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，截至目前，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。他在市场型和平台型业务上的运营经历，是 Scale 对外宣称转向企业与政府平台收入的核心支撑。 Scale 尚未详细披露治理结构。Wang 保留董事席位；Meta 投资和领导层交接后，公司未披露完整董事会组成，也未披露独立董事名单。对潜在投资者而言，这带来实质性的治理不透明风险，尤其是 Wang 同时在 Meta 任职；Meta 既是战略投资方，也可能在 AI 人才和技术上与 Scale 竞争。 [CO001, CO010, CO011, CO012, CO013, CO014]

1.3 融资历史与资本结构

Scale AI 已公开披露的风险融资约为 $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，公司裁员约 20%，反映出 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，取得 Scale AI 少数股权（据报道按完全摊薄口径约占 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，因此 Scale 剩余现金和现金跑道仍不清楚。 [CO005, CO006, CO007, CO017, CO018, CO019]

1.4 产品与商业模式

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），以及面向小型或实验性场景的自助层。Scale 不公开披露收入、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 用自研流水线把企业数据转成特定领域 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，这是训练能遵循指令且更安全的大语言模型的核心。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 不公开披露收入；市场估计其 ARR 达数亿美元级别，这一判断来自投资者评论和可比指标，并非公司确认披露。 [CO002, CO003, CO008, CO024, CO025, CO026]

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 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，引入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 月是最关键拐点：Meta 作出 $14.3 billion 战略投资，创始人 Alexandr Wang 同时离开 Scale、加入 Meta 的 AI 工作。三周后（2025 年 7 月），临时 CEO Droege 宣布裁员约 200 名员工（占员工数 14%）和 500 名承包商，理由是公司相较于转向企业与政府平台收入的战略方向，对数据标注人员投入过度。2025 年 6 月，CNBC 报道称 Google——当时 Scale 最大客户——计划结束或大幅缩减与 Scale 的合作，原因是担忧与 Meta 发生竞争冲突。OpenAI 也在 2025 年 6 月结束了与 Scale 的合作。2025 年 9 月，Scale 起诉竞争对手 Mercor 和一名前员工，指控其挖走客户。这些不利事件，对评估 Scale 的投资者构成实质性的客户集中和治理风险。 [CO001, CO031, CO032, CO033, CO034, CO035]

1.6 展项

2.1 市场边界与定义

Scale AI 位于几个彼此独立但相连的市场交界处，因此在有意义地测算规模之前，必须先把边界讲清楚。核心市场是 AI 数据服务：为机器学习模型收集、标注、整理和验证训练及评测数据。这个市场包括面向计算机视觉、自然语言处理、语音识别和多模态 AI 的人类标注数据。相邻市场是 AI 模型评测，即面向大语言模型的可信基准测试和安全测试，Scale Evaluation 和 Scale Leaderboard 在这里竞争。 再向外扩，Scale 的 GenAI Platform 进入企业 AI 部署市场：帮助大型组织在基础模型之上构建、定制并投入运营生成式 AI 应用的工具和服务。这个市场与超大规模云厂商 AI 服务（Azure AI、AWS Bedrock、Google Vertex AI）、精品 AI 咨询公司和 AI 模型 API 厂商重叠。Donovan 平台则切出一个专门的政府与防务 AI 垂直市场，其采购规则和预算机制与商业 AI 支出不同。 Scale 核心数据标注服务的现状替代方案包括内部人工审核团队（许多大型 AI 实验室和企业最初都自建标注流水线）、更低成本的离岸服务商，以及自动化合成数据生成。市场测算的关键问题，是应当把服务市场窄定义为 AI 数据标注服务，还是宽定义为所有 AI 基础设施和工具支出。本章将主要市场定义为 AI 数据服务与评测基础设施（标注、RLHF、基准测试），把企业 GenAI 平台和政府 AI 视为相邻子市场。 [CM001, CM002, CM003, CM004, CM005]

2.2 TAM、SAM 与 SOM 的多口径测算

公开来源没有给出足够细、足够可靠的 AI 数据服务 TAM/SAM/SOM 精确数字，无法直接支撑高置信度估值分析。这里呈现的数字，是基于公开市场代理指标、投资者报道和竞争对手披露模式综合得出的、受证据约束的估计。 截至 2025 年，全球 AI 数据服务与基础设施的总可用市场（TAM）——包括标注、RLHF、评测和 GenAI 平台工具——估计每年为 $5 billion 到 $20 billion。区间很宽，反映市场快速演进，也反映不同分析师对边界定义不一致。这个估计锚定在 McKinsey 的发现：88% 的受访组织如今已在至少一个职能中使用 AI（高于 2024 年的 78%）；Stanford HAI AI Index 2025 也显示 AI 投资已急剧加速。如果每家采用 AI 的 Fortune 1000 企业每年在 AI 数据和评测基础设施上花费 $1M–$10M，仅企业端合计支出就达到 $1B–$10B，AI 实验室还会带来大量增量需求。 Scale AI 的可服务市场（SAM）——拥有复杂 AI 数据需求、且有预算购买高端质量的大型企业、领先 AI 实验室和美国政府机构——估计为 $2 billion 到 $8 billion，反映 Scale 站在市场质量端，而不是低成本商品化标注段。可获取市场（SOM）——Scale 未来 3-5 年现实可捕获规模——估计为 $500M 到 $2B，这与其后期私有估值所隐含的企业与政府收入轨迹大体一致。公司未披露收入；这些估计不确定性很高，必须用实际财务数据验证。 [CM006, CM007, CM008, CM009, CM010, CM011]

2.3 买方与用户分层及采用路径

Scale AI 的可触达市场由四类主要买方构成，预算权、采购流程和切换成本差异很大。理解这些分层，是判断 Scale 收入韧性和增长天花板的前提。 第一类——AI 研究实验室和基础模型开发商——是 Scale 最早的客户群。OpenAI、Meta、Google DeepMind、Anthropic、Cohere 和 Adept 等公司，需要海量高质量标注数据用于预训练和 RLHF。预算权在研究和工程职能。采购通常通过直接谈判，签署多年合同。切换成本中等：实验室可以自建内部标注流水线，也可以换供应商，OpenAI 和 Google 2025 年离场已证明这一点。这个分层收入集中风险很高。 第二类——大型企业 AI 采用者——包括用 AI 做内部自动化、客户产品和竞争差异化的 Fortune 500 公司。Cisco、Etsy、Instacart 和 Pinterest 等公司代表这一类别，它们使用 Scale 的 GenAI Platform 开发特定领域 AI 应用。预算权通常落在 CTO/CDO 组织，并伴随多年平台承诺。由于平台集成更深，切换成本高于标注服务。 第三类——美国政府与防务——是 Scale 最有辨识度、也最可防守的分层。预算权掌握在 DoD 项目办公室、DHS、NSA/IC 和民用机构手中。采购遵循联邦采购法规，并使用多年合同工具。切换成本很高，因为需要安全准入（DoD IL4、FedRAMP High）、机构知识，以及 Donovan 平台带来的竞争护城河。这个分层带来稳定、长周期收入，也能隔离商业客户集中风险。 第四类——AI 初创公司和研究机构——通过自助层接入 Scale。预算权分散；单个客户支出较低，但数量可能可观。切换成本低（按量付费）。 [CM012, CM013, CM014, CM015, CM016, CM017]

