- 注册
- 2005-12-07
- 消息
- 21,734
- 荣誉分数
- 5,834
- 声望点数
- 373
两个创立人Alexandr Wang 和Lucy Guo都是二代小中，父母是第一代留学赴美的。
(被阅读 21957 次)
A- A A+
从团队到业务，Scale 拥有一切硅谷宠儿的标签：AI、API、YC、野心勃勃、年轻、才华横溢、大学辍学创业、行业洞察。
作者 | 江江
编辑 | 蔓蔓周
这几年，硅谷有一家 SaaS 公司的表现非常亮眼，光看下图的增长曲线，剔去我们熟悉的Slack、shopify、twillio，谁最横？
图片来源：CapIQ
无疑是那条陡峭的橙色曲线——Scale。从 0 到估值 73 亿美元只用了五年，ARR 从 0 到 1 亿美元只用了四年，Scale 几乎是 SaaS 公司里最快达到这些数字的。
脏活累活起家，Scale 是无名之辈吗？
Scale 所在行业无疑是当下最 fancy 的行业之一，人工智能（AI）和机器学习（ML）。想到人工智能，我们脑子里可能都是科幻电影中那些能够与人争天下的机器人，但事实上，这个景象还离我们很遥远，离身处于这个行业的 Scale 更是遥远。
Scale 最初做的是这个行业最不性感、最接地气、最能被称为脏活累活的事情，即数据标注。
所谓数据标注，就是企业客户，比如自动驾驶汽车公司，给到 Scale 一些图片、视频等等，Scale 找一群人，给这些图片和视频打上标签的过程。
这里的打标签，不是我们理解的命名那么简单。举个例子，Toyata 和 Lyft 给 Scale 发送一张马路上的图片，如下图，Scale 就得找人把这些汽车圈出来，并且标注为 " 汽车 "。
图源：Scale Pandaset
这个过程其实大家都很熟悉，我们经常在登陆验证的时候被要求指出某些物体，比如下图要求指出所有带有船的图片，即标注这些图片：
你也许不会相信这世界上最性感而又高端的行业里，有如此鼓噪的一环， 而这才是开头那个具有靓丽增长曲线的 Scale 起家的业务。
Scale 由Alexandr Wang和联创Lucy Guo创立于 2016 年的 YC，当时这个公司还叫做 Scale API，只是一家有 API 的土耳其机器人。
土耳其机器人指的是亚马逊的一个众包平台，研究人员在网站上发布琐碎任务，比如给图像加标签、进行调查、抄录收据等，用户领取任务，在完成后能赚取少量现金。这听起来是个人力驱动的公司，需要大量来自发展中国家的外包团队，依靠经济发展的不平等获利。
但目的比手段重要。
尘埃里的资本宠儿
Scale 的创始人Alexandr Wang出生于 1997 年，父母都是 Los Alamos National Lab 的物理学家。他的名字从 Alexander 去掉了一个 e，因为父母想让他的名字刚好有 8 个字母，8 在中国代表着好运。他本身非常优秀，大学被麻省理工录取，大一满绩，之后辍学。辍学之后，他先去了 Addepar 和 Quora 工作，也在 Hudson River Trading 也工作过一小段时间。
2016 年，他和另一名来自卡内基梅隆大学的辍学生Lucy Guo和 Thiel 的一名同事一起组队，进入了YC2016 春季营，其实当时的他也不清楚自己创业具体要做什么，只是对市场痛点有一定的洞察。
他曾描述道：" 尽管麻省理工有数百名才华横溢、天资过人的学生，但是没有人用 AI 成功地构建任何东西。我们都在研究人工智能，却都遇到了一大瓶颈——没有好的数据。尽管如此，市面上也没有可以解决这个问题的标准化工具，我们有 AWS、Strip 和 Twillio，却没有任何人系统性地解决数据问题，这导致 AI 和 ML 的发展止步不前。"
具体来说，他每天打开冰箱的时候，都会想在冰箱里安装一个摄像头，摄像头会告诉他什么时候需要补充哪些杂货，这听起来并不难，但他根本做不到，因为没有适用的数据工具。
因此，他们决定做 Scale。
Alexandr 确实精准地击中了市场痛点，因此 Scale 发展地顺风顺水：
2016 年 6 月，Scale 正式成立，YC 投资了 12 万美元换取公司 7% 的股份。
2017 年 7 月，Accel 领投 450 万美元 A 轮。
2018 年，完成 1800 万美元 B 轮，同年，Scale 进军自动驾驶领域，并且拿下了许多行业内赫赫有名的客户，比如 GM、Cruise、Lyft、Zoox 和 nuTonomy，标注的数据超过 20 万英里。
