文 | 新眸，作者 | 简瑜
两个月前，Meta 豪掷约 150 亿美元 （约合人民币 1078 亿元） 入股 Scale AI，一举拿下 49% 股份。交易完成后，Scale 估值被推高至 290 亿美元。
作为硅谷 AI 赛道近几年最猛的黑马，Scale AI 从成立到估值飙升至 138 亿美元，仅用了 5 年时间，几乎创造了一个行业的神话。
这家公司的主业，是数据标注。低成本的员工门槛和海量的人工参与，这个看似枯燥且“ 苦力活” 的领域，长期以来被视为是 AI 产业链里最不性感、最缺乏想象力的一环。
然而，正是凭借这门“ 脏活累活”，Scale 在大模型时代迅速完成了从幕后到台前的跃迁，成为硅谷最炙手可热的明星公司。Meta 的出手，则进一步将数据标注这个原本处于产业底层的环节，推向了聚光灯下。
更耐人寻味的是，这场收购并不仅仅是资本层面的“ 下注”。
作为交易的一部分，Scale 创始人兼 CEO 汪滔将卸任，带领部分核心员工加入 Meta，组建所谓的 「超级智能小组」，同时保留 Scale 董事会席位。换句话说，Meta 买的不只是数据，更是汪滔本人的战略眼光和执行能力。
这场来势汹汹的收购背后，折射出的是 Meta 的数据焦虑。
2024 年，Meta 推出的 Llama4Behemoth，曾因训练数据质量问题饱受诟病，原因在于 Llama4Behemoth 约 30% 的语料源自低质量社交媒体内容，导致模型在多模态理解、长文本推理等核心指标上，仍落后 GPT-4.5 约 12%。对 Meta 而言，缺乏高质量数据成为了限制其模型追赶的最大短板。
某种程度上，在 AI 模型训练对数据依赖日益加深的当下，数据标注作为模型训练的第一道防线，其战略地位正在被重新估值。
01 从苦力活到智能化，数据标注进化之路
什么是数据标注？
一句话概括，就是给原始数据打上标签，把“ 人类能理解的信息” 转化为“AI 能识别的训练样本”。比如在自动驾驶场景中，采集车上传的只是道路影像，但 AI 无法直接看懂。只有当人类标注员把车道线、路牌、行人等元素逐一框选、标记，这些影像才真正具备训练价值。
在这个行业里，大致存在三类玩家：
第一类是纯人力型公司。依靠大量低成本劳动力完成标注，适合做图像分类、语音转写等标准化任务。技术门槛不高，客户往往需要自带工具和平台，符合大众对“ 数据标注就是体力活” 的固有印象。
第二类是互联网大厂的众包平台。典型代表如京东众智、百度众测，主要用于满足公司自身业务场景需求，再通过众包机制把任务拆解、分发给外部劳动力池。
第三类则是智能型服务商。这类公司具备自主研发平台和算法能力，能提供自动化标注工具、质量控制体系以及高度定制化的解决方案，尤其擅长 3D 点云、多模态等复杂任务，往往在效率和准确性上显著领先同行。
长期以来，前两类公司本质上都是“ 人力堆砌型” 企业，规模和利润空间有限，天花板非常明显。尤其是第一类，更多时候只是第三类智能公司的外包池子。事实上，今天大多数头部智能型企业，几乎都是从这种人力公司一步步进化而来。
以行业龙头 Scale AI 为例，它的前身其实叫“ScaleAPI”。最初，它并不是一家数据平台公司，而是提供一个“ 人力 API”：开发者只需写一行代码，就能调度一支远程劳动力团队，帮忙完成内容审核、数据提取、预约安排等琐碎任务。
这种以人工驱动的轻量模式，既帮 Scale 拿下了丰田、本田等早期大客户，也积累了大量高价值数据。
有了基础数据的积累，再加上 AI 能力的升级，自 2018 年起，Scale 就开始逐步用模型替代掉部分重复性、套路化的人力工作，构建起一套“ 机器预标注+人工复核” 的混合工作流。先由算法完成预标注，再由人工专家审核和修正。
这种 AI 代替的模式，为公司的效率和质量带来了双重提升。根据 OpenAI 的测算，ChatGPT 的平均标注成本低于 0.003 美元，比传统众包平台便宜 20 倍。而在准确率上，GPT-4 完成的标注结果可达到 88.4%，甚至超过了人类标注员的 86.2%。
02 全球数据标注版图
根据 DMR（DimensionMarketResearch） 在 2024 年 7 月发布的预测报告，全球数据标注行业市场规模约为 20 亿美元，其中美国市场规模为 8.38 亿美元，占据约 40% 的份额。这也是目前能查到的最新数据。
为什么美国能长期占据全球数据标注的主导地位？
