Scale AI CEO万字访谈精华：AI正在从"知道"走向"做到"，未来2-3年将迎来真正爆发

2 分钟阅读

Scale AI CEO万字访谈精华：AI正在从”知道”走向”做到”，未来2-3年将迎来真正爆发

嘉宾：Jason Droe｜Scale AI CEO ｜ 领域：AI基础设施与产品战略

背景与引子

2024年，AI领域最重磅的新闻之一，是Meta对Scale AI的14亿美元投资。这笔交易让Scale AI估值接近290亿美元，也让这家神秘的公司走进了大众视野。但与此同时，外界的误解和质疑也随之而来——Scale AI到底是做什么的？他们的护城河是什么？AI数据标注这个市场还有多大空间？

带着这些疑问，Lenny Rachitsky邀请了新上任的Scale AI CEO Jason Droe进行了一场深度对话。这也是Jason Droe接替Alex Wang后的首次媒体专访。

Jason Droe不是一位普通的职业经理人。他的履历足够传奇：在19岁时与Travis Kalanick共同创立了P2P文件分享公司Scour；后来主导了Uber Eats从0到年化80亿美元的业务增长；如今执掌AI数据标注领域的开创者Scale AI。在这场近两小时的对话中，他分享了对AI发展脉络的深刻洞察、创业过程中的血泪教训，以及如何在高风险行业中做出正确决策的思维框架。

对于每一个关注AI发展的人而言，这场访谈提供了一个独特视角：作为最接近前沿AI实验室的外部观察者，Jason Droe如何看待AI模型接下来2-3年的演进方向？专家数据标注这个市场正在发生怎样的变化？为什么真正的企业级AI应用落地比想象中慢得多？

这些问题的答案，可能比你想象的更有意思。

嘉宾是谁

Jason Droe是一位真正的产品人和创业者。他的职业生涯始于1997年，当时年仅19岁的他与Travis Kalanick共同创立了Scour——一个点对点文件分享和多媒体搜索引擎。尽管公司最终因版权诉讼而关闭，但这段经历给Jason留下了深刻的商业启蒙：在谈判桌上，一切都是可以谈的；估值、股份、控制权，统统都是变量。

离开Scour后，Jason经历了互联网泡沫的破灭，曾在eBay上卖二手高尔夫球杆来维持生计。这些看似失败的尝试，实际上塑造了他后来在Uber成长所需的韧性和商业直觉。

Jason在Uber工作了约六年时间，其中最引人注目的成就是从零开始创建并领导Uber Eats业务。这项业务在推出后的四年半时间里，从一个内部实验性项目成长为年化20亿美元的业务，并在疫情期间成为Uber的救命稻草——当核心的网约车业务遭受重创时，外卖业务逆势崛起。如今，Uber Eats的年化GMV已接近80亿美元。

2024年，Jason Droe接任Scale AI CEO，接替了创立公司并带领其成为AI数据标注领域标杆的Alex Wang。Alex Wang目前已加入Meta，负责超级智能团队。

核心观点 TOP10

  1. AI模型的进化方向正在从“知道”转向“做到”——从回答问题到自主完成任务，这是一个本质跃迁

  2. 当前的数据标注已与两年前完全不同：需要顶级专家参与，任务复杂度大幅提升，从简单的偏好排序进化到构建完整网站、解释癌症病理等专业领域

  3. Scale AI专家网络中80%的标注者拥有本科及以上学历，15%拥有博士学位——这与外界对“数据标注就是低技能劳动”的认知完全相反

  4. AI在企业落地的真实瓶颈不是技术本身，而是从60-70%的准确率提升到99%所需的最后那几步——每提升一个九都需要指数级的投入

  5. 好的企业级AI应用从启动到真正稳健运行，通常需要6-12个月——这与市场上宣传的“几个月见效”大相径庭

  6. 创业成功的核心是找到一个真正的洞察——为什么在数百万聪明人都在尝试的领域里，偏偏你有别人没有的洞见？

  7. 理解客户的底层激励比听他们说什么更重要——有时候客户自己都不清楚自己真正需要什么

  8. 高毛利润率是检验一个业务是否有护城河的重要指标——如果无法在产品上实现足够高的溢价，说明你可能没有足够的差异化

  9. 生存是一切胜利的前提——在高 hype 的市场周期中，保持公司的存续能力比追逐每一个机会更重要

  10. 人类在AI进化中将长期扮演关键角色——当模型已经消化了人类所有已知知识后，新的专业知识、具体领域的判断力依然是AI无法自行生成的输入

关键洞察

洞察一：从“通用标注”到“专家标注”的范式转移

18个月前，Scale AI的数据标注任务还是这样的：给出一段短篇故事，问“哪一篇写得更好”，然后标注者给出偏好排序。这是一个本科毕业生就能完成的简单任务。但今天，一个典型的标注任务可能是：一位世界顶级网页开发者正在构建一个完整的网站，他需要把自己的代码、决策逻辑、为什么这样设计而非那样设计的理由，全部教给AI模型。在医疗领域，这可能是PhD级别的专家在教AI模型如何理解复杂的癌症病理报告。这些任务可能需要数小时才能完成一位标注者的参与。