2019 年 8 月，完成 Founders Fund 的 Peter Thiel 领投的 1 亿美元 C 轮，跟投包括 Accel、Coatue Management、Index Venture、Spark Capital、Thrive Capital、Instagram 的创始人 Kevin Systrom 和 Quora 的 CEO Adam d ’ Angelo。此时的 Scale 正式迈入独角兽行列，估值十亿美元。同年，Scale 宣布扩展行业领域，拿下了 OpenAI 和 Lyft 这种其他行业的头部用户。
2021 年 1 月，以 35 亿美元估值完成老虎基金领投的 1.5 亿美元 D 轮融资，同时宣布进军标注之外的新业务，发布 Nucleus。
2021 年 4 月，以超过 70 亿美元估值完成来自 Greenoaks Capital，Dragoneer 和 Tiger Global 的 3.25 亿美元 E 轮融资
至此，可以说，Scale 是个彻头彻尾的资本宠儿。
从团队到业务，它拥有一切硅谷宠儿的标签：AI、API、YC、野心勃勃、年轻、才华横溢、大学辍学创业、行业洞察。
Scale 一扫早期的包工头形象，俨然已经是一家性感的 AI/ML 公司。而相比其他 AI/ML 公司，它又不受 " 红颜薄命 " 的诅咒，就连Peter Thiel都说：" 在激烈的竞争中，AI 公司们会出现又消失，但是 Scale 会一直存在。"
那么这样的转变原因是什么呢？
Peter Thiel 一语中的：" 因为 Scale 提供的是整个 AI/ML 行业的基础设施，数据是这个行业最重要的东西。"
AI/ML 的基础是数据，所谓的机器学习就是机器输入并学习数据，从而输出正确的编码。没有数据也就不会有 ML 或者 AI，并且，不好的数据比没有数据更加糟糕。学习一堆垃圾只会导致机器产出另一堆垃圾。
可以说，数据标注是个普适性的需求，只要一个公司存在，它就有数据标注的需求。
这个领域的领头人 Andrew Ng 曾发推说："AI 系统 = 代码 + 数据 "，大多数的学术型竞争对手都不会去碰数据，而是在代码上埋头苦干，但试想一下，如果有一个 team 可以不动代码，光在数据上下功夫。" 而这刚好就是 Scale 在做的事情。
既然数据如此重要，为何没有更有实力的巨头躬身下场，拿下这块香饽饽？
前文也提到，数据标注是份脏活累活，受过良好教育的精英们宁可在代码堆里狂卷也不愿意碰数据标注。巨头不太可能在这个领域费心，他们的员工都太优秀了，不太可能把时间浪费在注释上。这一点刚巧给到了早期的 Scale 足够大的成长空间。
始于数据标注，不止于数据标注
当然，如果一直沉迷于数据标注，Scale 无疑只是一家利用发展中国家便宜人力牟利的外包公司，何谈科技？
其实不然，尽管 Scale 的商业模型最初看起来更像是服务业，通过人工支撑起业务，但是随着它自身数据的积累和模型的成熟，有些标注工作正在被机器取代。
相比于最初的纯人力驱动，现在 Scale 能让算法和人工配合着去做数据标注。算法会先把视频切成一帧一帧，并且粗略标注这些图片，在这之后，人工会接过来做更精细的标注。由此，Scale 在服务价格降低的同时，利润率也在升高。
同时，Scale 在战略上颇有远见，他们从很早就计划着从数据标注起家慢慢开发出一整套产品，让这些产品协同作用，以更快的速度创建更好的模型和更好的结果。
Alexandr Wang 认为，数据是 ML 和 AI 领域的基础设施，因此数据标注只是个开始。Scale 的存在就为了通过建造最以数据为中心的基础设施平台来加速 AI 应用的开发，它的核心信念是，数据就是新一代的代码。Scale 想做 AI 领域的 AWS，支付领域的 Stripe，数据分析领域的 Snowflake。
图源：NotBoring.co
2020 年 1 月，在完成 D 轮融资之后，Scale 宣布除了标注之外的新业务Nucleus。Nucleus 是一个用于数据调试的 SaaS 工具，具体包括解读数据、数据可视化、清洗数据和数据合作，从而帮助公司们建立更好的 ML 模型。
图源：Scale
Nucleus 的推出使 Scale 开始得到一些长尾客户，并且拓展到更多行业。同年 5 月，Scale 发布文档产品Scale Document。