一方面，数据标注本质上是人力密集型产业。标注员的工作门槛低、流动性大，导致人力几乎成为成本控制的核心竞争力。
为了减轻组织压力，企业通常会选择外包或众包的方式来派发项目。在这一点上，美国公司凭借全球化分工的优势，将基础标注任务外包给低成本国家，实现了极致的成本压缩。
典型的例子，Scale AI 通过旗下众包平台 Remotasks，它将最基础的框选标注任务分发给菲律宾、肯尼亚等低成本地区。除官网披露的 900 名正式员工外，其平台上注册工人超过 24 万人，遍布全球。
其次，在技术水平和自动化程度上，国内外厂商存在明显差距。目前国内最大的标注公司云测数据，早在 2021 年就尝试引入自动标注功能，但应用范围仍主要集中在智能驾驶领域；另一家专注语音的海天瑞声，也在研发自动语音切割等工具，但整体智能化水平有限，仍高度依赖人工。
相比之下，Scale AI 在 2018 年就布局自动化标注，虽然同样是自动驾驶起家，但业务已经扩展到语言、金融、医疗甚至军事等领域。
更重要的是，Scale AI 不只是一家单纯的数据标注商公司，此次 Meta 重金挖走的汪滔，被称为华裔“ 天才少年”，19 岁那年从美国麻省理工学院辍学，创立 Scale AI，在最近的一段采访中，他提到，不仅是数据标注，在招聘流程、质控流程、数据分析、销售报告等环节，Scale AI 都已经实现了自动化管理。
某种程度上来说，作为一个因大模型训练需求而诞生的行业，国内企业布局的短板，很大程度上是由市场需求的缺失所决定的。
数据标注最大的两个服务场景分别是大模型和自动驾驶，而这两个产业的绝对主力军大多分布美国。出于数据天然涉及隐私和安全考量，企业更倾向于选择本国标注商合作。
正因此，美国既孕育出了 Scale 这样的全能型选手，还有 surgeAI、Turing 这样面向微调服务，以及 Lionbridge 这样面向文本、语音的数据公司。
相比之下，国内由于本身劳动力较为密集，互联网大厂通常会采用众包模式而非专门标注公司，且在部分模型采用蒸馏的前提下，国内市场需求要远少于国外。
03 大模型下半场， 数据标注地位正在反转
随着 AI 技术的快速迭代，业界曾一度流传一种观点：AI 标注与合成数据将彻底取代人工标注。但就目前的技术现实而言，这种可能性依然遥远。
AI 标注的前提，是数据结构和规则高度明确，并且有充足的历史样本支撑。因此，它的应用范围天然受限，目前仍只能覆盖交通图像、人脸识别等较为标准化的任务。
在工作流上，AI 主要替代的是标注的中游环节，而规则制定、质量把关等关键节点，仍然需要人工介入。
与此同时，随着大模型逐渐强调垂直化场景，训练重心也从预训练转向了强化学习。不同于预训练对数据质量要求相对宽松，强化学习更依赖高精细度和专业化数据，常常涉及医疗影像、法律文本、情感语言等高门槛领域。
这种变化使得标注员的角色愈发复杂。
他们不仅要具备专业知识，还需要抽象思维与跨学科能力。正如一位业内人士所说，如今的任务往往牵涉推理链条、多模态对齐等新场景，“ 早已不是简单的框选和分类能够解决的”。
Surge AI 就是这一趋势的典型代表。该公司自 2020 年创立起，就将核心放在高质量数据的生成上，例如为编程模型提供优质代码数据，以提升模型性能。凭借这种定位，SurgeAI 在 2024 年的营收已达到 10 亿美元，甚至超越了行业老大 Scale AI 的 8.7 亿美元。
另一条被寄予厚望的替代路径是合成数据。理论上，它能够在数据不足时填补空缺，但现实问题不容忽视：合成数据毕竟是在既有条件下生成的，当现实场景发生变化，它难以保持有效性；同时，数据安全风险也限制了其大规模泛化的可能。
从这个角度来看，数据标注并不会消失，而是会向更高质量、更强专业化方向演进。
回顾过去，数据标注长期被视为“ 三驾马车” 里最弱的一环：算法有 OpenAI，算力有英伟达，而在数据标注领域，即便是行业龙头 Scale AI，其市值也不到 OpenAI 的十分之一。
究其原因，很大程度上源于行业门槛低、收入上限有限。但当 AI 模型训练进入下半场，数据标注的技术壁垒被不断拔高，Meta 对 Scale AI 的收购，只是一个开始，在不远的将来，数据资源正在被推向产业竞争的核心。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App