60岁程序员投了1000份简历0回复

Patrick Ciriello每天收到近1000条招聘邮件提醒时，已经和家人在丰田SUV里住了四个月。

这位60岁的信息管理硕士，曾为银行、大学、药企设计软件系统。2023年初失业后，他投递了数百份申请——IT支持、客服、甚至超市熟食柜台。零offer。佛蒙特州停止资助困难家庭住汽车旅馆后，他和妻子、20岁儿子、一只猫，把丰田汉兰达改成卧室。沃尔玛停车场过夜，白天泡在图书馆和麦当劳蹭免费WiFi投简历。

「你听说过跌到谷底的人。我就在那儿。」他对《卫报》说。

从"内容写手"到AI训练师：一场误打误撞的求生

2024年3月，LinkedIn一条「内容写手」的私信让他以为是诈骗。回复后才发现，这份工作的真实身份是数据标注员——用他三十年的技术经验训练AI模型。

Ciriello的转型并非孤例。《卫报》采访了五位50岁以上的高技能劳动者，他们手握学位、行业资历、数十年经验，却在残酷就业市场中被迫转向一个新兴工种：数据标注。

这份工作具体做什么？医生审核AI回答的医疗问题，标记错误或不安全回复；律师评估法律建议的准确性；工程师像Ciriello这样，判断技术文档的合理性。核心逻辑是把人类专业知识「蒸馏」给机器，让ChatGPT、Gemini这类模型学会更像专家一样思考。

平台通常按任务计价，时薪参差不齐。但对这些求职者而言，这是溺水者能抓到的最近一块浮木。

三重经济冲击与一条断裂的职业生涯

Ciriello的履历本应是保险单。硕士学历、跨行业项目经验、从 dot-com 泡沫到2008金融危机再到新冠疫情的多次「软着陆」。每次失业后，他总能找到下一份工作，虽然要动用储蓄和退休金填补空档。

2023年这次不一样。

年龄成了看不见的过滤器。60岁投递IT支持岗位，HR系统可能连简历都不会推到用人部门。他降低预期申请客服，对方嫌「overqualified」（资历过高）。超市熟食柜台？没有回应。

美国劳工统计局数据显示，55岁以上长期失业者（失业27周以上）占比持续攀升。对技术从业者而言，年龄歧视叠加行业收缩，形成双重绞杀。Ciriello精通的技术栈在招聘启事里逐渐变成「legacy system」（遗留系统）——能跑，但没人想维护。

数据标注工作的讽刺性在于：企业需要他的经验来教AI取代像他这样的人。

「绝望的人很多」：一个隐蔽的劳动力市场

《卫报》采访的其他四位50+工作者，背景各异但轨迹相似。

一位前金融分析师，CFA持证，2022年被裁后投递超过800份简历。最终通过数据标注平台获得收入，时薪18美元，约为原岗位的三分之一。一位退休教师，用教学经验训练教育类AI，时薪按完成题目数量计算，「做得快时接近最低工资，慢的时候倒贴时间」。一位前记者，为新闻摘要AI做事实核查，发现系统反复犯同样错误，「像在教一个永远毕不了业的学生」。

他们共同描述了这个市场的特征：准入门槛低（有电脑和网络即可），稳定性极差（任务量波动大），但需求真实存在。

全球数据标注市场规模2023年估计为8.6亿美元，预计2030年超过50亿。驱动因素很直白——大模型需要海量高质量标注数据，而专业领域（医疗、法律、工程）的标注必须依赖有资质的人类。

平台经济把这个需求拆解成微任务，通过Amazon Mechanical Turk、Scale AI、Appen等中介分发。对雇主而言，这是灵活用工；对Ciriello们而言，这是零工化的专业劳动。

经验的价值重估：从资产到「训练数据」

Ciriello现在的工作流程是：接收AI生成的技术文档片段，判断其准确性、完整性和实用性，给出评分和改进建议。他的三十年经验被压缩成一个个二元判断——「正确/错误」「有帮助/无帮助」「安全/不安全」。

