最近，在杨澜采访朱纯松和陈繁昌对话里，提到有一位做数据标注的企业家，当他被问到招聘什么人，回答是“招文科生，因为标注这件事，需要理解人是怎么看待事物的”。
我觉得这讲出了人工智能产业正在发生的一项变化：当机器越来越擅长生成答案，企业开始需要有人解释，什么样的答案才值得交给用户。

过去讨论技术，大家习惯问“能不能做到”；现在，大量问题已经变成“做到什么程度才合适”，而一个“合适”，里面包含着事实、法律、利益、情境，以及人对待他人的分寸。
这些东西开始进入产品生产过程，文科训练也就有了新的用武之地。
数据标注为什么需要文科生？先思考一个具体问题。
假设我们要训练一个处理消费者投诉的模型，给它看两段回复，一段语气温和，反复表示理解，却始终没有解释退款条件；另一段没那么亲切，明确指出商家此前的承诺，并给出申诉渠道。哪一段更好？
如果标注标准是“让用户感觉舒服”，第一段可能得高分；如果标准是“帮助用户解决问题”，第二段更值得保留。假如用户提出了不合理要求，情况又会变化：一个无条件支持用户、替他编造投诉理由的模型，也许很受欢迎，却会伤害其他人的合法权益。
所谓数据标注，到了这个层次，就是把“好”拆成可以执行、可以讨论、可以复查的标准。

大语言模型的基础训练，主要让它从海量文本中学习语言规律和知识关联。进入后续训练阶段，人们会提供示范回答、比较不同回答的优劣，或者依据明确规则给输出打分，以此调整模型的行为倾向。训练方式可以不同，背后都绕不开一个问题：由谁来规定什么表现值得奖励？
“有帮助”“诚实”“安全”，写在纸上都很好看，落实时却经常发生冲突。诚实地告诉一个人事实，可能令他难受；照顾他的情绪，又可能强化他的错误判断。拒绝回答可以降低某些风险，拒绝得太宽，正常的学习和研究也会受到影响。
我认为，AI公司招聘哲学、语言学、心理学等专业人才，最直接的原因就在这里：产品需要处理的判断，已经超出了单纯核对事实的范围。
工程师当然也能做这些工作，文科生也未必做得好。企业真正需要的是受过相关训练、能把含混要求讲清楚的人，而人才的来源因此扩大了。
当哲学系的毕业生进入AI实验室哲学系毕业生进入AI实验室，在国外已经不是新闻。
Anthropic的哲学研究者阿曼达·阿斯克尔参与制定Claude的行为原则，Google DeepMind的伊阿松·加布里埃尔研究AI的价值对齐与社会影响。他们面对的很多问题，并没有那么玄妙：模型什么时候应该反驳用户，什么时候需要继续追问，依据不足时该如何表达，有人要求它越过规则时，它应当怎样处理。
就拿“不要迎合用户”来说，这句话很难直接成为一套合格的产品规则。
用户说自己今天很失败，模型如果立刻纠正“你的判断缺乏证据”，大概没人愿意继续聊；用户说同事一定在密谋害他，模型如果为了表示理解而顺着说，又可能加重他的猜疑。这里需要区分的是，对情绪的接纳和对事实判断的认可，应该怎样在同一段回答里分别表达。

语言学关注话语的意图和语境，心理学帮助识别人处在什么状态，哲学擅长澄清概念、检查推理，并追问一项原则在边界情况下还能否成立。这些训练进入AI研发后，可以用于设计样本、编写行为规范、构造测试题，也可以帮助解释模型为什么答得令人不安。
我尤其看重“构造测试题”这件事，因为很多产品的问题，发生在设计者没有想到的地方。
一个模型平时礼貌周全，面对不断改变措辞的诱导，是否仍能坚持基本原则？它在中文里表现得体，换成方言、反话或者长辈训晚辈的表达，是否还能理解真实意图？它会不会因为用户自称专家，就放弃对明显错误的核查？
把这些情况找出来，做成可重复的测试，再根据结果修改系统，是一份需要想象力、语言敏感度和严密推理的工作。文科能力在这里有了明确的交付物。
训练AI需要文科生，并不代表文科生的好日子来了不过，我不赞成把这件事讲成“技术退场，人文接管”。
文科生如果把机会理解为“终于不用学技术了”，很可能再次失望。你可以擅长讨论公正，可进入产品团队之后，必须回答：公正落实在哪个环节，通过哪些案例检验，两个评审意见相反时怎样处理，改进之后又怎样判断有没有效果？
以招聘模型为例，“不要歧视求职者”是一个立场，落地时却需要检查训练材料是否包含历史偏见，模型是否把与岗位无关的信息当作筛选依据，不同群体是否被系统性地误判，以及遭到拒绝的人有没有申诉渠道。

