一年前的Carol，沒想過自己會成為一名全職的AI訓練師（AI Trainer）。
當時，她剛從一份做了六年半的軟體公司PM工作離開，正在重新思考下一步。她替自己的職涯設下三個目標：能跟國際團隊合作、擁有足夠的自由度、做的事要和AI有關。
沒想到答案來得有點意外，她在LinkedIn上看到一封來自AI訓練與數據標註平台DataAnnotation的訊息，條件竟然剛好和她心中這三個目標一一對上，她認真研究、投出申請，就這樣因緣際會，投入到AI訓練師這個領域。
真正入行以前，Carol對這份工作的想像和多數人相似。提到AI訓練師，很多人會聯想到一種近乎勞力性質的資料標註工作：機械又重複地對著螢幕替AI貼貼標籤，好像只要花時間，誰都能上手。但幾個月後，她就確切地感受到這是一門遠比外界想像中更「燒腦」的專業。
像裁判一樣，在沒有標準答案的地方打分數
「每接一個新專案都像進到一家新公司，」她描述，通常前期的準備工夫最關鍵、也最耗費時間跟心力，因為每個專案都會有各自的規範、流程以及所屬的審核團隊，常常得先讀熟一份動輒數十頁的評分規範，確保自己的判斷標準和整個團隊一致。
即便有規範手冊作為準則，實際執行時仍充滿模糊地帶。評判標準往往涵蓋好幾個不同的維度，例如內容有沒有事實錯誤或前後文矛盾、敘述夠不夠流暢自然、篇幅是否太長或太短，或者有沒有觸及有害內容等。但AI的產出不可能每個維度都拿滿分，比方說一則回應可能很流暢，某個關鍵事實卻是錯誤的；或者也可能內容正確，卻冗長得讓人難以閱讀，這時候就相當倚賴AI訓練師自身的判斷。「你必須要自己判斷在這個特定情境中，哪個維度是更重要的，才有辦法給出整體品質（Overall Quality）總結。」她說。
此外，更難的判斷還在於文化轉譯。由於中文內容中的隱喻、雙關或文化暗示，經常需要結合語境理解，例如中文會用相當隱晦或拐彎抹角的方式來表達性暗示，「表面上看起來好像沒什麼問題，但以母語使用者的角度看已經是很誇張的內容。」Carol表示，這些藏在語感裡的「擦邊球」，正是像她這樣的母語訓練員，得靠語感與文化理解來做判斷，進一步替模型把關的地方。
Carol說明，在打完分數之後，還要寫一段簡短的判斷說明交給上層的審核人員覆核，因此作為AI訓練師除了要能判斷結果，也必須要能把抽象的判斷過程，翻譯成一套別人也看得懂的邏輯。「這份工作的本質，其實比較像裁判。」她認為，最重要的是必須建立自己的邏輯系統，在沒有標準答案的情況下，替AI的表現打分數、下定義。
從一個人的判斷，到帶領團隊做判斷
隨著資歷累積，Carol的角色也從單純的個人訓練師，一路走到帶領團隊。在後來加入的AI訓練平台Mercor上，她曾擔任一個多語言AI安全性專案的中文團隊lead，目標也從「自己做判斷」變成「讓一群人的判斷趨於一致」。
Carol發現，這個任務遠比當初想像中困難，因為就算是同一條guideline，每個人的解讀也會不一樣。為了更精準地收攏這些模糊地帶，她不會只告訴成員對或錯，而是去了解對方「為什麼會這樣判斷」，再一起把邏輯導正回統一的標準。而遇到規範本身就容易產生歧義的案例，她會把爭議彙整起來、向上層團隊反映，並建議整理成一份FAQ，讓它成為往後大家共同的參考，而不是各憑想像。由於團隊分散在不同時區，她常常得靠著通訊軟體不斷「敲訊息」追進度、掌握品質，才能在偏差擴大以前及時校準。
從評分到攻防，AI任務的不斷演進
成為這個角色近一年，Carol接到的任務也不斷演進。最初，她接到的多半是對話式的評估：與AI一來一往地對話，再依據回應的品質給出評判。後來，任務的形態開始轉變，出現愈來愈多測試AI Agent能否在電腦環境裡，實際完成交付的一連串任務。而近期，愈來愈多的專案則轉向把關AI模型的安全性，其中一類任務就是紅隊測試（Red Teaming）。
Carol解釋，這項工作需要主動去試探模型的邊界，由於直白的有害要求會被系統當場攔下，訓練師得設法繞過模型的防線，像是設計一個角色扮演的情境，再從模型的敘述裡，觀察它會不會一步步滑向擦邊的有害內容。在揪出破綻後，記錄下模型出錯的地方，再提供一份理想回應，供後續模型訓練與安全改善使用。這種在暗處與AI鬥智的過程，是Carol覺得最過癮的部分，「那個感覺其實很像在打遊戲破關。」她笑說。
對Carol來說，工作的成就感不只來自於完成任務，更是背後所象徵的意義。Carol認為，這類測試要防的是AI產出色情、誘導自殺等這類真正會傷害到人的內容，她每找出一個破口、補上一個正確解答，都有機會成為後續改善模型安全性的依據。「這讓我覺得自己在做的事，有幫助到這個產業變好一點點。」
身在AI之中，反而更看見人的價值
這份工作也重新形塑了Carol的生活，沒有固定的上下班時間，全看案子的節奏安排，她可以在平日的午後去上一堂瑜珈，而在週末埋首拚命工作，就像每一名自由接案者一樣，同樣得面對收入與案源的不確定，也因此讓她養成了一種心態：努力做，然後隨緣。
而在這樣的日常裡與AI貼身相處，反倒讓Carol更確定一件事，「我做這個工作，反而更覺得，跟人有關的、有溫度的東西，AI很難取代。」她說。例如，她觀察到AI也會模仿人的稱讚，但那比較像一種缺乏情感的討好，遠不如現在工作時，素未謀面的跨國團隊捎來的一封聖誕快樂訊息，更帶著真人的溫度。
AI訓練師這份工作也意外地幫助她更加釐清未來職涯的輪廓，原本就有產品經理背景的Carol，留意到「AI PM」正成為熱門的新角色，其中最關鍵的一項能力，是建立一套規則去評估一個AI產品的好壞，而這正是她過去這一年訓練出來的判斷力。
「與其焦慮，不如主動去看看這個產業走到哪裡了，然後去思考自己可以做什麼。」面對AI，Carol認為，與其擔心自己被取代，她更想弄清楚AI到底走到了哪裡，還有哪些是它做不到、仍需要人去介入的。既然擋不住這股浪潮，她選擇參與其中，把模型以及自己的未來推往一個她認為更好的方向。
