近日，Meta以143億美元收購Scale AI，97年創始人亞歷山大·汪被任命為Meta首席人工智慧官。亞歷山大·汪
是Scale AI的執行長和聯合創始人，Scale AI是一家領先的資料平臺，成立於2016年，為人工智慧模型提供高質量的訓練資料，服務於OpenAI、微軟和美國國防部等客戶。
亞歷山大·汪（英語：Alexandr Wang）中文名王滔，1997年出生出生於新墨西哥州洛斯阿拉莫斯，是華人移民的後裔，父母曾在新墨西哥州的洛斯阿拉莫斯國家實驗室擔任物理學家，該實驗室是最早開發核武器的地方。
汪滔自幼熱衷於數學和程式設計。他在2013年獲得數學奧林匹克計劃資格，在2014年獲得美國物理隊資格，並在2012年和2013年進入美國計算機奧林匹克競賽決賽。汪滔在青少年時期曾在Quora擔任軟體程式設計師。他曾在麻省理工學院攻讀計算機科學與數學，但後來輟學。
在 Quora 工作期間，亞歷山大·汪與另一位年輕人露西·郭建立了友誼。郭是前 Thiel Fellow，在 Quora 擔任產品設計師。他們決定合作創業。於2016年與共同創立Scale AI。
Scale AI公司現已估值超過130億美元。汪滔被《福布斯》評選為30位30歲以下精英，併入選《時代》雜誌100位最具影響力的人工智慧人物，是塑造人工智慧創新和部署未來的重要聲音，他倡導負責任的人工智慧發展和政策，以確保人工智慧進步的倫理和安全。
一、從Scale AI被收購看AI創業公司的機會
1.資料中立性是核心賣點
Scale AI 被Meta收購49%股份後，谷歌、OpenAI等大公司暫停了部分合作，原因是擔心資料依賴和利益衝突。這表明，在AI訓練資料領域，“中立性”成為客戶選擇供應商的重要考量因素。小公司可以聚焦於“資料中立性”這一賣點，避免與大公司或客戶有利益衝突，打造獨立、公正的品牌形象，吸引對資料安全和獨立性敏感的客戶。
2.客戶傾向於多元化供應商
大公司通常將AI訓練任務分散給多個供應商，避免單一依賴。這與雲服務市場的模式類似。小公司不必追求成為唯一供應商，而是可以專注於某一細分領域，提供高質量服務，成為客戶多元化供應商組合中的一員。
3.行業擾動帶來機會
Meta的收購導致Scale AI部分客戶流失，競爭對手如Appen、Prolific、Turing等迅速抓住機會，客戶諮詢量和招聘興趣激增。AI行業中大公司的戰略變動（如收購、合作終止）會為小公司創造視窗期。小公司需要保持敏捷，快速響應市場變化，抓住大公司調整策略時的空隙。
4.頂級人才是競爭優勢
Mercor AI強調招聘頂級人才（如國際數學奧林匹克獎牌得主、羅德學者），以此提升服務質量和品牌吸引力。小公司在資源有限的情況下，可以透過與高素質人才合夥創業，建立差異化競爭優勢，尤其是在垂直縱深需要高素質專業人才的領域。
二、創業者如何在AI領域用長遠的眼光發現新方向
從PC網際網路到移動網際網路，再到產業網際網路的創業經驗來看，每一波技術浪潮的核心在於“連線”和“賦能”。
AI作為新一輪技術革命的核心，其本質是“智慧賦能”，即透過資料、演算法和算力提升各行業的效率和決策能力。以下是從長遠視角尋找新方向的一些思考：
-
聚焦垂直領域深耕
PC網際網路時代，通用型入口網站（如雅虎）逐漸被垂直領域（如搜尋–谷歌、電商–亞馬遜）取代；移動網際網路時代，垂直App（如微信–社交、抖音–短影片）佔據主導。
AI創業不應追求“大而全”的通用模型，而是聚焦某一垂直領域（如醫療影像診斷、工業缺陷檢測、金融風控），結合行業痛點，提供定製化解決方案。長遠來看，垂直領域的深度積累會形成壁壘。
-
關注資料生態的閉環構建
移動網際網路時代，資料驅動的公司（如字節跳動）透過使用者行為資料形成推薦演算法閉環，持續最佳化產品。
AI的核心是資料，小公司可以從某一細分領域入手，構建資料採集–標註–訓練–應用的閉環，逐步積累獨家資料集，形成競爭優勢。長遠來看，資料生態將成為AI公司的核心資產。
-
緊跟政策和倫理趨勢
網際網路時代，政策監管（如反壟斷、資料隱私）深刻影響行業格局，GDPR、CCPA等法規催生了資料合規服務的新機會。
AI領域的倫理問題（如偏見、隱私、透明性）正受到全球關注，小公司可以提前佈局AI倫理相關技術（如可解釋性AI、隱私計算），為未來監管環境做好準備，找到合規與創新的平衡點。
-
探索邊緣計算與AI結合
移動網際網路時代，邊緣裝置的普及（如智慧手機）推動了本地化計算需求。
隨著物聯網和5G的發展，邊緣AI（在裝置端執行AI模型）將成為趨勢。小公司可以開發輕量化、低功耗的AI模型，服務於智慧家居、車聯網等場景，長遠來看，這可能是AI普及的重要方向。
