Scale AI CEO 首次专访：140亿美元 Meta 交易、AI 数据的未来与更多

摘要

Jason Droege 是 Scale AI 的新任 CEO，这是他在接替 Alexandr Wang（Alex）之后首次接受公开采访。Scale AI 是为全球主要 AI 实验室提供基础训练数据的公司，曾在数据标注领域开创了整个品类。此次访谈涵盖了 Scale 的现状、Meta 投资 140 亿美元交易的内情，以及 AI 数据产业的深刻变革。

Droege 此前与 Travis Kalanick 联合创立了 Scour——一款 P2P 文件共享应用，后因娱乐行业诉讼被索偿 2500 亿美元而关闭。他最知名的成就是在 Uber 内部从零打造 Uber Eats，将其发展为年收入 200 亿美元的业务，并在疫情期间成为 Uber 的生命线。Droege 在访谈中详细阐述了数据标注行业如何从通用型低技能劳动演进到需要博士和专业人士参与的专家网络——Scale 目前 80% 的标注人员拥有学士及以上学位，约 15% 拥有博士学位。他分享了强化学习 (Reinforcement Learning, RL) 环境如何成为 AI 智能体训练的新范式，以及 Scale 在医疗、保险等企业场景中的落地实践。关于 AI 未来，Droege 认为趋势正从"模型知道什么"转向"模型能做什么"，但企业 AI 落地远比人们想象的困难——从概念验证到生产级系统通常需要 6 到 12 个月。在创业哲学上，他强调独立思考、毛利率分析以及"不败是赢的前提"的生存哲学，并以 Uber Eats 从构思到 200 亿美元的历程为证。在团队建设方面，他主张面试只考察三项核心素质：好奇心与问题解决能力、跨团队协作的谦逊、领导力——而非过度依赖过往经验。

正文

从 Scour 到 Scale：一切皆可谈判的创业启蒙

Jason Droege 的创业生涯始于 UCLA 宿舍。他与 Travis Kalanick 在 19、20 岁时共同创建了 Scour——一个多媒体搜索引擎和 P2P 文件共享网络，运行在大学计算机系的服务器上，最初的域名是 scour.cs.ucla.edu。令他们意外的是，计算机系非但没有制止，反而对此感到兴奋。

然而，真正的教训来自融资过程。投资人 Ron Burkle 和 Mike Ovitz 在谈判中不断改变条款——从 50% 股权到 75%，再到"今天不签就给你 80%"。Droege 从中学到了他职业生涯最重要的法则之一：在商业世界里，一切皆可谈判 (Everything is negotiable)。没有"标准做法"，只有你能通过协商达成的结果。这一认知深刻影响了后来 Travis 在 Uber 的风格，也塑造了 Droege 自己的经营哲学——只要你能想象、逻辑自洽、激励对齐，事情就有可能发生。

Scour 最终因帮助用户获取免费内容而被娱乐行业协会起诉，索赔金额高达四分之一万亿美元（2500亿美元），但最终仅以 100 万美元和解。Droege 回忆道：他们要 2500 亿，然后 100 万就了结了——这让人看清了所谓的"规则"不过是权力的博弈。如果规则制定者自己都没有固定剧本，那创业者的生存之道就是学会在无剧本的世界中前行。

Scale AI 现状：140亿美元 Meta 交易后的独立公司

2025 年，Meta 以略超 140 亿美元投资获得了 Scale AI 49% 的非投票股份，没有新增董事会席位。Alexandr Wang（Alex）填任原有董事席位，公司治理结构基本不变。交易完成时仅约 15 名员工随 Alex 转入 Meta，而 Scale 目前拥有约 1100 名员工。Droege 明确强调：Scale 是一家完全独立的公司，Meta 没有对 Scale 数据或技术的优先访问权，隐私保护和数据安全机制与交易前一致。Scale 与 Meta 的合作在数据业务和政府项目上确实存在历史关系，且可能因更近的距离而加深，但不存在排他性——Scale 可以继续与任何其他方合作。

Scale 目前拥有两大核心业务，每一项都已达数亿美元收入规模，相当于公司内部藏着两家独角兽。自交易以来，业务每月持续增长。Droege 表示，外界报道并不一致，公司此前也未公开谈论，此次采访正是为了"让事实说话"。

数据标注的进化：从通用劳动到专家网络

Scale 的历史可追溯至 2016 年，Alexandr Wang 在极早期就洞察到数据对模型的重要性。业务从自动驾驶标注起步，扩展到计算机视觉领域（2020 年与美国国防部合作），再到生成式 AI (Generative AI) 浪潮。核心逻辑是：随着模型能力提升，它们需要的数据类型不断变化，Scale 持续适应这种变化。

