專訪Scale AI創始人Alexandr Wang：AI算力、高質量數據標註與人類工作進化的底層邏輯

從19歲輟學到290億美元AI獨角獸：Alexandr Wang揭示人工智能背後的財富、權力與未來

當全世界都在爭奪最聰明的人工智能時，有人通過爲AI提供數據建立了數百億美元的商業帝國。Scale AI創始人Alexandr Wang的經歷，不僅是一段硅谷創業故事，更揭示了未來十年全球資本、國家競爭、企業組織和人類勞動價值重新分配的底層邏輯。

人工智能正在經歷一個歷史性轉折。

過去，人類依靠計算機提高工作效率。今天，計算機開始具備理解語言、編寫代碼、分析信息、解決複雜問題甚至自主執行任務的能力。

這意味着AI正在從一種輔助工具，逐漸演變爲能夠承擔越來越多認知勞動的生產要素。

歷史上，蒸汽機擴大了人類使用機械動力的能力，電力重構了工業生產體系，互聯網降低了全球信息傳播與交易成本。

而人工智能正在嘗試降低另一種重要資源的成本：知識勞動。

當獲取部分知識、分析信息和執行任務的邊際成本不斷下降，整個經濟體系的生產方式、競爭壁壘和利潤分配都可能發生改變。

在這一輪變革中，最值得研究的人物之一，是Scale AI創始人Alexandr Wang。

2016年，他在19歲時離開麻省理工學院（MIT），創辦Scale AI。

2024年，Scale AI估值約140億美元。

2025年6月，Meta宣佈向Scale AI投資約143億美元，獲得約49%的股權，公司估值超過290億美元。Wang隨後加入Meta，參與領導其人工智能戰略。

