这位22岁华裔青年用3年创造出硅谷最新AI独角兽

Scale AI宣告得到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，比较很多自称人工智能公司的空想化目标，这家公司的义务非常现实且大略——

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 开拓了一款软件，试图用人机协作的办法做数据标记。
在许多情形下，这款软件能够自动标记大多数工具（物体）。
然后，再由人工审查。

如果人工须要干预，系统许可他们点击某处修正，比如，点击一辆汽车的中心；AI 系统还会为他们追踪目标。
过去须要几个小时才能完成的任务，现在只须要几分钟。

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 万名条约工的众包网络，由这支遍布天下各地的承包商军队卖力图像标注事情。

Scale AI 会给承包商详细的指示，见告他们要查找的内容。
同时，Scale AI 还在开拓软件，确定最好的标签。

为了确保承包商的事情质量，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，检讨承包商在做什么，并根据算法模型进行验证，确定他们的完成情形是否合乎标准。

Scale AI 的创始人 Alexandr Wang 不愿意透露这些条约工是从哪里找来的，也没有说他们的收入情形，但他坚称「人为还不错」。

「我们没有试图优化人力本钱，」他强调，「他们由于这份事情所挣到的钱已经达到了他们所在地区人为的 60% 至 70%。
」

目前，Waymo、OpenAI、Airbnb、Nuro 和 Lyft 等公司的天下领先的机器学习团队都在利用 Scale AI 的这个平台。

Scale AI 以按需或企业做事模式供应做事，并表示，其做事具有可扩展性。
有媒体宣布，单一客户每年为其付费超过 100 万美元。

除此以外，Scale AI 还正在寻求将产品发卖给任何一家开拓人工智能技能的公司：

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、机器人技能、AR/VR、线下零售等领域的公司供应数据做事。

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

Scale AI 的创始人 Alexandr Wang 是一名华裔，在新墨西哥州终年夜，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事情约请。
因此，他提前从 MIT 提前毕业，在硅谷事情。

2016 年，19 岁的 Wang 与朋友 Lucy Guo 共同成立了 Scale AI，旨在加速 AI 运用程序的开拓。
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。

「大略而言，我根据决策理论和机器学习中遗憾值最小化这一主要观点行事。
」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，他便四处口试，探求打算机工程和机器学习方面的演习机会，打仗的公司包括 DeepMind、Snapchat Research、OpenDoor 等。

这些机会让他非常愉快，但同时，也让他感到无所适从乃至有点失落落：

「我希望找到一份自己无法谢绝的事情，但总觉得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事情的经历，因此在上述公司工为难刁难我来说已经算不上发展机会。
」

在与 OpenDoor 首席实行官 Eric Wu 谈过心后，Wang 确信，该当创办一个自己的公司。

「这不仅是一个巨大的发展机会，而且如果不捉住最好机遇承担风险投身创业，那么将来肯定悔之晚矣。
」

这成了他创办 Scale AI 的出发点。

Wang 相信，机器学习很可能是这个时期最主要的技能变革，它给天下带来的总体效益将与互联网相媲美。

在世界上最前辈的组织开展 AI 事情后，他把稳到，由于缺少成熟的根本举动步伐，构建机器学习系统具有寻衅性。
特殊是，AI 进一步发展的关键瓶颈是数据——特殊是标记数据集。

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

模型迭代和调度，则须要更多的数据。
安全、准确和无偏见的 AI 系统依赖于大量高质量的演习数据。

但获取、标记和验证演习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，你须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，事情职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，花费的韶光是 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，只有这样做往后，汽车才能理解周围天下的情形。

换句话说，每一辆自动驾驶汽车后面，都坐着成千上万的人，他们的事情便是演习电脑看东西。
他们的不雅观察结果被反馈给人工智能软件，而软件则只能随着韶光的推移学会如何做同样的事情。

这从表面看是一层魔术布，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，须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网络到的照片贴标签，就要花费数百万美元。

因此，能够包袱得起所有培训的少数几家大公司和许多包袱不起培训的大公司之间，也就存在了巨大的差距。

也便是说，高质量标签数据的瓶颈限定了人工智能仅能在少数资金充足的科技公司里发挥浸染。

「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。

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

个中，Standard Cognition 正在开拓一款软件，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央——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 在接管采访时表示，

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

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，全体数据标注行业实际上竞争激烈。

今年 6 月，Uber 收购了专注于为打算机视觉模型研发演习数据的创企 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 流传宣传，Mighty AI 可以帮助自己演习更好的无人车干系算法，终极推动自动化标注的实现。

此外，亚马逊也流传宣传在其云产品中供应自动打标做事，而 Hive 和 Alegion 等初创公司也在做类似的事情。

但 Hive 首席实行官 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「为不同行业客户开拓实际的人工智能模型」。

「我没有把公司的重心放在打标签上，由于我不认为它会成为一桩大买卖。
」Kevin Guo 说，「现在有相称多这样的公司，诚笃说，我不认为它们之间有什么差异。
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 的工具更前辈，给数据打标签的速率更快而且更便宜。

「我们知道，在培训数据瓶颈之外，还有很多问题须要我们去办理，以便连续加速人工智能的发展。
」Wang 在一篇文章中写道，

「我们期待，随着我们的发展，在更广泛的行业和技能领域加速机器学习的发展。
」