Droege 描述了 18 个月前与今天的鲜明对比。18 个月前，一个典型标注任务可能是"比较两篇短篇小说哪个更好"——相当基础。而今天，一个任务可能是由世界顶级网页开发者构建一个完整网站，或向模型解释某种细微的癌症专题。这些任务现在需要数小时完成，且必须由博士和专业人员承担。

数据印证了这一转变：Scale 专家网络中 80% 的人员拥有学士及以上学位，约 15% 拥有博士及以上学位——这与外界对数据标注行业的普遍认知（低技能、低成本劳动）截然相反。Droege 直言，竞争对手试图将 Scale 定位为"仍在做旧式标注"的说法纯属虚假宣传，事实是 Scale 一直在推动这一演进——当模型在专业领域表现不足时，Scale 会主动向模型构建方提出问题和解决方案。

专家网络：如何找到并留住顶尖人才

寻找这些专家并非易事，Scale 采用了多种策略。最有效的渠道是内部推荐——当专家们在工作中享受运用自身知识为 AI 做贡献的过程，他们会自发推荐同行。对于博士级专家而言，这不仅是赚取数百乃至数千美元的途径，更是一种解决自身痛点的出口——他们日常使用模型时发现不足之处，标注工作恰好提供了改善的渠道。

Scale 还设立了校园项目，直接走进大学与教授和学生交流，发掘潜在贡献者。LinkedIn 等传统渠道也被使用，但最好的候选人始终来自口碑和推荐网络。Droege 强调，维持这一网络的关键在于提供优质体验——这些专家参与的动力部分来自报酬，但更深层的原因是认为自己的专业知识对 AI 模型的改进有重要价值，且这种贡献常常解决了他们自身的实际问题。

强化学习环境：AI 智能体的训练沙盘

强化学习 (Reinforcement Learning) 正在成为 AI 训练的关键范式。Droege 介绍了"RL 环境"的概念——这些是 AI 智能体的沙盘，让它们在其中尝试完成目标并从中学习。Scale 已在这方面投入超过一年。

以 Salesforce 实例为例：AI 智能体需要理解实例中的数据结构、配置（Salesforce 是高度可配置的产品），完成高可靠性要求的业务流程，并知道何时应将决策上交给人类获取反馈。所有这些都需要在模拟真实使用场景的环境中训练——没有炼金术般的捷径，就是把 AI 智能体放入人类实际操作的环境中。

核心挑战在于泛化性 (Generalizability)。世界中的环境、软件系统、配置、数据类型、用户规模和复杂度的排列组合几乎是无限的。Scale 的工作是帮模型构建方收集足够泛化的数据，使得他们不必为每一种具体场景都单独采集数据。有时一个简单任务（如"找到日历上与 Lenny 的访谈日程"）的数据可以泛化到所有日历搜索甚至所有日历操作，数据越泛化，价值越高。Scale 的使命就是为模型构建方提供最有价值的数据，使智能体在终端用户面前尽可能实用。

具体案例：数据标注与企业落地的真实面貌

Droege 通过具体案例让抽象概念变得触手可及。在数据供给端，标注任务的形态多样：可能是完整网站及其设计决策的理由（"我为什么做这个选择，而不是那个选择"），也可能是标注一个损坏网站及故障原因（用于训练调试工具）。关键不只是给出结果，而是提供决策推理过程。

在企业落地端，Scale 与一家专看疑难病例的医疗系统合作。该院专家需要阅读 200 到 300 页跨格式文档才能做出诊断，现实中只能靠护士和初级医生预读。Scale 构建的工具能自动分析文档，提取出最值得关注的前 5 到 10 个要点——曾识别出一份隐藏的过敏史，该过敏与即将开具的药物存在冲突，这一关联连人类医生都很难发现。

更重要的是，这一案例揭示了数据标注正在从"为模型构建方标注"扩展到"企业内部标注"。通用模型加检索增强生成 (Retrieval-Augmented Generation, RAG) 加基于历史数据的微调只能走这么远。真正让系统在特定企业语境下做出精准判断的，是该企业内部专家的人类判断——他们的文化、目标、激励结构决定了决策逻辑，而这些在银行与银行、医院与医院之间各不相同。数字化人类判断 (Digitizing human judgment) 正在成为 Scale 为客户解锁的关键瓶颈。

