近期最重要的AI新聞恐怕就是：Meta宣布投資近150億美元收購Scale AI 49%的股份，同時聘請亞歷山大·王加入Meta領導全新的"超級智能"實驗室了。
所以，我決定接下來介紹幾家數據起家的AI創業公司，特別是獨角獸級別的公司。
這期博客的主要內容來自亞歷山大·王加入Meta前一個多月前，與矽谷知名孵化器South Park Commons (SPC)的一次播客訪談。很巧合，South Park Commons (SPC) 就是由Facebook第一位女性工程師Ruchi Sanghvi創立的，而且SPC團隊中有多位Facebook早期員工。這期播客的主持人Aditya Agarwal也是Facebook最早的工程師之一，曾幫助構建Facebook搜尋引擎、NewsFeed、Messenger等核心產品，擔任過Facebook首位產品工程總監，後來成為Dropbox的CTO。在對話中，亞歷山大·王也在對話中主動談起對Facebook的工程文化理解。所以，他和祖克柏的合作也是早有苗頭。
再簡單介紹一下亞歷山大·王（Alexandr Wang），他1997年出生於新墨西哥州洛斯阿拉莫斯的華裔天才創業者，父母均為華裔移民物理學家。從小展現出數學和編程天賦，高中時期就贏得了美國電腦奧林匹克競賽等多項國際競賽獎項，青少年時期曾在問答平台Quora擔任軟體程序員。17歲考入麻省理工學院攻讀數學和電腦科學，期間還曾在華爾街高頻交易公司Hudson River Trading擔任算法開發工程師。
2016年，年僅19歲的亞歷山大·王做出了改變人生軌跡的決定——從MIT輟學，與同樣是輟學生的Lucy Guo共同創立Scale AI。這家公司專注於為AI模型提供高質量的數據標註和評估服務，瞄準了當時被忽視但極其關鍵的AI基礎設施領域。經過Y Combinator孵化器的培育，Scale AI迅速崛起，在短短八年時間裡從三人小團隊發展成為估值138億美元的AI獨角獸。
亞歷山大·王也在25歲時短暫成為世界上最年輕的白手起家億萬富翁。有意思的是，祖克柏創立Facebook的時候同樣是19歲。
如今的Scale AI已成為全球AI生態系統中不可或缺的基礎設施供應商，為OpenAI、Meta、Google、Microsoft等幾乎所有主要AI公司提供數據服務，被業界稱為"AI模型的數據工廠」。亞歷山大·王在華盛頓政界也擁有深厚人脈，經常就中美AI技術競爭、國家安全等議題發表鷹派觀點，被視為連接矽谷與華府的關鍵橋樑人物。
但在矽谷，他的負面新聞也不少，比如強烈的控制欲和管理方式。他堅持親自審批每一個招聘名額，導致內部流程繁瑣，影響員工士氣和工作效率。此外，他對人才也採取較為強硬的限制措施，如限制前員工出售股票等。甚至，他通過董事會支持，解僱了創業夥伴Lucy Gu（祖克柏也通過一些手段解僱了創業夥伴薩維林）。就更不用說，他的數據標記團隊被一些媒體報道認為是一個「血汗工廠」。
當然，這部分觀點我們今天就不多做介紹了，今天主要談他的產業理解，也就是創業者最關心的核心議題：如何在"飢餓遊戲"般的創業環境中存活、怎樣建立不可動搖的自信心、企業銷售中的認知戰爭、以及當前AI發展遭遇的數據牆困境等。
三個QA歸納亞歷山大·王的創業方法論：
Q: 在AI創業大潮中，什麼能力比技術更重要？
A: 認知套利。當80%-90%的行業資訊都是噪音時，能在資訊過載中保持獨立判斷的能力，遠比單純的技術優勢更持久。Scale AI創始人亞歷山大·王曾被紅杉合伙人當面駁回"數據是AI生命線"的觀點，因為"權威專家"說不再需要更多數據。結果？Scale AI如今估值138億美元，而數據確實成了AI發展的最大瓶頸。成功往往源於對行業認知偏見的正確判斷，而非技術領先。
