AI · BM · 224
通才到专家标注转型
Generalist To Expert Labeling Shift · generalist-to-expert-labeling-shift--garrett-lord
所属簇 模型技术素养
解决什么问题
"数据标注"这个市场几年内发生了根本性转向,理解这个转向能帮你判断:你要进入或投资的数据/人才服务生意,到底该往"低成本规模化"方向做,还是往"高端专家网络"方向做。
核心内容
- 过去的数据标注市场是通才(generalist) 生意:利用国际低成本劳动力做基础任务(比如给照片里的停车标志画框)。
- 转折点是:模型能力已经强到普通人很难再"考倒"它——一个物理学博士能在具体子领域里精确证明模型哪一步推理错了、哪里给出了错误的"ground truth"答案;普通人做不到这件事。因此市场需求从"更多便宜劳动力"转向"更少但更专的专家"。
- 具体到 Handshake 的案例:他们的专家网络覆盖 500,000 名博士、300 万硕士生/校友,能精准触达此前从未被互联网记录过的细分学科知识(化学、数学、物理、生物、编程)。
- 报酬差异是这个转变最直观的量化证据:Handshake 专家网络里,顶尖院校的 PhD 在自己的专业领域时薪可达 100-200 美元——对比参照是当助教（teacher's assistant）时薪约 25 美元,而"给最新模型找茬（breaking the latest models）"时薪约 150 美元。专家们还把这个过程当成"付费学习前沿工具"的机会,反哺自己的教学和研究。
- 这个转变也重塑了商业模式的护城河:护城河不再是"谁能压低众包成本",而是"谁能建立起专家群体的信任和品牌",因为传统众包玩家(靠 200 名招聘人员在 LinkedIn 群发消息+砸广告获客)的获客成本和转化率结构性劣于拥有天然专家社群信任的平台。
适用边界
- 这个转变发生在模型能力已经很强、能自我暴露"通才标注挑不出的错误"这个阶段之后;模型能力较弱的早期阶段,通才标注仍然有效。
- 专家网络模式需要长期积累的信任和品牌(作者强调"a decade of trust with 18 million people"),不是短期能复制的资产。
- 不同实验室对"专业知识 vs. 软技能/创意"的需求配比不同,作者指出创意侧的需求(幽默、写作风格)同样重要,不能简单等同于"STEM 博士"。
关键引述 · 原话
Garrett Lord: "It used to be generalists' work... but really what's happened is the models have gotten so good that the generalists are no longer needed. What they really need is experts."
Garrett Lord: "We like to say the only moat in human data is access to an audience."
关联卡片
- 与 `audience-trust-moat-for-data-labeling--garrett-lord` 是同一现象的两面:本卡讲市场需求侧的转变,那张卡讲供给侧(获客/留存结构)的竞争优势。 - 与 Brendan Foody(Mercor)描述的同一转变(见 `expert-labor-pareto-and-pay-benchmark--brendan-foody`)互为印证,两家公司独立得出相似结论。
被这些卡引用
出处：Garrett Lord (Handshake 联合创始人兼 CEO) · 03-podcasts/garrett-lord.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验