2.4 增长驱动因素与采用约束

Scale AI 可触达市场最强的增长驱动因素，是企业采用 AI 正在加速。McKinsey 2025 年 State of AI 调研显示，使用 AI 覆盖至少一个业务职能的组织比例，从上一年的 78% 跳升至 88%，其中 62% 正在积极试验 AI 智能体。这个宏观扩张，为四类买方分层中的数据标注、模型评测和企业 AI 部署工具带来结构性需求。 第二个主要驱动因素，是大语言模型提供商持续增多——OpenAI、Meta、Anthropic、Google、Mistral、Cohere 及其他厂商，每一家都需要持续的 RLHF 循环、安全基准测试和规模化能力评测。基础模型开发商越多，对专家级训练数据和中立评测基础设施的需求也越高。Scale 的 Evaluation 产品和 Scale Leaderboard 正好受益于这一趋势。 美国政府 AI 投资是尤其强劲的增长驱动因素。Scale 的安全准入（DoD IL4、FedRAMP High）、Donovan 平台和正在执行的防务合同，让它有机会承接更大份额的联邦 AI 预算。随着 DoD 将 AI 融入监视、后勤、网络安全和自主系统，防务 AI 支出预计会显著增长；这些场景都需要可信数据基础设施。 采用约束同样明显。第一，Meta 战略投资后，最大 AI 实验室正从 Scale 分散出去，可能压低收入。第二，合成数据生成技术（部分 AI 实验室在内部使用）长期可能减少某些应用对人类标注数据的需求。第三，Appen、SuperAnnotate、离岸团队等低成本提供商竞争激烈，给商品化标注段带来利润率压力。第四，企业 AI 项目仍大量停留在试点 / POC 阶段——McKinsey 指出，多数组织还在测试，而非大规模推广 AI——因此企业平台收入增长可能滞后于采用曲线。第五，政府采购周期长且依赖预算，导致合同收入波动。 [CM019, CM020, CM021, CM022, CM023, CM024]

2.5 市场测算缺口、相互矛盾的估计与尽调问题

AI 数据服务的市场测算存在显著结构性不确定性。没有公开分析师报告能对 AI 数据标注可触达市场给出一致、细颗粒度拆分。估计差异很大，取决于边界只包括人类标注数据服务，还是延伸到 AI 模型评测、企业 AI 工具和政府 AI 平台支出。本章给出的宽区间（$5B–$20B TAM）反映真实的分析师分歧和市场边界模糊，而不是测量误差。 合成数据市场让测算更复杂：一些预测假设合成数据会在 3-5 年内大幅替代许多任务中的人类标注，显著压缩 Scale 这类公司的 TAM。另一些观点则认为，人类评测、RLHF 和对抗性红队永远需要人类判断，并会随着模型增多而扩张。这是投资命题层面的不确定性，潜在投资者必须通过与 AI 实验室和 Scale 客户的一手研究来解决。 Scale AI 披露的牵引力指标（15B 次决策标注、向贡献者支付 $1B）能说明规模，却不能说明收入。没有收入披露，就无法验证哪个分层主导 Scale 收入结构，也无法判断企业平台和政府分层能否替代下滑的 AI 实验室收入。Google 和 OpenAI 作为主要客户离场——假设它们曾是 Scale 收入前 10 大贡献者——留下了规模未知的收入缺口，企业与政府转型必须填补这块缺口。量化这两家客户离场的收入影响，是 Scale 投资案例中最重要、尚未解决的市场测算问题。 [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多个重叠分段竞争，每个分段的竞争动态不同。在核心 AI 数据标注分段，Scale 面对 Appen（ASX 上市，也是唯一公开交易的直接可比公司）、SuperAnnotate、Labelbox 和 Surge AI。具体到 RLHF 和 LLM 训练数据，Surge AI 和 Mercor 是最聚焦的直接竞争对手。企业模型评测与基准测试方面，Labelbox 的评测套件和 Snorkel AI 的程序化标注构成相邻威胁。企业 GenAI 平台部署方面，Scale 面对超大规模云厂商（AWS Bedrock、Azure AI、Google Vertex AI）、精品 AI 咨询公司和系统集成商——这些对手规模更大、资源更足。 竞争格局还包括相邻领域的既有公司：传统数据外包公司（Accenture、Capita）、众包标注平台（Amazon Mechanical Turk、Remotasks），以及 AI 实验室内部标注团队，后者代表「自建」替代方案。可能的新进入者包括在内部构建标注和评测能力的大型科技公司，以及从学术或特定领域 AI 切入的专业精品公司。 关键竞争动态是 Meta 战略投资：Meta 成为 Scale 最大投资者的同时，也制造了利益冲突，已经导致 Scale 两个最大 AI 实验室客户 Google 和 OpenAI 退出或减少与 Scale 的合作。这是一个罕见局面：Scale 自己的投资方正在导致最大商业分段客户流失。Mercor 是一家更新、更小的竞争对手，正试图通过直接招揽客户来利用这一脆弱点，Scale 2025 年 9 月诉讼就是证据。 [CP001, CP002, CP003, CP004, CP005]

3.2 竞争对手画像

Appen（ASX: APX）是 Scale AI 标注业务唯一公开交易的直接可比公司。Appen 为全球企业和政府客户提供 AI 训练数据，包括图像、视频、语音、文本和文档标注。随着 AI 标注市场转向高端和 LLM 专用服务，Appen 公开报告的收入一直下滑。Appen 服务全球企业和政府客户，与 Scale 客户群有部分重叠。Appen 的竞争重心主要是覆盖广度和成本效率，而不是 Scale 的高质量溢价定位。 Labelbox 是一家位于旧金山的数据标注和模型评测平台，目标客户是企业 AI 团队。Labelbox 已从核心标注扩展到 RLHF 数据收集和模型排行榜，因此在 Scale 多条产品线上构成直接竞争。Labelbox 定价比 Scale 企业合同更易接近，并建立了专家网络（Labelbox Expert Network）服务质量要求高的标注任务。Labelbox 为机器人 AI 训练提供专门产品，而 Scale 尚未公开强调这一市场。 Snorkel AI 专注于使用 AI 辅助的弱监督技术做程序化数据标注，以降低人类参与瓶颈。Snorkel 面向需要构建 AI 训练数据集、但不想投入大量人工标注的企业客户。Snorkel 的方法与 Scale 的人类专家模型根本不同——Snorkel 试图减少人类标注需求，Scale 的模型则依赖人类质量。Snorkel 客户包括大型企业和部分政府机构。 SuperAnnotate 是面向企业团队的 AI 标注平台，提供协作式标注工作流、质量管理和 ML 流水线集成。SuperAnnotate 提供服务企业合规的安全功能，并已扩展到计算机视觉、NLP 和多模态标注。Mercor 是更新的进入者，运营 AI 人才市场，服务 RLHF、模型评测和数据标注，由前 Scale 贡献者创办。Scale 于 2025 年 9 月起诉 Mercor，指控其挖走客户，说明 Mercor 正在主动瞄准 Scale 的企业客户群。 Surge AI（现已成为更广泛 RLHF 数据生态的一部分）曾专注于为 LLM 训练提供高质量人类反馈数据，拥有类似 Scale 但规模更小的专家标注员网络。Invisible Technologies 提供 AI 驱动的业务运营和数据服务，与 Scale 的企业自动化和标注能力竞争。 [CP006, CP007, CP008, CP009, CP010, CP011]

3.3 能力、定价与监管对比

Scale AI 最重要的竞争差异集中在三处：（1）政府级安全认证（DoD IL4、FedRAMP High），没有公开披露的竞争对手达到同等水平，这让 Scale 在涉密和防务 AI 数据市场接近独占；（2）Scale Evaluation 的模型安全基准测试和 Scale Leaderboard 已建立声誉，成为 LLM 能力可信第三方评测方；（3）Donovan 防务 AI 智能体平台，在获准入的 AI 智能体空间没有公开记录的直接竞争者。 在核心标注业务中，Scale 相比低成本竞争对手的主要差异是质量溢价。自研 Scale Data Engine、质量反馈闭环、专家贡献者网络（已向全球贡献者支付超过 $1B）和标注工具链，都难以快速复制。不过 Labelbox、Snorkel AI 等竞争对手也在质量管理工作流上投入很大，正在缩小差距。 定价上，Scale 位于高端层：企业合同采用定制定价，并配备专门运营团队。Appen 和 SuperAnnotate 价格更低，更容易触达那些不需要 Scale 质量保证的中端市场客户。Labelbox 提供分层定价和自助选项，因此既是 Scale 自助层的直接竞争对手，也竞争企业合同。 监管与信任姿态是关键战场。Scale 的政府安全准入和监管承诺（白宫 AI 安全承诺、WMDP 基准、国会证词）把它定位为可信政府 AI 数据供应商。Appen 有一些政府业务，但缺少 Scale 在防务专用安全准入上的深度。Labelbox 和 Snorkel 看起来没有发布同等级别的政府安全认证。由于取得 DoD IL4 和 FedRAMP High 认证需要多年流程，这是 Scale 最持久、也最可防守的竞争优势。 [CP015, CP016, CP017, CP018, CP019, CP020]