Q: 初創公司如何與資金無限的科技巨頭競爭？
A: 專注的稀缺性。微軟、Google這些"比除10個國家外所有國家都富有"的公司雖然強大，但它們需要同時優化成千上萬個目標。相比之下，像Perplexity這樣專注搜索的公司，即使面對OpenAI、Google的競爭，在搜索領域仍然是最好的。專注度永遠有巨大的溢價，因為注意力是唯一無法用金錢購買的稀缺資源。
Q: 為什麼技術最好的公司不一定能贏得企業客戶？
A: 感知比現實更重要。在大型企業決策中，純技術優勢只是成功的必要條件。Palantir的銷售高管會當著競爭對手的面對客戶說："你們沒選我們會後悔的，最終還是會回來找我們。"這種"不合理的自信"和感知管理能力，往往比產品功能更能影響複雜的B2B決策。理解決策者的認知框架、學會塑造有利感知，是技術創業者最容易忽視但極其關鍵的隱性技能。
一、創業初期的存在主義焦慮：在不確定性中尋找方向
亞歷山大·王說Scale AI的誕生並非一帆風順的敘事，而是充滿了"存在主義焦慮"的掙扎過程。在進入Y Combinator孵化器的前半段時間裡，他和團隊陷入了典型的創業迷茫期——不知道自己在做什麼，更不確定未來的方向在哪裡。
"這是一種高度不確定的狀態，伴隨著大量的存在主義焦慮。你不知道自己的人生在做什麼。"亞歷山大·王回憶起那段日子時說道。他形容那時的狀態就像是保存著一份又一份Google文檔，裡面列滿了各種startup想法，然後不停地試圖想出更多的創業點子。這種狀態對許多創業者來說都不陌生——看似在努力工作，實際上卻在原地打轉。
轉機來自於保羅·格雷厄姆（Paul Graham）的一篇經典文章《如何產生創業想法》。這篇文章為亞歷山大·王提供了一個關鍵的聚焦框架：活在未來。"基本思路是活在未來，想像未來存在哪些東西，然後反向構建。"這個框架幫助他跳出了純粹的頭腦風暴模式，開始從技術發展趨勢的角度思考商業機會。
然而，即便有了方向性的指導，創業初期的心理壓力依然巨大。在Y Combinator這樣的環境中，周圍都是已經在各自項目上工作了一段時間的團隊，這讓任何新開始一個想法的人都感覺"已經落後了"。亞歷山大·王坦承："你會覺得自己已經落後於起跑線，因為你開始一個新想法的時候，周圍每個人都已經在他們的項目上工作一段時間了。"
這種比較心理產生的焦慮是創業生態中的普遍現象。當你身處一個充滿野心和競爭的環境中時，很容易被他人的進展所影響，質疑自己的選擇和節奏。但亞歷山大·王最終意識到，這種"落後感"往往是一種錯覺，真正重要的是找到正確的方向並堅持執行。這種深刻的自我認知，為他後來在更大的商業競爭中保持定力奠定了心理基礎。
二、從模糊概念到具體產品：Scale API的誕生邏輯
Scale AI的核心理念源於亞歷山大·王對未來技術發展趨勢的一個清晰判斷：人類計算資源終將像其他計算資源一樣被動態編排。在他看來，未來人們將能夠像今天使用雲計算API一樣，通過API調用人類智力資源來完成各種任務。
"顯然，未來我們將會更加動態地編排人類計算資源，就像我們今天編排其他資源，比如計算資源一樣。"亞歷山大·王解釋道："你會到達這樣一個狀態：人類計算可以像使用任何其他API一樣簡單，但這個API當時並不存在。"
這個洞察成為了Scale AI的核心價值主張。他們要構建的不僅僅是一家外包公司，而是一個能夠讓AI開發者像調用雲服務一樣便捷地獲取高質量訓練數據的平台。這個定位在當時是相當前瞻的——大多數人還沒有意識到數據質量對AI模型性能的決定性影響。
