一个几美分一单，却曾托起整个深度学习时代的跑腿众包平台。

现在，它要关门了。

亚马逊刚刚宣布，旗下众包平台Mechanical Turk将于今年9月30日彻底停止服务。

巅峰时期，平台上超50万人在线打杂，看图、分类、标注，把电脑当时还学不会的小事，一单单全人工完成。

后来，这股庞大的「人肉算力」直接参与撑起了ImageNet数据集——

没有MTurk，ImageNet上千万张图片的人工标注，几乎不可能完成。

没有ImageNet，李飞飞可能不会一夜成名。

Hinton师徒不会一战封神，深度学习可能也不会在2012年突然复兴。

21年后，真正的AI越来越会做这些作业了。

而当年替AI装聪明的那群人，连同这个平台一起，迎来了《下线通知》。

50万人在线打零工，MTurk找来真人“代班”

Mechanical Turk（MTurk）上线于2005年。

其实最开始吧，亚马逊压根没想着靠这玩意儿改写什么AI历史。

MTurk当时解决的是一个特别实际且抓马的问题：有些任务，对电脑难得要死，对人却简单得离谱。。。

于是亚马逊干脆想了个非常直接的办法：既然程序搞不定，就把问题切碎了扔给真人呗～

于是乎，这些被拆出来的小任务，就被叫做HIT，也就是Human Intelligence Task。

比如一家公司手里有1万张图片要分类，MTurk的玩法，是直接拆成1万个独立任务，同时撒到平台上。

100个人可以一起干，1000个人也可以，几万人一起上线，就更快。

换句话说，MTurk并不是让单个人干得更快，而是把一件原本只能排队做的苦力活，变成了可以「全球并行」。

真·人工版数据飞轮了。。。

而Mechanical Turk这个名字，本身也刚好对应这套「玩法」。

18世纪，欧洲曾有一台著名的机械土耳其人，外面看，是一台会自己下国际象棋的机器，甚至还能跟拿破仑对弈。

后来大家才发现，机器里面一直藏着真人棋手！？（我大E了。。。）

亚马逊把这个典故搬到互联网上，几乎严丝合缝，程序表面上像在自动处理，真正干活的，却是屏幕后面的真人。

贝索斯当年给它起了一个堪称一语成谶的说法：

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

这个点子一旦跑通，MTurk很快就从亚马逊自家的工具，长成了一个全球众包市场。

到2011年，MTurk上已经汇聚超过50万名Worker，覆盖190个国家。

人一多，能接的活也开始迅速膨胀，图片筛选、语音转写、文本分类、数据清洗、情绪判断、内容审核。

只要是那种「机器容易犯难，人几秒就能判断」的任务，都能往这里扔。

这一扔，就是21年。

没有MTurk，就没有如今的ImageNet和深度学习革命

时间回到2006年前后。

刚到普林斯顿任教不久的李飞飞，决定干一件在当时颇有些反潮流的事儿——

给机器造一本足够大的视觉百科全书。

彼时，主流计算机视觉数据集，往往只有几千到几万张图片，数据太少，模型很容易学成刷题家，能记住训练集里的套路，却很难真正理解现实世界里千奇百怪的物体。

于是李飞飞团队想干一件当时非常疯狂的事儿：给机器造一个「足够大」的视觉世界。

ImageNet数据集，由此诞生。

ImageNet以WordNet为骨架，把现实世界拆成一个个概念，再往每个概念下面塞进成百上千张真实图片。

狗、汽车、苹果、椅子、鸟、鱼……能被定义出来的东西，尽量都往里装。

但很快，一个更现实的问题迎面砸了过来——

图片不难找，Google、Yahoo、Flickr确实也都能搜，但真正麻烦的是搜回来的图，根本不一定对，甚至完全不相关的东西！！！

于是搜索引擎负责把图捞回来之后，还得有人工去做最后一步：一张一张确认。

说个夸张的数字，ImageNet后来要处理的候选图片规模，超过 1.6亿张！！！这一下，人力问题彻底成了死结。。。

就在ImageNet快被海量人工筛图拖住时，李飞飞团队把目光转向了刚上线不久的Amazon Mechanical Turk。

ImageNet团队开始把海量图片筛选工作拆成微任务，再分发给MTurk平台上的全球Worker。

一个宏大的AI基础设施，就这样被拆成了无数次最普通的「鼠标点击」。