這筆交易的意義遠不止創造了一位年輕億萬富翁。

因爲Scale AI既不是全球最大的GPU製造商，也不是最著名的通用大語言模型開發商，更沒有Meta那樣龐大的消費者社交平臺。

它最初從一個看似不起眼的領域切入：數據標註。

爲什麼一家幫助人工智能處理數據的公司，能夠獲得數百億美元估值？

Meta爲什麼願意投入如此巨大的資金？

當AI越來越聰明，它究竟會讓更多人富有，還是讓財富更加集中？

這些問題的答案，需要從產業經濟學、金融資本、技術革命和人類社會的歷史演變中尋找。

一、Alexandr Wang真正的創業智慧：不預測贏家，而是尋找所有贏家都需要的東西

Alexandr Wang成長於美國新墨西哥州洛斯阿拉莫斯（Los Alamos）。

這裏因洛斯阿拉莫斯國家實驗室而聞名，也是第二次世界大戰期間美國曼哈頓計劃的重要科研中心。

他的父母都是物理學家。

在這樣的環境中成長，數學、科學研究和複雜問題求解，並不是遙遠的概念，而是日常生活的一部分。

Wang從小參加數學競賽，後來進入MIT學習計算機科學。

2016年3月，AlphaGo擊敗韓國圍棋世界冠軍李世石。

這一事件深刻改變了全球科技行業對人工智能的認識。

圍棋長期被認爲是一項高度依賴人類直覺、經驗和複雜戰略判斷的活動。AlphaGo的勝利，向世界展示了深度學習能夠在極其複雜的任務中達到超越頂級人類專家的水平。

許多科技創業者開始尋找新的AI應用。

有人研究機器人，有人開發自動駕駛，也有人致力於創造更先進的神經網絡算法。

但Wang注意到了另一個問題。

無論AI模型多麼先進，都需要經過有效處理的數據進行訓練。

例如，一家自動駕駛企業可以通過汽車攝像頭採集海量道路視頻。

然而，擁有視頻，不意味着汽車就能夠理解視頻。

系統必須知道哪些是行人、交通標誌、自行車、車輛，以及哪些道路行爲可能產生危險。

這些信息需要經過標註、分類、驗證和質量管理，才能成爲有價值的機器學習數據。

Wang看到了這個經常被忽視的基礎環節。

2016年，他離開MIT，與聯合創始人Lucy Guo創辦Scale AI。

他沒有直接參與最擁擠的AI終端產品競爭，而是選擇向整個AI產業出售關鍵生產服務。

這種商業模式，在人類經濟史上反覆出現。

1848年，加利福尼亞發現金礦，引發美國淘金熱。

無數淘金者希望找到黃金，一夜致富。

但淘金是一項高度不確定的活動。礦藏位置、開採成本、競爭者數量以及黃金價格，都可能決定最終收益。

與此同時，提供運輸、工具、金融和生活物資的企業，也在淘金熱中獲得商業機會。

李維·斯特勞斯後來建立的服裝企業，就是西部商業發展史中的代表性案例之一。

這裏的經濟學邏輯，不是簡單的“淘金熱應該賣鏟子”。

更深刻的意義是：

當一個新興產業的最終贏家尚不確定時，爲大量潛在贏家提供共同需要的基礎設施，可以降低對單個終端贏家的依賴。

Scale AI早期的優勢正是如此。

無論哪一家自動駕駛企業獲勝，它們都需要高質量數據。

無論哪一家大模型公司取得突破，都需要訓練、測試與評估體系。

這種橫向服務能力，爲Scale AI創造了市場機會。

但還有一個重要問題：

基礎設施企業並不天然擁有永久的高利潤。

當某項服務逐漸標準化，競爭者增加，價格就可能下降。

因此，Scale AI真正值得學習的，不只是發現數據標註需求，而是在AI技術不斷變化的過程中，持續尋找價值更高、競爭壁壘更強的業務。

這纔是一家科技公司能否長期成長的關鍵。

二、AI爲什麼需要人類？因爲數據不是知識，知識也不等於判斷

人們經常把數據稱爲人工智能時代的“新石油”。

這一比喻有一定道理，但並不完整。

石油經過開採、運輸、煉化，才能成爲汽油、柴油和其他工業產品。

原始數據同樣需要經過篩選、整理、清洗和加工，才能成爲有效的模型訓練材料。

但數據與石油存在一個根本區別：

石油的能量主要取決於其物理和化學屬性，而數據的價值高度依賴信息內容、任務需求、準確性和使用方式。

一百萬條重複、錯誤的互聯網信息，未必比一千條高質量醫學專家推理案例更有價值。

人工智能的發展，也正在改變數據產業的結構。

1. 第一階段：讓機器識別世界

早期的機器學習數據標註，主要服務於計算機視覺。

例如，識別一張圖片中的貓、狗、行人、汽車或交通信號燈。

這類工作往往需要大量人工參與。

它幫助機器建立對現實世界的基本識別能力。

2. 第二階段：讓機器理解人類語言與偏好

隨着大語言模型發展，模型不僅需要理解文字，還需要學習如何提供有幫助、準確和符合任務要求的回答。

例如，面對一個金融問題：

“爲什麼一家公司的淨利潤增長，但經營現金流卻持續下降？”

質量較差的回答可能只是說：

“因爲公司財務狀況出現問題。”