產品概念確定後，亞歷山大·王做了一個看似簡單但事後證明極其重要的決定：購買ScaleAPI.com域名。"我花了一整晚尋找域名，ScaleAPI.com正好可用，所以我買下了它。這後來證明是一個異常明智的決定。"事實證明，"Scale"這個名字不僅朗朗上口，更完美地傳達了公司的核心價值——幫助AI系統實現規模化。
緊接著，他們在Product Hunt上線了產品，獲得了足夠的初期關注度。但亞歷山大·王強調，Product Hunt的成功只是開始，而非結束。真正的挑戰是接下來的4-6個月，他稱之為"漫遊模式"——有了幾個客戶，但還在努力獲取更多客戶的階段。
在這個階段，亞歷山大·王展現出了創業者必備的執行力。他親自回復網站上每一個訪客的諮詢："如果你是scaleapi.com的訪客並點擊了聊天泡泡，你最終會和我對話。"這種近距離接觸客戶的做法，讓他能夠深入理解用戶需求，為產品疊代積累了寶貴的第一手資料。
這段經歷持續了大約一年時間，亞歷山大·王將其定義為"漫遊期"。直到6個月後出現了一個想要大規模使用服務的客戶，整個業務才開始真正成型。這個案例說明了一個道理：從概念到產品市場匹配，往往需要比預期更長的時間和更多的耐心。這種對長期主義的堅持，也體現在他後來對AI發展趨勢的判斷和Scale AI的戰略布局中。
三、心理韌性的修煉：如何在不確定性中保持前進動力
被問及如何處理創業初期的焦慮時，亞歷山大·王給出了一個頗為哲學化的回答。他首先澄清了一個誤區：創業初期的痛苦並不比公司發展後期更嚴重。"我不確定那個時期是否比公司未來其他時期更痛苦。建立公司的過程中有很多痛苦的時刻。"
真正幫助他度過那段艱難時期的，是對Scale AI核心理念的信念。一旦團隊確定了Scale的想法，亞歷山大·王就產生了強烈的確信：這個東西在未來一定會存在，而現在它還不存在。"這給了我足夠的梯度去工作。然後你就可以對路徑產生合理的信心，相信在某個時候，你會找出如何從A點到達B點的方法。"
這種信念的力量不容小覷。在充滿不確定性的創業環境中，擁有對長期趨勢的清晰判斷，往往比短期的戰術調整更為重要。它為創業者提供了一個心理錨點，即使在最困難的時候也能保持方向感。
但亞歷山大·王也承認，即便有了信念支撐，焦慮仍然是創業過程中的常態。他特別提到了Y Combinator環境中的一個心理陷阱："最可怕的想法是，你可能已經死了，但要到三年後才會發現。"這個比喻生動地描述了創業者面臨的延遲反饋困境——你今天的決策可能要很久之後才能看到結果，而在等待的過程中，不確定性會持續折磨你。
面對這種焦慮，亞歷山大·王的應對策略是將不確定性轉化為行動的動力。"我是一個相當焦慮的人，我把所有的不確定性轉化為焦慮地做事情。"他認為，如果你能夠將焦慮情緒轉化為持續的執行力，至少你會感覺自己在掌舵，在朝著正確的方向前進。
這種方法論的核心在於：與其被不確定性困擾，不如通過不斷的行動來獲取更多資訊，從而減少不確定性。每一次客戶對話、每一次產品疊代、每一次市場反饋，都是在為最終的成功積累數據點。焦慮成為了進步的燃料，而非阻礙。這種心理調節能力，也為他後來面對更大規模的商業挑戰和地緣政治複雜性提供了堅實的心理基礎。
四、競爭哲學與心理博弈：從Palantir學到的銷售真經
在討論如何面對競爭時，亞歷山大·王分享了一個讓人印象深刻的Palantir故事，這個故事揭示了企業級銷售中的認知戰爭本質。在一次政府客戶的會議上，Palantir的一位高管當著亞歷山大·王的面，對客戶說："你們沒選擇Palantir沒關係，但你們會後悔的。如果一開始就選擇Palantir，你們會更開心，我們也能為你們做得比其他任何人都好。不過既然你們沒選，你們最終還是會回來找我們的，到時候我們還是朋友。"
