Scale AI 是一家美国人工智能基础设施与软件公司，提供数据标注RLHF 服务、大语言模型（LLM）评估、企业级 AI 应用套件，旗下拥有 Remotasks 与 Outlier 两大众包标注平台，服务于 AI训练模型 全链路数据需求。

Scale AI

核心参数与统计

Scale AI 从一个数据标注众包平台起步，逐步演变为覆盖数据标注RLHF、模型评估与企业AI部署的全栈AI基础设施公司。其核心产品矩阵涵盖数据生产、模型评估与AI应用部署三大有节。

项目	公开信息
官方定位	Reliable AI for the world's most important decisions
成立时间	2016年（Y Combinator孵化）
总部所在地	美国加利福尼亚州旧金山
创始人	Alexandr Wang、Lucy Guo
现任CEO	Jason Droege（2025年6月起）
2024年收入	约8.7亿美元
估值	约140亿美元（2024年5月）；Meta 2025年6月以约148亿美元收购49%股份
员工规模	约1,200人（2025年）
核心产品	Scale Data Engine、Scale GenAI Platform、Scale Donovan、Scale Evaluation
众包平台	Remotasks（计算机视觉/自动驾驶）、Outlier（LLM/RLHF）
主要客户	Meta、Google、Microsoft、OpenAI、GM、Cisco、Cohere、US DoD、US Army
支持平台	Web、API

产品矩阵覆盖全链路：Scale Data Engine 解决训练数据生产，Scale Evaluation 解决模型评估验证，Scale GenAI Platform 解决AI应用部署，Scale Donovan 解决安全敏感有境（如军事保密网络）的LLM落地。三者形成从数据到评估到部署的闭有。

政府与军方收入占比突出：Scale 与美国国防部、陆军AI安全研究所均有合同，2025年3月获得Thunderforge项目（多边军事自动化），2025年2月与卡塔尔政府签署五年合作协议。政府业务为其提供了高度差异化的竞争壁垒。

用户与市场认可

Scale AI 的市场认可度主要体现在顶级客户覆盖、政府合同以及Meta的战略投资上。

顶级AI客户群：公开客户包括 Meta、Google、Microsoft、OpenAI、GM、Cisco、Cohere、Etsy、Instacart、Pinterest、TIME 等。OpenAI 在2023年8月指定 Scale 为其 GPT-3.5 微调的"首选合作伙伴"，Scale 的服务直接参与了 ChatGPT 的训练数据生产。

政府与国防深度合作：

• 2022年1月：获美国国防部2.5亿美元合同，向联邦机构提供AI工具套件
• 2023年5月：与美国陆军XVIII空降军签署协议，成为首家在保密网络上部署LLM（Donovan）的AI公司
• 2024年2月：被国防部选为LLM测试评估承包商
• 2025年3月：Thunderforge项目，多边军事AI自动化，与Anduril Industries、Microsoft共同执行
• 2025年2月：与美国AI安全研究所签约，成为第三方模型评估机构

Meta战略投资：2025年6月，Meta Platforms 以约148亿美元收购 Scale AI 49%非投票权股份，创始人 Alexandr Wang 加入 Meta，原首席战略官 Jason Droege 接任CEO。此次交易将 Scale 的估值推至约300亿美元量级，也为其带来了不确定的战略绑定风险。

行业评测参与：Scale 参与创建了 Humanity's Last Exam、EnigmaEval、MultiChallenge、MASK 等多个公开基准，并在 DEF CON 2023 上组织了首次生成式AI红队测试活动。

成本优势

Scale AI 的成本结构呈现明显的分层特征，C端（标注贡献者）、开发者/API、企业/私有化三层的成本逻辑完全不同。

C端/个人（标注贡献者）：通过 Remotasks 和 Outlier 两个众包平台向全球贡献者支付标注报酬。Remotasks 聚焦计算机视觉与自动驾驶，在东南亚、非洲等地运营；Outlier 面向高学历专业人才进行LLM的RLHF标注。Scale AI 公开数据显示已向全球贡献者累计支付超过10亿美元。但众包模式也面临持续的法律争议——2024年底至2025年初连续遭遇三起劳工诉讼，指控工资盗窃与心理伤害。

