这位22岁华裔青年，用3年创造出硅谷最新AI独角兽

Scale AI宣布获得1亿美金C轮融资，公司估值超10亿美金，成为硅谷新晋独角兽。到底什么业务这么值钱？

撰文 | 太浪

编辑 | 宇多田

许多大型人工智能企业们必须承认，在自己「实现智能化与自动化」的承诺背后，都有着对 Scale AI 的强烈依赖。

Scale AI 是一家成立 3 年的初创企业，相比很多自称人工智能公司的理想化目标，这家公司的使命非常现实且简单——

承认并利用机器学习与人类承包商以及算法之间的亲密联系。

Scale AI 开发了一款软件，试图用人机协作的方式做数据标记。在许多情况下，这款软件能够自动标记大多数对象（物体）。然后，再由人工审查。

如果人工需要干预，系统允许他们点击某处修改，比如，点击一辆汽车的中央；AI 系统还会为他们追踪目标。过去需要几个小时才能完成的任务，现在只需要几分钟。

Scale AI 在旧金山总部大约只有 100 名员工，但是，它却构建了一个约有 3 万名合同工的众包网络，由这支遍布世界各地的承包商队伍负责图像标注工作。

Scale AI 会给承包商详细的指示，告诉他们要查找的内容。同时，Scale AI 还在开发软件，确定最好的标签。

为了确保承包商的工作质量，Scale AI 还会用 AI 进行审查和培训承包商。Scale AI 建立了一些算法，检查承包商在做什么，并根据算法模型进行验证，确定他们的完成情况是否合乎标准。

Scale AI 的创始人 Alexandr Wang 不愿意透露这些合同工是从哪里找来的，也没有说他们的收入情况，但他坚称「工资还不错」。

「我们没有试图优化人力成本，」他强调，「他们因为这份工作所挣到的钱已经达到了他们所在地区工资的 60% 至 70%。」

目前，Waymo、OpenAI、Airbnb、Nuro 和 Lyft 等公司的世界领先的机器学习团队都在使用 Scale AI 的这个平台。

Scale AI 以按需或企业服务模式提供服务，并表示，其服务具有可扩展性。有媒体报道，单一客户每年为其付费超过 100 万美元。

除此以外，Scale AI 还正在寻求将产品销售给任何一家开发人工智能技术的公司：

Wang 在一篇文章中写道，他们的系统以往任何时候都更能理解并驱动对大型语音、文本、图像和其他形式内容的决策。除了自动驾驶领域，他们也可以为电子商务与搜索、绘图、机器人技术、AR/VR、线下零售等领域的公司提供数据服务。

这家正在迅速壮大的公司在上周宣布，已经完成由 Founders Fund（Peter Thiel 的，这个人你应该认识吧）牵头的 1 亿美元 C 轮融资，参与融资的还有知名创投 Accel、Coatue Management、Index Ventures、Spark Capital、Thrive Capital 以及 Instagram 创始人 Kevin Systrom 和 Quora 首席执行官 Adam d Angelo。

1 一个华裔青年的创业灵感

Scale AI 的创始人 Alexandr Wang 是一名华裔，在新墨西哥州长大，父母都是物理学家。十几岁的时候，他就在编程竞赛中表现出色，他还是高中生时就收到了科技公司的工作邀请。因此，他提前从 MIT 提前毕业，在硅谷工作。

2016 年，19 岁的 Wang 与朋友 Lucy Guo 共同成立了 Scale AI，旨在加速 AI 应用程序的开发。2018 年，他们就拿到了 1800 万美元 B 轮融资，Index Ventures、Accel 和 Y Combinator 都参与了这轮投资。

事实上，Wang 最早萌发创业的想法是在九年级，他和朋友开了一个谷歌在线文件，记录下各式各样的创业创意。

然而，在过去数年里，他并没有把创业作为自己唯一的目标，而是全力以赴寻求那些令人振奋、耗费精力以及稍纵即逝的机会。

「简单而言，我根据决策理论和机器学习中遗憾值最小化这一重要概念行事。」他在文章中写道。

Wang 在一篇文章中讲述了自己的创业经历：

当在麻省理工学院念大一的时候，他便四处面试，寻找计算机工程和机器学习方面的实习机会，接触的公司包括 DeepMind、Snapchat Research、OpenDoor 等。

这些机会让他非常兴奋，但同时，也让他感到无所适从甚至有点失落：

「我希望找到一份自己无法拒绝的工作，但总感觉无非换了一个科技公司打工。从高中开始我已经有了几次在创业中期企业工作的经历，因此在上述公司工作对我来说已经算不上成长机会。」