質量更高的回答則會解釋：

淨利潤遵循權責發生制，而經營現金流反映實際經營現金收付。

如果一家企業的應收賬款增長速度明顯超過收入增長，或者存貨不斷積壓，即使報表利潤持續增加，也可能出現經營現金流惡化。

進一步的分析還應查看現金流量表、營運資本變化、收入確認政策和客戶回款情況。

兩個答案的價值存在明顯差異。

爲了訓練模型做出更好的回答，開發者需要高質量的反饋與評價機制。

RLHF，即人類反饋強化學習，是其中一種重要的技術方法。

人類可以比較模型的不同回答，判斷其準確性、邏輯性、幫助程度和風險。

這些反饋能夠用於改善模型行爲。

但RLHF並非現代AI後訓練的唯一方式。監督微調、獎勵模型、可驗證獎勵的強化學習以及合成數據等方法，也在共同推動模型能力發展。

3. 第三階段：讓AI學習專業判斷

隨着AI模型越來越強大，簡單的數據標註價值開始發生變化。

更復雜、更專業的任務變得重要。

例如：

醫療專家可以評價AI是否遺漏危險症狀。

程序員可以發現AI生成代碼中的安全問題。

數學研究者可以檢查複雜證明是否成立。

金融分析師可以識別財務推理中的錯誤假設。

法律專業人員可以檢查模型是否錯誤引用法律規則或案例。

這意味着AI數據產業正在從勞動密集型的信息加工，向專業知識服務發展。

Scale AI旗下的Outlier平臺正是這一模式的代表。

在提供的採訪中，Wang表示，Outlier的知識貢獻者在此前一年累計獲得約5億美元報酬，平臺覆蓋美國9000多個城鎮。

這兩個數字屬於採訪發生時的歷史信息，不應直接作爲2026年最新統計。

但它們揭示了重要趨勢：

人工智能沒有立即讓所有知識工作消失，反而創造了新的知識生產、評估和模型訓練需求。

當然，這不意味着所有參與者都擁有穩定的收入。

平臺型工作可能面臨任務供應波動、報酬變化、質量審覈和不穩定的就業保障。

真正的長期機會，不只是爲AI提供人工勞動，而是擁有難以替代的專業能力。

未來，普通標註工作的單位價格可能下降。

但高難度醫學判斷、專業代碼審查、科研推理和複雜系統評估，仍然需要高水平知識。

更值得注意的是，AI模型即使可以自動生成大量訓練數據，也不能無限依靠未經驗證的自身輸出提高能力。

訓練數據需要提供有效的新信息，評估數據尤其需要獨立性。

否則，模型可能不斷重複自身的錯誤。

從這個意義上說，人類專家的重要角色之一，將從直接提供答案，轉向設計問題、驗證答案以及建立可靠的評價標準。

三、真正控制AI產業的，不只是算法，而是五大生產要素

傳統觀點認爲，AI主要依靠三個要素髮展：

算力、數據、算法。

這一劃分適用於理解模型訓練，但如果從全球金融、國家競爭和產業鏈角度觀察，框架需要進一步擴展。

AI產業的完整生產體系至少包括五個關鍵部分：

能源與資本、芯片與計算基礎設施、數據與專業知識、算法與模型，以及商業應用與客戶渠道。

每一個環節，都有可能產生巨大的商業價值。

但它們的利潤分配並不相同。

1. 算力：Nvidia真正的競爭壁壘是什麼？

Nvidia是AI產業最具代表性的企業之一。

許多人認爲，它的優勢只是能夠生產高性能GPU。

實際上，GPU性能只是競爭力的一部分。

Nvidia長期積累的CUDA軟件生態、計算工具、開發者社區、網絡互聯技術和系統集成能力，共同形成了強大的商業壁壘。

假設一家AI企業已經投入數億美元，圍繞特定GPU架構開發模型訓練系統。

如果想更換另一種計算平臺，就可能需要重新優化代碼、調整系統架構、測試兼容性並承擔訓練中斷風險。

這就是經濟學中的轉換成本（Switching Cost）。

當企業遷移平臺的成本很高，即使競爭者提供價格更低的硬件，也不一定能迅速獲得客戶。

Nvidia的商業優勢，正是硬件能力與軟件生態相互加強的結果。

但這種優勢並非不可動搖。

大型雲計算企業開發自研芯片，新的軟件框架降低硬件依賴，模型訓練效率不斷提高，都可能改變長期競爭格局。

2. 製造：爲什麼臺積電具有戰略價值？

全球先進芯片製造高度依賴複雜的半導體供應鏈。

臺積電在先進晶圓製造中的重要地位，使其成爲全球AI產業的重要基礎設施企業。

但先進芯片不是僅憑一家公司就能生產。

芯片設計、先進光刻設備、半導體材料、晶圓製造、先進封裝和高速網絡技術，分佈在多個國家和地區。

例如，美國在高端芯片設計和相關軟件生態方面具有重要優勢。

荷蘭ASML提供關鍵的先進光刻設備。

日本在部分半導體材料和設備領域擁有重要地位。

臺灣的臺積電擁有世界領先的先進晶圓製造能力。

韓國在存儲芯片等領域具有重要競爭力。

這意味着全球AI產業實際上依賴一條跨國協作的高精度工業鏈。

任何關鍵環節出現重大中斷，都可能影響整條產業鏈。

從金融角度看，這屬於供應鏈集中風險。

而從國家安全角度看，它又使先進半導體制造成爲具有戰略意義的產業。

3. 能源：AI越先進，越無法脫離物理世界

軟件可以通過網絡在全球傳播，但運行AI模型需要真實的物理資源。

大型計算集羣依賴穩定供電、冷卻系統、網絡設施、數據中心建築和長期資本投入。

馬斯克旗下xAI建設的Colossus計算集羣，正是這一趨勢的代表。

AI產業的擴張，不僅會刺激半導體需求，也可能改變電力、天然氣、輸電設備、儲能、工業冷卻和數據中心建設市場。

這與人們通常理解的軟件產業存在顯著差異。

傳統互聯網應用的邊際分發成本可以非常低。

但大規模AI推理需要持續消耗計算資源。

因此，AI企業的商業模式不僅需要關注用戶增長，還必須衡量每次推理的成本。

假設一個AI服務每月向用戶收取20美元。

如果平均每位用戶產生15美元的模型推理及直接服務成本，企業剩下的空間就很有限。

如果經過技術優化，直接服務成本降低至3美元，商業模式就可能發生根本改變。

這裏尚未計算研發、營銷、管理等其他費用。

在AI商業競爭中，降低單位智能服務成本，與提高模型能力同樣重要。

4. 數據：數據規模不等於競爭優勢

過去，互聯網公司經常依靠用戶規模積累大量行爲數據。

但AI時代，不能簡單認爲誰的數據最多，誰就一定擁有最強的模型。