3.4 切换成本、锁定效应与多供应商并用

Scale AI 各市场的切换成本因分段而差异巨大。AI 实验室主要用 Scale 获取标注和 RLHF 数据，切换成本中等：标注流水线在一定程度上可替代，实验室也已展示换供应商的意愿（Google 和 OpenAI 于 2025 年离场）。这正是 Meta 投资利益冲突会如此迅速造成客户流失的原因——面对数据供应商新投资方带来的利益冲突时，切换成本不足以留住客户。 企业客户使用 Scale 的 GenAI Platform，切换成本更高：平台牵涉数据迁移、与企业系统的工作流集成、数据流水线定制和组织知识迁移。其切换成本类似中端 SaaS 平台（6–18 个月）。 美国政府与防务客户的切换成本极高。转向新供应商，要求新供应商取得同等安全准入（DoD IL4 和 FedRAMP High 授权需要 12–36 个月）、重建机构知识，并穿过联邦采购法规。这为 Scale 的防务分段创造了持久、持续多年的锁定效应。 标注市场常见多供应商并用：许多大型组织（AI 实验室、企业）会同时把标注工作交给多个供应商，以比较质量、优化成本并保留冗余。这意味着即便是具名客户，Scale 也未必拥有独家关系。Scale 的自助层明确鼓励多供应商并用（低承诺、按量付费）。Labelbox 的专家网络和 Surge 的质量定位说明，它们有能力从 Scale 客户手中拿走多供应商并用下的标注支出。 分发能力与供给获取：Scale 的贡献者网络（全球累计支付 $1B+）是一项专有的人类标注员供给。竞争对手必须建立同等网络，才能在质量和吞吐量上竞争。运营 AI 人才市场的 Mercor 正试图建立替代专家贡献者供应链，直接与 Scale 的贡献者网络竞争。 [CP021, CP022, CP023, CP024, CP025]

3.5 护城河持久性、商品化风险与反向证据

Scale AI 的竞争护城河在政府 / 防务 AI 中最强，在商品化数据标注中最弱。政府业务（DoD IL4、FedRAMP High、Donovan、正在执行的防务合同）高度持久，因为安全准入需要多年取得，防务 AI 工作流中的机构知识也无法快速复制。这构成真实、持续多年的竞争优势。 在核心标注市场，Scale 的护城河正在削弱。Google 和 OpenAI 作为客户离开——这是 Scale 两个最大商业关系——说明仅靠质量溢价，并不能为 AI 实验室客户创造牢不可破的锁定效应。竞争对手正在缩小质量差距，质量足够且成本更低的提供商（Appen、SuperAnnotate、离岸团队）仍会在价格敏感型企业中赢得标注工作。 商品化风险真实存在，并在加速。随着 AI 基础模型训练成熟、合成数据能力增强，人类标注市场的 TAM 可能显著收缩。Snorkel AI 等竞争对手正在构建减少单位产出人力需求的标注工具。如果趋势延续，标注市场会分化：一个由低成本提供商主导的大型商品化分段，以及一个规模更小、面向专家评测和政府级工作的高端分段；Scale 在后者的位置更强。 反向竞争证据：（1）Meta 交易后 Google 和 OpenAI 离场，说明 AI 实验室分段存在客户集中风险，切换成本也不足；（2）按 Scale 诉讼，Mercor 主动挖客户，说明竞争对手认为 Scale 客户脆弱；（3）Appen 收入下滑，是纯标注分段面临结构性逆风的警示指标；（4）Scale 2025 年 7 月裁员专门针对数据标注人员，承认公司在正在商品化的分段投入过度。 [CP026, CP027, CP028, CP029, CP030, CP031]

3.6 展项

4.1 收入模式与收入来源

Scale AI 的收入来自三条主要来源：（1）企业数据标注和 RLHF 服务，（2）Scale GenAI Platform（企业 AI 应用开发），以及（3）通过 Donovan 和 Public Sector Data Engine 获得的美国政府与防务合同。自助层构成第四条、更小的收入来源，服务研究和实验项目。 企业数据标注分段长期是 Scale 最大收入驱动，支撑公司从 2016 年增长到 2024 年 F 轮。这一分段向企业和 AI 实验室收取基于项目或基于用量的费用，覆盖标注、RLHF 数据收集和模型评测。定价模式定制且不透明——Scale 不公布其标注服务的企业定价。自助层提供 1,000 个免费标注单元，此后按单元收费；这是用来获取小客户的免费增值模型。 Scale GenAI Platform 是利润率更高、更偏 SaaS 的收入来源，目标客户是希望部署定制 AI 应用的企业。这个分段服务包括零售（Etsy、Instacart）和媒体（TIME）在内的 Fortune 500 公司。Scale 为企业客户定制构建 LLM 驱动应用，并接入客户自有数据和工作流。这条收入可能包含订阅和托管服务成分，但定价细节未公开披露。 政府与防务合同构成第三条收入来源，正在增长且具有战略重要性。Scale 持有 DoD IL4 和 FedRAMP High 安全准入，能争取涉密和防务级 AI 数据合同。Donovan 平台（防务 AI 智能体）和 Scale Public Sector Data Engine 面向防务市场，这类市场定价通常不公开，而是基于联邦采购日程。DIU RCV 项目中标和正在执行的 DoD 数据整理合同，确认了商业相关性。这个分段今天可能小于商业标注，但考虑切换成本，潜在规模更大、持久性也更强。 [CI001, CI002, CI003, CI004, CI005]

4.2 定价、GTM 动作与销售效率

Scale AI 的 GTM 动作主要由企业销售驱动，并辅以自助的产品驱动增长层。企业层依赖专门销售团队、关系驱动型交易，以及与客户一起界定并交付大型标注或平台项目的解决方案工程师。企业合同采用定制报价，配备专门运营支持和 SLA，说明平均合同价值高，销售周期也长于典型 SaaS 公司。 标注服务按用量和项目定价。Scale 的自助层设立了标价锚点：前 1,000 个免费单元之后，用户可按公开单元费率购买。企业客户为大规模标注项目谈判价格，这些项目可能包含专门标注员团队、质量保证工作流和平台集成。公司未公开披露折扣或典型交易规模。 销售周期长度和获客成本（CAC）未公开披露。作为数据服务和基础设施公司，Scale 很可能经历较长企业销售周期（3–12 个月），且包含大量专业服务成分。政府合同销售周期更长（从采购启动到首次收入通常 12–36 个月）。净留存率（NRR）无法验证——Google 和 OpenAI 2025 年离场代表一次严重的 NRR 压缩事件，但完整财务影响未知。 分发渠道包括：直接企业销售、政府采购关系（DoD、IC）、与 AI 实验室提供商的伙伴关系，以及面向开发者和研究人员的自助 API / 平台接入。Scale 与主要投资方（Accel、Amazon、Meta、Nvidia、Cisco）的关系创造了战略联合销售和转介绍渠道，但具体经济影响未披露。 Scale 的数据标注业务收入集中在少数大型 AI 实验室（Google、OpenAI、Meta、Anthropic）。Meta 投资后，Google 和 OpenAI 于 2025 年离场，这构成实质性的 GTM 与集中度风险，并直接压缩标注分段收入。 [CI006, CI007, CI008, CI009, CI010]

4.3 成本结构、毛利率与资本强度

Scale AI 的收入成本主要由人力构成——负责数据标注、RLHF 反馈收集和模型评测任务的标注贡献者。Scale 已向全球贡献者网络支付超过 $1 billion，印证了核心标注业务的劳动密集属性。相较纯软件业务，这类人力成本让标注业务的毛利率结构性更低。Appen 作为公开上市的标注可比公司，其行业参照显示，标注服务毛利率大约在 25–45% 区间，且会随着市场商品化继续下行。 Scale GenAI Platform 和评测产品的毛利率应高于标注服务，因为软件杠杆更强、单位人力投入更少。但企业级 GenAI Platform 项目仍需要大量专业服务和运营投入，毛利率因此低于纯 SaaS 标杆。政府合同中的数据服务通常只有 15–30% 的利润率，受采购费率结构约束。 运营费用包括工程和研发（搭建标注工具、GenAI Platform、Donovan 和评测基础设施）、销售和营销（企业销售团队、政府业务拓展）以及一般行政费用。2025 年 7 月裁员前，Scale 约有 1,400 名员工；裁员后约 1,000 人。14% 的员工裁减叠加 500 名承包商缩减，意味着运营费用明显下降，主要指向数据标注成本底座。这也符合靠削减低毛利、商品化标注劳动力抬升综合利润率的路径。 Scale 模型的资本强度主要体现在营运资金（向贡献者支付劳务费），而不是实物资本开支（硬件、设施）。基础设施成本（标注工具和模型评测所需的云计算）是次要资本开支因素。因此，相比硬件 AI 公司，Scale 资本效率更高；但相比纯 SaaS，又更依赖人力。$1 billion 的 Series F 和 Meta 战略投资为公司提供了充足资本，用于转向利润率更高的企业和政府服务。 [CI011, CI012, CI013, CI014, CI015]