这种劳动的价值计算方式发生了根本转变。

在传统雇佣关系中，经验意味着决策权、管理半径、薪资溢价。在数据标注中，经验被「颗粒化」为可计件的判断单元。平台不关心你是谁，只关心你的标注通过率。Ciriello提到，同一批任务可能同时分发给几十人，系统用一致性算法筛选「高质量标注者」——你的意见如果总是和多数人不同，会被降权甚至踢出。

「某种程度上，我们在训练AI取代自己的判断力。」一位受访者说。但她也承认，没有这份收入，房贷已经断供。

这种矛盾心态普遍存在：既清楚工作的临时性，又依赖它维持现金流；既质疑平台的剥削性质，又感谢它提供了传统就业市场拒绝给予的入场券。

AI训练师的悖论：制造自己的替代者？

数据标注行业内部存在一条隐晦的食物链。

基础层是通用标注——图片分类、语音转写、简单问答，时薪通常低于10美元，由全球低成本劳动力完成。专业层需要领域知识，时薪15-30美元不等，Ciriello们聚集于此。再往上是「红队测试」和模型评估，由少数资深专家以项目制参与。

问题在于，这个链条正在自我吞噬。

OpenAI 2023年的一篇研究论文显示，GPT-4在部分标注任务上已达到人类水平。行业术语叫「合成数据」——用AI生成数据来训练AI。如果技术路线走通，专业标注者的需求会急剧收缩。Ciriello们此刻的工作，可能正在加速自己的失业。

更现实的威胁来自「模型蒸馏」。大厂商把GPT-4的能力「蒸馏」到小模型上，降低对高质量标注数据的依赖。这意味着即使AI整体进步，专业标注的市场规模也可能不增反降。

Ciriello对此有清醒认识。他把这份工作视为「过渡」，同时继续投递传统岗位。但过去18个月的求职经历让他悲观：「以前失业是间隙，现在是状态。」

政策真空与个体策略

美国现行职业培训体系对这类转型支持有限。

劳工部的WIOA（劳动力创新与机会法案）拨款侧重于传统技能培训——焊接、护理、编程入门。AI数据标注既太新，又太「轻」，难以纳入认证体系。社区学院开始开设「AI素养」课程，但目标群体通常是年轻人，而非50+的再就业者。

Ciriello们发展出自己的生存策略。

多人提到「平台套利」——同时在多个标注系统注册，根据任务量和单价动态分配时间。有人尝试把标注经验转化为简历上的「AI相关经验」，投递产品经理或AI训练师（全职岗位）。一位前律师成功跳槽到法律科技公司，负责设计合同审查AI的工作流——从「做标注」升级为「管标注」。

这种向上流动的机会稀少，但存在。关键在于把零工经验重新叙事为「AI行业经验」，而非「找不到正经工作的过渡」。

一个家庭的移动办公室

2024年夏天，Ciriello终于租到一间公寓。不是通过全职工作，而是数据标注收入加上妻子在餐馆的兼职。丰田汉兰达回归交通工具的本职。

他的工作场景仍然流动。标注平台没有固定工时，任务高峰常在凌晨——对应美国西海岸的白天。他习惯了在厨房 table 上工作，旁边是儿子的游戏本和妻子的排班表。

「至少现在收到邮件，不全是拒信了。」他说。偶尔有猎头联系，职位仍是数据标注，但时薪略高，或承诺「表现优异者转全职」。他不再追问「转全职」的比例，只是继续标注。

儿子明年大学毕业，专业是数据科学。Ciriello没有建议他走自己的路，也没有警告他避开。父子俩偶尔讨论某个标注任务——AI生成的代码片段是否有明显错误。这种对话的荒诞性，他选择不去细想。

如果AI训练师的终极目标是让AI不再需要人类训练师，那么这批50+工作者的「再就业」，究竟是一场及时雨，还是延迟的告别？