-
尋找“難而正確”的事業
難而正確的事業往往意味著高門檻、高價值，同時競爭較少。AI領域的“難而正確”可以是：
-
隱私保護與AI結合：開發聯邦學習、差分隱私等技術，解決資料孤島問題，同時保護使用者隱私。
-
低資源語言/文化AI：為非主流語言或文化開發AI模型，填補市場空白，服務於全球化需求。
-
AI for Good：用AI解決社會問題（如氣候變化預測、疾病預警），既符合長期趨勢，也能獲得政策和資本支援。
尋找“難而正確”的事業，需要結合自身資源、團隊能力和市場痛點，透過小步快跑的方式驗證假設，同時保持對技術前沿和政策動態的敏感性。
三、AI時代創業需要直接面對的五個真實問題
1.資料獲取與合規問題：AI模型訓練需要大量高質量資料，但資料獲取成本高，且面臨隱私法規（如GDPR、中國《個人資訊保護法》）的嚴格限制。如何在合規的前提下獲取資料，是小公司必須解決的問題。
2.算力資源不足：AI訓練和推理需要高效能算力，小公司往往無法負擔昂貴的GPU叢集或雲服務費用。如何最佳化演算法以降低算力需求，或尋找低成本算力資源，是關鍵挑戰。
3.人才競爭激烈：AI領域頂級人才稀缺，大公司以高薪和資源吸引人才，小公司如何吸引並留住核心技術人才，是生存的關鍵。
4.市場教育與客戶獲取成本：許多傳統行業對AI的認知和接受度有限，小公司需要投入大量資源進行市場教育，同時客戶獲取成本高企，如何快速驗證商業模式並實現盈利，是現實問題。
5.技術迭代與競爭壓力：AI技術更新速度極快，演算法、框架、硬體不斷迭代，小公司需要在技術研發上持續投入，同時面對大公司和同行的競爭，如何保持差異化優勢，是長期挑戰。
四、AI領域大公司和小公司的機會劃分
1.大公司有能力做的方向
-
通用大模型開發：如GPT、Llama等通用大模型，需要海量資料、鉅額算力和頂尖研發團隊，只有大公司（如OpenAI、Meta、谷歌）有能力承擔。
-
AI基礎設施建設：包括高效能晶片（如NVIDIA GPU）、雲端算力平臺（如AWS、Azure）、大規模資料中心，只有大公司具備資金和技術實力。
-
全行業AI解決方案：提供覆蓋多個行業的通用AI平臺或工具，需要廣泛的生態合作和資源整合能力，小公司難以企及。
-
AI倫理與政策博弈：大公司有資源參與全球AI倫理標準制定和政策遊說，小公司缺乏話語權。
2. 小公司有機會做的方向
-
垂直領域AI應用：聚焦某一行業或場景（如農業AI、零售AI），提供定製化解決方案，門檻較低且需求明確。
-
資料標註與清洗服務：如訊息中的Appen、Prolific，小公司可以透過人工+技術結合，提供高質量資料服務，切入AI訓練鏈條。
-
邊緣AI與輕量化模型：開發適用於低功耗裝置的AI模型，服務於物聯網、智慧硬體等場景，大公司關注度較低。
-
AI工具與開發者生態：為開發者提供低程式碼/無程式碼AI工具，或針對特定任務的API服務，滿足中小企業的需求。
-
本地化與小眾市場：針對特定地區、語言或文化開發AI應用（如方言識別、地方性內容生成），大公司往往無暇顧及。
五、堅持做難而正確的事情
作為一家AI領域創業小公司的探索者，我在後續的產品探索中明確的探索策略如下，歡迎探討：
-
短期策略：從Scale AI可以看到的機會，聚焦“資料中立性”和“垂直領域服務”，快速切入AI訓練資料或某一細分應用市場，利用行業擾動帶來的機會，吸引客戶和人才。
-
長期眼光：關注資料生態構建、邊緣AI、AI倫理等趨勢，尋找“難而正確”的事業方向，透過小步快跑驗證假設，逐步積累核心競爭力。
-
資源聚焦：小公司應避免與大公司正面競爭，選擇大公司忽視的細分領域深耕，同時透過政策支援（如中國對AI+行業的扶持）和本地化優勢，找到立足點。
AI時代是充滿機會與挑戰的浪潮，創業者需要保持敏捷、專注和耐心，才能在技術革命中找到屬於自己的位置。
======本文結束======
我目前在探索的是家庭財富管理方面的AI應用場景，如有興趣，歡迎一起探討。
目前建立了AI財富管理微信群、AI產品經理的探討交流社群，有興趣加群的朋友，不用擔心你現在的基礎，我們一起學習和成長，歡迎掃碼，加我V：blueslan2009，一起學習。
=======================
公眾號：BLUES，持續更新了12年的原創公眾號，作者蘭軍，有20多年豐富的職場經歷，連續創業者，AI領域探索者與實踐者，AI落地企業諮詢顧問。歷任騰訊高階產品經理、YY語音高階經理、迅雷產品總監等職位，2016年創辦深圳梅沙科技。公眾號100多篇文章寫職業發展、企業管理等內容，一起洞察職場與人生，歡迎留言交流。