Scale AI

1.1 公司身份与概况

Scale AI, Inc. 总部位于加州旧金山，2016 年注册成立。公司对外称使命是「为全球最重要的决策开发可靠的 AI 系统」。2024 年 5 月完成 $1 billion F 轮、2025 年 6 月获得 Meta 战略投资后，Scale 已是后期未上市科技公司，隐含估值超过 $29 billion。Scale 称自己提供数据和全栈技术，覆盖 AI 系统构建、评测、改进的完整开发生命周期。 Scale 的核心业务横跨五条产品线：Scale Data Engine（为模型训练做数据收集、整理和标注）、Scale GenAI Platform（企业级生成式 AI 应用部署）、Scale RLHF（为大语言模型训练提供人类反馈强化学习数据）、Scale Evaluation（面向模型开发者和公共部门的模型能力与安全基准测试），以及 Donovan（服务防务与情报任务的专用 AI 智能体工作流）。公司也运营自助层，采用按量付费，让研究和实验项目能以更低门槛接入标注流水线。Scale 的关于页面显示，公司已处理超过 15 billion 次人类标注决策，并向全球贡献者支付超过 $1 billion。 [CO001, CO002, CO003, CO004, CO008, CO009]

1.2 创始人、领导层与治理

Scale AI 由 Alexandr Wang 于 2016 年创立，Wang 当时 19 岁，从 MIT 退学创业。他把 Scale 从一家小型数据标注初创公司，做成能拿下领先 AI 实验室、Fortune 500 企业和美国国防部合同的公司。Wang 自创立起担任 CEO，直到 2025 年 6 月；Meta 对 Scale 作出标志性战略投资后，他离任并加入 Meta 的 AI 业务。离任后，Wang 仍保留 Scale AI 董事席位。 Jason Droege 在 Wang 离任时于 2025 年 6 月出任 Scale AI 临时 CEO。Droege 于 2024 年 9 月加入 Scale，担任首席战略官。加入 Scale 前，他创办 Uber Eats，并将其做到 $19 billion GMV 运行率；更早之前，他曾任 Uber 副总裁，也曾是知名风投机构、Scale 投资方 Benchmark 的合伙人。2026 年 7 月，Scale 宣布 Francis deSouza 将于 2026 年 8 月 10 日起接任 CEO。他在撮合平台、基础设施和企业级软件业务上的运营经历，是 Scale 对外宣称转向企业与政府平台收入的核心支撑。 Scale 未详细公开披露其治理结构。Wang 保留董事席位；Meta 投资及领导层交接后，公司未披露完整董事会构成，亦未披露独立董事名单。这给潜在投资者带来实质性的治理不透明风险，特别是 Wang 同时在 Meta 任职；Meta 既是战略投资方，也可能在 AI 人才与技术领域与 Scale 竞争。 [CO001, CO010, CO011, CO012, CO013, CO014, CO015, CO016]

1.3 融资历史与资本结构

Scale AI 在已披露的公开风险融资中累计筹集约 $1.6 billion，横跨多轮融资，最终落在 2024 年 5 月 F 轮和 2025 年 6 月 Meta 战略投资。F 轮之前，公司此前多轮合计融资约 $600 million，包括 2021 年 $325 million E 轮，当时 Scale 估值约 $7.3 billion。2023 年，公司经历大幅裁员，削减约 20% 的员工，反映出更广泛的 AI 市场压力和数据标注需求重估。 2024 年 5 月，Scale 完成由 Accel 领投的 $1 billion F 轮，投后估值 $13.8 billion。本轮包含新股融资，也包含让既有股东获得流动性的老股交易部分。新投资方包括 Amazon、Cisco、Intel、AMD、ServiceNow、DFJ Growth、WCM Investment Management、Elad Gil 和 Meta。老股东包括 Nvidia、Coatue、Y Combinator、Index Ventures、Founders Fund、Tiger Global、Thrive Capital、Spark Capital、Greenoaks、Wellington Management 和 Nat Friedman。 2025 年 6 月，Meta 做出 CNBC 所称其史上最大一笔 AI 投注：支付约 $14.3 billion 购入 Scale AI 少数股权（据报道按完全摊薄口径约占已发行股份的 49%），对应公司估值超过 $29 billion。Scale 表示公司仍与 Meta 保持运营独立。交易所得流向既有股东和已归属股权持有人，而非全部进入 Scale 资产负债表作为运营资金，导致 Scale 剩余现金头寸和现金跑道存在不确定性。 [CO005, CO006, CO007, CO017, CO018, CO019, CO020, CO021, CO022, CO023]

1.4 产品体系与商业模式

Scale AI 的商业模式，是向构建和部署机器学习系统的组织出售高质量数据与 AI 基础设施服务。收入来源包括企业数据标注合同（按量和按项目）、Scale GenAI Platform（面向企业 AI 应用的托管 SaaS 和专业服务）、政府与防务合同（包括美国国防部数据整理，以及服务情报和军事行动的 Donovan 平台），以及面向较小或实验性场景的自助层。Scale 未公开披露收入、毛利率或 ARR。 Scale Data Engine 收集、整理、标注并验证文本、图像、视频、音频和文档数据。GenAI Platform 借助自研流水线把企业数据转化为特定领域 AI 应用。Scale RLHF 提供经过整理的偏好数据，用于人类反馈强化学习，这是训练大语言模型遵循指令与保证安全的核心。Scale Evaluation 提供可信基准测试，覆盖模型能力（包括 Scale Leaderboard）和安全性（包括 WMDP 有害知识基准），同时服务商业模型开发者和美国政府机构。Donovan 平台面向防务与情报任务，提供专用 AI 智能体工作流；凭借 Scale 的 DoD IL4 和 FedRAMP High 安全认证，该平台可在涉密环境中运行。 定价分两层：企业客户采用定制定价，配备专门运营团队并承诺 SLA；自助客户按量付费接入平台，前 1,000 个标注单元免费。Scale 未公开披露任何收入数字；其预估数亿美元的 ARR 来自投资者评论与可比指标推算，并非公司确认的披露。 [CO002, CO003, CO008, CO024, CO025, CO026, CO027, CO028, CO029, CO030]

1.5 关键里程碑与不利事件

从创立到 2026 年，Scale AI 走过十年增长、战略转向和重大不利事件，这些共同定义了公司当前的投资画像。Scale 于 2016 年创立，最初专注于自动驾驶汽车的程序化数据标注（Waymo 是早期客户），随后扩展到更广泛的企业 AI 训练数据。到 2021 年，公司凭 E 轮达到 $7.3 billion 估值；到 2022 年，公司公开称自己是估值 $7 billion、员工超过 700 人，并为 DoD 提供自主系统数据层的公司。 2023 年，AI 基础模型训练数据支出放缓，Scale 执行了痛苦的 20% 裁员。2024 年 5 月，Scale 以 $13.8 billion 估值完成 $1 billion F 轮，吸引了广泛的战略与财务投资方联盟。2024 年，Scale 还加入白宫 AI 安全自愿承诺，并拿下 DoD 联合作战数据整理合同。 2025 年 6 月是最关键的拐点：Meta 作出 $14.3 billion 战略投资，创始人 Alexandr Wang 同时离任加入 Meta 的 AI 工作。三周后（2025 年 7 月），临时 CEO Droege 宣布裁减约 200 名员工（占员工总数的 14%）和 500 名外包人员，理由是相较于转向企业与政府平台收入的战略方向，公司在数据标注人员规模上投入过度。2025 年 6 月，CNBC 报道称，Scale 当时最大的客户 Google 因担忧与 Meta 的竞争冲突，计划终止或大幅缩减与 Scale 的合作。OpenAI 也在 2025 年 6 月终止了与 Scale 的合作。2025 年 9 月，Scale 对竞争对手兼前员工创立的 Mercor 提起诉讼，指控其招揽挖走客户。这些不利事件为评估 Scale 的投资者带来了实质性的客户集中度风险与治理风险。 [CO001, CO031, CO032, CO033, CO034, CO035, CO036, CO037, CO038, CO039, CO040]

1.6 展项

2.1 市场边界与定义

Scale AI 处于数个相互独立但紧密关联的市场交汇处，在进行有实质意义的规模测算前，必须先厘清市场边界。其核心市场为 AI 数据服务：为机器学习模型收集、标注、整理并验证训练与评测数据。该市场涵盖面向计算机视觉、自然语言处理、语音识别及多模态 AI 的人工标注数据。与之相邻的是 AI 模型评测市场——针对大语言模型的可信基准测试与安全评测，Scale Evaluation 和 Scale Leaderboard 均布局于此。 向外拓展来看，Scale 的 GenAI Platform 切入的是企业级 AI 部署市场：协助大型机构在基础模型之上构建、定制并投产生成式 AI 应用的工具与服务。该市场与超大规模云厂商的 AI 服务（Azure AI、AWS Bedrock、Google Vertex AI）、精品 AI 咨询机构以及 AI 模型 API 供应商存在重叠。Donovan 平台则开辟出专用的政府与防务 AI 垂直赛道，其受制于与商业 AI 支出完全不同的采购规章及预算机制。 Scale 核心数据标注服务的现有替代方案包括内部人工审核团队（诸多大型 AI 实验室与企业最初均自建标注流水线）、低成本离岸服务商，以及自动化合成数据生成技术。市场测算的核心分歧在于，是将目标服务市场窄化定义为仅限 AI 数据标注服务，还是泛化定义为全部 AI 基础设施与工具链支出。本章将核心主市场界定为 AI 数据服务与评测基础设施（标注、RLHF、基准测试），并将企业级 GenAI 平台与政府 AI 视为相邻子市场。 [CM001, CM002, CM003, CM004, CM005]