這種近乎狂妄的自信表達方式讓亞歷山大·王震驚，但他很快意識到這背後的深層邏輯。Palantir的成功秘訣之一，就是這種"不合理的自信"。他們真誠地相信自己構建的任何軟體都是"上帝賜予地球的最偉大軟體"，沒有人能夠構建出同樣好的軟體。
"這種自我強化的循環是很有效的。"亞歷山大·王分析道。雖然從理性的第三方觀察者角度看，這種態度可能顯得荒謬和令人討厭，但它確實是Palantir成功故事的一部分。這種極度的自信不僅影響了團隊內部的士氣，也在客戶心中植入了強烈的印象。
更有趣的是，亞歷山大·王透露Palantir甚至給新員工發放表演書籍。這個細節揭示了一個重要認知：企業級銷售很大程度上是一種表演藝術。Palantir將自己定位為"表演團體與軟體公司的結合體"，這種定位幫助他們在複雜的企業決策環境中脫穎而出。
從這個案例中，亞歷山大·王總結出了競爭的核心原則：你需要某種程度的"不合理的自信"來相信自己能夠在市場中獲勝。從長期來看，你需要相信自己能夠比其他人招募到更好的人才，做出更好的產品決策，走得更遠，而其他人可能沒有那麼在意。
他將這種態度與一位18歲的YC創始人的話聯繫起來："面對競爭，就是要做得更好。就是要更好。"這種簡單直接的競爭哲學，雖然聽起來有些狂妄，但確實體現了成功創業者的必備心態。在高度競爭的市場中，如果你都不相信自己能贏，又怎麼能讓別人相信你呢？這種心理狀態的培養，對於亞歷山大·王后來在AI基礎設施領域建立統治地位起到了關鍵作用。
五、企業銷售的認知戰爭：現實vs感知的微妙平衡
亞歷山大·王進一步闡述了企業級銷售中的一個關鍵洞察：在大多數大型企業中，感知比現實更重要。這個觀點挑戰了許多技術創業者的固有認知，他們往往相信"好產品會自己說話"。
"在很多大型客戶那裡，感知比現實更真實。"亞歷山大·王解釋道："現實往往是如此醜陋，人們很少真正面對現實。大多數情況下，他們只是選擇相信他們生活在其中的感知。"
這個觀察來自於Scale AI在服務大型企業和政府客戶過程中的實際經驗。與數據驅動的矽谷公司不同，大型企業的決策往往受到政治、關係、認知偏見等複雜因素的影響。在這種環境中，純粹的技術優勢可能並不足以獲勝，你還需要學會"塑造感知"。
亞歷山大·王強調，這並不意味著要忽視產品質量："你仍然需要構建好產品。"但同時，你的工作不僅僅是改善現實，還要塑造感知。這就是為什麼Palantir在這方面如此成功的原因——他們將自己視為"表演團體與軟體公司的結合體"。
這種"感知管理"的重要性，在政府和大型企業客戶中尤為突出。這些組織的決策流程複雜，涉及多個利益相關方，往往不是純粹基於技術指標的理性決策。在這種環境中，能夠有效溝通價值主張、建立信任關係、管理預期的能力，與技術能力同等重要。
但亞歷山大·王也警告了這種方法的局限性。他提到了在Dropbox的經歷，那裡的團隊相信"構建好軟體，軟體會自己說話"，但經常發現競爭對手在他們發布新功能兩天後就宣布了同樣的功能。後來才發現，這些競爭對手並沒有真正構建出功能，只是很擅長談論它們。
這個例子說明了企業級市場的複雜性：一方面，你需要有實質性的產品價值；另一方面，你也需要有效的市場溝通和感知管理能力。最成功的企業往往是那些能夠在這兩個維度上都表現出色的公司。對於Scale AI這樣服務少數大客戶的企業來說，這種平衡尤為重要。正是這種深刻的市場認知，幫助Scale AI在競爭激烈的AI基礎設施市場中建立了穩固的地位。
六、Scale AI的核心競爭優勢：在最不性感的問題上展現創造力
談到Scale AI的核心競爭優勢時，亞歷山大·王提到了一個看似矛盾的能力：在最不性感的問題上展現創造性問題解決能力。這個表述精確地概括了Scale AI的獨特定位和文化特色。
