时空修复、剥夺性积累与 AI 数据工作类型学
残障人士如何被卷入 AI 数据热潮？
第一篇引入了大卫·哈维的「剥夺性积累理论」与「时空修复」概念，探讨了在中国 AI 数据标注行业的特定场景下，残疾员工是如何作为「剩余劳动力」被纳入资本积累过程的 。科技巨头通过平台化运作和算法管理，将数据标注需求扩散至经济欠发达地区，那么，残疾人组织（DPOs）在这个由资本、政府、科技公司及残疾员工构成的价值链中，究竟扮演了怎样的中介角色？它们又是如何巧妙利用政策、塑造工人形象，并在空间和时间维度上进行策略性布局，为残疾员工在算法控制的环境下争取工作尊严和能动性的？
第二篇则聚焦于 AI 数据工作领域术语混淆的现状，提出了一个全新的分类框架。面对「微工作」、「幽灵工作」等模糊概念，这篇论文通过区分六种 AI 数据工作的类型和构建「AI 数据管道」模型，为我们理解 AI 生产中人力劳动的多样化组织形式和复杂流程提供更清晰的视角。
祝今日读写愉悦，洞见深省。
前沿速递
时空博弈：中国人工智能数据标注行业中的残疾员工
核心概念
剥夺性积累理论（Accumulation by Dispossession）是著名地理学家大卫·哈维（David Harvey）提出的概念，建立在马克思主义理论之上，用以描述当代资本主义获取利润的一种主要方式。它指的是资本通过剥夺他人的资产、权利或公共资源来实现积累，而不是主要通过扩大再生产（即传统意义上的生产更多商品和服务）。这些被剥夺的对象可以是土地、自然资源、公共服务（如教育、医疗），也可以是劳工权益、知识产权，甚至是某些群体的劳动力本身。在本文中，这一理论被用来分析 AI 数据标注行业如何吸纳和利用通常处于社会边缘地位的残疾人员工作为「剩余劳动力」，科技公司通过支付相对较低的成本来获取他们标注的数据，从而实现资本的积累和增值。
时空修复（Spatio-temporal Fixes）同样是哈维提出的重要概念，用来解释资本主义如何应对其内在的过度积累危机（即剩余资本和剩余劳动力无法以盈利方式被重新利用）。所谓「修复」，指的是资本通过在时间和空间维度上进行调整和转移，来暂时解决或推迟危机的爆发。空间修复（spatial fix）指的是将过剩的资本和劳动力转移到新的地理区域，寻找新的市场、更廉价的劳动力或资源，例如将工厂迁往发展中国家 。时间修复（temporal fix）则是指通过将资本投入到长期的项目（如基础设施建设、教育、科研）或者利用信贷、金融市场等手段，将当前过剩资本的价值延迟到未来某个时间点再进入流通 。
研究问题
AI 的进步高度依赖大量经过标注的数据，这些数据用于训练机器学习算法，使其能够理解真实世界并做出准确预测，应用范围涵盖计算机视觉、自然语言处理、语音识别和自动驾驶汽车等诸多领域 。因此，数据标注行业应运而生并迅速扩张，其中人工标注占据了市场收入的绝大部分，外包成为主流策略 。
在此浪潮下，中国已将数据标注从业者视为新增的生产力形态，科技巨头如百度、阿里巴巴、腾讯等也在大力投入 AI 研发，推动了国内数据标注需求的增长 。值得注意的是，一些经济欠发达地区（如河南、山西、贵州）已成为数据标注工作的聚集地 。这一行业的发展为包括残疾人士在内的边缘群体带来了就业机会 。然而，残疾人士在就业市场中通常面临因社会污名化、教育机会有限和工作场所设施不足等因素造成的巨大障碍 。数据标注行业的远程和弹性工作安排可能为他们提供便利，但也存在剥削和在平台化劳动力市场中被进一步边缘化的风险 。
与此同时，中国的残疾人权利保障体系自 1988 年中国残疾人联合会（CDPF）成立以来不断发展，相关法律如《残疾人保障法》（1990 年）也已出台，但就业歧视和服务不足等问题依然存在。在此背景下，残疾人组织（Disabled People’s Organizations，简称 DPOs）作为连接中央与地方政府、科技公司以及残疾员工的中介，在促进残疾人就业和倡导其权益方面扮演着日益重要的角色。它们不仅为残疾人社群输送就业机会，还努力在算法控制的环境下为残疾员工争取工作尊严。
基于此，本文的研究问题是：在 AI 数据标注工作的背景下，由时空修复（spatio-temporal fixes）机制所促进的资本和劳动力的再分配过程是如何具体展现的？更进一步说，残疾人组织在这个由资本、中央与地方政府、科技公司以及残疾员工共同构成的 AI 数据标注价值链的动态互动中，扮演了怎样的角色？它们是如何影响剩余劳动力和资本在空间和时间维度上的重新配置，并在此过程中为残疾员工创造劳动能动性和工作尊严的空间的？
