AI 辅助标注（AI-Assisted Labeling）指的是：先用一个已有模型给数据打上初步标签，再让标注员审核、修改或确认，最终得到训练数据。它常出现在文本分类、命名实体识别、目标检测框、语音转写等场景。
打个比方。老师要批五十份作文，如果让学生先按自己的理解写一版，老师只改错，速度会快很多。但风险是：学生如果总把“的/地/得”用错，老师改了几处就累了，剩下没改的错会被当成范文，下一届学生继续学错。预标注模型就是那个“先写一版的学生”，标注员是老师。人从“从零写”变成“改作业”，省力，却也可能把模型的系统性错误保留下来。
相邻概念容易混。预标注（Pre-annotation）强调给标注员一个初始答案；主动学习（Active Learning）强调模型挑出最不确定的样本让人标；弱监督（Weak Supervision）强调用规则或启发式生成带噪声的标签；人机回环（Human-in-the-loop）是更大的框架，包含标注、审核、反馈和再训练。AI 辅助标注只是其中一种提效手段。
| 概念 | 谁先动手 | 人的角色 | 主要风险 |
|---|---|---|---|
| AI 辅助标注 | 模型预标 | 改错、确认 | 模型偏差被继承 |
| 主动学习 | 模型挑样本 | 标最不确定的 | 选样偏差 |
| 弱监督 | 规则/启发式 | 抽样验证 | 标签噪声大 |
| 人机回环 | 人与模型交替 | 审核、反馈、再训练 | 流程复杂 |
实际风险在于“偏差洗入”。如果模型对某类口音、某种写作风格、某类图像一直判断错，标注员看到预标注后容易产生自动化偏差（Automation Bias）：倾向于接受默认答案，只改最明显的错。于是模型偏差被写进新训练集，新模型再学一遍，形成反馈回路。省了人力，却可能把错误固化。
对从业者，几个做法比较实在：保留模型原始输出和人工修改记录；对修改率异常高或异常低的类别抽样复核；用独立金标准集评估最终数据，而不是只看标注速度；把预标注置信度低、争议大的样本优先给人看。对普通人来说，语音转写、内容审核、地图兴趣点标注背后常有这个环节，你顺手点的“确认”或“修改”，也可能在参与下一版模型的数据生产。具体工具能力与价格以官方页面为准。