原因是，不同數據對模型能力的貢獻並不相同。

大量低質量、重複的信息可能提供有限的新增訓練價值。

相反，一套經過專業驗證、能夠揭示模型薄弱環節的數據集，可能產生更大作用。

因此，未來數據的商業價值將越來越取決於：

數據是否稀缺、是否合法獲得、是否具有高準確性、是否能夠持續更新，以及是否能真正改善特定任務表現。

例如，醫療機構長期積累的臨牀經驗，可能比普通互聯網文章更適合某些醫學AI任務。

製造企業擁有的設備故障記錄、生產流程和維修數據，也可能成爲工業AI的重要資源。

但涉及個人隱私、商業祕密或受監管信息時，數據價值的實現必須以合法授權、保護措施和適當治理爲前提。

5. 商業渠道：技術領先不一定意味着利潤最高

回顧計算機產業歷史，能夠發現一個反覆出現的現象：

創造技術，與獲得產業最大利潤，往往不是同一回事。

個人電腦時代，硬件、操作系統和應用軟件企業掌握着不同的價值環節。

移動互聯網時代，智能手機制造商、操作系統平臺、應用商店和互聯網服務商，也形成了不同的商業地位。

AI產業很可能重複這一過程。

即使一家企業擁有非常先進的模型，也未必能夠獲得最多利潤。

擁有龐大客戶羣、支付體系、企業採購渠道和成熟商業場景的公司，可能擁有不同類型的優勢。

未來需要重點觀察的，不只是哪些企業擁有最強模型。

而是哪些企業能夠把模型能力持續轉化爲用戶付費、企業收入和自由現金流。

這涉及金融市場最核心的區別：

創造價值不等於捕獲價值，收入增長也不等於股東回報。

四、Meta爲什麼願意爲Scale AI投入143億美元？

2025年6月，Meta宣佈對Scale AI進行重大投資。

根據公開信息，Meta投資約143億美元，獲得Scale AI約49%的股權，對應公司估值約290億美元。

與此同時，Alexandr Wang加入Meta，參與推動公司的人工智能發展。

這筆交易是理解AI資本競爭的重要案例。

因爲它同時涉及技術、人才、供應鏈和戰略控制。

第一，Meta不僅需要算力，也需要組織能力

大型AI模型研發是一項高度複雜的系統工程。

它不僅需要研究人員，還需要算力基礎設施、訓練數據、模型評估、工程管理和產品團隊之間的長期協作。

一家大型科技公司即使擁有充足資金，也不意味着能夠立即組建世界領先的AI團隊。

因爲資金可以購買設備，卻不能直接購買已經形成的組織默契和技術經驗。

Alexandr Wang長期經營Scale AI，接觸多個AI研究領域的重要需求。

這使他具備獨特的產業經驗和組織視角。

Meta投資Scale AI，並引入其創始人，具有明顯的戰略人才與組織能力建設意義。

第二，頂級科技公司正在用資本購買競爭時間

AI產業存在非常明顯的技術競爭和時間壓力。

如果一家大型平臺在某一代關鍵技術上落後，可能面臨用戶流失、生態削弱和未來利潤下降等風險。

因此，一項投資不能只根據被投資企業自身的利潤來評價。

還需要分析它是否有助於投資者增強主業競爭力。

例如，假設某項技術投資本身只創造有限的直接財務回報，卻顯著提高了一個大型平臺的用戶留存、廣告效率或產品競爭力。

那麼，它對戰略投資者的整體價值可能超過獨立財務收益。

這正是戰略投資與傳統財務投資的重要區別。

財務投資主要追求資本回報。

戰略投資還可能追求技術能力、市場地位、供應鏈安全或競爭優勢。

但戰略價值並不是支付任何價格的理由。

如果最終無法產生實際業務改善，再宏大的戰略敘事也無法替代投資回報。

第三，Meta的投資也給Scale AI帶來了新風險

Scale AI原本服務於多家大型人工智能企業。

但Meta本身也是這些企業的競爭者。

當一家原本相對獨立的供應商與某個大型客戶建立深度資本關係時，其他客戶可能產生顧慮。

例如：

自身的研發計劃是否能夠保持機密？

關鍵數據是否會受到充分保護？

供應商未來是否會優先服務某一戰略股東？

這些擔憂即使沒有演變爲實際信息泄露，也可能影響客戶選擇。

這揭示了平臺型基礎設施公司的一項重要商業規律：

中立性本身，也可能是一種具有經濟價值的資產。

2026年，Scale AI已經進入新的發展階段。

公司在2025年6月由Jason Droege擔任臨時CEO，並於2026年7月宣佈任命Francis deSouza爲新任CEO，8月10日正式生效。

Scale AI也不再僅將自身定位爲數據標註服務商，而是更加重視模型評估、企業應用、政府系統和可靠AI基礎設施。

根據公司2026年1月披露的信息，其2025年新增業務規模超過10億美元，企業客戶包括Mayo Clinic、BP和Allianz等機構。

需要區分的是，新增業務簽約額不等於當年實際確認收入，更不等於利潤。

這一變化說明：

Scale AI正在嘗試從提供模型訓練材料的供應商，發展成爲幫助大型組織部署和管理AI系統的技術服務企業。

這一步能否成功，將決定其未來商業價值是否能夠持續增長。

五、從金融角度看，AI時代最大的機會究竟在哪裏？

投資者容易犯的一個錯誤，是把技術革命直接等同於投資回報。

例如：

人工智能未來一定會越來越重要。

所以所有AI相關股票都會上漲。

這一推理並不成立。

歷史上，許多偉大的技術革命確實創造了巨大的經濟價值，但參與其中的投資者並不一定獲得理想回報。

1. 鐵路革命：改變世界的行業，也可能讓股東虧損

19世紀，鐵路徹底改變了美國的運輸、貿易和區域經濟。

鐵路大幅降低了商品與人員跨地區流動的成本。

它促進了全國市場形成，也推動了鋼鐵、煤炭、金融與城市發展。

但鐵路建設需要鉅額資本。

行業在某些階段出現過度擴張、債務負擔和激烈競爭。

大量鐵路公司經歷破產與重組。

鐵路創造的社會價值非常巨大，但並非所有鐵路公司的股東都獲得了同等回報。

這說明：

一項技術對社會越重要，不代表相關企業的股票越值得在任何價格購買。

2. 互聯網泡沫：正確預測未來，不等於正確投資

1990年代末，互聯網迅速發展。

當時人們相信，互聯網將改變購物、廣告、金融、通信和娛樂。

這一判斷基本正確。