人类还能做什么：AI 训练中的人机关系

面对"AI 何时能自我训练、不再需要人类"的问题，Droege 的回答分三层。第一层是历史逻辑：数据标注的历史就是不断"重新开始"的历史——自动驾驶不再需要那么多标注，但新的需求不断涌现。如果某天模型不再需要任何外部人类数据，那意味着人类所有新技能和新知识都不再值得注入模型——这一前提本身就是极其极端的假设。

第二层是业务信念与个人信念的统一：Scale 确实有商业动机相信人类始终在环，但 Droege 认为这同样是个人信念——如果 AI 系统要为我们服务，我们就需要在它的决策中保持参与。第三层是关于劳动力替代的时间线：所谓的"白领末日"在下一两年内绝无可能，两三年内也极为牵强。Droege 引用了技术悲观主义的历史档案——每当新技术出现，总会有人预言旧事物将被完全消灭，但人类一直展现出强大的适应力。长期来看，变化会发生，但低估人类的适应能力是一个持续的错误。

评估 (Evals)：定义"好"的标准

评估 (Evals) 在 Scale 的业务中占据极大比重，尤其是在企业和政府客户中几乎占主导。Droege 用一句话概括了评估的本质：定义"好"是什么样的 (What does good look like)，以及是否有一套全面的评估体系让系统知道什么是好的。

在前述医疗案例中，医生标注的核心工作就是建立评估标准——这份病历记录中应该发现什么、诊断应该指向何方。Droege 有意使用了"好"而非"正确"来表述，因为 AI 是概率性系统。如果一个人类流程原本只有 10%–20% 的准确率或满意度，AI 将其提升到 60%–80% 就是巨大胜利，关键是让系统知道何时应将剩余部分交给人类。但如果人类流程已达到 98% 准确率，而你想让 AI 补上最后的 2%——目前还做不到。在许多需要判断的场景中，人们要的不是"正确答案"，而是在当前信息下的最佳建议或行动方案——正如你会问一位同事"你觉得我们该怎么办"。

AI 模型的未来：从"知道"到"做到"

Droege 认为 AI 发展的总体趋势正在从"模型知道什么"转向"模型能做什么"。知识侧的基准测试表明，模型的知识储备已经相当扎实。下一个问题则是：它能为我做什么？这正是 RL 环境的用武之地——如何导航 Salesforce 实例、医疗系统，甚至手机上的天气应用？AI 智能体如何替你做决策？

目前仍处于这一转变的早期阶段。预测的分歧极大：最激进的假设认为训练智能体执行任务会相当容易，剩下的只是经济层面的变革管理；而变革管理绝非小事——世界上至今还有人没有电子邮箱。Droege 的预测是：未来两到三年内，技术将达到一个临界点，迫使变革管理者和政策制定者不得不正视"我们该如何应对"，但技术本身尚未达到这一步。

企业 AI 的现实：从概念验证到生产的漫长之路

当前关于"AI 未兑现承诺"的讨论——MIT 研究显示大量试点 (POC) 未能转化为实际部署、工程师使用 AI 工具反而变慢——Droege 提供了一线观察。他认为所谓的"95% POC 失败率"有分母效应的偏差：正因为启动试点太容易（"我开了一个项目、又一个项目、又一个项目"），大量低质量尝试拉低了成功率。

但核心问题确实存在：POC 通常能走到 60%–70% 的完成度，人类直觉以为剩余部分不难，但这就像数据中心的可用性——从"一个九"到"五个九"，每一个九都是数量级的投入。要让一个重要业务流程真正自动化，需要获得法务审批、政策合规、监管许可、变革管理和团队对准确性的认可——整个流程需要 6 到 12 个月。Droege 总结道：AI 的影响确实令人惊叹（"连世界上最顶尖的医生都说：我自己也想不出这个结论"），但到达那一步的时间比人们推销的要长得多。他的总结是六个字：易学难精 (Easy to learn, hard to master)。

独立思考与创业洞察：Uber Eats 的诞生

Droege 在 Uber 的任务是寻找新业务方向。他评估了数十个可能性，包括一个"移动便利店"实验——将 250 个 SKU 装入 10 辆货车在华盛顿特区上路，结果门可罗雀。失败原因：不懂零售——没有香烟、啤酒、Slurpee 这些引流品，其他商品也卖不动。他还考察了杂货配送（单位经济效益令人恐惧）和点对点同城配送（2014 年时消费者几乎没有这类需求）。

最终锁定外卖配送前，Droege 做了深入的独立研究。由于餐厅经营者不愿透露真实的经济数据，他的团队采取了创造性方法：大量点餐，获取餐饮供应商目录，称量每个三明治里火腿、奶酪、面包和生菜的重量，自己推算原料成本与人工成本，然后与餐厅方的说法和行业报告交叉验证。