4.4 资本充足性与融资历史

Scale AI 累计外部融资约 $1.6 billion+。融资历史包括：2016–2019 年的种子轮和早期轮次（包括 Y Combinator、Index Ventures、Founders Fund）；2021 年以约 $7.3 billion 估值完成的 $325 million Series E；Series F 前累计约 $600 million；以及 2024 年 5 月由 Accel 领投、Amazon、Meta、Cisco、Intel、AMD、ServiceNow、Nvidia、DFJ Growth、WCM 以及 Tiger Global、Thrive、Greenoaks、Wellington、Nat Friedman、Elad Gil 等老股东参与的 $1 billion Series F，估值 $13.8 billion。Series F 同时包含新股（公司获得新现金）和老股交易（为现有股东提供流动性）。 2025 年 6 月 Meta 战略投资约 $14.3 billion，获得少数股权（约占已发行股权 49%）。关键在于，Meta 投资的大部分资金分配给了现有股东和已归属股权持有人，而不是进入公司运营金库，符合老股交易结构。Meta 交易中实际进入 Scale 运营业务的新股资金尚未完全披露。Scale 仍保持独立公司结构；Meta 持有少数股权。 没有公开财务报表，现金余额未知。Series F 于 2024 年 5 月完成；如果其中相当部分为新股资金（$500M+ 进入公司），再叠加 Meta 交易的新股部分，按当前烧钱速度，Scale 很可能拥有 3+ 年的充足现金跑道。2025 年 7 月裁减 200 名员工和 500 名承包商，加上战略上撤离数据标注，都是降低成本的动作，意在拉长现金跑道、提升现金效率。 烧钱速度未公开披露。Scale 裁员前的费用底座（1,400+ 名员工、大量标注承包商成本）意味着月度烧钱规模不小。裁员后，现金效率应明显改善。Scale 未公开披露债务融资安排或项目融资义务。Meta 交易带来了结构性依赖（Meta 同时是投资方，也是这些 AI 服务的关键客户），但未披露任何经济性约束或限制条款。 [CI016, CI017, CI018, CI019, CI020]

4.5 财务结论——收入质量、利润率路径与尽调阻断项

Scale AI 的财务画像复杂：资本充足，收入轨迹不清晰，管理团队又要在主要客户明显流失的背景下执行高风险商业模式转型。 收入质量令人担忧。数据标注板块曾是 Scale 最大的收入驱动，但定位已接近商品化，正面对结构性逆风（Appen 公开收入下滑是先行指标）、客户流失（Google 和 OpenAI 离开）以及直接竞争。GenAI Platform 和政府 / 国防板块的收入质量更高（合同更长、锁定更强、商品化风险更低），但它们目前对总收入的贡献未知，且很可能仍较小。2025 年之后，AI 实验室板块的净留存率（NRR）很可能低于 100%。 如果转型成功，利润率方向上会改善：剥离低毛利数据标注劳动力、扩大更高毛利的平台和政府板块，将随时间抬升综合毛利率。但转型本身有执行风险，中间阶段（2025–2027 年）很可能先出现收入压缩，随后平台和政府收入才开始放量。 资本充足性是最强的财务正面因素。Scale 已融资 $1.6B+，Meta 交易又为股东提供了额外流动性（并带来部分新股资金）。裁员后，公司以更低员工数和更低烧钱速度运营。现金跑道估计为 3+ 年，足以支撑转型执行。 主要尽调阻断项：（1）没有公开收入或 ARR 数据，估值倍数无法验证；（2）Google 和 OpenAI 流失对收入的影响未知；（3）政府合同收入规模和增长轨迹未披露；（4）分板块毛利率未披露；（5）Meta 交易中新股与老股交易的拆分未确认；（6）Mercor 诉讼结果可能带来财务影响（赔偿、客户流失）。 [CI021, CI022, CI023, CI024, CI025]

4.6 证据材料

5.1 产品组合与客户工作流

Scale AI 的产品组合对应 AI 开发中的四类客户工作流问题：（1）为模型开发创建高质量训练数据；（2）为 LLM 对齐和 RLHF 收集人工反馈；（3）独立评估 AI 模型安全性和能力；（4）以企业级规模部署定制 GenAI 应用。第五条产品线 Donovan 面向国防和情报任务中的专用 AI 工作流。 Scale Data Engine 是 Scale 的核心产品，也是公司的根基。它帮助 AI 团队跨模态（文本、图像、视频、音频、3D）收集、整理、标注并质检训练数据集。客户工作流是：AI 工程师定义标注需求和质量标准；Scale 的贡献者网络在 Scale 自研工具和 QA 流水线指导下执行标注任务；标注后的数据集再交付回客户的 MLOps 流水线。Data Engine 覆盖模型开发全生命周期，从预训练数据整理，到 RLHF，再到评测。 Scale GenAI Platform 解决企业 AI 部署工作流。企业客户（覆盖零售、媒体、金融、政府等领域的 Fortune 500 公司）带来自有数据和领域需求；Scale 将这些输入转化为定制化 LLM 应用。平台包含数据摄取、LLM 微调、RAG 流水线配置和生产部署支持。该产品瞄准想要定制 AI、但缺少从零搭建所需深度 ML 能力的企业。 Scale Evaluation 和 Scale Leaderboard 提供独立模型基准测试服务。AI 实验室和企业使用 Scale Evaluation，从推理、安全、编码、领域知识等维度评估 LLM 能力。Scale Leaderboard 是 LLM 表现的公开排名，是面向开发者的工具，也让 Scale 在 AI 社区建立了可信第三方评测方的定位。WMDP（Weapons of Mass Destruction Proxy）基准是其在 AI 安全上的专项评测贡献。 Donovan 服务 DoD、IC 和民用政府机构，为关键任务工作流提供 AI 智能体。它接入涉密数据源，支持有授权要求的运营环境，并为国防和情报应用提供 AI 驱动的决策支持。Donovan 部署在 DoD IL4 授权环境中，是 Scale 在国防板块的主要竞争护城河。 [CE001, CE002, CE003, CE004, CE005]

5.2 架构与运营模式

Scale AI 的运营模式把软件工具和人在回路执行结合起来——它是 AI 辅助的混合标注架构，而不是纯软件或纯劳动力模型。核心技术栈包括：（1）面向跨模态标注任务的网页标注工具平台；（2）负责复核、调和和反馈的质量保证流水线；（3）向企业和实验室客户以程序化方式开放 Scale 服务的 API 基础设施；（4）支持 LLM 定制工作流的 GenAI Platform；（5）面向国防任务的 Donovan AI 智能体运行时。 标注贡献者网络是 Scale 自有的全球劳动力，公司负责招募、培训、质检筛选和管理。贡献者平台（Scale 称之为「任务市场」）把标注任务分配给具备相应技能的贡献者，实时监控完成质量，并在质量敏感任务中升级给专家复核。Scale 把贡献者质量管理当作核心差异化能力来投入，并声称自研 QA 流水线产生的标注质量高于竞争对手。 Scale API 是 Data Engine 面向开发者的主要接口，支持以程序化方式提交标注任务、取回已完成数据集，并接入 ML 训练流水线。该 API 支持所有标注任务类型（文本分类、边界框、分割、RLHF 偏好对等），并提供 webhook，以便实时通知任务完成。 GenAI Platform 的运营模式包括：数据摄取和预处理、LLM 选择和提示词工程、微调或 RAG 流水线配置、红队测试和安全评估，以及带监控的生产部署。这是一种托管服务路径，由 Scale 工程师和平台工具共同交付定制 AI 应用。 Donovan 的架构专为有授权要求的环境设计：它运行在 DoD IL4 认证云基础设施上，接入涉密政府数据系统，支持多模态 AI 智能体工作流（规划、搜索、决策支持），并提供军事应用所需的可解释性功能。Donovan 的技术架构细节未公开披露；其运营模式更接近托管式国防 IT 服务，而不是商业 SaaS 产品。 [CE006, CE007, CE008, CE009, CE010]

