当AI竞赛进入深水区，一场关于“数据”的暗战已然打响。
新眸原创·作者 | 简瑜
就在两个月前，Meta以约150亿美元（折合人民币超1070亿元）的惊人手笔，正式入股Scale AI，拿下接近一半的股权。这笔交易不仅让Scale AI的估值瞬间跃升至290亿美元，更将一个长期隐身于幕后的产业——数据标注，推到了台前。
成立于2016年的Scale AI，仅用五年时间便估值破百亿美元，堪称硅谷AI赛道最耀眼的“黑马”。而它的核心业务，听起来却异常朴素：为AI训练数据打标签。这项工作曾被普遍视为AI产业链中最基础、最乏味的“苦力活”，依赖大量人力，技术含量低，鲜少被资本关注。
然而，正是这个不起眼的环节，如今却成了巨头们争夺的战略高地。Meta的这次出手，不仅是对数据资产的押注，更是对人才与技术体系的全面收编。作为交易的一部分，Scale AI创始人汪滔将带领核心团队加入Meta，组建“超级智能小组”，专注于下一代AI模型的训练优化，而他本人也将继续保留在Scale董事会的席位。
这场并购的背后，暴露出Meta在AI竞争中的深层焦虑。2024年，其推出的Llama4Behemoth模型因训练数据质量不佳而广受批评——近三成语料来自低质社交媒体内容，导致其在多模态理解与长文本推理上，性能落后于GPT-4.5约12个百分点。数据短板，已成为制约其追赶的致命瓶颈。
在大模型时代，数据标注正从“边缘”走向“中枢”。它不再只是简单的框选与分类，而是AI理解世界的第一道认知桥梁。以自动驾驶为例，摄像头捕捉的画面本身对AI毫无意义，唯有通过人工标注出车道、行人、交通信号，这些数据才具备训练价值。
目前，行业主要分为三类参与者：一是依赖廉价劳动力的传统标注公司，效率低、质量不稳定；二是由大厂自建的众包平台，如百度众测、京东众智，服务于内部需求；三是具备AI驱动能力的智能服务商，如Scale AI，它们通过“AI预标注+人工校验”的混合模式，大幅提升效率与精度。
Scale AI的崛起路径颇具代表性。它最初名为ScaleAPI，主打“人力即服务”，开发者一行代码即可调用远程团队处理琐碎任务。随着积累大量高质量数据，公司逐步引入AI模型，实现自动化标注。据测算，AI标注成本可低至0.003美元/条，效率是传统方式的20倍，准确率甚至超越人类。
根据2024年7月DMR报告，全球数据标注市场规模约20亿美元，美国占比高达40%。这背后，既有全球化分工的布局优势——Scale通过Remotasks平台，将基础任务分发至菲律宾、肯尼亚等地，形成低成本人力网络；也有技术代差的现实——国内多数标注企业仍以人工为主，自动化能力薄弱。
更关键的是，Scale AI已超越传统标注商定位。从招聘、质检到销售分析，其内部流程高度自动化，创始人汪滔被誉为“天才少年”，19岁从MIT辍学创业，其战略视野远超单一技术环节。
当前，大模型训练重心正从预训练转向强化学习，对数据的专业性、精细度要求更高。医疗、法律、金融等垂直领域的需求激增，使得标注员角色日益复杂，需兼具专业知识与抽象思维。Surge AI便是其中代表，专注生成高质量代码数据，2024年营收已达10亿美元，反超Scale AI。
尽管AI标注与合成数据被视为未来方向，但现阶段仍难完全替代人工。规则制定、质量把控等关键环节，仍需人类深度参与。数据标注不会消失，只会进化得更智能、更专业。
曾经，在AI的“三驾马车”中，算法有OpenAI领跑，算力由英伟达主宰，而数据环节始终低调。如今，Meta的豪赌预示着：数据，正成为决定AI胜负的终极变量。