2.2 TAM、SAM 与 SOM 的多视角规模测算

公开渠道无法获取具备足够颗粒度且能支撑高置信度估值分析的 AI 数据服务 TAM/SAM/SOM 精确数据。此处呈现的数值，是基于公开市场代理指标、投资者报道及同业披露规律综合得出的、受证据约束的估算。 截至 2025 年，全球 AI 数据服务与基础设施——包含标注、RLHF、评测以及 GenAI 平台工具链——的总可用市场（TAM）预估为每年 $5 to $20 billion，该宽幅区间反映了市场的快速演变以及各分析机构估算口径界定不一带来的高度不确定性。该估算锚定于 McKinsey 的调研发现：受访机构中有 88% 目前已在至少一项业务职能中应用 AI（高于 2024 年的 78%）；同时 Stanford HAI AI Index 2025 显示 AI 领域的投资出现急剧加速。若每家引入 AI 的 Fortune 1000 企业每年在 AI 数据及评测基础设施上支出 $1M–$10M，仅企业端总支出便达 $1B–$10B，AI 实验室还将带来可观的增量需求。 针对 Scale AI 的可服务市场（SAM）——即拥有复杂 AI 数据需求且具备采购高品质服务预算的大型企业、头部 AI 实验室及美国政府机构——预估为 $2 to $8 billion，这印证了 Scale 扎根于高端品质市场而非低成本大宗标注赛道的市场定位。其可获取市场（SOM）——即 Scale 在未来 3-5 年内切实可捕获的业务规模——预估为 $500M to $2B，这与其后期私募估值所隐含的企业与政府端收入轨迹大体一致。公司未公开披露营收数据；上述估算伴随极高不确定性，亟待实际财务数据加以印证。 [CM006, CM007, CM008, CM009, CM010, CM011]

2.3 买方与用户客群分层及采用路径

Scale AI 的目标客群涵盖四类核心买方，其在预算决策权、采购流程及切换成本上存在实质性差异。深入理解这些细分客群，对评估 Scale 收入的持久性与增长天花板至关重要。 第一类客群——AI 科研实验室与基础模型开发商——是 Scale 最早的核心基本盘。OpenAI、Meta、Google DeepMind、Anthropic、Cohere 及 Adept 等机构，在预训练及 RLHF 阶段需要海量的高质量标注数据。预算决策权归属于研发与工程部门。采购通常采取直接商业谈判并签订多年期合同。切换成本处于中等水平：各实验室既可自建内部标注流水线，亦能更换供应商，OpenAI 和 Google 于 2025 年的相继离场充分印证了这一点。该客群潜藏极高的客户集中度风险。 第二类客群——大型企业 AI 采纳者——涵盖借助 AI 实现内部自动化、优化客户产品及构建竞争壁垒的 Fortune 500 企业。Cisco、Etsy、Instacart 及 Pinterest 等公司均属此类，其借助 Scale 的 GenAI Platform 开发特定行业领域的 AI 应用。预算决策权往往归属于 CTO 或 CDO 团队，并伴随多年期平台采购承诺。鉴于平台集成度较深，其切换成本显著高于普通数据标注服务。 第三类客群——美国政府与防务部门——是 Scale 最具辨识度且防守壁垒最强的基本盘。预算决策权掌握在 DoD 项目办公室、DHS、NSA/IC 及各民事机构手中。采购严格遵循联邦采购条例并采用多年期合同工具。受制于严苛的安全准入资质（DoD IL4、FedRAMP High）、深厚的业务机构认知以及 Donovan 平台构建的壁垒，其切换成本极高。该客群能贡献长周期、稳健的现金流，且能有效对冲商业客户集中度风险。 第四类客群——AI 初创企业与学术研究机构——主要通过自助服务层接入 Scale。其预算决策权较为分散，单客支出偏低但客群基数庞大。采用按量付费模式，切换成本极低。 [CM012, CM013, CM014, CM015, CM016, CM017, CM018]

2.4 增长驱动因素与采用约束

驱动 Scale AI 目标市场扩容的最强劲引擎，是企业级市场对 AI 采纳的全面提速。McKinsey 2025 年 State of AI 调研报告显示，在至少一项业务职能中应用 AI 的机构占比同比从 78% 跃升至 88%，其中 62% 正积极试验 AI 智能体。这种宏观扩张为上述四类买方客群带来了对数据标注、模型评测以及企业级 AI 部署工具的结构性需求。 第二大驱动因素是大语言模型厂商不断增多。OpenAI、Meta、Anthropic、Google、Mistral、Cohere 等厂商都需要持续开展 RLHF 迭代、安全基准测试和大规模能力评估。基础模型开发商越多，市场对专家级训练数据和中立评测基础设施的需求也越大。Scale 的 Evaluation 产品和 Scale Leaderboard 正好卡位受益于这一浪潮。 美国政府的 AI 投资是一项尤为坚挺的增长驱动力。依托持有的合规准入资质（DoD IL4、FedRAMP High）、Donovan 平台以及正在履约的防务合同，Scale 具备抢占更多联邦 AI 预算的有利条件。随着 DoD 将 AI 融入侦察监视、后勤保障、网络安全及自主无人系统，防务 AI 支出预期将大幅攀升，而这些前沿场景均对可信数据基础设施存在刚性依赖。 市场采用面临的制约同样不容忽视。第一，在 Meta 进行战略投资后，头部 AI 实验室正逐步摆脱对 Scale 的单一依赖而走向多元化采购，对公司营收产生潜在下行压力。第二，合成数据生成技术（部分头部 AI 实验室已在内部自研使用）随着时间推移，可能会逐步削减特定场景对人工标注数据的需求。第三，来自低成本服务商（Appen、SuperAnnotate 及离岸外包团队）的激烈竞争，不断挤压大宗标准化标注业务的利润空间。第四，企业级 AI 项目当下仍大量停留在试点或 POC 验证阶段——McKinsey 指出多数机构仍处于测试阶段而非规模化推广——企业级平台收入的放量节奏可能因此滞后于技术采纳趋势。第五，政府采购周期漫长且高度绑定财政预算，导致合同收入呈现较强的波动性。 [CM019, CM020, CM021, CM022, CM023, CM024, CM025, CM026]

2.5 测算缺口、矛盾估算与尽调问题

AI 数据服务的市场规模测算存在显著的结构性不确定性。尚无公开分析师报告能就 AI 数据标注目标市场提供口径一致、颗粒度精细的拆解数据。各方估算差异极大，主要取决于核算边界是仅局限于人工数据标注服务，还是进一步延伸至 AI 模型评测、企业级 AI 工具链及政府 AI 平台支出。本章给出的宽幅区间（$5B–$20B TAM）如实反映了分析机构之间的真实分歧与市场边界的模糊性，而非测算失误所致。 合成数据市场的兴起进一步增加了规模测算的不确定性：部分预测认为，合成数据将在未来 3–5 年内大幅替代许多任务中的人工标注，从而压缩 Scale 这类厂商的 TAM。另有观点认为，人类评测、RLHF 和对抗性红队测试始终需要人类判断，且需求会随模型厂商增多而上升。这是投资逻辑层面的关键不确定性，潜在投资者须通过对头部 AI 实验室和 Scale 客户的一手调研加以判断。 Scale AI 公开披露的业务数据（完成 15B 次标注决策、向全球贡献者累计支付超 $1B）仅能体现业务体量规模，无法反映真实的营收状况。在缺乏营收披露的情况下，外界根本无法验证究竟是哪个业务板块主导了 Scale 的营收结构，亦无法断定企业级平台与政府业务能否填补 AI 实验室客户流失造成的收入缺口。Google 与 OpenAI 这两大主力客户的离场——假定二者位列 Scale 营收贡献前 10 大客户——留下了具体金额未知的营收断层，亟需企业端与政府端转型来弥补。对这两大客户流失造成的收入冲击进行量化，是 Scale 投资论证中最为关键且悬而未决的市场测算课题。 [CM027, CM028, CM029, CM030, CM031]

2.6 展项

3.1 竞争格局概览

Scale AI 在 AI 数据与基础设施市场的数个重叠细分赛道上展开竞争，各赛道的竞对格局各异。在核心的 AI 数据标注赛道，Scale 面临来自 Appen（澳交所上市，为唯一的上市直属对标标的）、SuperAnnotate、Labelbox 以及 Surge AI 的竞争。针对 RLHF 及大语言模型训练数据这一垂直方向，Surge AI 与 Mercor 是最为聚焦的直接竞对。至于企业级模型评测与基准测试，Labelbox 的评测套件和 Snorkel AI 的程序化弱监督标注构成了近场威胁。至于企业级 GenAI 平台部署，Scale 则直面超大规模云厂商（AWS Bedrock、Azure AI、Google Vertex AI）、精品 AI 咨询机构及系统集成商——这是一批规模远超 Scale、资源储备更为雄厚的重磅对手。 竞争格局中还包含相邻领域的传统既有势力：传统数据外包巨头（Accenture、Capita）、众包标注平台（Amazon Mechanical Turk、Remotasks），以及扮演「内部自建」替代力量的各大 AI 实验室自建标注团队。很可能出现的新进入者包括正在内部自建标注与评测能力的大型科技公司，以及源自学术界或垂直领域 AI 背景的专业精品团队。 当下最为关键的竞争变局来自 Meta 的战略投资：Meta 在成为 Scale 最大投资者的同时，直接引爆了同业竞争的利益冲突，进而导致 Scale 最大的两家 AI 实验室客户 Google 和 OpenAI 终止或缩减了与 Scale 的业务往来。这种由自家投资人直接诱发核心商业客群流失的局面在创投界极为罕见。而体量更小的新兴竞对 Mercor，则在积极抓住这一脆弱窗口直接招揽客户，Scale 于 2025 年 9 月提起的诉讼便是明证。 [CP001, CP002, CP003, CP004, CP005]

