Scale AI 首席执行官首次专访：140 亿美元 Meta 交易、企业 AI 中真正有效的做法，以及前沿实验室下一步在构建什么｜Jason Droege

Jason Droege 一开始把实用 AI 的问题界定为：模型从“知道事情”转向智能体能在真实运行环境中可靠地完成事情。他认为，难点不只在模型能力，还在于达到自动化重要流程所需的可靠性；他说这可能需要六到十二个月。

Droege 称 Meta 以略高于 140 亿美元取得 49% 无投票权股份后，Scale 仍是独立公司。他说 Meta 没有获得新的董事会席位或优先访问权，既有隐私与数据安全保护仍在，交易中只有约 15 人转去 Meta。这是他对这项安排和公司状况的陈述，并非访谈中的独立核实结论。

他把 Scale 的演变描述为不断适应模型所需的数据类型：先是自动驾驶标注，之后是计算机视觉，再到生成式 AI 任务。与他所谓竞争对手的误导性定位不同，他说当前工作往往需要专家，例如优秀的网页开发者或能向模型解释复杂癌症议题的人，而不只是低成本通才劳动力。

Droege 说，专家贡献者很难招募，推荐是最大渠道，校园外展和传统招聘作为补充。他的解释是，专家一方面为报酬参与，另一方面也因为把自身专长贡献给 AI，能够回应他们对当前模型的某种挫败。这是在说明 Scale 的招募做法，而不是对劳动市场的通用衡量。

谈到强化学习，他把重点放在环境上：智能体必须在特定软件设置中完成目标的沙盒。他说，核心数据问题不是穷举所有可能配置，而是找到其经验能泛化到广泛用例的任务和环境。日历搜索的例子说明了具体任务与可复用能力之间的区别。