Amazon Mechanical Turk 將於 2026 年 9 月 30 日關閉

一個每單僅幾美分、卻曾支撐整個深度學習時代的外送眾包平台。

現在，它要關門了。

亞馬遜剛剛宣布，其眾包平台 Mechanical Turk 將於今年 9 月 30 日徹底停止服務。

在巔峰時期，平台上有超過 50 萬人線上處理雜務，如看圖、分類、標註，將當時電腦還無法學會的任務，一單一單完全由人工完成。

後來，這股龐大的「人肉算力」直接參與撐起了 ImageNet 數據集——

沒有 MTurk，ImageNet 上千萬張圖片的人工標註幾乎不可能完成。

Without ImageNet, Li Fei-Fei might not have become famous overnight.

Hinton 師徒不會一戰封神，深度學習可能也不會在 2012 年突然復興。

21 年後，真正的 AI 會越來越擅長做這些作業了。

而當年為 AI 裝聰明的那群人，連同這個平台一起，迎來了《下線通知》。

50 萬人線上兼職，MTurk 找來真人「代班」

Mechanical Turk（MTurk）於2005年上線。

其實最開始吧，亞馬遜根本沒想過靠這玩意兒改寫什麼 AI 歷史。

MTurk 當時解決的是一個特別實際且戲劇性的問題：有些任務，對電腦來說難如登天，對人類卻簡單得離譜。。。

因此，亞馬遜乾脆想了一個非常直接的方法：既然程式解決不了，就把問題拆碎了交給真人處理吧～

於是，這些被拆分出來的小任務就被稱為 HIT，也就是 Human Intelligence Task。

例如，一家公司手上有 10,000 張圖片需要分類，MTurk 的做法是直接將其拆分成 10,000 個獨立任務，同時上架到平台。

100 個人可以一起做，1000 個人也可以，幾萬人一起上線，就會更快。

In other words, MTurk doesn't make one person work faster; it turns a tedious task that could only be done in sequence into something that can be performed in “global parallel”.

真正的真人數據飛輪了。。。

而 Mechanical Turk 這個名字，本身也剛好對應這套「玩法」。

在18世紀，歐洲曾有一台著名的機械土耳其人，外觀上看，是一台能自行下國際象棋的機器，甚至還能與拿破崙對弈。

後來大家才發現，機器裡面一直藏著真人棋手！？（我大E了。。。）

Amazon 將這個典故搬到互聯網上，幾乎嚴絲合縫，程式表面上像在自動處理，真正幹活的，卻是螢幕後面的真人。

貝索斯當年給它起了一個堪稱一語成讖的說法：

人工的人工智慧（artificial artificial intelligence）。

這個點子一旦跑通，MTurk 很快就從亞馬遜自家的工具，長成了一個全球眾包市場。

到2011年，MTurk 上已匯聚超過 50 萬名 Worker，覆蓋 190 個國家。

人一多，能接的活也開始迅速膨脹，圖片篩選、語音轉寫、文本分類、數據清洗、情緒判斷、內容審核。

只要是那種「機器容易犯難，人幾秒就能判斷」的任務，都可以丟到這裡。

這一扔，就是 21 年。

沒有 MTurk，就沒有如今的 ImageNet 和深度學習革命

時間回到 2006 年前後。

剛到普林斯頓任教不久的李飛飛，決定做一件在當時頗有些反潮流的事兒——

Build a large enough visual encyclopedia for machines.