3.2 主要竞争对手画像

Appen（ASX: APX）是 Scale AI 标注业务唯一公开上市的直接可比对标企业。Appen 为全球企业和政府客户提供涵盖图像、视频、语音、文本和文档标注的 AI 训练数据。随着 AI 标注市场逐步转向高品质及 LLM 专业化服务，Appen 公开财报显示的营收呈现持续下滑态势。Appen 业务覆盖全球企业与政府客群，与 Scale 的客户群存在一定重叠。Appen 主要依托品类广度与成本效益展开竞争，有别于 Scale 主打的高端品质溢价路线。 Labelbox 是一家总部位于旧金山的数据标注与模型评测平台，聚焦服务企业级 AI 团队。Labelbox 已从核心标注业务延伸至 RLHF 数据采集与模型排行榜，在 Scale 的多条产品线上形成了正面竞争。Labelbox 的定价门槛低于 Scale 的企业级合同，并构建了面向关键品质标注任务的专家网络（Labelbox Expert Network）。此外，Labelbox 还针对机器人 AI 训练推出了专有产品，而这块细分领域目前尚未被 Scale 公开重点强调。 Snorkel AI 专注于利用 AI 辅助的弱监督技术进行程序化数据标注，旨在破除人工介入（human-in-the-loop）的产能瓶颈。Snorkel 主打需要构建 AI 训练集但希望规避繁重人工标注的企业客户。Snorkel 的技术路径与 Scale 依托的人类专家模式存在根本分歧——Snorkel 致力于减少对人工标注的依赖，而 Scale 的业务底座则高度倚仗人工质检水准。Snorkel 的客户矩阵囊括了大型企业及部分政府机构。 SuperAnnotate 是一款面向企业级团队的 AI 标注平台，提供协同标注工作流、质量管控以及与 ML 流水线的深度集成。SuperAnnotate 针对企业合规提供了针对性的安全特性，并已全面扩展至计算机视觉、NLP 及多模态标注。Mercor 则是新兴的挑战者，主打服务于 RLHF、模型评测和数据标注的 AI 人才撮合市场，由前 Scale 核心贡献者创办。Scale 于 2025 年 9 月起诉 Mercor 涉嫌恶意挖角客户，说明 Mercor 正直接渗透 Scale 的企业客户池。 Surge AI（现已并入更广泛的 RLHF 数据生态体系）专精于为大语言模型训练提供高质量人类反馈数据，其构建的专家标注员网络在模式上类似 Scale 但规模相对精简。Invisible Technologies 则主打 AI 驱动的业务运营与数据支持服务，与 Scale 的企业级自动化和标注能力构成竞争。 [CP006, CP007, CP008, CP009, CP010, CP011, CP012, CP013, CP014]

3.3 核心能力、定价机制与监管合规对比

Scale AI 最为显著的竞争壁垒集中在三大维度：(1) 具备未见公开披露竞对能够企及的政府级安全准入认证（DoD IL4、FedRAMP High），在涉密与防务 AI 数据市场构筑起近乎垄断的卡位；(2) Scale Evaluation 的模型安全评测基准与 Scale Leaderboard 积累了深厚的行业声誉，成为公认的 LLM 能力第三方权威评测载体；(3) Donovan 防务 AI 智能体平台在已获涉密准入的 AI 智能体领域尚无公开记录的直接竞对。 核心标注业务上，高品质溢价是 Scale 对抗低成本竞争对手的核心护城河。自研的 Scale Data Engine 依托其质量反馈闭环、专家贡献者网络（已向全球贡献者累计支付超 $1B）及完备的标注工具链，在短时间内难以被对手完全复制。然而，包括 Labelbox 和 Snorkel AI 在内的竞争对手正大幅加码质检工作流建设，正在缩小这一能力差距。 定价策略上，Scale 牢牢占据高端层级：企业级合同采用定制定价，并配备专属运营服务团队。Appen 和 SuperAnnotate 则主打更低的费率区间，更容易触达那些无需 Scale 严苛品质背书的中端市场客户。Labelbox 采取包含自助模式的分层定价策略，使其不仅正面争夺企业级合同，也直接分流 Scale 自助服务层的客源。 监管合规与信任背书是双方角逐的关键战场。Scale 获得的政府安全资质与一系列监管承诺（签署白宫 AI 安全承诺、主导 WMDP 评测基准、参与国会听证质询），将其牢牢确立为美国政府信赖的 AI 数据服务商。Appen 虽涉足部分政务业务，但在防务专用涉密准入深度上难以匹敌 Scale。Labelbox 和 Snorkel 尚未公开表明取得同等级别的政府安全认证。鉴于获取 DoD IL4 及 FedRAMP High 认证往往需要耗费数年心力，由此形成了 Scale 最为持久且防守壁垒极高的核心竞争优势。 [CP015, CP016, CP017, CP018, CP019, CP020]

3.4 切换成本、客户锁定与多供应商并用

Scale AI 业务所涉不同客群的切换成本呈现出剧烈分化。针对主要采购 Scale 数据标注及 RLHF 服务的头部 AI 实验室，切换成本仅处于中等水平：标注流水线在很大程度上具备可替代性，且各实验室已展现出主动切换服务商的意愿（Google 和 OpenAI 于 2025 年的离场便是佐证）。这恰恰解释了为何 Meta 投资引发的利益冲突会导致如此迅速的客户流失——当客户面对数据供应商新引入投资方带来的结构性利益冲突时，既有的切换成本根本不足以留住他们。 采用 Scale GenAI Platform 的企业级客户，切换成本则明显更高：该平台深度牵涉数据迁移、与企业现有系统的工作流集成、定制化数据管线配置以及组织维度的经验迁移。其切换摩擦力大致相当于中端 SaaS 平台的迁移成本（周期约 6–18 个月）。 美国政府与防务客户的切换成本极高。更换新服务商要求竞对必须取得同等的安全准入资质（获取 DoD IL4 及 FedRAMP High 授权通常耗时 12–36 个月）、重新沉淀专有业务认知并穿透复杂的联邦采购审查流程。这为 Scale 的防务业务板块筑牢了长达数年的高黏性锁定效应。 数据标注市场普遍存在多供应商并用（Multi-homing）：不少大型机构，包括 AI 实验室和成熟企业，会同时委托多家服务商标注，以横向比较质量、压低成本并分散供应风险。因此，即使是公开披露的大客户，Scale 也未必拥有独家服务权。Scale 的自助服务层更是在机制上鼓励这种多供应商并用（低绑定门槛、按量计费）。Labelbox 打造的专家网络与 Surge 聚焦高端品质的打法，均表明其具备能力分流 Scale 既有客户在多供应商采购中的标注预算。 在分发渠道与供给端，Scale 的全球贡献者网络（累计向全球贡献者支付超过 $1B）构成专有的人工标注供给池。竞对若要在质量和吞吐量上与之竞争，也必须建立同等规模的人力网络。运营 AI 人才撮合市场的 Mercor，正在试图打造一套差异化的专家贡献者供应链，直接分食 Scale 的人工供给底盘。 [CP021, CP022, CP023, CP024, CP025]

3.5 护城河持久度、商品化侵蚀风险与反向证据

Scale AI 的竞争护城河在政府与防务 AI 领域壁垒最高，而在通用大宗数据标注领域最为薄弱。其深耕的政府业务矩阵（DoD IL4、FedRAMP High、Donovan 平台及多项履约中的防务合同）具备极高的持久度，因为安全合规准入往往需要耗时数年方能获批，而融入防务 AI 任务流的专有业务认知更无法在短期内被轻易复制。这正是其真实且可持续多年的核心竞争优势。 核心基础标注市场上，Scale 的护城河正面临实质性侵蚀。Google 和 OpenAI 这两大最大商业客户的相继解约出走，有力证明了仅凭品质溢价无法在头部 AI 实验室客户中建立起坚不可摧的锁定效应。竞争对手正不断抹平与 Scale 的品质差距，而兼具达标品质与显著价格优势的服务商（Appen、SuperAnnotate 及各类离岸团队），在对价格高度敏感的企业客户中持续斩获标注订单。 大宗商品化侵蚀风险不仅真实存在，且正在加速演进。随着 AI 基础模型训练走向成熟以及合成数据生成能力的快速跃升，人工标注领域的 TAM 规模可能面临实质性萎缩。Snorkel AI 等新锐厂商正加速研发能大幅降低单位产出人工工时消耗的智能化标注工具。若此趋势延续，标注市场必将走向极化分水岭：一边是由低成本外包商把持的庞大标准化大宗市场，另一边则是面向专家级深度评测与政府级高精任务的高端利基市场——Scale 仅在后一个细分市场拥有更为稳固的基本盘。 当前凸显的反向竞争证据包括：(1) Meta 战略投资后 Google 与 OpenAI 的拂袖离去，暴露了 AI 实验室板块严重的客户集中度风险以及薄弱的切换壁垒；(2) 依 Scale 诉讼所述，Mercor 肆无忌惮的客户挖角反映出竞对已普遍将 Scale 的现有客群视为脆弱易攻的突破口；(3) Appen 营收持续滑坡的财报表现，为纯数据标注板块面临的结构性逆风敲响了警钟；(4) Scale 于 2025 年 7 月启动的裁员直接针对数据标注相关编制，印证了管理层在内部已承认此前在正逐步大宗化的赛道中过度投入。 [CP026, CP027, CP028, CP029, CP030, CP031]

3.6 展项

4.1 商业模式与收入结构拆解

Scale AI 的商业收入主要依托三大核心来源：(1) 企业级数据标注及 RLHF 训练服务；(2) Scale GenAI Platform（企业级生成式 AI 落地开发）；(3) 依托 Donovan 平台与 Public Sector Data Engine 承接的美国政府及防务采购合同。此外，自助服务层构成了第四条体量较小、面向科研及实验性项目的补充收入来源。 企业级数据标注业务在历史上一直是 Scale 最大的增长引擎，支撑了其从 2016 年创立到 2024 年 F 轮融资的迅猛扩张。该板块向大型企业及头部 AI 实验室按项目或按标注处理量收取费用，覆盖数据标注、RLHF 样本采集及模型评测。其收费机制高度定制化且极不透明——Scale 从未对外公开其标注服务的企业级报价细则。自助服务层则提供 1,000 个免费标注单元，超出部分按量计费，以此构建用于获取长尾小客户的免费增值服务机制。 Scale GenAI Platform 代表了利润率更高、更贴近标准化 SaaS 的收入模式，专门面向亟需落地定制化 AI 应用的成熟企业。该板块深耕 Fortune 500 客户群体，涵盖零售电商（Etsy、Instacart）及主流媒体（TIME）等多元行业。Scale 为企业客户定制开发基于大语言模型的业务应用，并深度打通其专有数据流与内部审批工作流。尽管具体的定价细则未公开披露，但该板块具备衍生出高黏性软件订阅与托管服务费的商业想象空间。 政府及防务采购构成了第三条正处于高速扩张且极具战略护城河属性的核心收入来源。Scale 凭借持有的 DoD IL4 与 FedRAMP High 安全准入认证，能够承接涉密与高精防务级 AI 数据专项工程。Donovan 防务智能体平台与 Scale Public Sector Data Engine 深度切入防务采购生态，该市场的合同报价通常对外保密，且高度受制于联邦采购计划节点。拿下 DIU RCV 竞标以及正在履约中的 DoD 数据整理专项合同，充分印证了该业务线的商业转化落地成效。尽管该板块当下的营收规模很可能不及商业大宗标注，但鉴于其极为严苛的切换壁垒，其中长期发展潜力更大且持续造血能力更强。 [CI001, CI002, CI003, CI004, CI005]