5.3 差异化、技术 IP 与竞争护城河

Scale AI 的关键技术和运营差异化分为五类。第一，自研标注工具和 QA 方法论：Scale 大量投入标注界面，使其在各类任务上兼顾准确性、速度和一致性。QA 流水线使用统计质量控制、一致性检查和专家复核升级，维持公司声称高于竞争对手的标注质量标准。这套自研工作流不开源，是嵌入运营中的组织经验。 第二，贡献者网络本身是供给侧 IP：Scale 的全球贡献者网络（已获得 $1B+ 支付）是一项自有资产。支配该网络的质量筛选、入职培训、技能认证和任务路由逻辑，是 Scale 在标注板块的运营护城河。竞争对手（包括 Scale 当前起诉、指控其挖人的 Mercor）必须搭建同等网络，才能在规模化质量和吞吐上竞争。 第三，政府认证构成监管护城河：Scale 拥有 DoD IL4 Provisional Authorization 和 FedRAMP High Authorization。这些许可需要 2–4 年合规投入，并要求持续合规维护。公开披露的 AI 数据竞争对手中，没有公司具备同等认证，这让 Scale 在涉密 AI 数据合同中接近独家。复制这些能力所需的成本和时间，是政府 AI 数据领域真实的进入壁垒。 第四，Scale Leaderboard 和 WMDP 基准构成声誉 IP：Scale Leaderboard 已让 Scale 成为 LLM 能力的可信第三方评测方。用于 AI 安全评估的 WMDP（Weapons of Mass Destruction Proxy）基准已被 AI 安全研究社区采用。这些基准是公共品，为 Scale 带来声誉资本，使其成为权威 AI 评测方，也支撑商业评测合同和政府关系。 第五，Donovan 平台在国防 AI 智能体上具备先发优势：Donovan 是首个商业化部署、获得 DoD IL4 清关的国防任务工作流 AI 智能体平台。专用产品能力、政府关系和清关基础设施叠加，让 Donovan 成为难以替换的国防 AI 平台；随着 DoD 提高 AI 采用预算，这一点尤其重要。 [CE011, CE012, CE013, CE014, CE015]

5.4 信任、安全、合规与质量控制

Scale AI 大量投入信任和合规基础设施，尤其服务政府客户。公司公开披露的认证包括：SOC 2 Type II（企业安全控制审计）、ISO 27001（信息安全管理体系）、DoD IL4 Provisional Authorization（美国国防部针对受控非密信息和部分涉密数据的数据安全要求）以及 FedRAMP High Authorization（美国联邦政府面向高影响系统、包括涉密数据处理的云安全要求）。 AI 安全上，Scale 已根据 2024 年白宫 AI 安全承诺作出自愿承诺，覆盖 RLHF 安全实践、红队测试和负责任 AI 部署。Scale 贡献了 WMDP（Weapons of Mass Destruction Proxy）基准，用于评估 LLM 是否经过训练以防止生成危险内容。WMDP 基准衡量双用途知识领域中的 AI 安全，Scale 的测试与评估白皮书也记录了其负责任 AI 模型评估方法。 Scale 的标注质量控制是自研体系，但包括：特定任务质量指南、高风险任务的多标注者冗余、统计质量监控、专家复核升级以及标注者间一致性评分。公司声称标注质量行业领先，但没有公开可得的独立第三方质量审计。 TIME 客户案例（GenAI 平台在不到 2 个月内部署，并测试 7,000+ 个攻击向量）为红队能力提供了部分证据。DIU RCV 项目中标确认 Scale 技术通过了国防采购要求。这些能佐证技术能力，但仍低于独立第三方技术审计的证据强度。 隐私和数据治理：Scale 的企业标注数据处理涉及客户提供的数据，可能包含专有或敏感信息。Scale 的安全认证（SOC 2 Type II、ISO 27001）为数据治理控制提供了一定保证。对政府客户，DoD IL4 和 FedRAMP High 施加严格数据处理要求，Scale 已证明其符合要求。标注流水线中的客户数据处理，尤其是 AI 实验室的专有训练数据，仍是公开材料未完全回答的尽调关注点。 [CE016, CE017, CE018, CE019, CE020]

5.5 产品路线图、部署与待解问题

截至 2025 年，Scale AI 的产品路线图被 2025 年 7 月转向企业和政府的战略转型隐性牵引：优先推动 Scale GenAI Platform 企业部署，扩展面向政府机构的 Donovan，并扩大 Scale Evaluation 能力，以服务正在形成的 AI 治理和合规市场。数据标注板块虽仍在运营，但在 2025 年 7 月裁减 200 名员工和 500 名承包商之后，预计会以更小规模运转。 部署和集成能力：Scale 提供企业 API 访问、面向 MLOps 流水线的 webhook 集成，以及用于应用开发的 Scale GenAI Platform。自助门户支持标注任务快速上线。政府侧，Donovan 部署在涉密云环境，并为 DoD 和 IC 系统提供专用集成。Scale 没有公开变更日志或发布说明；公司也不维护可独立验证的公开产品路线图或面向开发者的状态页。 开发者信号：Scale Leaderboard 是最面向开发者的公开产品，在 AI 研究和工程社区获得明显关注。WMDP 基准已被 AI 安全研究引用。Scale 的 API 文档（scale.com/docs）提供程序化访问规格，但相较开发者生态更强的 AI 基础设施公司（如 Hugging Face、LangChain），其开源工具或开发者社区参与度（GitHub 活动、HackerNews 讨论、包下载量）有限。 关键待解问题和产品尽调缺口：（1）GenAI Platform 相对超大规模云厂商竞争（AWS Bedrock、Google Vertex AI、Azure AI）的技术深度未获独立验证——Scale 的平台优势依赖标注质量集成，但超大规模云厂商可收购或合作标注供应商，获得同等能力；（2）Donovan 在涉密环境中面向 AI 智能体的具体技术能力，公开资料披露不足，无法评估其相对其他国防 AI 公司（Palantir、Booz Allen）的差异化；（3）标注工具相对 Labelbox、Snorkel AI 和开源替代方案（CVAT、LabelImg）的技术优越性只是公司主张，未被独立基准验证；（4）Scale 的合成数据能力开发路线图未知——合成数据可能替代人工标注，这是关键缺口。 [CE021, CE022, CE023, CE024, CE025]

5.6 证据材料

6.1 客户群分层

Scale AI 的客户群分为三大主要垂直领域：AI 实验室和模型开发者、Fortune 500 企业客户、美国政府及国防机构。每个板块都有不同的买方画像、采购机制、使用场景、收入结构和切换成本。 AI 实验室（此前是最大板块）购买 Scale 的 RLHF 和评测服务，用于训练和基准测试大语言模型。这些客户历史上包括 OpenAI、Google/DeepMind、Cohere 和 Anthropic，是技术能力很强的买方，拥有直接采购权，合同周期按季度与训练算力排期绑定。该板块目前进入结构性下滑：Google 于 2025 年 6 月退出，理由是 Meta 交易带来的竞争冲突；OpenAI 同月结束与 Scale 的关系，释放出前沿模型开发者更广泛转向自建标注能力的信号。 企业客户——包括 TIME、Etsy、Instacart 和 Pinterest——将 Scale 的 GenAI Platform 和 Data Engine 用于特定领域 AI 应用，例如内容安全测试、推荐系统和电商 AI。这些买方通常涉及 IT 和数据领导层，采购周期为 6–18 个月，并承诺多年部署。TIME 案例是最强的公开证据：GenAI Platform 在不到两个月内部署，在生产安全应用中针对 TIME 的 AI 内容输出测试了 7,000+ 个对抗攻击向量。 政府和国防客户——主要是美国国防部和情报共同体机构——通过多年期合同工具采购数据整理、自主 AI 项目，以及用于涉密行动的 Donovan 平台。由于 DoD IL4 和 FedRAMP High 认证要求、涉密环境集成和采购惯性，这些客户切换成本最高。地域上，Scale 已披露客户群主要总部位于美国。国际客户数或收入拆分未公开披露。 [CU001, CU004, CU005, CU006, CU007, CU008]