关键发现：餐厅约 20%–30% 的收入用于食材，20%–30% 用于人工，10% 用于房租等。这意味着每多卖一份餐，如果人工已经覆盖、只需增加食材成本，增量毛利率可达 70%–80%。基于这一洞察，Scale 提出了 30% 的抽成方案。餐厅惊呼"这简直是 Groupon 重演"，但 Droege 解释了经济学逻辑：30% 抽成覆盖配送费，合理定价吸引消费者，增量需求回馈餐厅。在双边市场 (Marketplace) 中，你的目标不是让任何一方 100% 满意，而是找到一个让各方愿意参与的均衡价格 (Clearing rate)。

Droege 强调，很多创业者犯的错误是解决客户"说出来的"问题而非"真正紧急的"问题。餐厅会说食材成本、排班、房租都是问题，但日常最紧迫的问题是：今天客人来了吗？昨天赚钱了吗？明天能赚钱吗？如果你做了一个能省 3% 食材成本的工具，虽然有价值，但在忙碌的日子里它不是最紧迫的——而紧迫性 (Urgency) 是新产品能否被采用的关键变量。

麦当劳的故事：固执如何换来独家协议

Uber Eats 最初定位是帮独立餐厅对抗连锁品牌——没人会谈论在巴黎吃的那家连锁店，但会记住发现的那家本地小店。因此当麦当劳主动找上门来谈合作时，Droege 一口回绝，连续推了四五个月。他的团队觉得他疯了——"他们每天 8000 万消费者，你不想合作？"但正是因为这份"固执"，Uber Eats 最终获得了与麦当劳的独家合作关系，以及巨额营销资源投入。当时连锁品牌几乎不在外卖平台上——它们对单位经济效益极度敏感——而 Droege 的态度是"篮均 17 美元，我们的工作是让它行得通"，通过缩小配送半径、调整加价策略等方式解决了经济模型。

上线三个月后，业务再次呈曲棍球棍式增长。六个月内，Uber Eats 与麦当劳完成全球上线——而当时 Uber Eats 自己成立还不到两年，用两名纽约办公室经理对接一家有着 80 年历史、期望完备流程的全球企业，Droege 形容那是一场"彻底的混乱"。

Uber Eats 从 2015 年 12 月在多伦多上线（两小时内即达成 2 万美元销售额）到四年半后年化收入达 200 亿美元。Droege 离职后，疫情期间外卖业务从 200 亿飙升至 500 亿（一年内），如今已接近 800 亿。他坦言运气是游戏的一部分——不应嫉妒他人的好运，这个行业的每件事都极其困难。

毛利率思维：判断商业价值的粗筛器

Droege 坦承低毛利率也能成就伟大企业（Costco、Walmart），但高毛利率结合健康的流失曲线通常是更强健的信号。他的逻辑简洁而有力：如果我卖给你一样东西却无法加价太多，那我在此之上究竟添加了多少价值？

他的实战方法更具操作性：当有人提出一个预期毛利率 40% 的商业构想时，他会问"为什么不是 60%？"对方的回答会立刻暴露真实问题——"客户有替代方案"→"替代方案是什么"→"某家离岸公司"→"它的毛利率多少？"→"20%"→"那么你的 40% 会比你想的更快降到 20%"。毛利率不是一个完美工具，但它是一个极高效的短路过滤器 (Short-circuit filter)，能快速判断提案者是否思考过两年后的竞争格局和利润压缩风险。

关于 Costco 的低毛利模式，Droege 分析道：它们用低价换规模，在一个市场建起中心后，竞争对手面对 8% vs 10% 的毛利率根本无法入局——客户已养成习惯、供应链关系已固化、店长已精通库存管理。先到规模 (First to scale)，然后祝你好运。

"不败是赢的前提"：生存哲学

科技圈弥漫着"放手一搏"的文化，Droege 认为这需要修正。他观察到的最优秀企业家和经营者有一个共同特征：他们审视每个决策的风险画像，持续做出非对称正收益 (Asymmetrically positive) 的决策。

高风险高回报的决策如果失败了，代价极其惨痛——往往没有退路。Droege 以自身经历为例：互联网泡沫破裂后，他自建了一家在网上卖高尔夫球杆的生意，靠先发优势赚了钱，但没有意识到任何人都能做同样的事，利润率必然被压缩。他狂妄地想"如果我能买下全美国的二手球杆，就能成为价格做市商"——完全不切实际。这家企业虽做到数百万收入并一度分红，但整个过程都很痛苦，因为他前期没有充分思考。