4.2 定价策略、GTM 路径与销售能效

Scale AI 的市场拓展（GTM）路径主要依托自上而下的企业级销售牵引，并辅以自下而上的产品驱动增长（PLG）自助服务层。企业销售端高度依赖专属大客户销售团队、商务深耕关系以及方案架构工程师，与客户协同界定并交付海量级标注或企业级平台系统。企业级合同均遵循专属定制报价并绑定专项运营支持与严苛的 SLA 服务承诺，说明其客单价（ACV）高企，且相较于典型 SaaS 软件企业具有更漫长的商务谈判周期。 数据标注服务的定价通常按处理量或具体项目核算。Scale 的自助服务层确立了基准公开价格锚点：在消耗完首批 1,000 个免费单元后，用户需按公开披露的单价付费购买。企业级客户针对大规模标注工程进行专项价格谈判，合同往往打包了专属标注员梯队、质保工作流及技术系统集成。官方未公开披露任何折扣政策或典型交易合同规模。 销售周期跨度与获客成本（CAC）均未公开披露。作为一家数据服务与基础设施提供商，Scale 的企业级销售周期大概率较为漫长（通常在 3–12 个月），且伴随大量的专业交付与咨询服务。政府及防务合同的销售周期更为漫长（从启动立项到产生首笔收入往往耗时 12–36 个月）。净留存率（NRR）目前无从验证——Google 与 OpenAI 于 2025 年的客户流失意味着 AI 实验室板块 NRR 严重承压，但具体财务影响仍不清楚。 渠道包括大客户直销、政府与防务采购关系（DoD、情报界）、AI 实验室合作，以及供开发者和研究人员使用的自助 API / 平台。Scale 与核心战略投资人（Accel、Amazon、Meta、Nvidia、Cisco）的股权绑定为其开辟了联合销售与客户转介的高阶战略渠道，但具体的商业增量贡献并未公开披露。 Scale 的数据标注业务高度依赖少数头部 AI 实验室客户（Google、OpenAI、Meta、Anthropic）。Meta 入股后，Google 与 OpenAI 于 2025 年终止或大幅缩减合作，给核心标注业务带来显著的客户集中度与营收压力。 [CI006, CI007, CI008, CI009, CI010]

4.3 成本结构、毛利率与资本强度

Scale AI 的营业成本以人力成本为主，即执行数据标注、RLHF 反馈采集以及模型评估任务的众包标注人员。Scale 全球累计向贡献者网络支付超过 $1B，印证了核心标注业务的高劳动密集度特征。与纯软件业务相比，这种人力成本在结构上拉低了数据标注的毛利率。公开上市的可比标注公司 Appen 行业数据表明，标注业务毛利率一般在 25–45% 区间，且随着市场大宗商品化而持续承压走低。 Scale GenAI Platform 与评估产品因软件复用度更高、单位产出人力依赖更低，毛利率理应高于标注业务。然而，企业级 GenAI Platform 落地依然需要大量专业服务与运营投入，使得利润率难以达到纯 SaaS 水平。政府数据服务合同通常受采购费率框架限制，毛利率往往落在 15–30% 区间。 营业支出涵盖研发与工程（构建标注工具体系、GenAI Platform、Donovan 及评估基础设施）、销售与营销（企业销售团队与政府业务拓展），以及一般行政费用。2025 年 7 月裁员前，Scale 拥有约 1,400 名员工，裁员后约为 1,000 名；14% 的正式员工裁撤加上 500 名外包人员削减，大幅降低了营业支出，主要精简了数据标注成本基础。这与公司通过剥离低毛利大宗标注人力以提升综合毛利率的战略相吻合。 Scale 业务模式的资本密集度主要体现为运营资金占用（向标注贡献者支付报酬），而非实体资本开支（硬件、机房设施）。基础设施成本（用于标注工具及模型评估的云算力）属于次要资本开支。相较硬件 AI 企业，Scale 资金使用效率较为可观，但劳动密集度明显高于纯 SaaS 模式。$1B 的 F 轮融资与 Meta 战略投资提供了充足资金储备，支持公司向高毛利的企业与政府业务转型。 [CI011, CI012, CI013, CI014, CI015]

4.4 资金充足度与融资历程

Scale AI 累计外部股权融资超过约 $1.6B+。融资历程涵盖：2016–2019 年种子轮与早期融资（投资方包括 Y Combinator、Index Ventures、Founders Fund 等）；2021 年完成 $325M 的 E 轮融资，投后估值约 $7.3B；F 轮前累计股权融资约 $600M；以及 2024 年 5 月由 Accel 领投的 $1B 的 F 轮融资，投后估值达 $13.8B，跟投方包括 Amazon、Meta、Cisco、Intel、AMD、ServiceNow、Nvidia、DFJ Growth、WCM，以及 Tiger Global、Thrive、Greenoaks、Wellington、Nat Friedman、Elad Gil 等老股东。F 轮融资同时包含初级新股（公司获得新现金）与老股转让（现有股东套现变现）。 2025 年 6 月，Meta 完成约 $14.3B 战略投资以获取少数股权（约占已发行股份的 49%）。关键在于，Meta 绝大部分投资款项直接分配给现有股东及已归属期权持有者，并未注入公司运营资金账户，符合老股交易架构。Meta 交易为 Scale 运营业务带来的净新增初级资金规模尚未完全披露。Scale 仍保持独立法人实体结构，Meta 仅持有少数股权。 缺乏公开财务报表的前提下，账面现金储备无法确证。F 轮于 2024 年 5 月完成交割，若其中相当比例属于初级资本（注资入账 $500M+），结合 Meta 交易中的初级部分，Scale 在当前资金消耗速度下预计拥有 3 年以上的充足跑道。2025 年 7 月裁撤 200 名员工和 500 名外包人员，叠加大规模退出基础数据标注，属于旨在延长跑道、提升现金效率的控费措施。 具体资金消耗率未公开披露。裁员前支出体量（1,400+ 名员工加上高额标注外包支出）反映月度资金消耗可观。裁员落地后，现金效率理应显著改善。Scale 尚无公开披露的债务融资工具或项目融资负债。Meta 交易构成了结构性依赖（Meta 既是核心股东，又是相关 AI 服务的大客户），但未见已披露的排他性财务契约或业务限制。 [CI016, CI017, CI018, CI019, CI020]

4.5 财务裁决——收入质量、利润率路径与尽调堵点

Scale AI 的财务特征呈现多重交织：资本储备充沛，收入走向不明朗，管理层在客户大规模流失背景下正推进高风险业务模式转型。 收入质量值得警惕。作为历史上最大的收入引擎，数据标注业务呈现明显的大宗商品化定位，面临结构性逆风（Appen 公开收入下滑即为先行指标）、客户流失（Google 和 OpenAI 相继退出）以及直接竞品分流。GenAI Platform 与政府防务业务收入质量更优（合同期更长、客户绑定更深、大宗化风险较低），但在总收入中的当前贡献占比尚未披露且体量预计较小。2025 年后 AI 实验室客群的净收入留存率（NRR）大概率低于 100%。 若业务转型取得成功，利润率中长期有望向好：剥离低毛利数据标注人力，做大高毛利平台与政府业务，将逐步改善综合毛利率。然而，转型本身伴随重大执行风险，在平台与政府业务形成规模效益前，2025–2027 年过渡阶段大概率经历收入压缩期。 资金充足度是最突出的财务优势。Scale 累计融资超 $1.6B+，Meta 交易亦为股东提供了流动性（并补充了部分初级资本）。裁员后公司以更精简的人员编制和更低的烧钱率运行。现金跑道估算在 3 年以上，足以支撑转型推进。 核心尽调堵点：(1) 缺乏公开收入与 ARR 数据——估值倍数无法确证；(2) Google 与 OpenAI 流失对营收的具体冲击尚未可知；(3) 政府合同收入规模及增长轨迹未披露；(4) 各业务线分部毛利率未公开；(5) Meta 交易中新股与老股的具体拆分比例未经证实；(6) Mercor 诉讼判决可能产生财务牵连（赔偿责任、客户流失）。 [CI021, CI022, CI023, CI024, CI025]