6.2 采用轨迹与增长信号

Scale AI 不公开披露活跃客户总数、收入、ARR 或部署指标。采用信号只能从已披露里程碑、员工数变化、贡献者支付和第三方代理数据中推断。 最强的规模信号是：（1）已向全球标注贡献者支付超过 $1 billion，表明标注吞吐量可观；（2）处理 15 billion+ 个人工标注决策，证明平台深度；（3）2024 年 5 月以 $13.8 billion 估值完成 Series F，Amazon、Cisco、Intel、AMD 和 ServiceNow 等企业买方参与，显示其在相当规模上获得客户验证。战略投资人本身也是企业客户，这为平台成熟度提供了独立佐证。 2025 年 7 月裁减 14% 员工（约 200 名员工和 500 名承包商），且集中在数据标注业务，是滞后的采用信号：它表明 RLHF 和标注量已从峰值明显下滑，并与 Google、OpenAI 离开以及向 GenAI Platform 和 Donovan 的战略转型同时发生。Snorkel AI、SuperAnnotate 和 Mercor 均已扩大企业标注产品，证据来自新产品页和合作伙伴 / 排行榜资料；这说明即便 Scale 正在重新定位，市场活动仍在继续。 自助增长无法量化。Scale 的 API 文档和定价页公开可访问，显示开发者仍在采用，但公司未披露活跃自助客户数或转化率。Scale 客户页面上可见的企业客户——Etsy、Instacart、Pinterest、Cohere——只有标识，没有案例研究或结果指标，因此这些账户的采用证据质量有限。 [CU011, CU012, CU013, CU017, CU021, CU023]

6.3 具名客户证据与证据质量

Scale AI 最重要的公开客户证据覆盖媒体、国防、电商和 AI 研究中的生产部署。TIME Media 案例是质量最高的公开证据：Scale 的 GenAI Platform 在发布前测试了 TIME AI 内容的 7,000+ 个对抗攻击向量。这是生产安全应用，有清晰、可衡量的结果指标和不到两个月的部署窗口，并记录在 Scale 官方客户页面上。 Meta 同时是 Scale 最大战略投资方（2025 年 6 月收购约 49% 股权）和活跃且扩张中的 RLHF 客户。这一双重角色既带来收入锚，也带来治理复杂性：Meta 作为投资方拥有特权信息访问权，同时又是客户，这会让其他评估 Scale 数据安全实践的客户担心数据访问和利益冲突。 美国国防部和情报共同体客户的证据来自 Scale 官方博客，内容描述了用于联合部队行动的 DoD 数据整理合同，以及 Donovan 平台在国家安全场景中的部署。受保密限制，这些不是具名机构客户，但它们是公开来源中可信度最高的政府部署证据，并由 Scale 的 DoD IL4 和 FedRAMP High 认证佐证。企业客户 Etsy、Instacart、Pinterest 出现在 Scale 客户页面，但没有案例研究或结果指标。 Mercor 诉讼（2025 年 9 月）指控竞争对手挖客户，间接提供了反向证据：Scale 的企业账户有足够价值，值得竞争对手主动争夺；同时也说明竞争环境下账户留存存在脆弱性。Snorkel AI、SuperAnnotate 和 Mercor 的竞争对手资料显示，企业对标注和 AI 数据平台的需求仍在，即使竞争加剧，这个市场仍被验证。 [CU002, CU003, CU004, CU005, CU006, CU007]

6.4 留存、持久性与满意度信号

Scale AI 未披露任何净留存率（NRR）、总留存率（GRR）、流失率、续约率、客户总数或满意度（NPS/CSAT）指标。这是投资分析中的重大信息缺口。以下所有留存评估，均是从合同类型、切换成本、竞争动态和反向事件中作出的结构性推断，而不是来自已披露数据。 政府和国防客户是最持久的队列。多年期合同工具、DoD IL4 和 FedRAMP High 认证壁垒、涉密环境集成以及高采购切换成本，共同形成结构性锁定。2024 年 DoD 联合部队数据整理合同和 Donovan 在涉密场景的部署，显示该板块年留存率较高；按可比政府 IT 合同续约基准估计，为 90–97%。该板块的持久性基本不受同时发生的 AI 实验室客户流失影响。 企业客户（TIME、Etsy、Instacart、Pinterest）可能签署 12–36 个月合同，并带有续约选择权。没有 NRR 数据，就无法确认先落地再扩张机制是否运转。GenAI Platform 作为 Data Engine 的增购路径，在理论上提供扩张机会；TIME 部署证明试点可转化为生产安全场景，但没有公开的交叉销售成功率或扩张收入指标。 AI 实验室板块正在主动收缩。Google 和 OpenAI 均于 2025 年 6 月退出，估计占历史 AI 实验室收入的 20–40%（未披露，基于报道中的客户重要性估计）。剩余 AI 实验室客户（Cohere 等）也面对转向自建标注的相似结构性压力。截至本分析，未识别到 Scale AI 企业平台的 G2、Gartner Peer Insights 或 Capterra 评价，因此客户满意度完全无法量化。 [CU003, CU008, CU009, CU010, CU015, CU016]

6.5 扩张与客户集中风险

Scale AI 的客户集中风险重大，并已在 2025 年反向兑现。Google——此前是 Scale 最大客户——和 OpenAI 在一个季度内离开，是 Scale 历史上最重要的反向客户事件。CNBC 报道称，Google 退出源于 Meta 投资后对竞争冲突的担忧。这种流失模式中，Scale 两个最大 AI 实验室客户都因同一底层利益冲突离开，会让任何仍有 Meta 相邻竞争敞口的 AI 实验室客户面临结构性风险。 Meta 关系既创造最大扩张机会（Meta 的 AI 计划是训练数据主要消费方，且双方关系被描述为正在扩张），也带来重大依赖风险：Google/OpenAI 离开后，Scale 相当一部分收入可能集中在单一客户身上，而该客户同时又是 49% 投资方。这种客户兼投资方集中度在结构上很不寻常，可能持续给其他客户带来商业摩擦。 先落地再扩张机制在理论上存在：从数据标注到 RLHF、评测、GenAI Platform，再到 Donovan，形成了有记录的增购漏斗。TIME 部署证明企业客户可以从标注试点转化到生产平台使用。但没有公开的扩张率、增购转化数据或单客户平均收入指标。Mercor 诉讼（2025 年 9 月）指控挖客户，表明至少一个资金充足的竞争对手正威胁现有账户留存。SuperAnnotate 和 Mercor 正在扩大企业标注平台能力，证据来自产品页和合作伙伴资料，这给 Scale 的 Data Engine 收入带来替代风险。 [CU001, CU003, CU009, CU010, CU022, CU024]

6.6 证据材料

7.1 按严重程度排序的风险概览

Scale AI 进入当前投资期时，风险画像更偏战略和执行风险，而不是监管或运营风险。截至研究日期，客户集中度——已通过 Google 和 OpenAI 离开兑现——是严重程度最高、发生概率也最高的风险。这些离开发生在 Meta 投资和领导层更替同一时期，使 2025 年 Q2 一个季度内出现了三个高度交织的高严重度风险事件。 最关键的观察是，Scale 的主要风险彼此相互依赖：Meta 投资触发 Google 离开（利益冲突），Google 离开又触发对 Scale 在此前 AI 实验室收入集中度下商业模式可行性的重新评估，进而触发领导层更替和裁员。每个风险都会放大其他风险。投资人必须评估，政府 / 国防护城河以及 Meta 正在扩大的客户关系，能否提供足够收入底线，支撑公司穿越 AI 实验室客户流失和企业转型。 监管和法律风险重要但可管理。Scale 的 DoD IL4 和 FedRAMP High 认证显示其政府业务合规姿态较强。Mercor 诉讼是持续法律风险，但不太可能致命。国防 AI 的出口管制风险真实存在，但可通过现有认证和合规计划应对。最重要的前瞻性风险，是 Scale 的企业 GenAI Platform 能否在当前现金跑道定义的时间窗口内，为 AI 实验室板块创造足够替代收入。 [CR001, CR002, CR003, CR004, CR005, CR006]