在当下这个炒作周期中，所有人都想"冲、冲、再冲"，但 Droege 提醒：我们的客户五年后还会在，他们需要我们活着来解决他们的问题。生存是繁荣的前提。这不是说不冒险，而是更审慎地计算风险。

招聘与团队：构建有机体而非堆砌人才

Droege 的招聘观经历了一些进化。他承认在当前快速变化的市场中，约 5% 的岗位（如研究员）必须找有现成经验和客户关系的人，因为来不及培养。但对于绝大多数岗位，他的面试只聚焦三个维度：

1. 好奇心与问题解决能力——能否清晰口述自己如何解决过问题；
2. 跨团队协作的谦逊——是否足够谦逊，能与不同背景的人合作；
3. 领导力——是否具备领导潜质。

他的逻辑是：世界在变化，过往经验未必一对一适用；你需要的是适应力强的人。

在 Uber Eats，Droege 的管理团队从第一天（一无所有时）到 200 亿美元规模几乎原班人马。他的理念是将团队视为一个有机体 (Organism)——每个人的长处和短板彼此弥补，比引入一个"见过这种规模"的外来者更有价值。Droege 反问："他们能学会吗？我自己也是学来的。"他相信人的潜力，并认为这是管理者的职责而非被管理者的职责。人不是规则驱动的系统，不能套用简单公式。

这三项素质——解决问题、协作、领导力——恰与 AI 时代最被看重的人类能力高度吻合。Droege 认为这是人类成功的核心特质，不会因技术进步而改变。

AI 在日常工作中的应用

Droege 分享了他个人使用 AI 的两种主要方式。第一是将 AI 作为导师 (Tutor)：进入 Scale 后，面对大量新的 AI 技术概念，他开启语音模式在通勤路上与 AI 对话学习——公司里的研究者没有足够时间教他所有细节，而新概念层出不穷。

第二种用法是信息提取：将内部文档交给 AI，问"这份文档中最重要的内容是什么？"他惊讶于 AI 提取核心信息的能力。组织内部存在巨大的信息广播问题——在所有你可能需要接收的信息中，哪些对你真正重要？AI 在这个匹配问题上表现出色。

快问快答

推荐书籍：《自私的基因》(The Selfish Gene)——从演化视角理解世界；《少有人走的路》(The Road Less Traveled)——经典人类心理学；《从优秀到卓越》(Good to Great)——虽不是最轻松的阅读，但基本正确，我们应该尊重前人对商业问题的分析，因为很多东西并没有真正改变；《思考，快与慢》(Thinking, Fast and Slow)——理解人类偏见至关重要。Droege 坦承，每当自己过于笃信某件事时，会有意识地检查自己的偏见清单——虽然 Kahneman 本人说过"知道偏见并不能帮你避免偏见"，但 Droege 自认为比大多数人更能因此自我纠偏。

近期影视：F1 大电影——经典动作片，适合从科技世界的疯狂中暂时抽离。主要和孩子一起看电影。

近期喜爱的产品：Veo3（Google 的视频生成模型）。Droege 高中时想当编剧，他把年轻时写的剧本首页拍照输入 Veo3，说"把这场戏拍出来"，结果令人震惊——它做到了。他正在探索将此类工具用于家庭视频制作，认为让静态照片中的亲人微微动起来就能产生巨大的情感冲击，这一能力还需一次迭代但前景可观。

人生座右铭："终点从来不是终点" (The end is never the end)。这呼应了生存哲学：你必须先活下来才能繁荣。创业是任何人能经历的最艰难旅程——五年坚持下来的人，心智坚韧度超过 99.9% 的人口。在最困难的时刻、面对看似无法逾越的障碍时，提醒自己"明天还会醒来，这不是终点，还有另一个出口"，就能解放自己去寻找不完美但可行的解决方案。

Uber Eats 上的最爱：McDonald's——家庭犒赏。日常更多点沙拉，但讽刺的是，当初他最抗拒的全球连锁品牌，如今是自家餐桌上的心头好。

尾声

Droege 在采访最后表达了来此的核心原因：Scale 内部正在进行大量卓越的工作，团队极其努力，为客户交付了巨大价值，但公开叙事并未真实反映这些人的付出和客户的成果。他希望外界知道这一点——这些人值得被尊重和认可。

Scale 目前有 250 个开放岗位，数据业务和应用服务业务都在快速增长。联邦政府方面，Scale 最近一个月内签下了两份各 1 亿美元的合同。企业客户、国际政府客户的需求同样旺盛。Droege 的 X 账号为 @jdroege，可通过 DM 联系。