Scale 在完成了前五年数据标注积淀之后，一步一步把触角伸向整个 AI 的生命周期，毕竟，数据标签和数据生成只占整个 AI/ML 基础设施图谱中的 1/20。按照 Scale 的划分（如下图），AI 的生命周期包括标注、管理、自动化、评估、搜集、产生数据，这其中的每一步，Scale 都要漂亮地拿下。
AI 的生命周期，图源：Scale
在 E 轮融资过后，Scale 正式宣布其愿景为" 让每个行业都能实现 AI 的应用。Scale 为公司提供管理 AI 的整个生命周期的基础，无论他们是否有自己的 AI 团队，我们都会帮助他们建立 AI 策略，保证他们能够拥有产出高效模型基础设施。"
这是一副极其宏伟的蓝图，回忆一下互联网如何从一个小圈子扩展到如今万物互联，我们就可以想象，Scale 的野心有多么大。
AI/ML 基础设施市场将在未来几年内达到 3000 亿美元。到 2024 年，预计 Scale 的数据标注的潜在市场份额能达到 200 亿美元，光是 Document 和 Nucleus 的潜在市场份额就可以达到 100 亿美元和 80 亿美元。
除了战略远见之外，Scale 的内功也够硬。
和 Stripe 一样，Scale 很受程序们的喜爱，它把细节做得很好，"API 非常好，有开源数据集、文档很干净。"
许多大客户用 Scale 也不单单是因为不想干数据标注的活儿，而是因为 Scale 的人才密度更高，Scale 的推特有一半都是在欣喜若狂地宣布从哪儿挖了大牛，或者是组织了什么集聚大牛的行业盛会。
图源：Twitter
Scale 的 CTO 就是从 Amazon 挖过来的 AI 专家，而战略负责人则是前美国国家首席技术官。
图源：Twitter
财务 SaaS 公司Brex也是 Scale 的客户，而在问及为什么 Brex 不直接自己雇佣一个 AI 团队时，其 CEO Dubugras 说：" 他们拥有许多 AI 市场上最优秀的人才，而我不能只是打个响指就雇好一个优秀的团队。AI 工程师们也希望可以在解决领域内最难的问题的公司工作，Scale 就是其中之一。"
回望 Scale 短短的五年，它的故事像极了灰姑娘，看似毫不起眼，却一路逆袭，骨子里是对商业极度敏锐的纯正血液。
我们期待着 AI/ML 领域的 AWS，Twillio，Stripe，Snowflake 的诞生。
97年的MIT辍学青年，五年成73亿美元独角兽
文章来源: 硅兔赛跑 于 2021-07-02 22:58:16 - 新闻取自各大新闻媒体，新闻内容并不代表本网立场！(被阅读 21957 次)
A- A A+
从团队到业务，Scale 拥有一切硅谷宠儿的标签：AI、API、YC、野心勃勃、年轻、才华横溢、大学辍学创业、行业洞察。
作者 | 江江
编辑 | 蔓蔓周
这几年，硅谷有一家 SaaS 公司的表现非常亮眼，光看下图的增长曲线，剔去我们熟悉的Slack、shopify、twillio，谁最横？
图片来源：CapIQ
无疑是那条陡峭的橙色曲线——Scale。从 0 到估值 73 亿美元只用了五年，ARR 从 0 到 1 亿美元只用了四年，Scale 几乎是 SaaS 公司里最快达到这些数字的。
脏活累活起家，Scale 是无名之辈吗？
Scale 所在行业无疑是当下最 fancy 的行业之一，人工智能（AI）和机器学习（ML）。想到人工智能，我们脑子里可能都是科幻电影中那些能够与人争天下的机器人，但事实上，这个景象还离我们很遥远，离身处于这个行业的 Scale 更是遥远。
Scale 最初做的是这个行业最不性感、最接地气、最能被称为脏活累活的事情，即数据标注。
所谓数据标注，就是企业客户，比如自动驾驶汽车公司，给到 Scale 一些图片、视频等等，Scale 找一群人，给这些图片和视频打上标签的过程。
这里的打标签，不是我们理解的命名那么简单。举个例子，Toyata 和 Lyft 给 Scale 发送一张马路上的图片，如下图，Scale 就得找人把这些汽车圈出来，并且标注为 " 汽车 "。
图源：Scale Pandaset
这个过程其实大家都很熟悉，我们经常在登陆验证的时候被要求指出某些物体，比如下图要求指出所有带有船的图片，即标注这些图片：
你也许不会相信这世界上最性感而又高端的行业里，有如此鼓噪的一环， 而这才是开头那个具有靓丽增长曲线的 Scale 起家的业务。
Scale 由Alexandr Wang和联创Lucy Guo创立于 2016 年的 YC，当时这个公司还叫做 Scale API，只是一家有 API 的土耳其机器人。