4.6 支撑材料

5.1 产品矩阵与客户工作流

Scale AI 的产品组合针对 AI 开发中的四大核心工作流痛点：(1) 为模型开发生产高质量训练数据；(2) 采集人类反馈以进行大语言模型对齐与 RLHF；(3) 独立评测 AI 模型的安全性与能力边界；(4) 在企业级规模部署定制化生成式 AI 应用。此外，第五条产品线 Donovan 专门服务于国防与情报机构的特定任务 AI 工作流。 Scale Data Engine 是 Scale 的基石核心产品。它支持 AI 团队跨模态（文本、图像、视频、音频、3D）采集、清洗、标注并质检训练数据集。其客户工作流为：AI 工程师定义标注规范与质量标准；Scale 贡献者网络在专有标注工具体系与质检管道引导下执行标注任务；标注完毕的数据集回流至客户的 MLOps 流程中。Data Engine 贯穿从预训练数据清洗、RLHF 到模型评测的完整研发全生命周期。 Scale GenAI Platform 聚焦企业级 AI 落地工作流。企业客户（涵盖零售、媒体、金融、政府等领域的 Fortune 500 强企业）接入专有数据与业务场景诉求，Scale 将其转化为定制化 LLM 驱动型应用。该平台涵盖数据接入、LLM 微调、RAG 管道编排及生产环境部署支持，专门面向渴望部署定制 AI 却缺乏自建底层 ML 专业能力的成熟企业。 Scale Evaluation 与 Scale Leaderboard 提供第三方独立基准评测服务。AI 实验室与大型企业利用 Scale Evaluation，从复杂推理、安全对齐、代码生成及专业领域知识等多维度评测 LLM 能力。Scale Leaderboard 则是面向开发者的公开 LLM 性能排行榜，帮助 Scale 确立了 AI 领域公认权威第三方评测机构的地位。WMDP（大规模杀伤性武器代理）基准则是其在 AI 安全评测领域的重要专项贡献。 Donovan 依托 AI Agent 矩阵为美国国防部（DoD）、情报界（IC）及民事政府机构的关键任务工作流赋能。它深度集成涉密数据源，支持合规保密运行环境，为防务与情报决策提供 AI 辅助支持。Donovan 已在获得 DoD IL4 认证的环境中完成部署，构成 Scale 在政府防务板块的核心竞争壁垒。 [CE001, CE002, CE003, CE004, CE005]

5.2 技术架构与运营模式

Scale AI 的运营模式融合了软件工具与人机协同（human-in-the-loop）执行机制，属于混合型 AI 辅助标注架构，而非纯软件或纯人工模式。底层技术栈主要由五大模块构成：(1) 支持多模态标注任务的 Web 端标注工具平台；(2) 负责审核、交叉校验与反馈的质检管道；(3) 向企业与实验室客户以编程方式开放服务的 API 基础设施；(4) 承载大语言模型定制工作流的 GenAI Platform；(5) 面向防务任务的 Donovan AI Agent 运行时。 标注贡献者网络是由 Scale 自主招募、培训、准入考核并全流程管理的全球化专有人力资产。该平台（Scale 称之为“任务撮合市场”）将标注任务智能分发给具备相应技能的贡献者，实时监控作业质量，并将高敏任务升级至资深评审员复核。Scale 将贡献者质量管控视为核心差异化壁垒，据公司自述，其专有质检管道输出的标注质量超越同业竞品。 Scale API 是 Data Engine 面向开发者的核心接入端，支持以编程方式提交标注作业、拉取交付数据集，并与 ML 训练流水线无缝集成。该 API 全面支持各类标注任务（文本分类、边界框、语义分割、RLHF 偏好对排序等），并内置 Webhook 回调机制以实现作业完成后的实时通知。 GenAI Platform 交付架构涵盖：数据接入与前置预处理、LLM 选型与提示词工程、微调或 RAG 流水线搭建、红队攻防对抗与安全评测，以及上线部署与运行时监控。这属于典型由 Scale 工程师团队协同平台工具共同交付定制 AI 应用的托管服务模式。 Donovan 架构则高度针对保密涉密环境定制：部署在通过 DoD IL4 认证的合规云基础设施之上，打通涉密政府数据系统，支持规划、情报检索、决策推演等多模态 AI Agent 工作流，并提供军事任务必备的可解释性功能。Donovan 的底层技术架构细节未对外公开；其商业落地形态更贴近军工 IT 托管服务，而非标准商业 SaaS 产品。 [CE006, CE007, CE008, CE009, CE010]

5.3 差异化壁垒、核心 IP 与护城河

Scale AI 的技术与运营差异化优势主要体现在五大维度。其一，专有标注工具体系与质检方法论：Scale 长期重金投入打造在准确率、作业效率及跨任务一致性上深度优化的标注交互界面。质检管道综合运用统计质量控制、共识机制校验与资深专家兜底审核，维持据公司宣称超越同业的标注质量水准。这套专有作业流程不对外开源，属于固化在日常运营中的组织知识资产。 其二，全球贡献者网络构筑供给侧 IP：Scale 覆盖全球的标注贡献者网络（累计获得超 $1B 报酬）属于不可多得的专有资产。规范该网络的准入筛选、入职培训、专业资质认证及任务路由算法，构成了 Scale 在标注业务领域的运营护城河。竞品团队（包括 Scale 目前起诉涉嫌不正当挖角的 Mercor）若想在质量与吞吐规模上正面竞争，必须重建同等量级的网络。 其三，严苛的政府合规准入形成监管护城河：Scale 手握 DoD IL4 临时授权与 FedRAMP High 联合认证。此类资质需耗费 2–4 年的合规周期与持续合规维护成本。目前公开的 AI 数据同行中尚无团队获得同级准入，赋予了 Scale 在涉密 AI 数据合同中的准排他优势。这一复制成本与时间壁垒，构成了涉足美国政府 AI 数据市场的极高门槛。 其四，Scale Leaderboard 与 WMDP 基准构建声誉资产：Scale Leaderboard 确立了公司作为主流大语言模型权威第三方评测者的行业地位。用于 AI 安全评测的 WMDP（大规模杀伤性武器代理）基准已被 AI 安全研究界广泛采纳。这些基准作为行业公共品，为 Scale 积累了权威中立评测机构的品牌商誉，反哺了商业化评测合同与政府关系网络。 其五，Donovan 平台确立防务 AI Agent 先发优势：Donovan 是业内首个投入商用、取得 DoD IL4 涉密准入并面向防务任务工作流的 AI Agent 平台。专用产品能力、政府政商信任与涉密合规底座的结合，使 Donovan 在美国防务 AI 采办预算持续增长的大趋势下，成为难以被轻易替换的军工 AI 软件基础设施。 [CE011, CE012, CE013, CE014, CE015]

5.4 信任、安全、合规与质量控制

Scale AI 在信任体系与合规资质上重度下注，尤以政府客户方向为甚。公司公开披露的合规资质包括：SOC 2 Type II（企业安全控制审计）、ISO 27001（信息安全管理体系认证）、DoD IL4 临时授权（美国国防部针对受控非密信息及部分密级的数据安全认证），以及 FedRAMP High 授权（美国联邦政府面向涉密与高影响系统的最高级别云安全认证）。 针对 AI 安全，Scale 主动签署了 2024 年白宫 AI 安全自律承诺，涵盖 RLHF 安全工程实践、红队渗透测试以及负责任的 AI 部署规范。Scale 开创并贡献了 WMDP（大规模杀伤性武器代理）基准，旨在评估前沿 LLM 是否经过有效安全对齐以防范危险生物或化学危害信息生成。WMDP 基准专注评测军民两用敏感领域的 AI 安全性，同时 Scale 的测试与评估白皮书系统阐述了其针对负责任 AI 模型的测评框架。 Scale 的标注质量控制体系属于非公开专有技术，但公开信息显示其涵盖：任务定制化质检指南、高风险关键任务的多人交叉冗余标注、统计质量波动监控、资深审核员兜底升级机制，以及标注员一致性评分模型。尽管公司宣称具备业界领先的标注质量，但目前尚无独立的第三方公开质量审计报告予以核验。 TIME 客户标杆案例（GenAI 平台在不到 2 个月内完成交付上线，针对性测试了 7,000+ 个对抗性攻击向量）部分印证了其红队工程攻防实力。中标 DIU 快速商业虚拟化（RCV）项目则表明 Scale 技术通过了严苛的国防采办审查。这些实例构成技术能力的旁证，但仍不能完全等同于独立第三方的硬性技术审计。 隐私与数据治理维度：Scale 的企业级标注业务深度接触包含商业机密或高敏信息的客户专有数据。SOC 2 Type II 与 ISO 27001 等资质为其数据治理提供了基础保障；面对政府客户，DoD IL4 与 FedRAMP High 施加了极其严苛的数据隔离流转限制，Scale 已验证了其合规达成能力。但在日常标注管道中（特别是针对手握专有训练资产的顶级前沿 AI 实验室），客户敏感数据的防泄漏保障仍是公开资料难以完全释疑的尽调核心关切。 [CE016, CE017, CE018, CE019, CE020]

5.5 产品路线图、交付能力与核心尽调悬念

截至 2025 年，Scale AI 的产品演进路线实质上受 2025 年 7 月战略转向企业与政府市场的决策驱动：重点倾斜 Scale GenAI Platform 企业落地，为政府机构持续拓展 Donovan，并深耕服务于新兴 AI 监管治理市场的 Scale Evaluation 业务。随着 2025 年 7 月裁撤 200 名全职员工与 500 名外包人员，传统数据标注板块虽维持运转，但业务重心与运营规模已显著收缩。 交付与系统集成能力方面：Scale 提供企业级 API 接入、打通 MLOps 流水线的 Webhook 集成能力，以及用于定制应用开发的 Scale GenAI Platform。自助服务门户支持标注任务快速入驻上线。在政府侧，Donovan 部署于涉密隔离云环境，针对 DoD 及情报界专用系统提供深度定制集成。未见公开的发版日志或 Release Notes，Scale 亦未维护可供独立查验的公开产品路线图或开发者服务可用性状态看板。 开发者生态信号：Scale Leaderboard 是其最具开发者影响力的公开阵地，在 AI 顶尖研究与工程圈层拥有极高关注度。WMDP 基准被诸多 AI 安全学术论文引用。Scale 开发者文档（scale.com/docs）提供了详尽的编程接口规范，但相比拥有繁荣开源生态的 AI 基础设施代表厂商（如 Hugging Face、LangChain），Scale 在开源工具投入及开发者社群互动（如 GitHub 活跃度、HackerNews 讨论热度、官方开源包下载量）方面存在明显差距。 核心尽调悬念与产品能力盲区：(1) 相比云巨头自研生态（AWS Bedrock、Google Vertex AI、Azure AI），GenAI Platform 的底层技术护城河尚无独立评测验证——Scale 主打标注质检一体化深度集成，但云巨头以更低廉的基础设施成本提供相近能力；(2) Donovan 在涉密环境中运行 AI Agent 的底层技术细节披露有限，难以客观评估其相对于传统防务军工巨头（如 Palantir、Booz Allen）的实质技术壁垒；(3) 标注工具链宣称相较 Labelbox、Snorkel AI 及开源工具（CVAT、LabelImg）的技术领先性，缺乏经过严格第三方对照的 Benchmarking 支撑；(4) 合成数据正对传统人工标注形成颠覆性替代，但 Scale 在合成数据方向的研发储备与演进路线完全未予披露，构成关键战略盲区。 [CE021, CE022, CE023, CE024, CE025]