當時，主流的電腦視覺數據集通常只有幾千到幾萬張圖片，數據太少，模型很容易學成刷題家，能記住訓練集裡的套路，卻很難真正理解現實世界中千奇百怪的物體。

於是李飛飛團隊想做一件當時非常瘋狂的事：給機器創造一個「足夠大」的視覺世界。

ImageNet 數據集，由此誕生。

ImageNet 以 WordNet 為骨架，將現實世界拆分成各個概念，並在每個概念下填入數百至數千張真實圖片。

狗、汽車、蘋果、椅子、鳥、魚……能被定義出來的東西，盡量都往裡裝。

但很快，一個更現實的問題迎面砸了過來——

圖片不難找，Google、Yahoo、Flickr 確實都能搜到，但真正麻煩的是搜回來的圖，根本不一定對，甚至完全不相關的東西！！！

因此，搜索引擎負責把圖撈回來之後，還得有人工去做最後一步：一張一張確認。

說個誇張的數字，ImageNet 後來要處理的候選圖片規模，超過 1.6 億張！！！這一下，人力問題徹底成了死結。。。

就在 ImageNet 快被海量人工篩圖拖住時，李飛飛團隊把目光轉向了剛上線不久的 Amazon Mechanical Turk。

ImageNet 團隊開始將海量圖片篩選工作拆分成微任務，再分發給 MTurk 平台上的全球 Worker。

一個宏大的 AI 基礎設施，就這樣被拆解成無數次最普通的「滑鼠點擊」。

2009年發表的 ImageNet 論文中描述，當時數據集已收錄 5247 個概念、320 萬張整理後的圖片。

ImageNet 團隊後來回顧整個項目時提供的數字是：49,000 名 MTurk 工人，來自 167 個國家。

In other words, what truly underpins the image screening project behind ImageNet is a global, temporary workforce of annotators.

這就是為什麼當年沒有 MTurk，ImageNet 可能真的做不出來。。。

After ImageNet was launched, the story behind it truly began to accelerate.

在 2010 年，ImageNet 挑戰賽開賽，全球的模型開始使用同一套數據進行訓練，並在同一張排行榜上較量。

兩年後，那個後來被反覆寫入 AI 史的組合登場了——

多倫多大學的 Geoffrey Hinton，以及他的兩位學生 Alex Krizhevsky、Ilya Sutskever。

三個人攜帶一個深度卷積神經網絡參加 ImageNet 大規模視覺識別挑戰賽。

Directly reduced the Top-5 error rate of the 2012 ImageNet competition to approximately 15%, leaving traditional methods far behind.

這也讓整個電腦視覺領域首次如此直觀地看到，海量數據、GPU 計算能力與深度神經網絡結合，效果可以直接提升一個層次。

從左到右：Ilya Sutskever、Geoffrey Hinton 與 Alex Krizhevsky

From then on, Alex Krizhevsky's name became welded to AlexNet.

Ilya 後來前往 Google Brain，參與創辦 OpenAI 並擔任首席科學家，離開後又創辦 SSI。

Hinton 老人家後來獲得了圖靈獎，也被公認為深度學習的教父之一。

Li Fei-Fei returned to Stanford to teach, co-lead HAI, and established her place in the history of modern computer vision through ImageNet.

之後，VGG 來了，GoogLeNet 來了，ResNet 來了。

ImageNet 榜單一年年被往下刷，深度學習從視覺一路衝進語音，再殺進自然語言處理，最後走到今天的大模型時代。

這個世界真的很神奇——

Li Fei-Fei's team used MTurk to create ImageNet; ImageNet made Li Fei-Fei famous; Hinton and his students rose to prominence through ImageNet; deep learning further revived due to this victory.

來自167個國家的近5萬名普通人，坐在電腦前，把上億張候選圖片一點一點「點」成了 ImageNet。

AI 終於學會幹活了，MTurk 卻先下線

也正因如此，Mechanical Turk 今天關閉，才顯得格外像一個時代閉環。

亞馬遜官方的說法非常克制，僅表示持續評估其旗下產品與服務，因此決定停止 MTurk。

CNBC 此前援引數據工人權益組織 Turkopticon 的 Krista Pawloski 表示，這些年來 MTurk 一直在衰退，亞馬遜的投入越來越少，新一代的數據標註平台也持續分流工人和客戶。

但更直接的原因，說白了還是它當年最值錢的那些活，AI 自己越來越會幹了。。。

在 2005 年，讓機器判斷一張圖中是否有狗仍是一個真正的難題，但如今這已成為多模態模型輕鬆就能完成的基礎任務。

Meanwhile, the demand for "human" in the AI industry has also changed.

Frontier models require professionals such as programmers, doctors, and lawyers to review code, evaluate responses, test reasoning, and assess security.

於是，Scale AI、Mercor、Prolific 等新平台崛起，開始篩選和管理專家，提供更專業的訓練與評測數據。

相比之下，MTurk 這種「誰都能接、幾美分一單」的眾包模式，也越來越跟不上時代了。。。