土耳其机器人指的是亚马逊的一个众包平台，研究人员在网站上发布琐碎任务，比如给图像加标签、进行调查、抄录收据等，用户领取任务，在完成后能赚取少量现金。这听起来是个人力驱动的公司，需要大量来自发展中国家的外包团队，依靠经济发展的不平等获利。
但目的比手段重要。
尘埃里的资本宠儿
Scale 的创始人Alexandr Wang出生于 1997 年，父母都是 Los Alamos National Lab 的物理学家。他的名字从 Alexander 去掉了一个 e，因为父母想让他的名字刚好有 8 个字母，8 在中国代表着好运。他本身非常优秀，大学被麻省理工录取，大一满绩，之后辍学。辍学之后，他先去了 Addepar 和 Quora 工作，也在 Hudson River Trading 也工作过一小段时间。
2016 年，他和另一名来自卡内基梅隆大学的辍学生Lucy Guo和 Thiel 的一名同事一起组队，进入了YC2016 春季营，其实当时的他也不清楚自己创业具体要做什么，只是对市场痛点有一定的洞察。
他曾描述道：" 尽管麻省理工有数百名才华横溢、天资过人的学生，但是没有人用 AI 成功地构建任何东西。我们都在研究人工智能，却都遇到了一大瓶颈——没有好的数据。尽管如此，市面上也没有可以解决这个问题的标准化工具，我们有 AWS、Strip 和 Twillio，却没有任何人系统性地解决数据问题，这导致 AI 和 ML 的发展止步不前。"
具体来说，他每天打开冰箱的时候，都会想在冰箱里安装一个摄像头，摄像头会告诉他什么时候需要补充哪些杂货，这听起来并不难，但他根本做不到，因为没有适用的数据工具。
因此，他们决定做 Scale。
Alexandr 确实精准地击中了市场痛点，因此 Scale 发展地顺风顺水：
2016 年 6 月，Scale 正式成立，YC 投资了 12 万美元换取公司 7% 的股份。
2017 年 7 月，Accel 领投 450 万美元 A 轮。
2018 年，完成 1800 万美元 B 轮，同年，Scale 进军自动驾驶领域，并且拿下了许多行业内赫赫有名的客户，比如 GM、Cruise、Lyft、Zoox 和 nuTonomy，标注的数据超过 20 万英里。
2019 年 8 月，完成 Founders Fund 的 Peter Thiel 领投的 1 亿美元 C 轮，跟投包括 Accel、Coatue Management、Index Venture、Spark Capital、Thrive Capital、Instagram 的创始人 Kevin Systrom 和 Quora 的 CEO Adam d ’ Angelo。此时的 Scale 正式迈入独角兽行列，估值十亿美元。同年，Scale 宣布扩展行业领域，拿下了 OpenAI 和 Lyft 这种其他行业的头部用户。
2021 年 1 月，以 35 亿美元估值完成老虎基金领投的 1.5 亿美元 D 轮融资，同时宣布进军标注之外的新业务，发布 Nucleus。
2021 年 4 月，以超过 70 亿美元估值完成来自 Greenoaks Capital，Dragoneer 和 Tiger Global 的 3.25 亿美元 E 轮融资
至此，可以说，Scale 是个彻头彻尾的资本宠儿。
从团队到业务，它拥有一切硅谷宠儿的标签：AI、API、YC、野心勃勃、年轻、才华横溢、大学辍学创业、行业洞察。
Scale 一扫早期的包工头形象，俨然已经是一家性感的 AI/ML 公司。而相比其他 AI/ML 公司，它又不受 " 红颜薄命 " 的诅咒，就连Peter Thiel都说：" 在激烈的竞争中，AI 公司们会出现又消失，但是 Scale 会一直存在。"
那么这样的转变原因是什么呢？
Peter Thiel 一语中的：" 因为 Scale 提供的是整个 AI/ML 行业的基础设施，数据是这个行业最重要的东西。"
AI/ML 的基础是数据，所谓的机器学习就是机器输入并学习数据，从而输出正确的编码。没有数据也就不会有 ML 或者 AI，并且，不好的数据比没有数据更加糟糕。学习一堆垃圾只会导致机器产出另一堆垃圾。
可以说，数据标注是个普适性的需求，只要一个公司存在，它就有数据标注的需求。
这个领域的领头人 Andrew Ng 曾发推说："AI 系统 = 代码 + 数据 "，大多数的学术型竞争对手都不会去碰数据，而是在代码上埋头苦干，但试想一下，如果有一个 team 可以不动代码，光在数据上下功夫。" 而这刚好就是 Scale 在做的事情。