在与 OpenDoor 首席执行官 Eric Wu 谈过心后，Wang 确信，应该创办一个自己的公司。

「这不仅是一个巨大的成长机会，而且如果不抓住最好时机承担风险投身创业，那么将来肯定悔之晚矣。」

这成了他创办 Scale AI 的起点。

2 有多少人工，才有多少智能

Wang 相信，机器学习很可能是这个时代最重要的技术变革，它给世界带来的总体效益将与互联网相媲美。

在世界上最先进的组织开展 AI 工作后，他注意到，由于缺乏成熟的基础设施，构建机器学习系统具有挑战性。特别是，AI 进一步发展的关键瓶颈是数据——特别是标记数据集。

2009 年，斯坦福大学李飞飞教授的实验室发布 ImageNet 数据集，开启了现代深度学习时代。大多数情况下，没有标记的数据，就没有 AI 算法模型。

模型迭代和调整，则需要更多的数据。安全、准确和无偏见的 AI 系统依赖于大量高质量的训练数据。

但获取、标记和验证训练数据的过程是缓慢的、手工的、昂贵的。

以自动驾驶为例，为了让汽车清楚知道它们周围都有些什么东西，首先，你需要先用车上的摄像头采集周围的数据；然后，由人工对这些数据进行标记。

一开始，工作人员会看到电脑屏幕上弹出一张图片，然后用鼠标画出所有汽车的轮廓，并在软件中对它们进行分类。接着，是建筑物、停车位、行人、交通灯等等。

事实上，在单张照片中逐点浏览每一个物体，花费的时间是 10 分钟到几小时不等，而要处理的图片有数百万张。

随后，这些数据才会被反馈到人工智能系统，只有这样做以后，汽车才能了解周围世界的情况。

换句话说，每一辆自动驾驶汽车后面，都坐着成千上万的人，他们的工作就是训练电脑看东西。他们的观察结果被反馈给人工智能软件，而软件则只能随着时间的推移学会如何做同样的事情。

这从外面看是一层魔术布，而从内里看则是一项又费力又费钱的苦差事。

要让人工智能系统达到人类的水平，需要数十亿或数百亿个案例。做自动驾驶的公司，每年雇人给他们从车上的摄像头收集到的照片贴标签，就要花费数百万美元。

因此，能够负担得起所有培训的少数几家大公司和许多负担不起培训的大公司之间，也就存在了巨大的差距。

也就是说，高质量标签数据的瓶颈限制了人工智能仅能在少数资金充足的科技公司里发挥作用。

「获取标签数据，是构建机器学习模型中最困难的部分。

而 Scale AI 正是构建了一个数据平台，可以使这些公司能够拥有构建 AI 系统所需的高质量的大型数据集。」Wang 认为。

3 竞争怎能不激烈

Scale AI 的新客户包括马斯克的 OpenAI和零售技术公司 Standard Cognition。

其中，Standard Cognition 正在开发一款软件，目标是让零售商的结账流程全面自动化，定位有点类似于 Amazon Go。

这家公司在旧金山有一个试点商店和一个研究中心——在那里，人们可以在视频监控下挑选货架上的物品。

「我们面临的终极问题是，『这是番茄酱还是芥末酱?』Standard Cognition 的 CEO Jordan Fisher 在接受采访时表示，

「如果是番茄酱，我们需要知道它是否是 12.6 盎司的亨氏番茄酱，这样我们才能给客户正确的收据。」

但 Scale 能做到的算是独树一帜吗？并不。除了客户有更高的行业性标注需求，整个数据标注行业实际上竞争激烈。

今年 6 月，Uber 收购了专注于为计算机视觉模型研发训练数据的创企 Mighty AI。Mighty AI 成立于 2014 年，最初业务针对服装等物品标记。其后又在自动驾驶掘金热潮中，成功把业务延伸到该领域。

Uber 宣称，Mighty AI 可以帮助自己训练更好的无人车相关算法，最终推动自动化标注的实现。

此外，亚马逊也宣称在其云产品中提供自动打标服务，而 Hive 和 Alegion 等初创公司也在做类似的事情。

但 Hive 首席执行官 Kevin Guo 说，数据标签（数据标注）只是公司的低端业务，大头还是来自「为不同行业客户开发实际的人工智能模型」。

「我没有把公司的重心放在打标签上，因为我不认为它会成为一桩大生意。」Kevin Guo 说，「现在有相当多这样的公司，老实说，我不认为它们之间有什么区别。这项业务的护城河还是太窄了。」

不过，包括 Accel 和 Founders Fund 在内的 Scale AI 的投资者则表示，Scale 的工具更先进，给数据打标签的速度更快而且更便宜。

「我们知道，在培训数据瓶颈之外，还有很多问题需要我们去解决，以便继续加速人工智能的发展。」Wang 在一篇文章中写道，

「我们期待，随着我们的成长，在更广泛的行业和技术领域加速机器学习的发展。」