这个转变的意义深远：当模型的基准能力越来越强后，它们需要的不是更多“量”的数据，而是更“深”的专业知识。Scale AI的专家网络中有大量拥有PhD学位的专业人士，他们的报酬也相当可观——这完全颠覆了外界对这个行业的刻板印象。

洞察二：AI落地企业不是技术问题，是组织变革问题

很多人期待AI能在1-2年内颠覆白领工作。但Jason Droe在访谈中明确表示，这个预期过于乐观。他的观点基于在企业一线的观察：当模型准确率在某些任务上从0%提升到60-70%时，人们会认为“差不多了”，但实际上最后那2%的准确率提升需要的投入可能比前面98%还要大。这就像数据中心的“9个9”定律——从99%到99.9%的可靠性，需要的投入是指数级的。

更现实的情况是：一个完整的企业级AI解决方案，需要6-12个月才能真正稳健运行。这期间需要完成法律审批、政策合规、监管评估、变更管理、以及确保所有相关方对准确率的认可。市场上那些“几个月就能见效”的演示视频，实际上省略了这些最耗时也最关键的环节。

洞察三：AI的下一个战场是从“知识问答”到“任务执行”

当前的AI模型在知识储备方面已经相当强大——基准测试显示模型的知识水平正在趋于稳健。但真正的下一个前沿是：AI能为我做什么？

这个转变意味着AI需要理解环境、做出决策、执行任务。以Salesforce为例：一个AI agent需要理解这个高度可配置的系统的数据结构、配置逻辑、用户交互模式，并能够在业务流程中做出高度可靠的决策。它还需要知道什么时候应该把问题升级给人类，什么时候可以自主处理。

RL环境（强化学习环境）是这个方向的核心技术——它们本质上是沙盒，AI agent可以在其中学习和完成目标。但挑战在于：现实世界中的环境组合几乎是无穷无尽的，模型需要的数据必须是“泛化性”足够强的——即在一种情境下学到的能力，能够迁移到另一种情境。

洞察四：创业的本质是寻找市场中的信息不对称

Jason Droe分享了一个他在Uber时期做市场选择的方法论：他会同时保持一个非常宽的视野去观察各种商业机会，直到某个时点所有信号都指向同一个方向。这个过程可能需要测试15个以上的商业想法。

他举了一个失败案例：在Uber时，他们曾尝试便利店即时配送。他们在华盛顿特区投放了10辆载有250个SKU的货车，但几乎没有任何订单。他们后来才意识到：如果没有香烟、啤酒和饮料（便利店的核心吸引物），其他商品根本无法吸引顾客。

这与后来成功的Uber Eats形成了鲜明对比。在进入外卖市场之前，Jason的团队花了大量时间做第一性原理分析：他们找到餐厅供应商，研究菜单成本结构，发现餐厅的边际成本中，原料约占20-30%，人工约20-30%，房租约10%。基于这个洞察，他们判断：如果能帮助餐厅在不增加固定成本的情况下获得增量订单，这会是一个高毛利的商业模型。后来Uber Eats的成功证明了这个判断。

洞察五：估值谈判的启示——“一切皆可谈”

回到1997年与Travis Kalanick共同创业的经历，Jason学到的一个核心教训是：在商业世界，一切都是可以谈判的。他们在融资过程中经历了完全出乎意料的谈判拉锯：原本说好的是以500万美元估值融资几百万美元，但在签约过程中，投资方不断提出新的要求——从50%股份到75%，再到“今天签字就给80%”的最后通牒。

这段经历让年轻的Jason意识到：在现实商业世界中，没有什么是“应该如此”的固定规则。关键是你能不能通过谈判找到一个路径，让各方利益得到协调。这个思维贯穿了他后来在Uber的所有谈判，包括Uber Eats与McDonald’s的独家合作协议。

