鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

训练AI,然后被裁?Uber AI项目突遭裁员,零工、博士都没留下来

编程导航
编程导航
2025-11-27 12:30
阅读 257
编程导航
2025-11-27 12:30
阅读 257

图片来源:unsplash

图片来源:unsplash

关于AI的起起落落,一切都那么迅猛,就连裁员也是。

11月27日,据Business Insider获取的信息,本周一,Uber的AI训练计划“Project Sandbox”中,很多项目成员已收到“裁撤通知”,即便是承诺项目雇员至少有三个月的工作期限。

Uber给出的理由是,因为客户“内部优先事项发生了变化”,他们提前被抛弃了。目前尚未清楚裁员人数。但引人关注的是,在这一轮裁员大潮中,零工和博士都未能幸免,均收到了裁员邮件。

不过,由于从入职到离职太过迅速,被裁员的人中大部分都还没能拿到第一笔工资,Uber方面称,他们的工资可能需要再等七周,也就是原先约定的合同期限结束后。

一个月前,Project Sandbox计划启动,据称,主要是为谷歌服务,用手中的人力资源帮助其开发AI工具。

该项目至少有十余家外包公司参与。根据公司官网信息,Uber AI Solutions提供数据标注、模型测试及Agentic AI技术栈等企业服务。

近年来,Uber一直致力于在网约车、外卖业务的基础上加速发展AI业务,利用AI优化自身系统的定价、匹配和调度效率,与谷歌的Waymo等公司一同布局自动驾驶出租车(Robotaxi)。其中,Uber AI Solutions尤其受到关注。

今年6月,Uber宣布将其技术平台提供给全球AI实验室和企业使用,利用其十年来在数据方面的积累和业务经验,帮助客户构造、测试,最终打造出更加智能的AI模型和应用。

在Uber的目标市场中,Agentic AI尤受重视。公司官方发布《Agentic AI技术堆叠:企业需要满足哪些条件才能在2026年大规模采用》文章中,详述了Uber为了帮助客户在2026年打造出真正的Agentic AI所进行的规划。

当然,其解决方案实际上离开不了“堆人工”,该公司介绍称,将通过全球超800万零工劳动力收集和评估实际资料,提供超过200种语言的服务,涵盖30多个网络。

今年以来,关于美国、印度等地的Uber司机、外卖人员在工作之余通过标注视频、图片等完成AI训练赚钱的贴文已经广为流传。

不过,这项工作需要的远不止传统意义上的零工。

就在月初的三季报财报电话会议上,Uber首席执行官达拉·科斯罗沙希(Dara Khosrowshahi)还明确表示,其人工智能训练任务中的不少岗位都需要博士学位,他们会在训练中承担更高阶的任务。

不管是不是所谓“AI降临派”,或许我们都不得不承认,总有一天我们要为AI打工。

今年以来,以人工喂养AI的产业愈发壮大,全球数十万人加入了AI数据标注的工作,有的将其作为职业发展方向,有的将其视为带来可观收益的副业。

在谷歌大获成功的Gemini 3和Nano Banana Pro背后,也少不了这些为AI打工的人。Business Insider称,Project Sandbox的参与成员完成Uber方面的注册后,都会与谷歌的一名特定员工取得联系。

目前,Surge AI、Scale AI等初创企业都致力于为科技巨头们的AI事业提供人工训练服务。不过,这个市场远没有那么稳定,相关公司的发展历程中,裁员往往是“常规操作”。

其中典型例子,莫过于为OpenAI提供人工训练、最早入局这片市场的Invisible Technologies,该公司在ChatGPT发布数月后就开始了裁员。

此外,AI领域的明星公司,包括GlobalLogic、Scale AI等在内,今年都启动了大规模裁员计划。

6月,Meta宣布收购Scale AI 49%的股权后,后者首席执行官汪滔(Alexandr Wang)随即加入Meta,而Scale AI则因为客户流失和经营问题、组织变动等原因进行了大规模裁员。据称,包括占公司总人数超过10%的200名全职员工和500余名合同工失去了工作。

虽然汪滔入职Meta后主导的TBD Lab团队很受重视,但Meta自身的大裁员也已经在10月到11月开始。

根据美国数字媒体平台Axios早先发布的报道,Meta计划在10到11月之间裁撤600名AI条线的员工。FAIR研究团队的研究总监田渊栋已经离职,AI教父级人物、图灵奖得主杨立昆(Yann LeCun)也确认自己将于年底从Meta离职创业。

虽然目前多项研究显示,AI对整体就业的冲击尚未显现,但全球最大求职网站Indeed的最新报告则指出,即使AI还无法取代人工,但至少已经能让企业用更少投入做更多的事,尤其在数据分析领域,员工无需过多培训就能利用AI来分析数据。

这导致科技公司数据分析领域的职位发布数量急剧下降,相比新冠疫情前,相关领域的职位空缺减少了40%。即使就业市场不会出现“失业潮”,但如果缺少新的招聘岗位,未来的就业结构就会变得异常畸形。

即使不考虑AI,日本1990年代末泡沫经济破裂后的情况也提示了这种危机。当时,为了保证已冗余的在职员工有能力支付房贷,避免金融系统全方位崩溃,日本的政策决策层和大企业几乎主动放弃了毕业生招聘,这在“失去的三十年”中导致了一系列的经济和社会问题。

那些率先启用AI的公司或许会获得成功,但颇为讽刺的现实是,那些最早为AI打工的人,恐怕始终逃不过被抛弃的命运。(作者|胡珈萌,编辑|李程程)

原文链接: 训练AI,然后被裁?Uber AI项目突遭裁员,零工、博士都没留下来
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题
🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
400
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300
11
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
260
12
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
260