5.6 支撑材料

6.1 客户群细分画像

Scale AI 的客群结构主要划分为三大垂直板块：AI 实验室与前沿模型开发商、Fortune 500 强大型企业，以及美国政府与国防机构。各板块的采购决策人画像、采购周期、应用场景、营收结构和切换成本均明显不同。 AI 实验室（历史上规模最大的业务板块）主要采购 Scale 的 RLHF 与模型评测服务，用于大语言模型的对齐训练与基准评测。此类客户在历史上涵盖 OpenAI、Google/DeepMind、Cohere 与 Anthropic 等，属于具备直接采购自主权的高成熟度技术型买方，其采购节奏往往以季度为周期，与底层前沿模型训练算力排期高度绑定。该板块目前陷入结构性萎缩：Google 于 2025 年 6 月以 Meta 入股引发直接业务竞争冲突为由全面终止合作，OpenAI 亦于同月大幅缩减合作敞口，标志着前沿模型厂商加速自建内部标注能力的行业趋势。 企业客户群——包括 TIME、Etsy、Instacart、Pinterest 等——主要采购 Scale GenAI Platform 与 Data Engine，用于特定业务场景下的 AI 应用落地，涵盖内容安全防御测试、智能推荐算法及电商 AI 等。该类买方决策链通常由企业 IT 与数据部门高管主导，采购周期长达 6–18 个月，伴随数年期的持续落地承诺。TIME TIME 案例是目前最有说服力的公开证据：GenAI Platform 不到 2 个月便完成部署，并在生产环境中针对 TIME 的 AI 生成内容测试了 7,000 多种对抗性攻击向量。 政府与国防客户——主要依托美国国防部（DoD）及各情报机构——通过多年期采办框架合同接入服务，采购场景包括军工数据集清洗标注、无人自主系统 AI 项目，以及面向涉密运行环境的 Donovan 平台。由于 DoD IL4 与 FedRAMP High 严苛合规门槛、涉密内网系统深度集成以及联邦采办惯性，该板块客户切换成本极高。从地理分布来看，Scale 现阶段已披露的客户群体高度集中于美国本土，海外客户数量及国际业务收入占比从未公开披露。 [CU001, CU004, CU005, CU006, CU007, CU008, CU009, CU010, CU015, CU036]

6.2 采纳轨迹与业务增长信号

Scale AI 从未公开披露其活跃客户数、营收规模、ARR 或系统实际部署指标。外界对其业务采纳趋势的推断，只能依赖已公开里程碑节点、团队人员增减、贡献者外包报酬以及第三方参照数据进行综合研判。 最显著的规模指标包括：(1) 累计向全球标注贡献者支付超过 $1B 报酬，印证了其底层庞大的标注作业吞吐规模；(2) 累计处理超过 15B+ 次人工标注判断，显示出其平台级数据处理沉淀；(3) 2024 年 5 月以 $13.8B 估值完成 F 轮融资，跟投方汇集 Amazon、Cisco、Intel、AMD、ServiceNow 等企业级买方，反映出头部企业客户对该平台的认可。引入本身具备企业客户身份的战略投资人，为 Scale 平台的技术成熟度提供了独立佐证。 2025 年 7 月团队裁员 14%（削减约 200 名全职员工与 500 名外包人员），且精准集中于传统数据标注业务线，属于关键的滞后性采纳指标：表明随着 Google 与 OpenAI 撤离以及公司重心向 GenAI Platform 和 Donovan 转移，其 RLHF 与基础数据标注业务体量较峰值出现实质性萎缩。与此同时，Snorkel AI、SuperAnnotate 与 Mercor 等竞品相继升级企业级标注产品，官方产品主页与生态伙伴榜单更新频繁，表明尽管 Scale 正在战略换道，外部市场竞争依然十分活跃。 自助服务端口的增长缺乏量化数据。Scale 的 API 文档与定价页面面向公众开放，表明开发者群体保持正常接入，但官方未公开任何活跃自助客户规模或付费转化率。Scale 客户案例官网上展示的 Etsy、Instacart、Pinterest、Cohere 等企业客户，除品牌 Logo 外均无具体案例细节或量化成果指标，限制了对上述头部客户实际业务采纳深度的求证。 [CU011, CU012, CU013, CU017, CU021, CU023, CU024, CU025, CU035]

6.3 标杆客户成效与证据质量

Scale AI 已披露的关键标杆客户覆盖传媒出版、国防安全、电子商务与前沿 AI 研发领域。时代周刊（TIME Media）案例是目前可信度最高、成果最清晰的公开证据：Scale GenAI Platform 针对 TIME 正式刊发前的 AI 生成内容，完成了超过 7,000 个对抗性攻击向量的渗透测试。这是在真实生产环境中落地的内容安全防线，拥有明确、可量化的结果指标，整个部署周期不到 2 个月，已被 Scale 作为标杆收录于官方客户主页。 Meta 兼具 Scale 最大战略投资方（2025 年 6 月收购约 49% 股权）与持续放量的高价值 RLHF 客户双重角色。这种深度绑定既锁定了关键业务基本盘，又带来了复杂的治理隐患：Meta 作为核心股东拥有的特权信息知情权，叠加其客户身份，令其他审视 Scale 数据安全隔离措施的外部客户产生了极大的数据保密与利益冲突疑虑。 美国国防部与情报界客户群体的落地证据，主要见于 Scale 官方博客披露的国防部联合作战数据清洗合同，以及 Donovan 平台在国家安全场景的实战部署。受制于保密条例，具体涉密采购机构名称并未对外公布，但这已成为公开资料中确定性极高的政府落地实证，并与 Scale 获得的 DoD IL4 及 FedRAMP High 资质形成了相互印证。相比之下，Etsy、Instacart、Pinterest 等企业客户仅展示 Logo，缺乏详尽业务案例或投产成效数据。 2025 年 9 月爆发的 Mercor 诉讼案（Scale 指控其涉嫌不正当抢夺客户与恶意挖角）从反面提供了间接证据，证明 Scale 拥有一批极具商业价值且招致竞品公然觊觎的成熟企业客户，但也暴露了其大客户续约防守上的脆弱性。Snorkel AI、SuperAnnotate 与 Mercor 的产品动态显示，企业级 AI 数据与标注平台市场需求依然旺盛，在印证行业大方向的同时，也凸显了市场竞争的日趋白热化。 [CU002, CU003, CU004, CU005, CU006, CU007, CU008, CU014, CU015, CU016, CU022, CU026, CU030, CU034]

6.4 客户留存、续约韧性与满意度信号

Scale AI 从未公开披露任何净收入留存率（NRR）、毛收入留存率（GRR）、客户流失率、续约率、总客户数或客户满意度（NPS/CSAT）指标。这对投资分析构成了实质性的信息空白。下文所有留存分析，均基于合同形态、客户迁移成本、竞争格局以及负面突发事件所作出的结构性推演，而非源自官方披露数据。 政府与防务客户是其留存韧性最强的客群底盘。多年期国防采办合同、DoD IL4 与 FedRAMP High 资质高墙、涉密内网系统深度嵌合，以及政府采办极高的迁移摩擦，共同构筑了强大的客户绑定黏性。2024 年美国国防部联合作战数据清洗合同以及 Donovan 平台在涉密场景的持续落地，表明该板块年度续约率极高；结合类似军工 IT 合同的历史续约参照，推算续约率维持在 90–97% 高位。该业务底盘的韧性，在很大程度上独立于前沿 AI 实验室客群的动荡。 企业级客户（如 TIME、Etsy、Instacart、Pinterest）很可能签署的是 12–36 个月合同，到期具备续约选择权。在缺乏 NRR 数据的前提下，无法证实“增购扩张（Land-and-Expand）”模式是否运转顺畅。GenAI Platform 理论上构成了从 Data Engine 向上增购的转化路径，TIME 的成功交付也验证了从标注概念验证向生产级安全平台演进的可行性，但增购转化率或客单价扩张等硬性财务指标均无公开披露。 前沿 AI 实验室板块则处于明显的业务收缩期。Google 与 OpenAI 于 2025 年 6 月双双终止合作，据估算占历史 AI 实验室板块收入的 20–40%（该数据未获官方披露，系依据客户重要性公开报道所作测算）。其余 AI 实验室客户（如 Cohere 等）同样面临自建内部标注团队的结构性诉求。截至本次调研，G2、Gartner Peer Insights 或 Capterra 等主流企业软件评测网站均未收录关于 Scale AI 企业级平台的独立用户评价，导致客户实际满意度完全无法量化求证。 [CU003, CU008, CU009, CU010, CU015, CU016, CU019, CU020, CU027, CU029, CU030, CU032, CU037, CU038]

6.5 客户增购扩张与大客户集中度风险

Scale 的大客户集中度风险已在 2025 年显现：曾是 Scale 最大客户的 Google 与核心客户 OpenAI 在同一季度相继离开，成为公司迄今最重大的客户流失事件。据 CNBC 报道，Google 离开是因为 Meta 入股后引发的竞争冲突顾虑。两家头部 AI 实验室因同一利益冲突相继退出，也让其他与 Meta 存在潜在竞争关系的 AI 客户面临合作风险。 与 Meta 的合作既带来重要增购机会（Meta 前沿 AI 研发需要大量优质训练数据，双方据称仍在扩大合作），也加深依赖风险：失去 Google 和 OpenAI 后，Scale 相当比例的收入可能集中于 Meta 这一持股约 49% 的战略投资方和核心大客户。这种客户与投资方身份重叠的结构在风投支持的独角兽中并不常见，可能持续引发其他商业客户顾虑。 从数据标注、RLHF、模型评测到 GenAI Platform 和 Donovan，Scale 理论上可以逐步向客户销售更多产品。TIME 案例显示，企业客户能够从标注试点转向生产级平台应用；但增购转化率、留存扩张倍数和平均客单价（ARPU）均无公开数据。Scale 于 2025 年 9 月起诉 Mercor，指其挖走客户，显示至少有一家资金充足的竞品正争夺 Scale 的现有客户。SuperAnnotate 与 Mercor 也在扩展企业级标注产品，可能分流 Scale Data Engine 的收入。 [CU001, CU003, CU009, CU010, CU022, CU024, CU025, CU026, CU027, CU028, CU029, CU030, CU031, CU034, CU035, CU038, CU041]