"我認為對我個人以及Scale許多關鍵人員來說，真正的特點是創造性問題解決，但是面對的是你能想像到的最不性感的問題。"亞歷山大·王解釋道。Scale AI的核心業務是大規模運營——協調全世界數十萬名貢獻者為AI模型生產高質量數據。這聽起來確實不夠性感，但卻是AI產業鏈中不可或缺的一環。
這種看似平凡的工作，在Scale AI手中變成了一門精密的科學。他們將解決數學奧賽問題的同樣嚴謹性和創造力，應用到了數據標註的運營管理上。"我們以解決數學奧賽問題的同樣尊重程度來對待這個問題，我們應用同樣的技術，問自己：解決這個問題最有創意的方法是什麼？我們如何分解它？我們如何對它應用科學方法？"
這種方法論的獨特之處在於，它打破了傳統的技術公司分工模式。許多優秀的技術團隊要麼專注於智力上有趣但商業價值有限的前沿問題，要麼願意解決實際問題但缺乏足夠的技術深度。Scale AI的差異化在於同時具備這兩種能力。
亞歷山大·王觀察到，業界存在兩種常見的不平衡模式："要麼是優秀的團隊，但他們人為地限制自己只做那些智力上有趣的深奧問題。這是一個非常常見的模式——你有一個聰明的團隊，但他們在最無用的問題上工作。另一種是勇於解決任何問題的團隊，但他們無法以可擴展的方式解決問題，或者不知道如何將問題抽象化以便有效解決。"
Scale AI的解決方案是創造一種文化，讓員工以解決問題的經濟影響而非技術難度為榮。這種價值觀的轉換至關重要。在學校環境中，人們習慣於通過解決越來越困難的技術問題來獲得成就感，但在商業世界中，技術難度與經濟價值之間往往存在反向關係。
"事實證明，許多經濟價值極高的問題在技術上並不超級困難，但有很多複雜性，你需要篩選大量混亂的東西。"亞歷山大·王指出："這就是大多數好的創業機會所在的地方。"這個洞察對許多技術背景的創業者來說都極具啟發性——最有價值的商業機會往往隱藏在看似平凡但實際複雜的運營挑戰中。這種認知也解釋了為什麼Scale AI能夠在AI基礎設施這個看似平凡的領域建立起如此強大的競爭優勢。
七、重新定義人才評價標準：生產力勝過技術炫技
亞歷山大·王進一步闡述了Scale AI在人才評價和激勵機制上的獨特做法，這些做法直接來源於Facebook的成功經驗，但在當今的技術環境中顯得尤為重要。
訪談的主持人Aditya Agarwal作為Facebook早期工程師，對此有深刻的第一手經驗。他分享道："在Facebook，我們非常有意識地這樣做。在大多數公司，特別是在工程階梯上，如果你處理更困難的問題，你傾向於得到晉升。問題越困難，在某種程度上就會獲得更多隱含的地位和尊重。但在Facebook，我們經常會說，不，我們實際上想要晉升最有生產力的工程師——就是那個實際產出最多代碼的人。"
這種評價標準的轉變具有深遠的文化影響。傳統的技術公司往往鼓勵工程師挑戰最前沿、最複雜的技術問題，但這種激勵模式可能與商業價值創造脫節。Facebook的做法是有意識地提拔那些可能工作在最不性感但最有影響力項目上的工程師。
Agarwal舉了一個具體例子："也許這個人減少了我們日誌中的錯誤數量一個數量級，但這些東西很簡單。我的意思是，是的，但總得有人來做。"這種看似簡單的工作——減少系統日誌錯誤——對整個平台的穩定性和開發效率有著巨大影響，但往往不會得到與其價值相匹配的認可。
這種人才理念在AI時代顯得尤為重要。當前的AI發展階段，許多關鍵瓶頸並不在於算法創新，而在於大規模工程實施、數據質量管理、系統穩定性等基礎工作。那些能夠在這些領域做出實質性貢獻的人才，往往比追求前沿算法的研究者更有價值。
傳統的高級工程師對這種評價標準轉變往往感到困惑。"傳統的高級工程師不理解。他們會說，為什麼這個人得到晉升？他們處理的是減少我們日誌中錯誤數量的工作，但這很容易。"這種反應反映了技術社區中普遍存在的認知偏見：將技術難度等同於價值創造。
