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。
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。。。
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。
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。。。
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。。。
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。。。
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
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
点亮星标
科技前沿进展每日见
