На экране разметчика обычная улица: припаркованные машины, человек у дороги, край тротуара, дорожный знак. Для будущего беспилотного автомобиля это пока не «улица», а набор неразобранных пикселей. Кто-то должен обвести объекты, присвоить им классы и повторять эту работу снова и снова, чтобы система научилась отличать препятствие от пешехода и свободного участка пути.

Документальный фильм Their Eyes, представленный Aeon 5 ноября 2026 года, показывает этот этап через рассказы работников из Кении, Филиппин и Венесуэлы. Режиссёр фильма, французский кинематографист Nicolas Gourault, обращает внимание на труд, который редко обсуждают, когда говорят об искусственном интеллекте и автономном транспорте. По описанию Aeon, работники разбирают изображения незнакомых улиц и выполняют повторяющиеся задания, благодаря которым автомобиль «в другой части мира» получает способность распознавать увиденное.

Что именно делает разметчик

Автономная система не начинает с готового понимания дорожной сцены. Ей нужны примеры, где объекты уже обозначены людьми. Разметчик указывает границы автомобиля, человека, дорожного знака или участка дороги. Так фотография или кадр видеозаписи превращается в обучающий материал: изображение получает метки, с которыми алгоритм позже сравнивает собственные результаты.

В фильме этот процесс показан не как абстрактная операция в «облаке», а как последовательность конкретных действий на экране. В описании Aeon сказано, что работники «разбирают изображения незнакомых улиц» и выполняют повторяющиеся задания, чтобы автомобили могли «видеть». Это не значит, что разметчики проектируют систему управления автомобилем. Их вклад находится на другом участке цепочки: они подготавливают данные, на которых системы учатся распознавать дорожную среду.

Здесь помогает простая аналогия: алгоритм похож на ученика, которому показывают тысячи примеров с пояснениями. Но у этой аналогии есть предел. Разметчик не объясняет системе весь мир и не гарантирует, что она правильно поведёт себя в любой новой ситуации. Он создаёт отдельные подписанные примеры, а их качество, полнота и условия использования зависят от всей последующей разработки.

Почему труд оказался географически невидимым

Пользователь автономного автомобиля видит камеру, корпус машины и интерфейс. Человека, который часами работал с изображениями на другом континенте, он обычно не видит. Aeon прямо связывает развитие машинного обучения с дешёвым трудом в странах Глобального Юга и описывает условия работников как преимущественно нестабильные и низкооплачиваемые.

Из этого материала можно сделать осторожный вывод: «автономность» автомобиля не означает отсутствия человеческого труда. Она означает, что часть работы вынесена за пределы самой поездки и распределена по длинной производственной цепочке. В ней участвуют разработчики программного обеспечения, поставщики данных, разметчики, специалисты по проверке качества и сотрудники, тестирующие систему. Фильм сосредоточен на одном из самых незаметных звеньев этой цепочки.

При этом источник не позволяет утверждать, что именно низкая оплата ускоряет разработку беспилотных автомобилей или определяет качество их работы. В предоставленном описании нет данных о зарплатах, количестве размеченных изображений, стоимости одного задания, правилах контроля или сравнении разных моделей организации труда. Поэтому влияние дешёвой разметки на развитие ИИ остаётся здесь политико-экономической проблемой, поставленной фильмом, а не проверенной причинной гипотезой.

Кто получает выгоды от «зрения» машины

В финале описания Aeon фильм задаёт вопрос: кто получает выгоду от этих технологий и какой ценой? Речь идёт не только о доходах. Вопрос касается того, где создаётся ценность, кто принимает решения о продукте и кто несёт повседневные издержки его производства.

Если компания продаёт услугу автономного транспорта на рынках Глобального Севера, а данные подготавливают низкооплачиваемые работники в Кении, на Филиппинах или в Венесуэле, между местом создания отдельных компонентов и местом получения основной коммерческой выгоды возникает разрыв. Фильм предлагает рассматривать этот разрыв как часть географического неравенства. Но он не показывает финансовые отчёты компаний и не измеряет, какая доля дохода приходится на разметку данных. Поэтому точнее говорить о видимой структуре зависимости, а не о доказанном размере перераспределения прибыли.

Эту картину дополняет другой материал из каталога Aeon, посвящённый рискам автоматизации труда. Он рассматривает угрозу вытеснения работников машинами, тогда как Their Eyes показывает обратную сторону: даже системы, которые обещают убрать человека из процесса управления, на этапе обучения опираются на человеческую работу. Эти сюжеты не заменяют друг друга и не образуют сравнительного исследования. Вместе они помогают увидеть разницу между автоматизацией конечной задачи и сохранением ручного труда внутри технологической цепочки.

Что можно утверждать по этому источнику

Документальный фильм Aeon подходит для качественного разговора о скрытом труде в разработке автономного транспорта. Он связывает показанные задания с работниками из трёх стран, описывает повторяющийся разбор изображений улиц и обращает внимание на низкооплачиваемые, нестабильные условия труда. Это важный контекст для обсуждения ИИ: готовый продукт легко создаёт впечатление полностью машинной технологии.

Но источник не является рецензированным научным исследованием. У фильма нет опубликованной методики отбора участников, установленной выборки, статистического анализа или независимой проверки приведённых свидетельств. Полный фильм также недоступен в предоставленных материалах, поэтому нельзя оценить, как именно получали и монтировали рассказы работников. По одному этому источнику нельзя обобщать ситуацию на всех разметчиков, платформы или компании.

Для более строгой проверки потребовались бы данные о занятости и оплате, контрактах платформ, объёме разметки, процедурах контроля качества и распределении доходов между этапами разработки. Отдельно пришлось бы исследовать, меняется ли качество систем автономного транспорта при разных моделях организации разметки. Пока остаётся более узкий, но надёжный вывод: за «зрением» беспилотного автомобиля стоит человеческий труд, а его географическое и экономическое положение нельзя исключать из описания технологии.

Для такого разбора важно отделять наблюдение от вывода, как при критическом анализе научной статьи: сначала установить, что действительно показывает источник, затем проверить, какие утверждения он позволяет сделать и где начинаются предположения.

Источник

Nicolas Gourault, режиссёр; Quentin Brayer и Yannick Beauquis, продюсеры. Meet the invisible workers who teach self-driving cars to ‘see’. Aeon Videos, 5 ноября 2026 года. Документальный фильм Their Eyes. https://aeon.co/videos/meet-the-invisible-workers-who-teach-self-driving-cars-to-see

Источники и литература

Схема показывает, как разметчик отмечает объекты на изображении улицы, после чего эти данные используются для обучения системы распознавания окружающей среды.

Фото: StartupStockPhotos / Pixabay