但正如Agarwal指出的，商業成功往往來自於那些願意解決"不夠酷"但極其重要問題的人。這種人才理念不僅影響了Scale AI的內部文化，也為整個AI行業的人才發展提供了新的思路。在AI基礎設施建設的關鍵階段，我們需要更多願意專注於生產力而非技術炫技的人才。
亞歷山大·王補充道："Facebook做了類似的事情，這很好地類比了我們的做法。"這種從矽谷最成功公司之一學習並應用到AI創業中的做法，體現了優秀創業者善於學習和適應的能力。
八、AI代理革命的產品設計挑戰：突破聊天範式的創新機遇
討論備受關注的AI代理（Agent）技術時，亞歷山大·王給出了一個相當務實但略顯悲觀的評估：當前的AI模型在單輪對話中表現不錯，但在多輪交互中性能急劇下降。這個觀察擊中了當前AI代理技術發展的核心痛點。
"我們現在所處的位置是，模型在一輪對話中表現相當好，你知道，一個提示和響應，它們表現得相當好。然後隨著輪次增加，性能就直線下降。"亞歷山大·王毫不諱言地指出："雖然沒有人會公開承認這一點，但這就是我們的現狀。"
這種性能衰減的根本原因在於當前AI模型缺乏真正的內在一致性和自我認知能力。"現在的模型甚至不知道自己不知道什麼，所以它們會胡編亂造。總的來說，在多輪交互中與模型互動，感覺像是在與一台胡說八道的機器互動，這台機器在統計上更可能正確而不是錯誤，但它不像是一個有心智理論的實體。"
這個誠實的評估與市場上關於AI代理的許多誇大宣傳形成了鮮明對比。許多公司都在宣傳自己的AI代理能力，但實際體驗往往令人失望。亞歷山大·王的分析揭示了問題的本質：當前的技術基礎還不足以支撐真正有效的多輪智能對話。
然而，亞歷山大·王並不認為技術能力是AI代理普及的唯一障礙。他認為產品設計可能是更大的瓶頸："對於這個代理的分水嶺時刻，最大的障礙實際上是產品設計。"
他的觀點是，當前的模型能力已經足以創造出一些真正令人驚艷的代理產品體驗，問題在於我們還沒有找到正確的產品形態。大多數人還不知道AI模型實際上已經很強大了，因為這些能力被困在了傳統的聊天界面中。
Cursor編輯器是亞歷山大·王經常引用的正面案例。"Cursor是一個很好的例子。我認為大多數工程師實際上不知道模型有多好，你把它放入Cursor中，突然間它成為了他們工作流程的一部分，使用起來更容易。"
這個例子說明了一個重要原則：AI的真正價值往往通過與現有工作流程的深度集成來實現，而不是作為獨立的聊天機器人。最成功的AI應用往往是那些將AI能力無縫嵌入用戶已有習慣中的產品。
亞歷山大·王預測，2025年最大的創業機會之一就是找到正確的代理交互模式。關鍵是要"將模型從聊天範式中解放出來，變成更深入融合到基本工作流程中的東西"。這需要創業者深入理解用戶的實際工作模式，而不僅僅是構建技術演示。
這種對產品設計重要性的強調，體現了亞歷山大·王作為成功創業者的深刻洞察：技術能力只是成功的必要條件，如何將技術轉化為用戶真正需要的產品體驗，才是決定成敗的關鍵因素。
九、數據牆危機與合成數據的局限性：AI發展的新瓶頸
對於當前AI發展面臨的數據稀缺問題時，亞歷山大·王提供了一個深刻的行業洞察：過去12-18個月關於"更多算力就能獲勝"的討論過於簡化了問題。這種觀點認為誰擁有最大的計算集群，誰就能贏得AI競賽，但現實證明事情遠比這複雜。
"過去12到18個月的瘋狂對話就是：誰有更多計算？誰有更多晶片？晶片越多，你就越會贏。這是一個非常缺乏細緻入微的對話，關於誰擁有最大的集群，擁有最大集群的人將獲勝。"亞歷山大·王回憶道。但現在變得清晰的是，即使擁有更大的集群，我們也在遭遇數據限制。