2009年发表的ImageNet论文里描述到，当时数据集里就已经收录5247个概念、320万张整理后的图片。

ImageNet团队后来回顾整个项目时给出的数字是：4.9万名MTurk工人，来自167个国家。

换句话说，ImageNet背后真正撑起这场筛图工程的，是一支横跨全球的临时标注大军。

这也就是为什么没有MTurk，ImageNet当年可能真做不出来。。。

ImageNet做起来之后，后面的故事才真正开始加速。

2010年，ImageNet挑战赛开打，全世界的模型开始拿同一套数据训练，再到同一张榜单上PK。

两年后，那个后来被反复写进AI史的组合登场了——

多伦多大学的Geoffrey Hinton，以及他的两个学生Alex Krizhevsky、Ilya Sutskever。

仨人拿着一个深度卷积神经网络参加ImageNet大规模视觉识别挑战赛。

硬是把2012年ImageNet挑战赛Top-5错误率直接压到约15%，一下甩开传统方法一大截。

这也让整个计算机视觉圈第一次如此直观地看到，海量数据、GPU算力和深度神经网络凑到一起，效果可以直接跨一个台阶。

从左到右：llya Sutskever、Geoffrey Hinton与Alex Krizhevsky

从此，Alex Krizhevsky的名字焊在AlexNet上。

Ilya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老爷子后来拿下图灵奖，也成了公认的深度学习教父之一。

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上的位置。

再往后，VGG来了，GoogLeNet来了，ResNet来了。

ImageNet榜单一年年被往下刷，深度学习从视觉一路冲进语音，再杀进自然语言处理，最后走到今天的大模型时代。

这个世界真的很神奇——

李飞飞团队借MTurk做出ImageNet；ImageNet让李飞飞声名大噪；Hinton师徒借ImageNet一战成名；深度学习又借这场胜利走向复兴。

来自167个国家的近5万名普通人，坐在电脑前，把上亿张候选图片一点一点「点」成了ImageNet。

AI终于学会干活了，MTurk却先下线

也正因为如此，Mechanical Turk今天关停，才显得格外像一个时代闭环。

亚马逊官方说法很克制，只表示持续评估旗下产品和服务，因此决定停止MTurk。

CNBC此前援引数据工人权益组织Turkopticon的Krista Pawloski称，MTurk这些年一直在衰退，亚马逊投入越来越少，新一代数据标注平台也在不断分走工人和客户。

但更直接的原因，说白了还是它当年最值钱的那些活，AI自己越来越会干了。。。

2005年你让机器判断一张图里有没有狗还是正经难题，但现在其实已经成了多模态模型顺手就能完成的基础任务。

与此同时，AI行业对「人」的需求也变了。

前沿模型更需要程序员、医生、律师等专业人士去评代码、审回答、测推理和安全。

于是乎，Scale AI、Mercor、Prolific等新平台崛起，开始筛选和管理专家，提供更专业的训练与评测数据。

相比之下，MTurk这种「谁都能接、几美分一单」的众包模式，也越来越跟不上时代了。。。

更魔幻的是，连MTurk工人自己都开始用AI！！！

2023年一项瑞士学者研究发现，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%。

原本客户花钱买的是真人判断，结果有些工人可能接单后，再把题目交给ChatGPT之类的模型回答。

这件事多少有点黑色幽默了。。。

MTurk的命运，其实也是过去20年AI的一张缩影。

最早人类躲在机器背后，一张图一张图地点，硬生生攒出了ImageNet，也推开了深度学习时代的大门。

后来，AI沿着这些数据一路长大，终于学会自己看图、听声音、写文字。

21年后，当年替AI装聪明的人退场了。

那台藏着真人棋手的「机械土耳其人」，也终于可以关上柜门了。

参考链接：

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

本文来自微信公众号“量子位”，作者：梦瑶