6.6 支撑材料

7.1 风险严重度评级总览

Scale AI 步入当前投资窗口期的风险特征，主要偏向战略转型与业务落地风险，而非合规或底层运维风险。截至研究基准日，大客户集中度过高（已随 Google 与 OpenAI 相继流失而实质爆发）属于发生概率最高、负面影响最深的风险因素。客户离场、Meta 巨额入股与核心领导层更迭三者高度重叠，在 2025 年第二季度集中爆发了三大深度交织的重度风险事件。 尤为关键的观察在于顶层风险的强关联性：Meta 投资引发了 Google 撤单（业务竞争冲突），进而倒逼 Scale 重新评估此前过度依赖前沿 AI 实验室营收的商业模式可持续性，最终触发了管理层换帅与大规模裁员。多重风险层层传导放大。投资机构必须重点评估：政府防务壁垒与 Meta 客户关系的持续深化，能否提供足够的营收安全垫，以支撑公司穿越 AI 实验室客群流失及企业级业务转型的震荡期。 监管与法律风险整体处于可控范畴。Scale 获得的 DoD IL4 与 FedRAMP High 认证彰显了其在承接政府涉密业务上的强合规底盘。Mercor 诉讼案属于持续中的司法纠纷，但短期内演变为颠覆性威胁的概率较低。防务 AI 的出口管制风险客观存在，但已有现行认证体系与合规机制予以防范。面向未来，最核心的潜在风险在于：在当前现金跑道消耗殆尽前，企业级 GenAI Platform 能否迅速形成足够的增量营收，以对冲前沿 AI 实验室板块的萎缩缺口。 [CR001, CR002, CR003, CR004, CR005, CR006, CR007, CR008]

7.2 监管与法律风险

Scale AI 业务横跨防务 AI、企业级数据资产处理与 AI 安全三大前沿监管重点领域。核心监管风险聚焦于三方面：美国政府防务 AI 合规框架（包括 ITAR 军品管制、技术出口限制、AI 安全硬性标准）、适用于企业专有数据处理的数据隐私与 AI 治理法规，以及由 Mercor 诉讼案引发的不正当竞争与司法纠纷。 防务 AI 维度上，Scale 拥有的 DoD IL4 与 FedRAMP High 联合认证说明其合规底盘扎实。公司亦主动签署了白宫 AI 安全自律承诺，展现出拥抱前沿 AI 治理的主动姿态。该领域最主要的监管风险在于：面向 AI 模型与数据服务的出口管制政策存在潜在收紧可能，特别是若 Scale 向国防承包商交付的 AI 服务涉及敏感技术转移，或将招致更严苛的 ITAR 军规审查。美国国会对 AI 的监管审查持续加码，Scale 亦曾出席国会听证会陈词。 数据隐私维度，Scale 企业级标注业务深度处理客户商业机密数据。欧盟《人工智能法案》（EU AI Act）、通用数据保护条例（GDPR）及美国各州陆续出台的 AI 立法，构成了持续演进的合规义务。Scale 安全合规主页显示其持有生效中的 SOC 2 Type II 与 ISO 27001 认证，表明企业级合规体系运转正常。针对 Mercor 提起的诉讼（Scale AI 诉 Mercor，2025 年 9 月）指控其涉嫌客户抢夺与商业机密侵权。尽管判决结果尚难预料，该案带来了诉讼不确定性、管理层精力分散以及潜在反诉风险。目前诉讼尚未对 Scale 核心业务运转或涉密准入资质构成直接威胁。 [CR005, CR006, CR007, CR009, CR010, CR011, CR012, CR013, CR014]

7.3 运营与执行风险

Scale AI 当下面临的最严峻运营挑战，在于逆风环境下商业模式转型的落地执行。公司正试图从依赖基础标注作业量的旧模式（受 AI 实验室流失及合成数据浪潮冲击而显著下滑），全面转向依托企业级 GenAI Platform 与政府防务 Donovan 平台的新模式（处于成长阶段但放量节奏存疑）。这一战略大调头与 CEO 换帅、团队大幅精简以及单季度痛失两大超级客户高度同步发生。 数据安全隔离与标注质量管控是贯穿 Scale 核心底座的内在运营风险。作为处理客户专有训练数据的核心服务商，任何数据泄露事故、重大质检失误或客户专有资产违规滥用，都将对企业客户信任及政府涉密采办准入资质造成不可逆的破坏。虽然 SOC 2 Type II、ISO 27001、DoD IL4 与 FedRAMP High 认证提供了防护网，但无法完全消除人为与技术纰漏。本次尽调未发现公开的数据安全责任事故。 供应链风险主要来自众包标注贡献者生态。Scale 重度依赖全球人类标注网络；若该群体出现劳资争端、作业质量滑坡或遭遇以 Mercor 为代表的同业恶意挖角，将直接危及标注交付质量与履约周期。2025 年 7 月裁撤约 500 名外包人员，可能在一定程度上削弱了标注供应链的运营冗余度。此外，Scale 对 AWS 等主流底层公有云的依赖构成了常见的云平台集中度风险，在满足美国国防部基础设施主权与本地化合规诉求时尤其值得关注。 [CR001, CR003, CR008, CR015, CR016, CR017, CR018, CR019]

7.4 合作伙伴与生态依赖风险

Scale AI 最重大的生态依赖风险来自 Meta：Meta 持有约 49% 股权，是 Scale 最大股东和最大的在册 AI 实验室客户，也是原 CEO 的新雇主。风投支持的 AI 公司中，这种三重关系极为少见。若 Meta 减少战略支持或数据采购，或推出自有竞品，Scale 可能同时面临客户收入下滑、估值承压和治理风险。 对底层云算力基础设施（AWS 等）的依赖是 AI 基础软件厂商的通用行业风险，但在 Scale 拓展政府业务时尤为敏感，平台主权与训练算力可控性皆为硬性国防合规指标。Scale 现有的国防资质表明其具备合规的云架构部署方案，但任何公有云战略合作变动均可能扰乱政府涉密准入。OpenAI 与 Google 的终止合作不仅斩断了关键营收支柱，更削弱了顶级同业的品牌背书。其余 AI 实验室合作伙伴（如 Cohere 等）体量相对有限，无法以单个客户的规模提供等量级的营收托底。 至于政府采办渠道与生态合作，集中度反而体现为正向护城河：政府订单依托成熟的采购框架（如 GSA、DIU、DARPA 渠道）规范化落地，履约确定性强。然而，联邦预算审批周期与持续决议案（CR）的博弈可能导致项目回款节奏出现季节性波动。Snorkel AI 建立的生态伙伴矩阵以及 SuperAnnotate 推进的企业级伙伴计划表明，竞品同样在加速构建依赖生态渠道的 GTM 体系，争夺企业级客户生态锁定的竞赛全面打响。 [CR002, CR003, CR004, CR006, CR009, CR020, CR021, CR022, CR023]

7.5 团队、执行与财务风险

管理层交接风险是 Scale AI 当前最重大的实质风险之一。创始人 Alexandr Wang 掌舵九年，一直是公司政府、企业与 AI 实验室关系的核心代表。他离职加入 Meta，同时 Meta 跃升为 Scale 最大投资方，在客户、员工和投资人眼前直接形成了委托代理冲突。现任 CEO Francis deSouza 虽是资深企业软件老将，但加入 Scale 时日尚短；自 2025 年以来公司已历经两次 CEO 更迭，在管理层稳住 Meta 入局后的新战略前，执行风险依然高企。 大裁员后的人才留存同样面临风险。2025 年 7 月裁减 200 名全职员工与 500 名外包人员，可能打击了其余约 1,000 名在职员工的士气，特别是当核心骨干感知到过渡领导层下方向不明时更是如此。掌握国防合同与企业部署组织记忆的关键政企大客户经理属于不可替代的资产；能否留住这批骨干，直接关系到合同续约与平台扩张。 财务风险虽因 Meta 战略投资获得部分缓冲，但该交易资金全部分配给了老股东，并未留存为 Scale 资产负债表上的运营资金。分配之后，Scale 的实际现金头寸与资金跑道随之成谜。目前未公开披露任何烧钱速度、现金头寸或盈利路径数据。若 AI 实验室业务流失规模正如 Google 与 OpenAI 离场所暗示的那样巨大，除非企业与政府业务增速超预期，否则 Scale 在 2025-2026 年可能面临实质性收入缺口，必须寻求额外外部资本。 [CR001, CR002, CR003, CR007, CR008, CR024, CR025, CR026, CR027, CR028]