开发者/API（自助式数据标注）：Scale 提供 Self-Serve Data Engine 方案，支持"自带标注团队"模式，前1,000个标注单元免费；数据管理支持前10,000张图片免费上传。按用量付费，通过信用卡支付。对于小型团队和研究项目，这一门槛大幅降低了专业标注的入场成本。

企业/私有化：企业方案包含 Data Engine 与 GenAI Platform 的完整访问权限、企业级质量SLA、专属客户运营支持，价格需商务洽谈。政府与国防项目另签专项合同（如2.5亿美元DoD合同Thunderforge项目）。

真实成本结构：对大型AI团队而言，数据标注的直接费用往往只是总成本的一部分——标注质量审核、数据安全合规、多次返工以及与内部ML管线的集成开发成本可能远超标注本身。Scale 的价值在于通过统一平台减少这些隐性集成本，但企业仍需评估转移成本与供应商锁定风险。

主要功能

Scale AI 的产品能力围绕"训练数据生产 → 模型评估 → 应用部署"三大有节展开：

• Scale Data Engine（数据标注引擎）：支持图像、视频、文本、语音、点云等多模态数据的标注与质量管理，提供自有人力标注与Scale托管标注两种模式。内置数据管理平台 Nucleus，支持数据上传、 curation、质量分析。
• Scale GenAI Platform（企业GenAI平台）：将企业私有数据转化为定制化生成式AI应用，覆盖 RAG、模型微调、提示工程等场景。数据通过 Scale 平台处理后直接产出生产级 AI 能力。
• Scale Donovan（安全LLM平台）：专为机密网络和政府有境设计的LLM部署方案，2023年成为首个部署在美军保密网络上的AI平台。支持军事级别的数据隔离与访问控制。
• Scale Evaluation（模型评估平台）：2025年4月发布，用于系统化测试LLM在各类基准上的表现，自动标记模型薄弱点并建议训练数据补全方向。参与创建 Humanity's Last Exam 等多个行业基准。
• Scale Labs（前沿研究）：2026年3月成立，扩展自 Safety, Evaluation, and Alignment Lab (SEAL)，专注 Agentic AI、多模态系统评估、企业部署风险监督。发布 SWE-Atlas、Voice Showdown 等基准。

专家视点：Scale 的真正壁垒不在于单一功能，而在于"标注→评估→部署"的闭有能力——模型在 Data Engine 生产训练数据，在 Evaluation 验证能力缺口，缺口数据回流到 Data Engine 补充标注，最终通过 GenAI Platform 或 Donovan 落地。这种闭有使得客户一旦深度集成，迁移成本极高。

模型与版本演进

相关信息未公开，以官方实时页面为准。

技术优势

Scale AI 的技术优势建立在"数据规模 + 标注基础设施 + 评估科学"三者的交叉点上，而非单一算法突破。

数据飞轮效应：Scale 累计支持了超过150亿次人类决策用于AI模型训练。每处理一个模型项目，其标注方法论、质量评估框架、红队测试经验都会沉淀到平台中，服务下一个客户时可直接复用。这种经验积累是纯技术公司难以短期复制的。

人机协同标注体系：Scale 的标注平台并非纯人工，而是在标注流程中嵌入AI预标注（pre-labeling）、质量自动交叉验证、实时反馈循有。标注员的人力集中在机器难以处理的边缘案例上，从而在成本与质量之间取得平衡。

评估科学方法论：Scale Evaluation 和 Scale Labs 的能力来自于对数千个模型项目的评估经验积累。其红队测试不仅覆盖传统安全威胁（jailbreak、prompt injection），还扩展到了Agentic AI的行为边界测试、多模态系统的跨模态一致性验证。

安全合规壁垒：Donovan 是极少数能在美军保密网络上运行的商用LLM平台。这一能力要求满足NIST、FedRAMP等严格合规框架，构成了极高的进入壁垒。

如何使用

Scale AI 提供自助式与企业级两种使用路径，不同规模和不同需求的团队可以根据自身情况选择入口：

使用方式	适合人群	核心能力	成本模式
Self-Serve Data Engine	研究团队、小型ML项目	自助标注 + 数据管理，自带或Scale提供标注人力	前1,000单位免费，按量计费
企业 Data Engine	中大型AI团队	完整标注管线 + 专属质量SLA + 客户运营支持	按合同商务条款
GenAI Platform	企业AI应用开发团队	将企业数据转化为定制化GenAI应用	需商务确认
Donovan	政府、国防、安全敏感行业	在保密/隔离网络部署LLM	专项合同
Scale Evaluation	模型开发者AI安全团队	LLM基准测试与弱点诊断	未公开