這個"數據牆"的核心問題是：我們已經接近用盡所有公開可用數據的極限。傳統的做法是簡單地收集更多網際網路數據進行預訓練，但這種方法已經遇到了天花板。現在的發展需要一種計算和專門數據集的組合方法。
更重要的是，當前的進展主要來自後訓練（post-training）階段，而這個階段對數據質量的要求與預訓練完全不同。"後訓練更多地受到專門數據集和高質量數據集的瓶頸制約，這些數據集看起來不像我們在網際網路上擁有的數據集。"
關於合成數據（synthetic data），亞歷山大·王給出了一個現實但略顯悲觀的評估。雖然業界對合成數據抱有很高期望，認為它可能成為數據稀缺問題的解決方案，但實際實驗結果並不支持這種樂觀預期。
"我認為很多關於合成數據的實驗表明，如果你使用合成數據，你會失去數據分布中的很多真實豐富性。"他解釋道。合成數據的本質是利用數據中的結構或先驗知識來生成額外的訓練樣本，這作為一種範式確實有效，但不是無限的解決方案。
"合成數據基本上是利用數據中的底層結構來榨取一定數量的合成數據來改進你的模型。這顯然作為一個範式是有效的，但它不是無限的追求，不是可以無限工作的東西。"亞歷山大·王的評估是，合成數據顯然是世界級後訓練工作的一部分，但它不是我們所有擴展問題的解決方案。
這個現實意味著，未來的AI發展需要依賴新形式的人類生成數據。這正是Scale AI看到巨大機遇的地方。如果我們在擴展計算的同時也擴展數據，就可以繼續取得進展。但這意味著數據生產需要與計算資源同步指數級增長。
亞歷山大·王預測，在通往AGI
的道路上，計算資源需要指數級擴展，數據生產也需要沿著類似的指數級曲線擴展。這兩者必須協調發展，不能讓其中一個遠遠超前於另一個。這種洞察為Scale AI的未來發展奠定了理論基礎，也解釋了為什麼數據基礎設施在AI時代變得如此關鍵。同時，這也預示著Scale AI在未來AI發展中將發揮越來越重要的作用。
十、AI創業的殘酷真相：在資訊噪音中保持獨立思考
討論AI創業與傳統科技創業的區別時，亞歷山大·王給出了一個犀利的觀察：在任何技術新興領域，不確定性的代價就是大量的廢話。這個判斷雖然聽起來刺耳，但反映了當前AI創業生態的真實狀況。
"在AI這個行業中，就像很久以前的軟體即服務一樣，存在很多不確定性和很多廢話。但AI確實處於這樣一個點，80%到90%的資訊都是廢話。"亞歷山大·王毫不客氣地指出。這種資訊污染的程度，遠超大多數人的想像。
更嚴重的問題是，許多投資者、產品領導者和行業專家都"確信自己的錯誤觀點"。他們被職業角色要求擁有明確的觀點和論點，但這些觀點往往並非基於深入的實踐經驗或紮實的數據。"如果你是投資者，你的工作就是有論點，有觀點，告訴LP你的論點。如果你是大型科技公司的產品領導者，你的工作就是有論點和觀點。"
亞歷山大·王分享了一個生動的案例來說明這種資訊誤導的危害。在2018年Scale AI融資時，他們的演示文稿第一頁寫著"數據是AI系統的生命線"。在紅杉資本的合伙人會議上，一位合伙人非常大聲且自信地反駁："那不對。吳恩達剛告訴我，我們不再需要更多數據來做AI了，所以實際上沒有更多數據我們也會很好。"
這個故事的戲劇性在於，一個20歲的創業者試圖向經驗豐富的投資人解釋數據的重要性，卻被權威專家的觀點駁回。亞歷山大·王當時只能說："我不知道吳恩達在說什麼，我確信我可以和他談論這個，但你顯然需要更多數據來做AI。"結果是那位合伙人不再關注演示，紅杉最終拒絕了投資。
這個案例完美地展現了AI生態系統中的一個核心問題：權威觀點與實際需求之間的巨大落差。事後看來，數據確實成為了AI發展的關鍵瓶頸，Scale AI也成為了價值百億美元的公司，但在當時，"權威專家"的錯誤判斷卻誤導了重要的投資決策。