7.6 展品

8.1 投资逻辑与反向逻辑

Scale AI 的投资逻辑建立在三根结构性支柱之上。第一，政府与防务：Scale 旗下的 Donovan AI 平台、DoD IL4/FedRAMP High 认证以及深厚政府关系，构筑起一道兼具高切换成本、长合同周期且与 AI 实验室几无竞争重叠的持久收入底座。无论商业 AI 实验室业务如何变化，该板块作为战略资产本身就能支撑 $3–5B 的最低估值。第二，数据护城河：Scale 历经九年打磨出标注质量基础设施、标注人员网络管理及模型评估工具链，难以被大规模快速复制。随着 Fortune 500 企业从 AI 试验走向需要“人在回路”数据工作流的生产部署，这套基础设施使公司能够卡位获取企业 GenAI Platform 收入。第三，Meta 背书：作为全球最成熟的 AI 投资方之一，Meta 注资 $14.3B 提供了财务与声誉层面的双重验证，不仅向市场释放了 Scale 数据基础设施战略价值的信号，更带来了不断扩大的客户采购关系。 反向逻辑同样扎实。在 $29B 隐含估值下，Scale 交易倍数高达估计 ARR 的 58x–145x，而此时两大核心收入来源（Google 与 OpenAI）双双离场，创始人 CEO 已经出走，商业模式正处于转型半途。标注商品化风险（合成数据、前沿实验室自建 RLHF）对 AI 实验室板块构成了结构性威胁。Meta 兼具投资人与客户的双重身份形成了治理阴影，既吓退了其他客户，又在 AI 领域制造了史无前例的委托代理冲突。临时 CEO Droege 在 Scale 核心市场并无经过验证的过往战绩。要支撑 $29B 估值，只能寄希望于一组关于政府合同续约、企业平台转化以及 Meta ARR 增长的乐观情景假设——而这些假设目前全无公开证据确认。基准情景则意味着按该入场价进入存在重大稀释风险。 综合各项证据，Scale 属于深陷结构性逆境的高质量资产。尽调路径必须查明三点：政府业务底座是否稳固、企业平台 ARR 增速是否足够快、管理团队能否在不引入稀释性条款的情况下完成转型。在这些问题获得解答前，现有证据并不支持按 $29B 隐含估值进行投资。鉴于当前证据质量，合适的建议是有条件放弃——即仅在入场估值显著更低且里程碑考核达标时才考虑入场——或维持继续研究立场。 [CV001, CV002, CV003, CV004, CV005, CV006, CV007, CV008, CV009]

8.2 估值背景与当前融资

Scale AI 当前约 $29B 的隐含估值源于 Meta 在 2025 年 6 月以 $14.3B 收购公司约 49% 股权。该交易经由多家独立知名媒体（TechCrunch、CNBC、Reuters）报道，在本分析中视为已证实。公司隐含总估值（$29B）基于报道的约 49% 股权推算；具体的投前 / 投后处理方式与股权结构表均未公开披露。关键在于，Meta 交易所得款项已分配给既有股东，并未留存至 Scale 资产负债表用于日常运营，导致 Scale 实际营运资金与现金跑道仍不明确。 在 $29B 隐含估值下： - 低 ARR 估计（$200M）：145x 收入倍数 —— 与 2024 年初前沿 AI 实验室估值倍数一致，但放到一家正经历客户流失的公司身上，倍数极端偏高 - 中 ARR 估计（$350M）：83x 收入倍数 —— 相当于市场巅峰时期的高增长企业级 SaaS 估值水平 - 高 ARR 估计（$500M）：58x 收入倍数 —— 唯有在政府 ARR 迅猛增长且企业平台转化提速的前提下才算合理 Scale 融资史上最直接可比的事件是 2024 年 5 月的 Series F 轮，按约 $200–300M 的估计 ARR 估值 $13.8B（46–69x ARR）。尽管同期 Scale 两大客户相继离场，Meta 交易仍在约 13 个月内使该估值翻倍。这种动态说明 Meta 给出的估值反映战略收购逻辑（Meta 需要专有 RLHF 数据基础设施），而非财务回报最优。因此，按 $29B 隐含估值共同投资者支付的是战略买家定出的价格，而不是独立财务投资者可接受的回报框架。这是估值纪律的关键症结：战略买家愿意承担财务投资人无法承销的溢价。尽调路径必须为财务投资人敲定一个入场价格上限。 股权稀释与优先权压力尚属未知。在 Meta 交易前，Scale 累计筹集了约 $1.6B 股权资金；其优先股堆叠、清算权以及参与型与非参与型优先股结构均未公开披露。任何按 $29B 隐含估值入场的财务投资人，都必须审慎评估悲观情景下优先权清算瀑布对普通股回报的冲击。 [CV001, CV002, CV003, CV010, CV011, CV012, CV013, CV014]

8.3 乐观 / 基准 / 悲观情景

Scale AI 的情景分析取决于三个核心驱动变量：（1）政府 / 国防 ARR 增长轨迹及现有 DoD 合同的续约率；（2）商业转型中企业 GenAI Platform 的客户转化率与 ARR 增速；（3）Meta 客户关系的持久性，以及 AI 实验室客户的进一步流失或新增。 乐观情景：政府合同以 >90% 的比率续约，并随着新增 Donovan 项目中标而进一步扩张；在 Fortune 500 企业生产部署带动下，企业 GenAI Platform 到 2027 年实现 $150M+ ARR；Meta 将数据采购规模扩大至 $300M+ ARR；临时 CEO Droege 稳住运营，并在 12 个月内物色到知名永久 CEO。基于这些假设，2027 年总 ARR 将达到 $600M–800M，按 25–30x 前瞻倍数计算，估值达 $18–24B。这意味相对 $29B 入场价仅有温和上行空间，且唯有多项利好同时兑现才能达成。 基准情景：政府合同以 85% 续约并温和增长；企业 GenAI Platform 到 2027 年达成 $75–100M ARR（爬坡速度慢于乐观情景）；Meta 贡献的 ARR 维持现状；AI 实验室 ARR（Cohere 等）温和下滑。2027 年总 ARR 达到 $350–450M，按 20–25x 前瞻倍数计算，对应估值为 $8–11B —— 较 $29B 入场价大幅减记。结合现有证据，这是最可能出现的情景。 悲观情景：政府合同延期或遭遇重大不续约；企业 GenAI Platform 到 2027 年未能跑通产品市场匹配（平台净 ARR < $50M）；Meta 建立自研标注能力后削减数据采购；更多 AI 实验室客户相继退出。2027 年总 ARR 将跌落至 $150–200M，按 10–12x 前瞻倍数计算，对应估值仅为 $1.5–2.5B。在这一估值水平下，$29B 入场在财务上是毁灭性的；即便优先股堆叠也恐难抵御本金全损。 各情景的概率信号极不对称：乐观情景需要多项利好同时兑现，而悲观情景只需发生“政府合同未能如期续约”这单一事件。这种不对称性，加之入场价由战略买家锚定，使得按 $29B 入场的财务投资人面临结构性不利的风险收益比。基准情景意味着 60–70% 的减记，悲观情景则意味着财务价值几近全损。唯有能将政府护城河的战略期权价值定价在 $20B+ 的投资人，才有理由在 $29B 价位入场。 [CV005, CV006, CV007, CV008, CV009, CV015, CV016, CV017, CV018]

8.4 可比公司组与估值定位

Scale AI 横跨多个市场，估值可参照几套不同框架。关键矛盾是：公司当前大部分收入仍来自数据标注与处理服务，市场却按前沿 AI 平台公司为其定价。因此估值框架并不匹配：按标注服务倍数（Appen：0.5–2x ARR）估值为 $100M–1B；按国防 AI 平台倍数（Palantir：25–30x ARR）为 $5B–15B；按前沿 AI 平台倍数（OpenAI 私募轮：100x+ ARR）则超过 $20B。适用哪套框架，取决于 Scale 未来哪块业务成为主要收入来源。 Appen (ASX: APX) 是最具启发意义的负面可比对象：这家上市数据标注公司在各大 AI 实验室自建标注能力并削减 RLHF 支出后，营收暴跌 60–80%。Appen 的市值从巅峰期的约 AUD $3.5B 跌至客户流失后的约 AUD $250M，显示标注商品化会显著压低估值。Scale 与 Appen 的关键差异在于政府业务：Scale 的国防业务提供了 Appen 所没有的收入底座。 Palantir (NYSE: PLTR) 则提供了政府 AI 平台的可比参照：这家企业深度融入 DoD 及情报界（IC），客户切换成本极高，手握多年期政府订单，凭借强劲增长叙事享有 25–30x ARR 倍数。Palantir 市值在估计 $2B+ ARR 基础上已突破 $100B，表明以政府业务为锚的 AI 平台能够维持高倍数。然而，Palantir 在政府收入之外已验证了持续的商业落地能力；而 Scale 的商业模式转型尚未规模化验证。 Labelbox（非上市，估值约 $1B）可作为缺乏政府护城河的标注基础设施可比公司。其估值通常仅为 8–10x ARR，远低于 Scale 的隐含倍数。两者的估值差距表明，市场为 Scale 的政府护城河及 Meta 带来的战略期权价值计入约 $20B 以上溢价。要证明这部分溢价合理，仍需核实政府合同周期和企业 ARR 增长轨迹，才能判断这部分溢价是否合理。 [CV019, CV020, CV021, CV022, CV023, CV024, CV025, CV026, CV027, CV028]

8.5 建议、置信度与最终尽调问题

对 Scale AI 的建议是继续研究；若入场估值大幅下调，可考虑有条件放弃。现有证据支持其核心资产质量——政府业务壁垒、数据标注基础设施、品牌和 Meta 背书——但以目前的证据质量和收入走势，尚不足以支撑 $29B 估值。Meta 按战略收购逻辑设定入场价格，而非财务投资人所需的回报框架。缺少客户流失后的 ARR、政府合同续约安排、企业平台转化指标和现金跑道信息时，按 $29B 投资缺乏充分依据。 建议置信度为中低，因为最关键的数据——政府合同 ARR、企业平台 ARR 和交易后现金头寸——均未公开。若这些数据经核实且表现良好，可考虑在 $15B 以下有条件买入；若估值为 $8–12B 且附带严格的里程碑保护，也可考虑结构化买入。目前应保持审慎：本章 30 个研究问题中，有 8 个因关键信息属于非公开资料而仅部分解决或尚未解决。 以下情况将使建议转为放弃（否决）：任何政府合同取消、另有企业客户以 Meta 利益冲突为由离开，或确认截至 2026 年 Q1 GenAI Platform ARR 低于 $30M。若政府合同如期续约、企业平台 ARR 超过 $75M，且公司任命具备政府 AI 或企业平台运营经验的正式 CEO，则可考虑上调至有条件买入。核心尽调问题有望较快得到答案：从研究基准日起 12–18 个月内，政府合同期权期和企业平台业务爬坡应能带来可观察的收入信号。 [CV001, CV002, CV006, CV009, CV017, CV029, CV030, CV031]

8.6 展品