既然数据如此重要，为何没有更有实力的巨头躬身下场，拿下这块香饽饽？
前文也提到，数据标注是份脏活累活，受过良好教育的精英们宁可在代码堆里狂卷也不愿意碰数据标注。巨头不太可能在这个领域费心，他们的员工都太优秀了，不太可能把时间浪费在注释上。这一点刚巧给到了早期的 Scale 足够大的成长空间。
始于数据标注，不止于数据标注
当然，如果一直沉迷于数据标注，Scale 无疑只是一家利用发展中国家便宜人力牟利的外包公司，何谈科技？
其实不然，尽管 Scale 的商业模型最初看起来更像是服务业，通过人工支撑起业务，但是随着它自身数据的积累和模型的成熟，有些标注工作正在被机器取代。
相比于最初的纯人力驱动，现在 Scale 能让算法和人工配合着去做数据标注。算法会先把视频切成一帧一帧，并且粗略标注这些图片，在这之后，人工会接过来做更精细的标注。由此，Scale 在服务价格降低的同时，利润率也在升高。
同时，Scale 在战略上颇有远见，他们从很早就计划着从数据标注起家慢慢开发出一整套产品，让这些产品协同作用，以更快的速度创建更好的模型和更好的结果。
Alexandr Wang 认为，数据是 ML 和 AI 领域的基础设施，因此数据标注只是个开始。Scale 的存在就为了通过建造最以数据为中心的基础设施平台来加速 AI 应用的开发，它的核心信念是，数据就是新一代的代码。Scale 想做 AI 领域的 AWS，支付领域的 Stripe，数据分析领域的 Snowflake。
图源：NotBoring.co
2020 年 1 月，在完成 D 轮融资之后，Scale 宣布除了标注之外的新业务Nucleus。Nucleus 是一个用于数据调试的 SaaS 工具，具体包括解读数据、数据可视化、清洗数据和数据合作，从而帮助公司们建立更好的 ML 模型。
图源：Scale
Nucleus 的推出使 Scale 开始得到一些长尾客户，并且拓展到更多行业。同年 5 月，Scale 发布文档产品Scale Document。
Scale 在完成了前五年数据标注积淀之后，一步一步把触角伸向整个 AI 的生命周期，毕竟，数据标签和数据生成只占整个 AI/ML 基础设施图谱中的 1/20。按照 Scale 的划分（如下图），AI 的生命周期包括标注、管理、自动化、评估、搜集、产生数据，这其中的每一步，Scale 都要漂亮地拿下。
AI 的生命周期，图源：Scale
在 E 轮融资过后，Scale 正式宣布其愿景为" 让每个行业都能实现 AI 的应用。Scale 为公司提供管理 AI 的整个生命周期的基础，无论他们是否有自己的 AI 团队，我们都会帮助他们建立 AI 策略，保证他们能够拥有产出高效模型基础设施。"
这是一副极其宏伟的蓝图，回忆一下互联网如何从一个小圈子扩展到如今万物互联，我们就可以想象，Scale 的野心有多么大。
AI/ML 基础设施市场将在未来几年内达到 3000 亿美元。到 2024 年，预计 Scale 的数据标注的潜在市场份额能达到 200 亿美元，光是 Document 和 Nucleus 的潜在市场份额就可以达到 100 亿美元和 80 亿美元。
除了战略远见之外，Scale 的内功也够硬。
和 Stripe 一样，Scale 很受程序们的喜爱，它把细节做得很好，"API 非常好，有开源数据集、文档很干净。"
许多大客户用 Scale 也不单单是因为不想干数据标注的活儿，而是因为 Scale 的人才密度更高，Scale 的推特有一半都是在欣喜若狂地宣布从哪儿挖了大牛，或者是组织了什么集聚大牛的行业盛会。
图源：Twitter
Scale 的 CTO 就是从 Amazon 挖过来的 AI 专家，而战略负责人则是前美国国家首席技术官。
图源：Twitter
财务 SaaS 公司Brex也是 Scale 的客户，而在问及为什么 Brex 不直接自己雇佣一个 AI 团队时，其 CEO Dubugras 说：" 他们拥有许多 AI 市场上最优秀的人才，而我不能只是打个响指就雇好一个优秀的团队。AI 工程师们也希望可以在解决领域内最难的问题的公司工作，Scale 就是其中之一。"
回望 Scale 短短的五年，它的故事像极了灰姑娘，看似毫不起眼，却一路逆袭，骨子里是对商业极度敏锐的纯正血液。
我们期待着 AI/ML 领域的 AWS，Twillio，Stripe，Snowflake 的诞生。
