【深度專題】Scale AI 是什麼？是 ChatGPT 訓練的基石？從資料標註新創到 Meta 投資的 AGI 基礎建設者

從 YC 新創孵化 到 Meta 超級實驗室的頂級玩家

在 AI 世界高速演進的今天，有一家公司默默站在幕後，替我們每天使用的語言模型提供「燃料」與「引擎維修」。那就是 Scale AI，一家總部位於舊金山、專注於資料標註與 AI 訓練平台的科技公司。自 2016 年成立以來，Scale AI 已累計募資超過 6.5 億美元，估值達到 290 億美元。

Scale 不只是幫 OpenAI 標註 GPT 系列訓練資料的合作夥伴，更在 2025 年被 Meta 宣布將投資逾 140 億美元入股，並由創辦人 Alexander Wang 領導 Meta 新成立的 AI Super Intelligence Lab，象徵其角色已從「資料供應鏈」進化為 AI 時代的核心操盤者之一。

創辦人小檔案：Alexander Wang

Alexander Wang 出生於美國新墨西哥州，父母皆為從事物理研究的專業人士，母親曾任國家實驗室研究員，父親則在國防相關單位任職。受家庭影響，他自幼對數理與技術充滿興趣。

17 歲時，他考入麻省理工學院（MIT），主修人工智慧與數學，期間曾在問答社群平台 Quora 擔任實習工程師，協助開發機器學習模型以改善內容推薦系統。Quora 是一個讓使用者提問與回答問題的知識社群平台，也因資料結構豐富，成為許多早期 AI 應用的實驗場。

此外，Wang 也參加了 Rationalist（理性主義者）社群主辦的夏令營。這個社群聚集一群對 AI 安全與人類未來充滿關注的思想家與工程師，包括 Eliezer Yudkowsky（人工智慧風險研究的早期倡議者）、Paul Christiano （前 OpenAI 研究總監，現任美國 AI 安全研究院主任）等人，這些經歷讓他在十幾歲就接觸到 alignment、AI 倫理等最尖端的討論。

2016 年，Wang 決定休學創業。他申請進入 Y Combinator 加速器，在與 YC 的面試過程中直言：「AI 的真正瓶頸不是演算法，而是資料。」這個觀察讓他獲得 YC 的青睞，順利進入當期計畫，創立了 Scale AI。

成立初期：從人力 API 開始的迷茫實驗

Scale 的最初版本是一個「API for human tasks」，也就是你可以透過 API 委託「真人」進行各種重複性任務，像是語言校對、資料整理，有點像我們之前介紹日本 Apto / 印度的 Karya，讓公司可以透過 API 讓真人替你做資料比對。這個想法雖然在 Product Hunt 上獲得關注，但每個任務各跑各的沒辦法累積專業知識，也無法針對單一領域優化流程、控制成本和品質。缺少重複執行同一類任務的機會，就很難建立標準作業，也無法吸引大量客戶長期付費。。

直到某天，一間自駕車新創 Cruise（後來被通用汽車 GM 收購）找上門，希望委託 Scale 幫他們標註影像資料。

一般來說自駕車的影像須要大量高品質的標註，常見標籤包括：

• 物體偵測：行人、車輛、腳踏車、交通號誌、車道線
• 圖像分割：路緣、行人道、障礙物各自判別像素層級
• 追蹤資料：標記同一物體在連續畫面中的移動軌跡（bounding box tracking）
• 行為分類：車輛轉彎、行人越線、交通事故判斷等

Scale 在 2016 年 Product Hunt 發布後不久便與 Cruise 合作，約在 2017 年初開始支援影像標註，成為首個穩定的長期客戶，開啟 “Product‑Market Fit” 階段。

自駕車時代的資料礦工：第一個飛輪開始轉動

2017-2019 年，自駕車成為矽谷最火熱的賽道，Waymo、Cruise、Zoox 等公司蜂擁而起，但他們都遇到同樣的難題——需要龐大的高品質資料來訓練模型，而 Mechanical Turk 等標註平台無法提供足夠精準的資料。

Scale 把標註流程系統化、自動化，並提供資料管理儀表板與審核機制，大幅提升資料的準確率與可擴展性。這讓它迅速壟斷了自駕車產業的標註需求，成為 Waymo、Toyota Research 等公司的合作夥伴。

這一階段，Scale 建立了第一個飛輪效應：

• 客戶資料量越多 →
• 標註流程更完善 →
• 模型訓練更準確 →
• 吸引更多 AI 公司合作

轉型：從資料供應商到 AI 應用策略家

隨著自駕車熱潮因監管瓶頸、安全事故與商業模式不明確等問題逐漸降溫（如 Cruise 在 2023 年事故後被迫停擺），Scale 適時轉型。在 2019 年與 OpenAI 合作為 GPT-2、GPT-3 提供標註資料後，他們嗅到一個更大的機會：幫助所有企業打造自己的「專屬 AI」。

他們開始與大型藥廠、金融機構、政府單位合作，為其內部流程建立 agentic AI 系統。例如：

• 根據 Lightcone Podcast，Scale AI 協助美國國防部印太司令部建構 Thunder Forge 作戰規劃 AI 系統，將 72 小時的決策流程壓縮成 10 分鐘。
• Scale 幫助知名媒體 TIME 建立內容生成與自動發布 agent 流程，涵蓋稿件撰寫 → 編輯 → 排程 → 發佈的完整 pipeline。

這些 agentic AI 並非單一 chatbot，而是能調用多模組工具、自主執行多步驟任務的 AI 系統，成為企業內部流程自動化的重要推手。

做資料時代的 NVIDIA

Alexander Wang 曾說：「我們不是資料標註公司，而是 AI 時代的資料運營系統。」

Scale 的關鍵策略在於：

• 資料垂直整合：從收集、清洗、標註到評估一條龍完成，並搭配自建的私有資料中心（data centers），用於高安全性與高頻調用的企業任務。
• 模型微調與應用：幫助企業建立基於自身資料的專屬模型（RLHF 或 full fine-tune），並提供 API 部署、持續監控與效能評估能力。
• 標準制定者角色：推出 Humanity's Last Exam 等高難度評估集，成為 frontier 模型的共同 benchmark，並主導如 OpenAI、Anthropic、Meta 等公司模型的外部驗證流程。

這讓 Scale AI 不再只是資料的搬運工，而是訓練流程的「總指揮官」。

結語： AGI 生態系的神經中樞

真正定義一個技術時代的，從來不是最吸睛的應用，而是底層平台的可擴展性。Scale AI 就像 iOS 為 App 世代提供統一語法、如 AWS 為雲端運算奠定標準，它為 AGI 打造了資料與訓練的通用作業層。

但更準確地說，Scale 更像數位時代的基礎建設——類比電網或運輸系統——它連接開發者與資料、企業與模型，讓 AI 不只存在，而能安全、有序地擴張。從資料的取得、校正，到標準化與實驗平台，Scale 不是舞台上賣力演出的演員，而是整個劇院的鋼筋水泥。