文 | 新质动能，作者 | 沐风，编辑 | 小峰
近日，扎克伯格砸出 143 亿美元（折合人民币约 1066 亿元），拿下了 Scale AI 49% 股权，豪赌其背后的华人天才 Alexandr Wang。
这个华人有多牛呢？18 岁从 MIT 辍学创业，22 岁就登上《福布斯》封面，24 岁成为世界最年轻的白手起家亿万富翁，25 岁接下五角大楼的 AI 合同，现在 28 岁，他加入 Meta，领导超级智能团队。
别人在卷大模型、算力和芯片，他就老老实实干了一件事：喂数据。更准确地说，是帮这些 AI 公司把海量原始数据清洗、标注、组织成能用的格式，然后送进训练系统。
干的听起来不光鲜，像个 " 数据外包厂 "。但就是这活儿，被他做到极致，客户里有 OpenAI、Meta、微软、特斯拉，甚至还有美国军方。
而这一次，扎克伯格的天价收购背后也很复杂：
一边是自己 AI 进展不力，一边是 OpenAI 和谷歌越跑越快，Meta 急了。与其自己一边烧钱一边出问题，不如干脆把给大模型 " 供粮 " 的公司拉进来。
问题是，Wang 真能扛得起 Meta 的重任吗？
143 亿美元押注 "AI 搬砖人 "？
最近，一条消息在硅谷刷屏：Meta 斥资 143 亿美元，与数据标注巨头 Scale AI 达成重磅合作。
这不是小打小闹的项目外包，而是 Meta 把自家 AI 大模型的训练、优化、数据管理，全面托管给了 Scale AI。这笔交易金额刷新了近几年 AI 基础服务领域的记录。
很多人好奇：一个做标注外包的，凭什么值这么多钱？
再看得细点你就懂了——这是 Meta 的 " 救命钱 "。
2024 年，Meta 在 AI 赛道的表现可以说是一喜一忧：
喜的是，Llama 3 开源后，一度带动开源圈爆发；
忧的是，Llama 4 迟迟无法上线，内部训练团队进度落后，人才出走严重，顶级科学家 LeCun 孤掌难鸣，AI 团队内部气氛极度拉扯。
与此同时，OpenAI 发布 GPT-4o，Google Gemini 全面进化，连 Anthropic 都在加速商业化。Meta 在 AI 主赛道上的 " 掉队感 " 肉眼可见。
扎克伯格这才意识到：与其自己拼命卷算法、造模型、炼数据，不如直接买那家所有 AI 公司都在用的服务提供商。
而 Scale AI，就是这家数据商的幕后王者。
这家公司主要帮 AI 模型准备训练用的数据。听上去像是数据清洗 + 标注的外包服务，没技术含量。但就是这行低调、枯燥的活儿，成了 AI 时代的必争资源。
GPT、Gemini、LLaMA 这类大模型，背后都要喂入上千亿 Token 的高质量训练数据。Scale AI 就像一台 " 工业化数据提纯机 "，把原始网页、文档、音视频切片处理、过滤噪声、手动标注，再分类输出到模型系统中。
这个过程，如果出错 1%，模型质量就可能掉一大截。
而 Scale AI 的标注系统，可以做到：
精度达 99.7%，行业平均只有 85% 左右；
每日处理数据上亿条，涵盖 217 种语言、图像、动作、语音场景；
后台由数万个外包 " 标注员 " 组成，分布在菲律宾、菲律宾、印度、肯尼亚、委内瑞拉……
Meta 过去两年自己尝试建立类似体系，发现成本高、出片慢、人力不稳定，干脆停掉自研训练数据团队，绑定 Scale AI。
那么，这家被扎克伯格 " 豪赌 " 的公司到底是什么来头？它的创始人，又凭什么成了硅谷最值钱的年轻人呢？
答案是：Alexandr Wang，年仅 28 岁、从 MIT 辍学的华裔天才，被誉为 " 硅谷最强数据商人 "。
他用不到十年时间，把数据标注做成了一条全球 AI 公司都离不开的产业链，连五角大楼都成了他的客户，连 OpenAI 都在用他家的训练集。
而扎克伯格这次，直接把 Meta 的 AI 命脉交到他手上。问题是，Wang 扛得住吗？他这套打法，又是怎么做出来的？
一路开挂的华裔天才少年
Alexandr Wang 创业的起点，更像是 "AI 行业的数据搬砖人 "。
他出生在美国新墨西哥州的一个物理研究小镇，父母都是在国家实验室担任核物理学家。中学时他就爱上编程，没毕业就自学了斯坦福大学的计算课程。
17 岁进 MIT，第一学期上的是研究生级别的机器学习课，还没上完就辍学了——不是因为挂科，而是因为他有个想法太想干。
起因也很简单：他想在自家冰箱上装摄像头，实时监控 " 牛奶有没有快喝完 "。结果发现，根本无法获得足够的数据来训练系统。
于是他想明白了：未来 20 年的 AI 要想取得突破，数据将是关键障碍之一。