但許多互聯網企業缺乏可持續的盈利模式。

部分公司依靠融資維持經營，而不是依靠客戶付費實現健康增長。

2000年前後，互聯網泡沫破裂，大量企業倒閉，投資者遭受重大損失。

與此同時，互聯網此後仍繼續改變全球經濟。

這裏最重要的教訓是：

投資者可能正確預測一個產業的未來，卻因爲支付了過高估值、選擇了錯誤公司或低估競爭成本，而最終虧損。

AI產業同樣需要面對這一問題。

3. AI投資應該分析哪五個財務指標？

第一，收入質量。

一家AI企業的收入來自持續訂閱，還是一次性項目？

客戶是否續約？

收入是否高度依賴少數客戶？

第二，毛利率。

提供AI服務需要多少直接計算成本？

模型推理費用是否隨着用戶使用量增加而持續上升？

企業能否通過技術優化降低成本？

第三，資本開支。

企業爲了維持增長，需要不斷購買多少GPU、建設多少數據中心？

這些資產未來是否可能因爲技術升級而快速貶值？

第四，自由現金流。

公司真正產生了多少可以用於償債、回購、分紅或再投資的現金？

利潤增長並不意味着自由現金流一定改善。

第五，競爭壁壘。

客戶爲什麼不能輕易更換供應商？

企業擁有獨特數據、專利、用戶網絡、行業認證，還是高度依賴第三方模型？

如果競爭者可以快速複製產品，那麼收入增長未必能夠轉化爲長期高利潤。

4. AI產業的利潤可能不斷遷移

AI產業不是一個靜止的市場。

在基礎設施建設初期，擁有稀缺芯片、計算資源和設備的企業，可能獲得較強的議價能力。

當算力供應擴大、模型效率提高，部分利潤可能向模型服務和應用層遷移。

當通用模型能力逐漸商品化，掌握客戶關係、行業工作流和獨家數據的企業，又可能獲得更大優勢。

不過，這並不是確定的線性過程。

基礎設施需求仍可能持續增長，部分領先芯片企業也可能依靠技術和生態維持高利潤。

因此，研究AI投資必須持續回答：

當前最稀缺的資源是什麼？

這種稀缺性能夠持續多久？

市場價格是否已經充分反映了這種優勢？

真正有價值的投資研究，不是發現一個人人都知道的熱門趨勢，而是理解市場對企業未來現金流的預期是否合理。

六、中美人工智能競爭：誰擁有下一代科技與國家實力的決定權？

AI競爭已經不只是企業之間的商業競爭。

它同時涉及國家安全、工業基礎、金融資本、信息體系和國際影響力。

但中美AI競爭不能簡單理解爲某個國家擁有更多數據，或者某個國家擁有更先進的芯片。

決定長期競爭力的，是多個系統能否有效協同。

1. 美國最大的優勢，是科技創新與資本市場的結合

美國擁有全球重要的科技公司、研究型大學、風險投資機構和資本市場。

這些組織能夠共同支持高風險、長週期的技術研發。

根據斯坦福大學《2026 AI Index Report》，美國2025年的私人AI投資達到約2859億美元，中國約爲124億美元。

但需要注意，中國AI投資還包括政府引導基金等不同融資渠道，因此不能直接把私人資本規模差距理解爲兩國AI總投入差距。

這組數據真正反映的是：

美國私人資本市場具有強大的風險承擔與資本集中能力。

它允許一部分尚未盈利、但具有巨大成長潛力的科技企業，通過融資獲得大規模研發資源。

美國的優勢不僅來自資金數量，還來自資金與人才、技術、企業管理和商業化能力之間的連接。

2. 中國的競爭力不只是數據，更包括工程能力和製造體系

中國擁有龐大的工程技術人才羣體，以及複雜、完整的製造業生態。

其互聯網市場長期存在激烈的產品競爭，許多企業對成本控制、快速迭代和規模化運營具有較強的經驗。

DeepSeek等企業的發展，說明AI模型競爭並不完全取決於誰能夠獲得最多GPU。

模型架構、算法優化、系統工程和資源使用效率，同樣能夠改變競爭格局。

斯坦福2026年AI Index指出，截至2026年3月，在其採用的領先模型評估指標上，中美頂尖模型之間的差距已經明顯縮小。

但這不代表雙方在所有環節都完全相同。

AI模型性能、先進芯片製造、軟件生態、工業機器人、國際市場、科研論文和高端人才流動，需要分別評價。

3. 芯片出口管制，是一場圍繞生產能力的戰略博弈

美國對部分先進計算芯片和相關技術實施出口限制，其重要目標之一，是限制特定先進AI計算能力的獲取。

這種做法背後的戰略邏輯並不新鮮。

歷史上，工業強國經常試圖通過控制關鍵生產技術和設備，維持競爭優勢。

但技術封鎖的實際效果往往非常複雜。

一方面，它可能提高被限制方獲得先進技術的成本。

另一方面，也可能刺激本土替代研發、資源重新配置以及計算效率提升。

因此，評價出口管制政策不能只看某一年芯片出口數量。

還要觀察長期技術差距、產業替代進度、供應鏈轉移以及創新成本。

4. AI正在成爲國家主權的重要組成部分

傳統國家主權通常涉及領土、法律、貨幣和國防。

數字時代又增加了重要維度：

數據基礎設施與信息系統。

未來，一個國家如果在關鍵公共服務、金融機構、通信基礎設施和政府決策中高度依賴外部AI系統，就需要考慮技術供應中斷、數據安全、系統審計和治理控制等風險。

因此，越來越多國家開始討論主權AI（Sovereign AI）。

它的核心並不是每個國家都必須從零製造全部芯片或獨立研發世界領先大模型。

而是確保關鍵系統具有足夠的控制權、可靠性、可審計性和持續運營能力。

這也解釋了爲什麼AI基礎設施開始進入國家級戰略討論。

七、AI如何影響歷史、文化和政治？未來的信息控制權值得高度警惕

人工智能與傳統搜索引擎存在一個重要區別。

搜索引擎通常呈現多個網頁，用戶可以比較不同信息來源。

生成式AI則傾向於直接組織一個完整答案。

這提高了信息獲取效率，但也帶來了新的問題：

用戶可能只看到最終結論，而看不到信息篩選和答案形成的過程。

如果大量用戶依賴少數AI系統理解歷史、政治、金融和社會問題，那麼模型的數據來源、內容政策與事實覈驗機制，就會具有重要的公共影響。

不同國家和公司的AI模型可能受到不同法律環境、訓練數據、系統規則和安全政策影響。

面對某些敏感歷史事件或政治問題，有的模型可能拒絕回答，有的模型可能給出限制性回答，有的模型則可能提供更詳細的信息。