7.2 监管与法律风险

Scale AI 处在国防 AI、企业数据处理和 AI 安全三者交叉处，而这三个领域都受到活跃且不断演变的监管关注。主要监管风险包括：美国政府对国防 AI 的合规要求（ITAR、出口管制、AI 安全标准）、适用于企业数据处理的数据隐私和 AI 治理法规，以及 Mercor 诉讼引发的竞争法律程序。 国防 AI 上，Scale 的 DoD IL4 和 FedRAMP High 认证显示其监管合规姿态较强。公司还作出白宫 AI 安全自愿承诺，显示其主动参与 AI 治理。该领域的主要监管风险，是 AI 模型和数据服务出口管制限制可能扩大——尤其当 Scale 向 DoD 承包商提供的 AI 服务涉及敏感技术转移，可能引发 ITAR 审查。Scale 在国会作证也说明，国会对 AI 的监督正处于活跃状态。 数据隐私上，Scale 的企业数据标注服务涉及处理客户专有数据。EU AI Act、GDPR 以及美国各州新兴 AI 法律带来合规义务，这些义务可管理但持续演变。Scale 的安全和合规页面显示，公司拥有有效的 SOC 2 Type II 和 ISO 27001 认证，说明企业合规姿态较成熟。Mercor 诉讼（Scale AI vs. Mercor，2025 年 9 月）指控挖客户和盗用商业秘密。诉讼结果不确定，但它带来法律不确定性、管理层分心和潜在反诉风险。目前来看，该诉讼尚未威胁 Scale 核心运营或认证。 [CR005, CR006, CR007, CR009, CR010, CR011]

7.3 运营与执行风险

Scale AI 最尖锐的运营风险，是在逆风环境下执行商业模式转型。公司正试图从标注量驱动收入（因 AI 实验室客户离开和合成数据趋势而下滑）转向企业 GenAI Platform 和政府 Donovan 收入（在增长，但速度不确定）。这一转型与 CEO 更替、大幅裁员以及失去两个最大客户同时发生。 数据安全和标注质量是 Scale 核心业务内生的运营风险。作为一家为 AI 训练处理客户专有数据的公司，任何数据安全事件、质量失败或客户数据滥用事件，都会严重损害企业信任和政府合同资格。Scale 的 SOC 2 Type II、ISO 27001、DoD IL4 和 FedRAMP High 认证降低了这一风险，但不能消除。本研究未发现公开数据安全事件。 Scale 的供应链风险主要来自标注贡献者劳动力。Scale 依赖全球人工标注者网络；如果该劳动力出现中断（劳资纠纷、质量下降、Mercor 或其他竞争对手挖人），标注输出质量和交付时间都可能受损。2025 年 7 月裁员约 500 名承包商，可能削弱了这条供应链的运营冗余。此外，Scale 依赖云基础设施提供商（AWS 及类似厂商），这带来平台集中风险；对云原生公司来说这很常见，但放在其 DoD 对基础设施主权的要求下，仍值得关注。 [CR001, CR003, CR008, CR015, CR016, CR017]

7.4 合作伙伴与依赖风险

Scale AI 最重大的依赖风险来自 Meta——它同时是最大投资方（约 49% 股权）、剩余最大 AI 实验室客户，也是前 CEO 的新雇主。这种三重角色依赖，在风险投资支持的 AI 领域没有先例，带来集中度和治理风险。如果 Meta 对 Scale 的战略兴趣减弱、减少数据采购或推出新的竞争产品，Scale 将同时面对客户收入流失、估值压力和治理扰动。 对 AWS 和主要云厂商的云基础设施依赖，是 AI 基础设施公司的标准风险；但对 Scale 政府业务尤为重要，因为平台主权和 AI 训练算力主权是合规要求。Scale 的 DoD 认证意味着其云基础设施安排已获批准，但云厂商关系的任何变化都可能影响政府合同资格。OpenAI 和 Google 的离开，消除了两个关键合作伙伴关系；它们此前既提供收入，也提供声誉背书。剩余 AI 实验室伙伴（Cohere 等）规模更小，单个客户的收入集中度也更低。 政府采购中的渠道和合作伙伴集中度更偏正面，而不是负面：政府合同依托既定合同工具（GSA、DIU、DARPA 渠道）推进，采购规则清晰。不过，政府预算周期和持续决议机制会带来收入确认时间波动。Snorkel AI 合作伙伴生态（由其合作伙伴页面佐证）以及 SuperAnnotate 的企业合作关系显示，Scale 的竞争对手也在搭建依赖伙伴的获客路径，生态锁定竞争正在展开。 [CR002, CR003, CR004, CR006, CR009, CR020]

7.5 人员、执行与财务风险

领导层交接是 Scale AI 最实质的风险之一。创始人 Alexandr Wang 用九年搭起 Scale，也一直是政府、企业和 AI 实验室关系的门面。他离职加入 Meta，同时 Meta 成为 Scale 最大投资方，形成了客户、员工和投资者都看得见的委托代理冲突。临时 CEO Jason Droege 之前没有管理过一家估值 $29B 的 AI 基础设施公司；他的 Uber Eats 经历对双边市场扩张有运营相关性，但与政府 AI 或企业数据平台商业化并不直接对口。 裁员后的短期环境里，人才留存也是风险。2025 年 7 月裁掉 200 名员工和 500 名承包商，可能已经打击剩余约 1,000 名员工士气，尤其是高绩效员工如果看不清临时领导层下的公司方向。掌握防务合同和企业部署制度知识的政府与企业客户经理，是难以替代的资产；能否留住他们，直接关系到合同续约和平台扩张。 财务风险因 Meta 战略投资得到部分缓释，但这笔交易的资金分给了既有股东，而不是留在 Scale 资产负债表支持运营。因此，分配之后 Scale 真实现金余额和现金跑道仍不确定。公司没有披露公开烧钱速度、现金头寸或盈利路径。如果 AI 实验室收入流失幅度接近 Google/OpenAI 离开所暗示的水平，Scale 可能在 2025-2026 年遇到实质收入缺口；除非企业和政府业务增速超预期，否则需要额外外部资本。 [CR001, CR002, CR003, CR007, CR008, CR024]

7.6 展品

8.1 投资逻辑与反向逻辑

Scale AI 的投资逻辑靠三根结构性支柱支撑。第一，政府与防务：Scale 的 Donovan AI 平台、DoD IL4/FedRAMP High 认证，以及深厚政府关系，构成一个耐久收入底座；切换成本高、合同周期长，与 AI 实验室的竞争重叠很低。这个板块是一项战略资产，即便不计商业 AI 实验室业务，也能支撑 $3–5B 的最低估值。第二，数据护城河：Scale 用九年训练出标注质量基础设施、贡献者管理和模型评估工具，这套能力很难大规模复制。Fortune 500 公司从 AI 试验转向生产部署后，需要人在回路的数据工作流；上述基础设施让公司有机会捕捉企业 GenAI Platform 收入。第三，Meta 验证：全球最精明的 AI 投资方之一 Meta 投入 $14.3B，既提供财务和声誉背书，也释放 Scale 数据基础设施的战略价值信号，并带来一个仍在扩大的客户关系。 反向逻辑同样扎实。在 $29B 隐含估值下，Scale 的交易倍数为估计 ARR 的 58x–145x；与此同时，两大收入贡献方（Google 和 OpenAI）都已离开，创始人 CEO 也已离任，业务模式正在半路转向。标注商品化风险（合成数据、前沿实验室自建 RLHF）对 AI 实验室板块构成结构性威胁。Meta 既是投资方又是客户，形成治理阴影，吓退其他客户，也制造了 AI 行业没有先例的委托代理冲突。临时 CEO Droege 没有在 Scale 核心市场被验证过的履历。要守住 $29B 估值，只能依靠一组乐观假设：政府合同续约、企业平台转化、Meta ARR 增长——而这些都没有公开证据确认。基准情景指向入场价带来的实质稀释风险。 证据合起来看，Scale 是高质量资产，但处在结构性逆风里。尽调必须确认三件事：政府收入底座是否稳固，企业平台 ARR 是否以足够速度增长，管理团队能否在不接受稀释性条款新增融资的情况下完成转向。问题回答前，现有证据不支持按 $29B 隐含估值投资。基于当前证据质量，合适建议是有条件放弃——只有在入场价明显更低且里程碑兑现时才投——或继续研究。 [CV001, CV002, CV003, CV004, CV005, CV006]