2016 年，他离开 MIT，进入硅谷最火的创业孵化器 Y Combinator，一边招人，一边搭平台，成立了 Scale AI，使命很直接：为 AI 模型做标注和数据清洗的基础服务。
说白了，就是搞 "AI 数据外包 "。
早期团队不到 10 人，Wang 自己白天谈客户，晚上搭系统，还要参与人工质检。
听着简单，干起来极其繁琐。但 Wang 对质量要求极高：一旦错误率超过 1%，立即返工；只要客户体验不好，全部手动跟进。
靠这种 " 死磕式质量管理 "，Scale AI 慢慢拿下了越来越多客户：
2018 年，成为 OpenAI 的早期训练数据供应商；
2019 年，特斯拉把 FSD（自动驾驶）辅助数据标注外包给 Scale；
2020 年起，美国国防部向其采购了用于军事图像识别和卫星标注的服务；
截至 2024 年，客户覆盖 OpenAI、Meta、微软、丰田、通用等数十家 AI 巨头和自动驾驶企业。
最狠的是，它不只是卖 " 数据 "，而是把整个 " 数据链 " 变成了产品。
Wang 开发了一整套数据操作系统——包括数据采集、清洗、去重、标注、分类、上传、动态更新……而且全部自动化协同，最大程度减少人工干预。
这使得 Scale 成为了全球唯一一个能大规模、工业化提供高质量 AI 训练数据的平台型公司。
它不是 " 谁都能复制 " 的服务外包，而是 " 技术 + 系统 + 规模 " 构成的壁垒。
2021 年，Scale AI 完成最新一轮融资，估值飙升至 70 亿美元。Wang 年仅 25 岁，就登上了《福布斯》" 全球 30 位 30 岁以下科技人物 "。
扎克伯格没时间等了
如今，外界看这场 Meta 与 Scale AI 的绑定，很多人以为就是一次 " 高价外包 "，但其实，它比你想得更急。
过去几年，Meta 在 AI 上的布局并不慢：
招来了图灵奖得主 LeCun，主导 AI 实验室 FAIR；
连续推出 LLaMA 1、2、3，打入开源大模型圈子；
自研硬件（如 MTIA AI 芯片）、新算力基础设施也同步推进。
但问题是——没一个成了主力。
LLaMA 虽然在圈内火，但在实际商用上远不如 OpenAI 的 ChatGPT、Anthropic 的 Claude；
FAIR 团队内部学术氛围浓重，论文多、产品少，执行力拉垮；
Meta 虽然有 Facebook 和 Instagram 的大量数据，但质量不稳定、版权风险高，不能直接用于训练。
到 2024 年初，扎克伯格发现：再这么搞下去，LLaMA 4 根本来不及上线，Meta 可能彻底错失 AI 窗口。
这时候他终于做了一个决定：别再自研数据了，直接绑定最顶的那家数据厂—— Scale AI。
这不是被逼疯，而是看清了趋势：
AI 的胜负，关键早就不是谁的算法最巧，而是谁能喂得起大模型、谁能训得快；
谁掌握数据入口，谁就掌握了 AI 战局的主动权。
Scale AI 恰好就是这个入口。
它能用最低的成本、最快的效率、最稳的质量，给模型提供训练所需的一切 " 数据燃料 "。而 Meta 缺的，就是这个能力。
更关键的是，Wang 保留了运营权，也继续对外提供服务。
换句话说，扎克伯格表面是绑定了个供应商，实际上是把 AI 战场的 " 加油站 " 收入自己地图范围内了。
一旦 Meta 拿到了数据供应链的掌控权，LLaMA 的训练节奏就不再被动了。
但这也意味着，战局要变了：
谷歌计划终止与 Scale AI 的合作，OpenAI 则加快扶持 Scale 对手 Handshake 的速度；其他大模型公司开始重新评估 " 数据依赖 "，担心自己的燃料来源随时 " 被拔管 "。
而这场合作背后的赢家，就是那个原本被叫做 "AI 搬砖人 " 的 Alexandr Wang。
他现在在战场中处于一个独特地位：
能同时为 OpenAI、Meta、美国国防部供数据；
拥有最完整数据清洗、标注、分发系统；
能调动 10 万人力、上万台 GPU 的 " 数据调度指挥官 "。
结语
这一次，扎克伯格豪赌 Alexandr Wang，不只是买服务，是希望他救 Llama；
但 Wang 想做的，可能是打造一套让巨头都得靠他活的 " 数据操作系统 "。
一边是硅谷最急的买家，一边是最冷静的供货商。
未来这场双人舞，是合力反击 OpenAI，还是彼此角力，我们很快就会看到。
只不过，这次牌桌上的发牌人，可能不再是 Altman，也不再是扎克伯格，而是那个从标注干起的华裔少年。
