pag-click ng mouse».

Sa papel na ipinakilala noong 2009, binanggit na mayroon nang 5,247 na konsepto at 3.2 milyong naiayos na larawan sa dataset noong panahong iyon.

Ang bilang na ibinigay ng team ng ImageNet pagkatapos ay isang pagsusuri sa buong proyekto: 49,000 na manggagawa sa MTurk, mula sa 167 bansa.

Sa ibang salita, ang tunay na nagtataguyod sa proyektong pagpili ng mga imahe sa ImageNet ay isang pansamantalang puwersa ng mga tagapag-label na nasa buong mundo.

Ito ang dahilan kung bakit hindi maaaring gawin ang MTurk at ImageNet noong unang panahon...

Pagkatapos ng ImageNet, unti-unting nagsimula ang pagpapabilis ng kuwento.

Noong 2010, nagsimula ang ImageNet Challenge, kung saan ang mga modelo sa buong mundo ay nagsimulang matuto gamit ang parehong set ng data at sumasalungat sa parehong listahan.

Dalawang taon pagkatapos, lumabas ang isang kombo na magkakaroon ng maraming pagbanggit sa kasaysayan ng AI—

Ang Geoffrey Hinton ng University of Toronto, kasama ang kanyang dalawang mag-aaral, Alex Krizhevsky at Ilya Sutskever.

Tatlo sa kanilang may isang deep convolutional neural network at sumali sa ImageNet Large Scale Visual Recognition Challenge.

Nakapagbawas nang direkta ang Top-5 error rate sa ImageNet Challenge noong 2012 patungo sa halos 15%, na nagbigay ng malaking pagkakaiba sa mga tradisyonal na paraan.

Ito ang nagbigay sa buong larangan ng computer vision ng unang direktang pagkakita kung paano ang malaking dami ng data, GPU computing power, at deep neural networks kapag pinagsama, ay maaaring magdulot ng pagtaas sa isang antas.

Mula sa kaliwa patungo sa kanan: Ilya Sutskever, Geoffrey Hinton, at Alex Krizhevsky

Mula noon, ang pangalan ni Alex Krizhevsky ay nakasalubong sa AlexNet.

Umuwi si Ilya sa Google Brain, kumilala sa pagkakatatag ng OpenAI bilang pangunahing siyentipiko, at pagkatapos ay itinatag ang SSI.

Si Hinton ay nakakuha ng Turing Award at naging isa sa mga kilalang ama ng deep learning.

Si Li Feifei ay bumalik sa Stanford upang magturo, magkakasama na humawak ng HAI, at nagtatag ng kanyang posisyon sa kasaysayan ng modernong computer vision sa pamamagitan ng ImageNet.

Pagkatapos ay dumating ang VGG, sumunod ang GoogLeNet, at pagkatapos ay ang ResNet.

Bawat taon, tinatanggal ang ImageNet leaderboard; ang deep learning ay lumaban mula sa visual patungo sa audio, pagkatapos ay pumasok sa natural language processing, at sa huli ay dumating sa kasalukuyang era ng malalaking modelo.

Totoo nang maganda ang mundo—

Ang grupo ni Li Fei-Fei ay gumamit ng MTurk upang gawin ang ImageNet; ang ImageNet ay nagbigay sa Li Fei-Fei ng malaking pagkilala; ang mga mag-aaral ni Hinton ay naging sikat sa pamamagitan ng ImageNet; at ang deep learning ay nag-usbong muli sa pamamagitan ng tagumpay na ito.

Malapit sa 50,000 na karaniwang tao mula sa 167 bansa, nakaupo sa harap ng kanilang computer, at 'pinuntahan' nang isang-isa ang milyon-milyon na mga kandidatong larawan upang mabuo ang ImageNet.

Dahil dito, ang pag-close ng Mechanical Turk ngayon ay tila isang pagsasara ng isang panahon.

Ang opisyal na pahayag ng Amazon ay malakas, at nagpapahiwatig lamang na patuloy na sinusuri ang kanilang mga produkto at serbisyo, kaya nag-decide silang ipagpatawad ang MTurk.

Noong nakaraan, sinipi ng CNBC si Krista Pawloski mula sa organisasyon para sa karapatan ng mga manggagawa na Turkopticon na patuloy na bumababa ang MTurk, mas maliit ang pagpapahalaga ng Amazon, at patuloy na umuunlad ang mga bagong plataporma para sa pag-annotate ng data na humuhuli sa mga manggagawa at kliyente.

Ngunit ang mas direkta at simpleng dahilan ay ang mga gawain na dati'y pinakamahalaga nito, ay patuloy na mas natututuhan na gawin ng AI...

Noong 2005, ang paghuhusga kung may aso o hindi sa isang larawan ay isang seriyosong hamon, ngunit ngayon ay naging pangkaraniwang gawain na madaling maisasagawa ng mga multimodal na modelo.

Samantala, ang pangangailangan ng industriya ng AI sa mga tao ay nagbago rin.

Kailangan ng mga propesyonal tulad ng mga programmer, doktor, at abogado na suriin ang code, pagsusuri sa sagot, pagsubok sa pag-iisip at kaligtasan ng mga modelong pangunahin.

Kaya umusbong ang mga bagong platform tulad ng Scale AI, Mercor, at Prolific, na nagsisimula na magpili at magmaneho ng mga eksperto upang magbigay ng mas propesyonal na data para sa pagtuturo at pag-evaluate.

Kumpara sa MTurk, ang ganitong modelo ng crowd-sourcing na “sino man ang makakakuha, ilang sentimo kada order” ay nagsisimulang maging hindi naaangkop sa panahon na ito...

Mas kahanga-hanga pa, ang mga manggagawa sa MTurk ay nagsisimula na ring gamitin ang AI!!!

Isang pag-aaral noong 2023 ng mga siyentipiko sa Swisya ay natuklasan na ang pinakamataas na proporsyon ng mga manggagawa sa MTurk na gumagamit ng AI model para sa mga teksto task ay maaaring umabot hanggang 46%.

Ang orihinal na binili ng customer ay ang paghuhusga ng tao, ngunit may ilang manggagawa na maaaring tumanggap ng order at pagkatapos ay ipasa ang mga tanong sa mga modelo tulad ng ChatGPT.

Ang gawaing ito ay may kaunting black humor...

Ang kapalaran ng MTurk ay isang maliit na larawan ng AI sa nakaraang 20 taon.

Noong unang panahon, ang mga tao ay nakaunong sa likod ng mga makina, nagklik ng isang larawan sa isang larawan upang mabuo ang ImageNet, at nagbukas ng pinto patungo sa panahon ng deep learning.

Pagkatapos, lumaki ang AI sa pamamagitan ng mga data na ito at natutunan na tingnan ang mga larawan, marinig ang tunog, at sumulat ng teksto nang sarili nito.

21 taon na ang nakalipas, ang mga taong dating naglalagay ng katalinuhan sa AI ay umalis na.

Ang "Turkong Mehanikal" na nagtatago ng totoong manlalaro ng chess ay maaari nang isarado ang kanyang kahon.

Link ng referensya:

[1]https://www.cnbc.com/2026/08/25/amazon-service-that-jeff-bezos-called-artificial-ai-is-shutting-down.html

Nakapost sa WeChat public account na "Quantum Bit", may-akda: Meng Yao