8.2 估值背景与当前融资

Scale AI 当前约 $29B 的隐含估值来自 Meta 于 2025 年 6 月以 $14.3B 收购公司约 49% 股权。多家独立高声誉媒体（TechCrunch、CNBC、Reuters）报道了该交易，本分析将其视为已确认。隐含公司总估值（$29B）基于报道中的约 49% 股权；具体的 pre-money/post-money 处理和股权结构表没有公开披露。重要的是，Meta 交易所得分给了既有股东，而不是留在 Scale 资产负债表支持运营，因此 Scale 的真实营运资本和现金跑道仍不明确。 在 $29B 隐含估值下： - 低 ARR 估计（$200M）：收入倍数 145x —— 与 2024 年初前沿 AI 实验室倍数一致，但对一家正在经历客户流失的公司而言极高 - 中 ARR 估计（$350M）：收入倍数 83x —— 可比于市场顶点时期的高增长企业 SaaS - 高 ARR 估计（$500M）：收入倍数 58x —— 只有在政府 ARR 快速增长且企业平台转化加速时才说得通 Scale 历史上最可比的融资事件是 2024 年 5 月 Series F，估值 $13.8B，当时估计 ARR 约 $200–300M（46–69x ARR）。Meta 交易在约 13 个月内几乎把估值翻倍，而同期 Scale 两个最大客户离开。这一动态说明，Meta 估值反映的是战略收购逻辑（Meta 需要自有 RLHF 数据基础设施），不是财务回报最优。按 $29B 隐含估值共同投资的投资者，支付的是战略收购方逻辑定下的价格，而不是独立财务投资者回报框架下的价格。估值纪律的关键问题在这里：战略买家能接受财务投资者无法承销的溢价。尽调必须确定财务投资者的入场价上限。 稀释与优先权压力未知。Meta 交易前，Scale 已累计股权融资约 $1.6B；优先股堆叠、清算权，以及参与型 / 非参与型结构都没有公开披露。任何按 $29B 隐含估值进入的财务投资者，都必须评估悲观情景下优先权瀑布对普通股回报的影响。 [CV001, CV002, CV003, CV010, CV011, CV012]

8.3 乐观 / 基准 / 悲观情景

Scale AI 的情景分析取决于三个关键驱动变量：（1）政府 / 防务 ARR 轨迹以及既有 DoD 合同续约率，（2）商业转向带来的企业 GenAI Platform 转化率和 ARR 增长，（3）Meta 客户关系的耐久性，以及 AI 实验室客户进一步流失或增厚的情况。 乐观情景：政府合同续约率 >90%，并随着 Donovan 新项目授予继续扩张；企业 GenAI Platform 借助 Fortune 500 生产部署，到 2027 年做到 $150M+ ARR；Meta 将数据采购扩大到 $300M+ ARR；临时 CEO Droege 稳住运营，并在 12 个月内引入一位标志性永久 CEO。在这些假设下，2027 年总 ARR 达到 $600M–800M，按 25–30x 前瞻倍数，估值达到 $18–24B。这意味着相对 $29B 入场价只有有限上行，而且只有多个有利结果同时发生时才可能实现。 基准情景：政府合同续约率 85%，温和增长；企业 GenAI Platform 到 2027 年实现 $75–100M ARR（爬坡慢于乐观情景）；Meta ARR 保持当前水平；AI 实验室 ARR（Cohere 等）小幅下滑。2027 年总 ARR 达到 $350–450M，按 20–25x 前瞻倍数，对应 $8–11B 估值，较 $29B 入场价显著减记。基于现有证据，这是最可能的情景。 悲观情景：政府合同延期或出现实质性不续约；企业 GenAI Platform 到 2027 年未跑通产品市场匹配（平台净 ARR < $50M）；Meta 在建立内部标注能力后减少数据采购；更多 AI 实验室客户退出。2027 年总 ARR 降至 $150–200M，按 10–12x 前瞻倍数，对应 $1.5–2.5B 估值。在这个估值下，$29B 入场价在经济上是灾难性的；即便优先权堆叠也可能挡不住总回报亏损。 各情景的概率信号不对称：乐观情景需要多个乐观结果同时发生；悲观情景只需要政府合同没有按期续约这一个事件。加上入场价由战略买家定出，财务投资者按 $29B 进入时，风险 / 回报结构性不利。基准情景意味着 60–70% 减记，悲观情景意味着金融价值几乎全损。只有能够把政府护城河的战略期权定价到 $20B+ 的投资者，才有理由接受 $29B 入场。 [CV005, CV006, CV007, CV008, CV009, CV015]

8.4 可比公司组与估值定位

Scale AI 横跨多个可服务市场，可以用几套不同框架比较。最重要的区别是：Scale 目前大部分收入来自标注和数据标注服务，却被按前沿 AI 平台公司定价。这造成估值框架错配：套用标注服务倍数（Appen：0.5–2x ARR）意味着 $100M–1B；套用防务 AI 平台倍数（Palantir：25–30x ARR）意味着 $5B–15B；套用前沿 AI 平台倍数（OpenAI 私募轮：100x+ ARR）意味着 $20B+。合适框架取决于 Scale 未来收入结构中哪个板块占主导。 Appen (ASX: APX) 是最有启发意义的负面可比：一家上市标注公司，在 AI 实验室建立内部标注能力后削减 RLHF 支出时，收入下滑 60–80%。Appen 市值从峰值约 AUD $3.5B 跌至客户流失后的约 AUD $250M，说明标注商品化会严重冲击估值。Scale 与 Appen 的关键结构差异是政府护城河：Scale 的防务垂直带来 Appen 没有的收入底座。 Palantir (NYSE: PLTR) 提供政府 AI 平台可比：它深度嵌入 DoD/IC，切换成本高，拥有多年期政府合同，并凭强增长叙事拿到 25–30x ARR 倍数。Palantir 市值在估计 $2B+ ARR 上超过 $100B，说明以政府为锚的 AI 平台可以维持高倍数。不过，Palantir 已经在政府收入之外证明了持续商业牵引力；Scale 的商业转向尚未验证。 Labelbox（私有，约 $1B 估值）是不带政府护城河的标注基础设施可比，显示没有政府合同的标注基础设施大约只能拿 8–10x ARR，远低于 Scale 的隐含倍数。Labelbox 与 Scale 倍数差额意味着，市场把 Scale 的政府护城河和 Meta 战略期权价值定价为约 $20B+ 溢价。该溢价必须通过政府合同时间表可见度和企业 ARR 轨迹数据来明确验证。 [CV019, CV020, CV021, CV022, CV023, CV024]

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，并在入场估值大幅降低时有条件通过。证据支持 Scale 资产质量——政府护城河、标注数据基础设施、品牌和 Meta 验证——但在当前证据质量和收入轨迹下，不支持 $29B 估值。该建议的主要驱动因素是，入场估值由战略收购方（Meta）按战略逻辑定出，这与财务投资者回报要求不兼容。在看不到客户流失后 ARR、政府合同续约时间表、企业平台转化指标和现金跑道的情况下支付 $29B，认知上站不住。 该建议置信度为中低，因为最关键数据——政府合同 ARR、企业平台 ARR 和交易后现金头寸——都是私有信息，公众无法取得。如果这些数据可得且有利，建议可以上调为 $15B 以下的有条件买入，甚至在 $8–12B 且有强里程碑保护时上调为结构化买入。当前证据质量支持谨慎：本章三十个研究问题中，有八个仍处于部分解决或未解决状态，因为关键输入是私有的。 会把建议下调为放弃（拒投）的破题条件包括：任何政府合同取消，任何新增企业客户因 Meta 冲突而离开，或确认截至 2026 年 Q1 GenAI Platform ARR 低于 $30M。会把建议上调为有条件买入的条件包括：政府合同续约确认、企业平台 ARR 超过 $75M，以及任命具备政府 AI 或企业平台经验的永久 CEO。投资者应注意，关键尽调问题的解决时间线很短——政府合同期权期和企业平台爬坡应在研究日期后 12–18 个月内产生可观察收入信号。 [CV001, CV002, CV006, CV009, CV017, CV029]

8.6 展品