但必須強調：

願意回答，不代表回答一定正確。

拒絕回答，也不必然代表模型缺乏相應知識。

真正重要的是，信息是否能夠被獨立驗證。

例如，研究一項有爭議的歷史事件，不應該僅依賴某個AI模型的敘述。

更可靠的方法，是交叉覈查歷史檔案、當時新聞、學術研究和不同立場的原始材料。

AI時代最值得警惕的，不只是虛假信息數量增加。

而是虛假信息可能以高度流暢、結構完整、看似專業的方式傳播。

信息戰爲什麼會更加複雜？

生成式AI降低了大規模製作文字、圖片、語音和視頻的成本。

這可能使虛假身份、自動化宣傳和誤導性內容的製作更加容易。

與此同時，AI也可以幫助研究人員、媒體和安全機構識別異常傳播行爲、覈查來源和分析數據。

因此，AI並不天然只服務於信息控制，也可以用於提高透明度。

決定結果的，是技術如何部署，以及是否存在獨立審查、責任機制和信息來源驗證。

對於媒體行業而言，這意味着未來的重要競爭力不是誰能生產最多新聞。

而是誰能夠穩定提供準確、及時、透明且可覈查的信息。

當內容生產成本趨於下降，可信度反而可能成爲越來越稀缺的媒體資產。

八、AI與網絡戰爭：未來國家安全競爭將越來越依賴機器速度

現代國家的金融系統、電信網絡、能源設施和軍事通信，都高度依賴數字基礎設施。

這使網絡安全成爲國家安全的重要組成部分。

專訪提到的Salt Typhoon（鹽颱風），就是值得關注的案例。

美國相關機構曾公開披露，與中國有關聯的網絡攻擊活動針對電信系統展開滲透。

中國方面則對美方部分網絡安全指控提出過反駁。

這類事件說明，現代國際競爭不僅發生在傳統軍事領域，也發生在通信、網絡和信息系統之中。

AI的發展可能進一步改變網絡攻防格局。

過去，大規模漏洞分析、惡意軟件檢測和異常流量調查，往往需要大量人工參與。

未來，AI可能提高代碼審查、風險識別、威脅分析與安全響應效率。

但攻擊者同樣可能使用AI尋找薄弱環節，擴大自動化攻擊能力。

這就形成了新的安全競爭：

防禦方希望更早發現問題，攻擊方希望更快尋找機會。

不過，不能簡單斷言AI已經全面超過頂級人類安全專家。

不同任務的可靠性差異很大，真實網絡環境仍具有複雜的上下文和風險。

最可能出現的趨勢，是人類安全專家負責制定策略與承擔責任，而AI系統承擔更多可驗證、可自動化的分析任務。

這會讓網絡安全能力越來越依賴自動化水平、系統可靠性和人類監督機制。

九、AI會讓人類失業，還是讓每個人擁有自己的數字員工？

這是普通人最關心的問題。

Alexandr Wang提出了一個值得思考的未來工作模式：

員工可能從親自完成所有工作，轉變爲管理多個專業AI Agent。

這一觀點具有重要的經濟意義。

但必須避免把它理解爲所有職業都會自動升級。

AI對不同職業的影響，取決於具體任務，而不只是職業名稱。

1. 爲什麼AI首先衝擊部分白領工作？

過去，許多知識型職業的價值建立在信息處理能力之上。

例如：

收集資料、起草報告、整理文件、翻譯文本、分析合同、製作演示文稿和編寫基礎代碼。

這些任務往往具有三個共同特點：

第一，輸入信息可以數字化。

第二，工作流程具有一定規則。

第三，結果能夠在一定程度上被檢查和評價。

這些特點使其更適合AI自動化。

例如，一名市場分析師過去需要三天收集競爭對手資料、整理產品信息並製作初步報告。

現在，他可以使用AI進行資料檢索、初步分類和報告起草。

但最終仍需要驗證信息來源、判斷市場變化是否重要，並向管理層提出建議。

因此，勞動價值可能從單純的信息整理，逐漸轉向判斷和決策。

2. 爲什麼部分藍領職業短期內反而具有更強的保護？

電工、水管工、維修人員和建築施工人員，經常需要在複雜、非標準化的物理環境中工作。

例如，維修一處舊建築中的水管問題，可能需要判斷建築結構、管道老化情況、實際安裝空間和現場安全風險。

這些任務不僅要求知識，還需要感知、操作和現場適應能力。

AI語言模型可以解釋維修方法，但並不等於擁有可靠的實體操作能力。

機器人技術正在進步，未來也可能改變這些職業。

但從數字軟件能力到穩定的物理執行能力，還需要解決機械結構、傳感器、成本、安全和複雜環境適應等問題。

因此，部分現場服務職業的自動化速度，可能低於純數字化任務。

3. AI最深刻的變化，是降低個人的組織成本

過去，一名創業者如果希望完成一個完整商業項目，可能需要招聘程序員、設計師、市場研究人員和文案人員。

即使項目還沒有產生收入，也可能需要承擔較高的人力成本。

AI正在改變這個過程。

假設一名創業者準備開發一個教育產品。

他可以利用不同AI工具進行：

市場研究、課程設計、產品原型製作、代碼生成、宣傳文案撰寫以及用戶反饋整理。

這並不意味着一個人可以毫無成本地替代整個專業團隊。

複雜產品仍需要工程審覈、真實用戶測試、安全保障和持續運營。

但一些早期探索工作的成本確實可能下降。

經濟學上，這相當於降低了創業和組織生產的部分固定成本。

過去需要成立公司才能完成的某些工作，如今可能由一個人藉助AI工具進行初步驗證。

未來個人競爭力的差距，可能越來越取決於一個人能否有效組織技術資源，而不只是自己能完成多少具體任務。

4. 生產效率提高，不意味着個人收入必然提高

這裏有一個容易被忽視的問題。

假設某類工作使用AI後，生產效率提高三倍。

員工的收入是否也會提高三倍？

不一定。

如果大量競爭者都能夠獲得相同的AI能力，市場競爭可能推動服務價格下降。

例如，過去製作一份普通商業報告需要收費1000美元。

AI普及後，大量服務商都能快速生成類似報告。

如果客戶認爲不同服務商之間沒有明顯區別，報告的市場價格就可能降低。

這種情況下，AI提高了生產效率，但並沒有保證服務提供者獲得更高利潤。

因此，真正能夠從AI效率提升中獲得較多收益的人，往往還需要掌握其他稀缺資源：

客戶關係、品牌信譽、獨特數據、專業判斷、行業經驗或知識產權。

這也是AI時代需要重點理解的財富分配問題。

十、當人人都能使用AI，真正稀缺的能力將是什麼？