精彩金句

“在商业和创业领域，一切都是可以谈的。没有所谓的’应该怎么做’，只有你通过谈判能够走出的路。”

这句话诞生于19岁的创业经历，贯穿了Jason后来在Uber的所有重要谈判，包括如何拿下McDonald’s这样的战略合作伙伴。

“Lay broadband不是一件性感的事——它意味着你要挖开美国的每一条路去铺光缆。同样的，AI的落地也需要有人去做这些脏活累活。”

当被问及为什么公众对AI的理解与现实存在巨大落差时，Jason用铺设宽带的比喻来说明：台面上展示的是令人兴奋的技术愿景，但要让这些技术真正work，需要有人做大量的基础性工作。

“最好的创业者不是风险偏好者，而是能把每个决策都做成非对称正向风险结构的人——他们非常清楚如何控制下行风险。”

这是Jason Droe在谈及“生存是成功前提”时的核心观点。高风险高回报的决策偶尔成功当然光鲜，但一次失败就可能让一切归零。真正优秀的创业者会持续评估风险结构。

“人类判断力正在成为瓶颈——不是所有数据都有用，模型需要的是那些真正能教它做出正确决策的专业知识。”

当讨论到企业级AI应用时，Jason指出了一个反直觉的现象：企业往往有海量数据，但这些数据中真正对模型训练有用的部分少之又少。关键在于找到那些能够体现人类判断逻辑的数据。

“end is never the end（终点不是终点）。”

这是Jason Droe最喜欢的一句人生座右铭。在任何创业旅程中，总会有看起来无法逾越的困难时刻——但明天太阳照常升起，总有另一条路可以走。

实战案例

Uber Eats的定价策略：基于第一性原理的洞察

当Uber Eats刚刚起步时，如何说服餐厅合作伙伴接受平台费用是一个巨大的挑战。Jason的团队没有直接去问餐厅“你愿意付多少”，而是从底层逻辑开始拆解：他们找到餐厅供应商，要来基础商品目录，自己计算每份餐食的原料成本。然后他们与餐厅业主交流获得的数据交叉验证，还参考了行业数据提供商的信息，最终建立了自己对餐厅经济模型的独立判断。

结论是：餐厅的成本结构中，约20-30%是原料，20-30%是人工，10%是房租。当Uber Eats提出收取约30%的订单金额作为平台费时，餐厅们普遍表示“太贵了”。但Uber Eats的团队用自己建立的模型解释了经济学逻辑：对于餐厅而言，增量订单意味着几乎零边际成本的利润——因为厨师、人工和房租都是固定的，多卖一份餐就多赚一份纯利润。最终，虽然实际的市场清算价格后来稳定在25%左右，但Uber Eats基于自己的洞察建立的市场策略，为后续的规模化扩张奠定了基础。

McDonald’s合作：从拒绝到独家

一个很少被提及的故事是：McDonald’s曾主动找到Uber Eats寻求合作，但Jason Droe一开始拒绝了他们。背后的逻辑是：当时Uber Eats的愿景是帮助独立餐厅与大型连锁品牌竞争——城市美食的灵魂在于那些local的特色小店，而非连锁品牌的标准化菜单。

McDonald’s的代表被拒绝后反复联系了他们四五个月，强调自己每天有8000万顾客流量。Jason的团队最终被说服了——他们决定接受这个合作，条件是争取到一个非常有利的独家条款。后来证明，这个合作成为Uber Eats增长曲线的重要催化剂：与McDonald’s的合作让Uber Eats在短短三个月后开始“曲棍球式”增长，业务规模跃升到了新的量级。

医疗系统的AI辅助诊断

Scale AI的另一个重要业务方向是为医疗系统构建AI解决方案。一个典型案例是：某家顶级医疗中心（专门接收疑难杂症患者）面临严重的积压问题。医生们需要阅读大量复杂的多格式文档——一个病例可能涉及200-300页的不同格式记录。医生们不可能在有限的面诊时间内读完这些材料。

Scale AI帮助构建了一个AI工具，它能自动阅读这些文档，并标注出医生应该重点关注的10个要点。在实际应用中，这个工具曾发现一个患者对某种药物的隐蔽过敏反应——这种过敏在常规阅读中很难被注意到，但如果被忽视，可能会与医生计划开的处方产生致命冲突。这个案例说明：在高度专业的领域，即使是最好的AI也需要人类专家的标注和指导——那些能够发现关键信息的“专业判断力”，正是AI所缺乏的。