基於這種觀察，亞歷山大·王認為AI創業最重要的能力是"弄清楚你實際相信什麼，然後逆勢執行"。這比聽起來要困難得多，因為創業者需要在鋪天蓋地的資訊噪音中保持獨立判斷，既要學習生態系統的反饋，又不能被潮流所左右。
他特別警告了盲目跟風的危險："如果你跟隨趨勢，你會被搞砸，即使你可能通過跟隨趨勢籌集到很多錢。看看AI的歷史，有大量公司通過做一些當時非常時髦和流行的事情籌集了5000萬美元或1億美元的A輪融資，但後來證明那只是個愚蠢的想法。"
AI行業已經經歷了多次起伏，未來還會有更多。在這種環境中，創業者最重要的能力不是預測下一個熱點，而是培養獨立思考的能力，並建立持續學習和調整的機制。成功的關鍵在於找到那個微妙的平衡點：既要堅持自己的核心信念，又要保持對市場反饋的敏感性。
這種對獨立思考的強調，也解釋了為什麼亞歷山大·王能夠在眾多AI創業者中脫穎而出。在一個充滿噪音和誤導資訊的環境中，保持清醒的判斷力和堅定的執行力，往往比單純的技術能力更為重要。
十一、競爭策略重新定義：專注勝過資本軍備競賽
面對AI領域日益激烈的競爭環境，亞歷山大·王提出了一個顛覆性的觀點：在AI領域創業，你並不需要大量資金，相反，需要大量資金的商業計劃本身就是一個糟糕的商業模式。
"如果你的商業計劃是你需要籌集大量資金因為你需要花費大量資金，那在商業術語中就是一個糟糕的生意，因為顯然你想建立一個盈利的公司。"亞歷山大·王直言不諱地指出。這個觀點挑戰了當前AI創業圈的主流認知，許多創業者都認為AI創業需要巨額資金才能與大廠競爭。
他特別批評了矽谷經常出現的"宏大野心陷阱"："矽谷經常陷入某些競賽，追求這些宏大、雄心勃勃的目標。如果你想通過控制上帝般的基礎模型來成為世界皇帝，那麼你可能需要很多錢。但這可能不是這裡大多數人或大多數公司的目標。"
亞歷山大·王用自動駕駛汽車行業的失敗案例來說明這個問題。該行業籌集了接近1000億美元來構建大規模自動駕駛汽車，但最終幾乎所有公司都失敗了。唯一的贏家是Waymo，但它擁有無限的資金支持，這並不是一個可以競爭的對手。
"現在有一個真實的類比，就是如果你想踏上跑步機與訓練基礎模型競爭，你是在與擁有比除10個國家以外所有國家都多資金的公司競爭。這真的像是人類有史以來最富有的實體。"亞歷山大·王用一個誇張但不失準確的比喻來描述當前的競爭態勢："微軟應該加入G8。"
面對這種看似不可能的競爭環境，亞歷山大·王提出了一個關鍵策略：專注於長期深耕某個特定問題領域。"至少現在在AI中，重點實際上是選擇某個問題長期關注。"
他以Perplexity為例來說明這個策略的有效性。"Perplexity是這個的最佳例子。在簡單的基於搜索的LLM輸出方面，仍然沒有其他產品能像Perplexity一樣好。"儘管OpenAI、Google、Anthropic等巨頭都擁有更強大的技術和更多資源，但在搜索領域，Perplexity仍然是最好的。
這個成功的關鍵在於專注。這些大型AI公司雖然強大，但它們需要關心和優化成千上萬件事情，很難在任何特定領域做到極致專注。相比之下，像Perplexity這樣專注於單一問題的公司，可以將所有資源和注意力投入到把一件事做到最好。
"他們沒有花那麼多錢，他們只是更專注於那個問題。所以專注總是有很大的溢價。"亞歷山大·王總結道。這個洞察為AI創業者提供了一個清晰的戰略方向：與其試圖在所有戰線上與巨頭競爭，不如選擇一個具體的問題領域，然後做得比任何人都好。
這種策略不僅適用於技術層面，也適用於市場定位。在AI這個快速變化的領域中，專注往往比追求全面覆蓋更有效。那些能夠在特定垂直領域建立深度優勢的公司，往往比試圖成為"通用AI平台"的公司更容易獲得成功。這種戰略思維也體現在Scale AI的發展軌跡中——專注於數據基礎設施這一個關鍵環節，然後將其做到極致。