每往前走一步，都需要法律知识、业务经验、数据分析和工程配合。抽象原则必须经过这样的展开，才有机会改变产品。
所以我对文科生的建议很明确：去掌握一项具体业务，再把自己的判断写成别人可以使用的规则。
研究法律，就试着建立法律问答的错误分类和评测样本；研究语言，就分析模型怎样误解省略、讽刺和礼貌表达；研究教育，就追踪一段看似正确的讲解，究竟在哪一步让学生产生误解。你拿得出这样的成果，用人方才知道你的专业训练能解决什么问题。
我不太相信一句“我有批判性思维”能在求职时产生多大作用。我更愿意看见一个人摆出二十个案例，说明现有标准哪里含混，为什么会造成错误，以及怎样修改才能减少分歧。
这种表达，比给自己贴一个“复合型人才”的标签有力得多。
那些模糊的语言地带，正是文科生发挥作用的地方招聘需求出现了，还要问企业为什么愿意付钱。
我的判断是，当生成内容越来越便宜，筛选内容、确定责任和建立信任，会在生产过程中占据更重要的位置。
过去写一份报告需要花很多时间，企业容易把注意力放在写作速度上；现在模型很快就能给出一份语言完整的报告，接下来的麻烦是，里面的依据是否存在，引用是否准确，结论是否越过证据，使用者会不会被流畅表达带偏。
这些问题一旦进入金融、医疗、教育和公共服务，就会转化为实际损失。企业招人处理它们，既有社会责任方面的要求，也有经营上的现实考虑：反复出错的系统难以获得客户信任，缺少责任边界的产品也很难进入严肃场景。

而且，AI正在从回答问题走向执行任务。替用户整理邮件，影响主要还停留在信息层面；替用户发送邮件、筛选候选人、安排采购，就开始涉及他人的利益，以及用户究竟授予了多大权限。
一个人说“帮我把这件事办好”，其中有大量没有明说的条件。理解这些条件、发现需要确认的节点、明确哪些行动必须获得授权，会成为产品能力的一部分。
这也是我认为人文社科人才的机会还会继续出现的原因：AI越深入社会生活，产品团队越需要理解社会生活本身。
谁来定义问题和答案，将是下一个阶段AI训练的必答题但招聘几位哲学博士，距离广大文科毕业生的就业改善，还隔着很长一段路。
高水平研究岗位数量有限，往往要求深厚的专业训练和研究能力；大量数据标注岗位则可能流程严格、议价能力有限，随着工具变化，一些任务还会被进一步自动化。用前者的薪酬吸引所有人，再让后者承接想象，是一种需要警惕的叙事。
同一个技术变化，完全可能一边增加少量高要求岗位，一边压缩大量常规写作、翻译和信息整理工作。对普通人来说，真正有用的问题是：自己现在做的工作里，哪些部分依赖可重复的表达，哪些部分依赖对具体事务的理解，而自己能否向后者移动。
我也反对把“定义问题”说成文科生的专属权利。
一位医生知道患者最常误解什么，一位社区工作者知道办事群众为什么反复跑腿，一位教师知道学生在哪一步开始跟不上，这些人都拥有非常重要的问题定义能力。经过训练的文科工作者，可以把这些经验整理成清晰概念和可执行标准，技术人员则要参与判断实现路径，几方面共同完成产品。
真正值得期待的变化，是不同知识背景的人有机会更早进入研发过程，在目标和规则尚未确定时参与讨论，而非等系统上线之后，再来解释它为何造成了麻烦。
写在最后回到“AI时代为什么开始招聘文科生”，我的回答是：机器进入了越来越多需要理解人、协调利益和作出判断的场景，过去容易被笼统称为“软能力”的一些训练，开始有了直接的生产用途。
这对文科生是机会，也提出了更高要求。靠熟练措辞交差，会越来越难；愿意研究具体事务、把判断变成可检验成果的人，会获得新的位置。
最后我想留给读者一个问题：假如明天让你参与改进一款AI产品，你最想纠正它的哪一种错误，又准备拿什么标准说服整个团队？