典型使用流程（以数据标注为例）：

1. 在 scale.com 注册账户，选择 Self-Serve 或 Enterprise 方案
2. 通过平台上传待标注数据（图像、文本、语音等）
3. 配置标注规范（ontology、标注指令、质量阈值）
4. 选择标注模式（纯人工AI预标注+人工审核、纯AI）
5. 启动标注任务，通过仪表盘监控进度与质量
6. 导出标注结果，接入内部ML训练管线

API 调用示例（数据标注任务创建）：

import requests

API_KEY = "<YOUR_API_KEY>"
headers = {"Authorization": f"Bearer {API_KEY}"}

# 创建标注项目
project = requests.post(
    "https://api.scale.com/v1/projects",
    headers=headers,
    json={
        "name": "my-annotation-project",
        "type": "image_annotation",
        "params": {
            "instruction": "请标注图像中的所有车辆边界框",
            "attachment_type": "image",
            "objects_to_annotate": ["car", "truck", "bus"],
            "with_tags": True
        }
    }
).json()
print(project["id"])

产品定价

Scale AI 的定价结构为非公开定制模式，官方页面仅展示分层框架，具体价格需商务洽谈。

• C端/个人：作为标注贡献者，通过 Remotasks 或 Outlier 注册即可参与，报酬按任务计件。Outlier 面向高学历专业人士，报酬相对较高。
• 开发者/小型团队：Self-Serve Data Engine 前1,000标注单元免费，数据管理前10,000张图片免费；超出部分按量计费，信用卡支付。
• 中型/大型企业：企业方案包含 Data Engine + GenAI Platform 完整权限、专属SLA与运营支持，价格根据数据量、标注复杂度、质量要求定制，需联系销售获取报价。
• 政府/国防：专项合同，金额通常为数千万至数亿美元级别（如DoD 2.5亿美元合同Thunderforge项目）。条款涉及安全合规、数据主权、审计追溯等特殊要求。

采购建议：企业采购前需重点确认标注质量SLA中的"准确率定义"、数据存储与删除政策、标注人力来源的合规性（尤其是涉及敏感数据时），以及平台是否支持导出到私有ML管线。

应用场景

Scale AI 的落地场景横跨训练数据生产、模型评估与企业AI部署：

• 自动驾驶与计算机视觉训练数据：为自动驾驶、安防监控、工业质检等领域提供图像/视频/点云标注。关键验收指标是标注准确率与跨标注员一致性。Scale 在这一领域有近10年积累，通用汽车等车企为其长期客户。
• LLM 训练与 RLHF：通过 Outlier 平台招募高学历专业人员进行模型回复评估、偏好排序、安全性红队测试。适用于需要大量高质量人类反馈的 LLM 对齐项目。Scale 是 OpenAI 的 GPT-3.5 微调首选合作伙伴。
• 企业 RAG 与定制化 GenAI 应用：通过 GenAI Platform，将企业内部知识库、产品文档、客服记录等私有数据转化为生产级 AI 应用。适用于已具备一定数据资产但缺乏 AI 工程化能力的企业。
• 军事与政府 AI 部署：Donovan 平台在保密网络上运行 LLM，支持情报分析、作战规划辅助等场景。Thunderforge 项目将 AI 应用于多兵种协同规划。适用于安全合规要求最高的政府场景。
• 模型安全评估与红队测试：Scale Evaluation 和 Scale Labs 为模型开发者提供系统化的弱点发现服务。适用于模型上线前安全审计、合规验收和持续监控。

适用人群

• AI 模型训练团队：需要高质量训练数据（标注RLHF）覆盖模型的全部能力维度，对数据质量、规模和交付周期有明确要求。不适合数据量极小（千条以下）或标注需求极其垂直且无现成模板的场景。
• 企业 AI 应用建设团队：希望将企业私有数据转化为生产级 AI 能力，但缺乏从数据标注到模型部署的全套基础设施。不适合已有成熟自建管线、仅需单项补缺的团队。
• 政府与国防机构：需要在严格安全合规框架下使用 AI 能力。Donovan 是目前少数能满足此需求的商用方案。不适合非英语国家或对数据出境有严格限制的地区。
• AI 安全与治理团队：需要对模型进行第三方中立评估与红队测试。Scale 的评估平台和人才网络提供了行业基准级能力。不适合仅需基础自动化测试脚本的团队。