行动建议

建议一：始终深入理解客户/用户的底层激励机制

为什么要做：在产品开发中，用户和客户告诉你的往往不是他们真正需要的，而是他们能表达出来的。理解他们做出决策的底层原因——财务激励、晋升需求、降低风险、还是ego——才能找到真正有价值的切入点。

如何开始：不要直接问“你想要什么功能”，而是问“你最近最让你头疼的工作是什么？”“你每天早上醒来第一件事在想什么？”从他们的回答中挖掘紧迫感和动机。

能得到什么：你将能够构建一个真正解决核心痛点的产品，而不是一个“听起来有价值但永远不会被使用”的功能。

建议二：用“毛利润率”作为过滤业务想法的快速筛选器

为什么要做：高毛利润率通常意味着你有足够的差异化——你能为客户提供超越产品本身的价值。如果你发现自己的业务模型无法支撑健康的毛利润率，可能说明你的差异化不够明显。

如何开始：当一个业务想法出现时，先问自己：为什么这个业务的毛利润率应该高于竞争对手？如果答案是“因为我们有更好的技术”或“因为我们能更低成本运营”，那么继续追问：竞争对手多长时间后也能做到这一点？

能得到什么：避免在低利润红海中竞争，确保自己的时间和资本投入在一个真正有护城河的业务方向上。

建议三：采用“广泛探索、快速排除”的方法论来选择创业方向

为什么要做：直觉往往是不可靠的——你最初觉得“肯定不会成功”的想法，可能恰恰是金矿。保持开放的心态，用系统化的方式测试假设，比过早下结论要明智得多。

如何开始：列出至少10个你考虑进入的市场/领域。对于每个领域，用一周时间做基础调研（市场规模、竞争格局、单位经济模型）。然后对于每个“为什么这个行/不行”的结论，追问三次“为什么”。

能得到什么：一个经过深思熟虑而非直觉驱动的商业判断。Uber Eats之前，他们测试了便利店配送、快递点对点配送、杂货配送等15种不同的业务形态，最终才确定外卖方向。

建议四：对于AI应用落地，保持“6-12个月”的现实预期

为什么要做：如果你的AI项目没有明确的成功标准、缺乏跨部门协调、没有充分的时间来建立准确率和各方认可，那么它很可能会失败——不是因为技术不行，而是因为组织准备度不足。

如何开始：在项目启动前，与法律、合规、安全、运营等所有相关方明确他们对AI系统的准确率要求和风险容忍度。把“实现95%+准确率并获得相关方批准”作为明确的里程碑，并留出足够的时间。

能得到什么：真实的、能产生商业价值的AI应用，而非永远停留在PPT和Demo阶段的实验项目。

建议五：用AI作为你自己的“私人导师”

为什么要做：Jason Droe分享说他在开车上班时，会用语音模式与AI对话，让AI解释他遇到的新概念。他说：“Scale是一个我不太熟悉的领域，我有那么多人可以向我解释技术细节，但他们时间有限。所以我用AI来当我的导师。”

如何开始：选择一个你正在学习的新领域，用AI来解释基础概念、回答你的追问、帮你把复杂信息结构化。当你要做重大决策时，先问AI它的看法，然后与人类专家的意见对照。

能得到什么：更高效的学习速度，更结构化的思维方式，以及在信息过载时的一个“思维锚点”。

我的总结

这场访谈之所以珍贵，是因为Jason Droe同时拥有两种稀缺的视角：作为最接近前沿AI实验室的外部合作伙伴，他能看到模型正在往哪里进化；作为一位从P2P下载时代一路走来的连续创业者，他深知从想法到产品落地之间的鸿沟有多深。

他揭示的核心真相是：AI正在经历一个从“知识积累”到“行动执行”的范式转移。这个转移不会在1-2年内完成，但它正在发生。对于想要在AI时代建立真正竞争力的企业而言，核心不是追逐最新模型的能力演示，而是理解人类专家判断力在其中的不可替代角色——那些能够教会AI在具体情境中做出正确决策的专业知识，才是最稀缺的数据资产。

而在商业层面，Jason的洞察同样深刻：好的产品不是“解决客户告诉你的问题”，而是“帮助客户发现他们自己还没意识到的需求”。无论是Uber Eats的餐厅经济学分析，还是Scale AI在医疗领域构建的专业标注系统，都指向同一个真理——在喧嚣的市场噪音中保持独立思考的能力，才是最核心的竞争优势。

📺 播客信息

  • 发布时间：2025-10-09
  • 时长：1小时24分钟2秒
  • 播放量：18912 次观看
  • 原版视频：『YouTube』