无监督学习不是算法升级，是数据抢滩战

2026年3月17号，我手机里那个全是电商运营的微信群，从早上9点炸到凌晨2点。

有人晒后台截图。卖手工编织婴儿小袜子的，被系统自动归成了“工业防护手套”；卖宠物烘干箱的，被划进了“工业恒温设备”类目；做鲜切花批发的，直接被打上了“园林绿化工程物料”的标签。我当时在群里翻了200多条消息，就看到一个做宠物用品的商家说，他那一周的自然搜索流量直接跌到之前的4%，相当于开在核心商圈的门店，被物业没打招呼把招牌换成了废品站的指引牌，路过的人要么绕路，要么进来骂两句就走。

据杭州余杭区电商服务商协会的不完全统计，那次事件里有超过1.2万中小商家的7天搜索曝光量跌幅超过70%，整体损失的GMV相当于整个余杭区2025年第一季度直播电商总规模的1/3。

说实话，我第一反应不是觉得抖音的技术烂。是这帮人真敢啊。

之前行业里的共识是，不管什么新系统上线，至少要拿5%的流量做灰度测试，找几百个商家做内测，有问题及时回滚。结果抖音倒好，直接把全平台12亿存量商品的标签全扔给全量无监督学习的自动归类模型，连个基础的人工校验闸口都没加，就全量推了。

为什么敢？因为算过账。

之前的人工打标，每个标签的平均标注成本是8厘钱，全平台12亿商品打一遍标签要花近10个亿，还得养个几千人的常年标注团队，年运维成本两个多亿。现在用无监督学习跑，一次性算力成本是1200万，后续每个月的算力开销才30万，算下来第一年就能省9个多亿。这个成本差，相当于你花100块钱买了个扫地机器人，就把每个月花3000块请的住家保姆给开了——哪怕这机器人偶尔会把猫砂扫到餐桌上，账面上也是血赚。

哦对了，那次事件之后，抖音给每个受影响的商家发了1000块的流量券当补偿。1000块换商家一周十几万的GMV损失，说好听点是公关安抚，说难听点就是打发叫花子。但没人真的去闹。毕竟平台的规则摆在那，你要是不想玩，自然有别的商家挤进来占你的位置。

无监督学习的本质，从来不是算法突破，是数据所有权的抢滩

好多科技媒体当时写这事，说这是无监督学习技术的里程碑式落地，是算法迭代带来的效率革命。我看了只觉得好笑。

无监督学习的本质，从来不是什么自编码器、对比学习这些算法框架的突破，是整个行业终于摸透了一个逻辑：只要你手里有足够多的、没有被标注过的、真实场景下的行为数据，根本不需要花大价钱做人工标注，模型自己就能摸清楚所有的分类规律。

我去年在山东济南跟创新奇智的技术团队聊过，他们给当地的大型钢铁厂做表面质检系统。最早用监督学习的路径，团队花了6个月时间，收集了10万张有表面缺陷的钢板照片，找标注员把每一处划痕、凹坑、锈迹都标出来，喂给模型训练，最后缺陷检出率做到92%，整个项目花了2000多万。后来他们换了无监督学习的路径，根本不用收集有缺陷的照片——只需要把钢铁厂过去3年生产的所有正常钢板的图像数据喂进去，让模型自己学习“一块合格钢板的像素分布是什么样”，但凡和这个分布有偏差的区域，就自动标记成异常点。这个项目最后只跑了2个月，总成本300万，缺陷检出率反而做到了96%。

说个跨行业的比方。之前的监督学习，就像古代的兵法教材，要把所有的战例、阵型、地形应对方法全整理好，一条一条教给新兵，新兵背熟了才能上战场。但无监督学习是什么？是把新兵直接扔到原始丛林里，让他自己摸清楚什么果子能吃，什么动静是老虎来了，什么地方下完雨会涨水——根本不需要教官把所有的生存规则一条一条写下来。

这种路径的变化，直接掀了之前整个数据标注行业的桌子。2024年国内数据标注市场的规模快摸到100亿，贵州、河南好多县城靠建标注产业园解决了几万人的就业。结果无监督学习的场景一落地，这些标注公司的订单直接砍了快一半。我去年跟贵州一家头部标注公司的老板吃饭，他还拍着桌子说数据标注是未来十年的黄金赛道，只要大模型还在迭代，他们的生意就不会差。结果今年再发微信，人家已经转行去做AI生成内容的版权确权了。

说白了，之前的产业链利润分配里，标注公司靠“加工数据”赚走了大头，现在掌握海量原始数据的平台，直接把这部分利润全吃了。抖音敢在生产环境直接跑无监督模型，根本不是因为技术有多成熟，是因为他们手里握着全平台的用户行为数据——什么商品被用户点了，什么商品被加购了，什么商品被退货了，这些真实的行为反馈，比人工写的标签准10倍都不止。人工标注员哪知道，一个卖“老北京布鞋”的链接，80%的点击用户是给家里70岁以上的老人买的，不是追求国风的年轻人。模型自己从行为数据里摸出来的这个关联，比任何人工标注都靠谱。

被卷到的，根本不是算法工程师

现在行业里聊无监督学习，总觉得这是算法工程师的狂欢——要学新的框架，要跑新的实验，要追最新的论文方向。但实际落地了才发现，最先被卷到的，根本不是写代码的人。

最先被冲垮的，是那300万靠数据标注吃饭的从业者。之前这些人的主力是三四线城市的宝妈、兼职的大学生、县城里的闲散劳动力，靠给图片画框、给文本打标签，每个月能赚个两三千块，够补贴家用。现在无监督模型跑起来，这部分的标注需求每年都在以30%的速度往下掉。我之前认识的一个贵州的标注团队负责人，2024年还养着200多个标注员，2025年底就裁到只剩20个人，剩下的人主要做模型的错误校验，根本不需要做全量的标注工作。

紧跟着被冲击的，是做传统企业SaaS的公司。之前这些公司靠给企业做客户分类、员工画像、内容标签体系，一年能收企业几十万的服务费。现在企业只要把过去5年的客户行为数据、内部运营数据扔给无监督模型，模型自己就能把客户分成十几个细分群体，自动识别高价值客户、流失风险客户，根本不需要SaaS公司来做定制化的标签体系。之前一年几十万的服务费，现在可能花几万块买个API调用就搞定了。我去年接触的一家做零售SaaS的公司，之前靠给连锁超市做商品分类标签，一年能做3000万的营收，2025年这块业务直接跌了60%，现在全公司都在转做AI模型的落地咨询。

还有像抖音上那些中小商家，他们才是最直接的承压者。无监督学习的模型是没有“社会常识”的，它只知道数据的分布相似度，不知道不同商品的用户群体差了十万八千里。比如模型看到“猫条”的文本特征和“实验动物饲料”的文本特征有70%的相似度，就直接归成一类了，根本不知道这俩东西的买家一个是养猫的年轻人，一个是做生物实验的科研人员。

好多人说无监督学习会带来下一次技术革命，会让大模型更聪明，会把整个社会的效率拉到新的高度。我倒觉得，先别扯那么远。

现在所有人都在算无监督学习能省多少成本，能赚多少利润，能抢多少市场份额。可没人停下来问一句——三年之后，当你刷到的所有内容、买东西看到的所有分类、找工作匹配的所有岗位，全是无监督模型自动给你贴的标签，你会不会突然反应过来：从一开始，我们就不是这个系统的用户，只是它用来训练的原料而已？