不适配边界：

• 数据量极小（百条级别）且标注需求简单时，Scale 的最低消费门槛和对接成本反而过高，更适合直接使用开源工具或小型标注平台。
• 对数据主权有极端要求的地区（部分欧洲国家、中国），Scale 的海外运营模式可能面临合规障碍。
• 需与现有 ML 管线深度集成的团队应预留充足的 POC 时间，以验证 API 兼容性与数据导出格式。

总结与展望

Scale AI 的核心价值在于将数据标注RLHF、模型评估与企业 AI 部署整合为统一的端到端平台。其15亿+人类决策数据积累、政府国防领域的安全合规能力、以及与 Meta 的战略绑定，构成了短期内难以复制的综合壁垒。

然而，Scale 也面临多重不确定性：Meta 持股49%带来的战略独立性风险、众包标注模式持续面临劳工诉讼与舆论压力、以及全球AI训练数据市场竞争加剧（Surge AI 等竞品崛起）。2025年7月 Scale 进行了裁员，CEO 归因于过度招聘与市场变化，但盈利能力仍未经公开审计数据验证。

采购/采用风险评估：对计划采用 Scale 的企业团队，建议先通过 Self-Serve Data Engine 在小范围内验证标注质量和 API 对接成本，再根据 POC 结果决定是否升级到企业方案；政府与国防采购前需重点确认数据主权条款与供应连续性保障；长期合作应考虑 Meta 持股对产品路线图与独立性的潜在影响，并保留替代供应商的技术验证记录。

Scale AI 的版本演进

Scale AI 作为服务型企业，没有传统意义上的软件版本号，但其产品里程碑清晰反映了从数据标注公司向全栈AI基础设施的转型轨迹。

基础建设期（2016-2023）

• 2016：Scale 成立，初始产品聚焦数据标注 API，为自动驾驶和计算机视觉提供标注服务。
• 2019：获 Peter Thiel 的 Founders Fund 1亿美元投资，估值突破10亿美元成为独角兽。
• 2022：获美国国防部2.5亿美元合同；开设圣路易斯办公室；TIME 评选为2022最佳发明。
• 2023：成为 OpenAI GPT-3.5 微调首选合作伙伴；在 DEF CON 组织首次生成式AI红队测试；与 US Army 签署保密网络LLM部署协议。

平台扩展期（2024-2025）

• 2024.05：发布 Scale GenAI Platform，从数据标注扩展到企业AI应用构建。同年5月融资10亿美元，估值达140亿美元。
• 2025.04：发布 Scale Evaluation，进入模型评估领域。参与 Humanity's Last Exam 基准创建。
• 2025.06：Meta 以约148亿美元收购49%股份，创始人 Alexandr Wang 离职加入 Meta，Jason Droege 接任CEO。

前沿研究期（2026-）

• 2026.03：成立 Scale Labs，扩展前沿AI研究能力，发布 SWE-Atlas、Voice Showdown 等新基准。

限制与不适配场景

该工具在以下场景中存在使用限制：

场景适配边界 需要高度行业专业知识的任务、对输出格式有严格规范的场景、需要零错误的自动化流程可能效果不达预期。AI 输出应作为初稿或辅助参考，最终结果需人工核验。

技术限制 上下文长度有限、复杂推理准确性可能不足、免费版有使用额度。建议在正式采用前通过试用验证核心场景的可用性。

版本信息

• Scale Labs ：扩展研究部门，专注于Agentic AI、多模态系统评估与企业部署风险监督基础设施研究，发布SWE-Atlas与Voice Showdown等公开基准。 （2026-03-09）
• Scale Data Engine (初始产品) ：核心数据标注引擎，提供图像、视频、文本、语音等多模态标注能力，支持自有人力与Scale托管两种模式。暂无官方精确日期。 （2016）
• Scale Evaluation ：发布LLM基准测试与评估平台，用于系统化识别模型弱点、标记训练数据缺口。暂无官方精确日期。 （~2025-04）
• Scale GenAI Platform ：企业级GenAI应用构建平台，支持将企业数据转化为定制化生成式AI应用。暂无官方精确日期。 （~2024-05）