在AI普及初期，能夠熟練使用工具本身是一種競爭優勢。

但隨着技術不斷成熟，基礎操作能力可能迅速普及。

就像今天，能夠使用搜索引擎或辦公軟件，已經很難單獨構成長期競爭壁壘。

未來，真正稀缺的可能是五種能力。

第一，發現問題的能力

AI擅長根據任務提供答案。

但什麼問題值得解決，往往需要對現實世界的深入理解。

例如，開發一個新的金融軟件並不難。

難的是發現某類客戶究竟存在什麼高成本、未被滿足的需求。

第二，獨立判斷的能力

AI可以生成多個商業方案。

但不同方案之間如何取捨，需要考慮風險、資金、時間、競爭者和長期機會成本。

決策不僅意味着選擇，也意味着承擔後果。

第三，審美和創意能力

當大量用戶使用相同模型和類似提示詞時，內容可能出現同質化。

真正具有辨識度的藝術風格、人物設定、敘事能力和文化洞察，仍然具有商業價值。

但原創性並非只能由人類獨佔，AI也可能產生新穎組合和有價值的創意。

真正重要的是作品能否形成持續的受衆認同。

第四，建立信任的能力

技術可以提高信息生產速度，卻無法自動賦予一家公司信譽。

在金融、醫療、法律和新聞等領域，客戶尤其重視可靠性。

因此，透明的信息來源、專業標準和長期可信的品牌記錄，可能成爲重要競爭優勢。

第五，整合資源的能力

未來最有競爭力的個人，未必是所有專業領域中最強的人。

而可能是能夠明確目標、協調不同AI系統、邀請專業人員參與，並將結果轉化爲商業價值的人。

這類似企業管理者的職責。

區別在於，未來被管理的資源可能同時包括人類員工、軟件系統、AI Agent和外部服務平臺。

十一、AI時代真正值得創業者關注的五類機會

理解Scale AI的故事，最終不能只停留在研究一家公司的成功。

更重要的是，能否從中識別適合自己參與的商業機會。

1. 行業專業數據與知識系統

許多行業擁有大量尚未被有效數字化的專業知識。

例如，製造業設備故障記錄、法律合同案例、金融研究資料和專業維修流程。

創業者可以圍繞合法獲得的數據，建立可搜索、可驗證、持續更新的專業知識系統。

真正的商業價值，來自幫助客戶提高效率或降低錯誤成本，而不只是把文件放進數據庫。

2. 企業AI工作流

許多企業並不需要自己開發世界領先的大模型。

它們需要的是讓現有業務運行得更好。

例如，一家物流企業可能希望自動整理運輸文件、識別異常訂單、分析延誤原因並生成客戶通知。

一家保險機構可能希望提高理賠文件處理效率，同時保持人工審覈和合規機制。

這種需求爲垂直行業AI服務商創造機會。

但企業級產品通常需要較長的銷售週期，以及數據保護、系統集成和售後支持能力。

3. AI模型評估與安全服務

當AI進入金融、醫療和公共服務領域，企業不能只關注模型是否聰明。

還需要知道模型是否可靠。

因此，圍繞準確性、幻覺、偏見、隱私、模型安全和專業合規的評估服務，可能形成持續需求。

Scale AI向模型評估和可靠AI系統發展，正是這一趨勢的代表。

4. AI驅動的內容與知識產權產業

AI正在降低圖像、動畫、視頻和數字內容的生產成本。

這使個人創作者和小型團隊更容易嘗試過去需要大量人員參與的項目。

但必須區分內容生產和商業成功。

低成本生成一部動畫，並不意味着這部動畫會獲得觀衆。

真正決定長期商業價值的，仍然包括角色設計、世界觀、故事質量、品牌傳播、粉絲關係和知識產權運營。

迪士尼的核心競爭力從來不只是能夠製作動畫。

它還包括數十年積累的角色資產、敘事能力、全球發行渠道、授權業務和消費者情感連接。

AI可能降低內容製造成本，卻不會自動創造一個受到市場喜愛的品牌。

因此，對希望建立原創IP的創業者來說，最重要的不是每天生成多少視頻，而是能否建立具有長期識別度和商業價值的角色與故事體系。

5. 可信信息與專業媒體

當AI使內容生產越來越容易，互聯網可能出現更多自動化文章、視頻和評論。

信息數量增加，卻不代表信息質量同步提高。

這種環境反而可能提高可信信息服務的價值。

例如，一家專注於AI、金融和區塊鏈的媒體，可以圍繞公開文件、原始採訪、監管信息和企業公告，建立長期可靠的內容體系。

它的競爭優勢不應只是發佈時間快。

還應該包括事實準確、來源透明、專業解釋和對複雜事件的持續追蹤。

進一步的商業模式可以包括專業研究訂閱、行業數據庫、企業信息服務和合規標註的商業合作。

但如果付費內容與獨立新聞混淆，就可能損害媒體最重要的資產：信任。

十二、普通人應該怎樣面對AI革命？

對於普通人而言，最大的風險未必是AI直接取代工作。

而是繼續依靠一種正在快速商品化的技能競爭。

如果某項能力過去十分稀缺，但未來幾乎所有人都能夠通過AI低成本獲得，那麼這項能力的市場價格就可能下降。

因此，個人應該建立新的能力組合。

首先，選擇一個具有長期需求的專業領域。

例如，金融、法律、醫療、工業製造、軟件工程、教育或內容產業。

其次，學習AI能夠如何改善這個領域的工作流程。

不要只是學習某個軟件的操作按鈕，而要理解整個任務從需求產生到交付結果的過程。

第三，建立自己的專業知識和案例積累。

AI可以幫助總結公開資料，但長期從真實項目中形成的經驗、客戶理解和判斷能力，往往更難複製。

第四，嘗試利用AI完成真實項目。

與其學習大量互不相關的工具，不如選擇一個具體目標：

建立網站、開發小型應用、製作商業研究、設計教育產品，或者搭建自動化信息處理流程。

最後，建立獨立驗證習慣。

AI可以快速提供建議，但涉及資金、安全、醫療、法律和重要商業決策時，必須覈對關鍵事實與專業依據。

一個值得實踐的30天實驗

可以選擇自己最熟悉的一項重複性工作。

第一週，記錄完整工作流程，以及每個環節需要的時間。

第二週，嘗試使用AI處理其中可以數字化、容易驗證的任務。

第三週，增加質量檢查，並比較人工與AI協作的錯誤率。

第四周，計算節約的時間、工具費用、返工成本和最終質量變化。

例如，某項工作原來每週需要10小時。

引入AI後，初步處理只需要3小時，但人工驗證和修改仍需要2小時。

實際節約的是5小時，而不是宣傳中的所謂十倍效率。

如果新增工具費用和錯誤風險超過節省的成本，自動化甚至可能沒有商業價值。

因此，真正有意義的AI生產力，不是生成速度，而是經過質量與成本檢驗後的淨收益。

十三、AI革命是否會讓財富更加集中？

從經濟史看，每次重大的通用技術革命，都可能同時帶來財富創造和財富重新分配。

工業革命提高了社會生產能力，但早期也伴隨着資本、土地和勞動之間的利益衝突。

互聯網降低了信息傳播與交易成本，卻也幫助少數大型平臺建立了強大的網絡效應。

人工智能正在產生類似的結構性問題。

一方面，AI工具降低了個人與小企業獲取部分知識勞動的成本。

個人有機會完成過去需要團隊才能完成的工作。

另一方面，最先進的AI模型仍然可能依賴鉅額算力投資、複雜研發團隊和龐大的計算基礎設施。

這使AI產業存在兩股同時發生的力量：

一股是技術普及，降低創業和生產門檻。

另一股是基礎設施集中，使擁有資本、計算資源和分銷渠道的大型企業獲得優勢。

哪股力量最終佔據主導，目前尚無確定答案。

未來財富分配可能受到市場競爭、開源生態、技術成本、教育能力、政府政策以及勞動者議價能力的共同影響。

對於個人而言，不能只期待技術進步自動提高收入。

還應關注自己是否擁有能夠分享技術進步收益的資產。

這裏的資產不一定只是股票。

也可能是企業股權、原創知識產權、專業品牌、合法積累的數據資產，以及能夠持續服務客戶的商業系統。

工資主要來自出售勞動時間和技能。

企業股權則可能讓持有人分享企業未來的剩餘收益，同時承擔經營失敗風險。

知識產權可能通過授權、發行和商業合作創造收入，但同樣需要市場需求、法律保護和持續運營。

從長期財富積累角度看，最重要的區別之一，是個人能否在提供勞動之外，逐步擁有具有經濟價值的生產性資產。

但必須強調，這並不是鼓勵所有人盲目創業、集中投資AI股票或承擔超過自身能力的風險。

任何資產的價值，都取決於真實需求、現金流、法律權利、競爭環境和買入成本。

十四、未來十年，AI競爭最重要的變量是什麼？

如果只關注哪一家AI公司推出了最新模型，很容易被短期新聞吸引。

從長期角度看，更值得追蹤的是六個變量。

第一，智能服務的單位成本。

完成同一項任務，需要多少計算資源和資金？

成本下降能夠擴大市場，但也可能壓低價格。

第二，AI的可靠性。

模型能否穩定完成複雜、持續、多步驟的工作，而不是隻在演示中表現優秀？

第三，專業數據的質量。

哪些行業擁有難以公開獲得、又能夠合法用於模型開發的專業知識？

第四，AI Agent的真實自主執行能力。

它能否在明確權限和監督機制下持續完成任務，並在異常情況發生時安全停止？

第五，企業是否願意持續付費。

技術演示可以吸引關注，但真實客戶的長期付費纔是商業模式的重要檢驗。

第六，誰能夠持續獲得利潤。

芯片公司、雲計算平臺、模型開發商、應用企業和終端客戶之間，價值究竟如何分配？

這六個變量共同決定AI技術會如何轉化爲經濟增長，以及增長產生的財富最終流向哪裏。

結語：Alexandr Wang的故事，真正值得學習的不是19歲輟學

回顧Alexandr Wang的創業經歷，最容易引起注意的是他的年齡、學歷和財富。

19歲離開MIT。

創辦Scale AI。

24歲躋身年輕白手起家億萬富翁行列。

公司估值從數十億美元增長至超過290億美元。

這些數字具有很強的傳播力。

但它們不是這個故事最重要的部分。

真正值得學習的是Wang發現商業機會的方法。

當整個行業都在追逐更先進的模型時，他選擇研究模型背後不可缺少的數據生產體系。

當簡單數據標註面臨競爭時，Scale AI逐漸進入專家反饋、模型評估和企業AI應用。

而當AI成爲大型科技公司爭奪未來競爭力的核心技術時，Scale AI又進入了全球科技資本重組的中心。

這說明，一個成功的創業者，並不一定要創造最引人注目的終端產品。

有時，識別整個產業共同存在的關鍵瓶頸，建立能夠持續解決這一瓶頸的商業系統，同樣能夠產生巨大價值。

但更重要的是，瓶頸會變化。

今天稀缺的是GPU，未來可能是能源、專業數據、模型可靠性，或者能夠真正完成複雜任務的AI系統。

企業如果只依靠過去的優勢，而不能適應新的技術結構，仍然可能被競爭者超越。

對於國家而言，AI競爭不僅是研發某個領先模型，更是資本、人才、芯片、能源、製造、制度和商業化能力的綜合競爭。

對於企業而言，真正重要的不是是否使用AI，而是能否通過AI創造客戶願意付費的價值，並建立可持續的利潤模式。

對於普通人而言，AI既意味着部分舊技能面臨價格壓力，也意味着獲得新能力和建立新業務的成本可能下降。

未來，決定個人經濟地位的，不只是擁有多少知識。

還包括能否識別真實需求、組織技術與人才、作出可靠判斷，並擁有能夠持續創造價值的資產。

人工智能可能讓獲取知識和執行部分任務變得越來越便宜，但發現值得解決的問題、建立信任、承擔責任以及創造真實商業價值，仍然是長期競爭的核心。

未來最值得關注的，不只是哪些機器越來越聰明，而是誰能把這種智能變成真實、可靠且可持續的價值。

資料來源與延伸閱讀

1. 原始人物專訪，Alexandr Wang，This Past Weekend with Theo Von： youtube.com
2. Reuters，2025年6月13日，Meta投資Scale AI及Alexandr Wang加入Meta： reuters.com
3. Scale AI，2025年6月12日，關於Meta投資與公司管理層調整的公告： scale.com
4. Scale AI，2026年1月22日，2025年業務回顧及2026年戰略： scale.com
5. Scale AI，2026年7月30日，新任CEO任命公告： scale.com
6. Stanford University，2026 AI Index Report，全球AI技術、資本、經濟與社會影響： hai.stanford.edu

ABAB NEWS｜觀點

本文基於公開採訪、企業公告及研究資料撰寫，包含產業分析與趨勢判斷，不構成任何投資建議。