过去一年，关于 AI 的讨论出现了一种明显的反差：一边是模型能力不断刷新上限，另一边却是越来越多企业开始质疑——为什么真正落地依然这么难？
从概念验证到生产系统，从 60% 的“看起来可用”到 99.99% 的“不得不可靠”，企业级 AI 面对的从来不是算力或参数规模的问题，而是数据、决策责任、合规流程以及现实系统复杂性。而这些恰恰是大多数新闻叙事里最容易被忽略的部分。
正是在这样的背景下，这期播客给出了一种罕见的“现实视角”。对话并没有继续渲染模型能力的指数级增长，而是把焦点放在一个更基础、也更棘手的问题上：AI 要真正进入企业和关键业务流程，还缺什么？答案指向了一个长期被低估的环节——数据，以及数据背后的人。
本期节目的对话者，正是站在这一环节核心位置的人。他所领导的公司，长期为几乎所有一线大模型实验室提供训练所需的基础数据；而在加入这家公司之前，他曾把一个看似边缘的想法，在极短时间内推演成一家年收入 200 亿美元的业务，也亲身经历过科技创业中最极端的法律与商业风险。
在这场对谈中，他系统性地拆解了几个被反复误解的问题：
为什么大模型至今仍然离不开人类专家？
为什么绝大多数企业数据对 AI 来说毫无价值？
以及，当模型开始转向“智能体”和决策能力时，真正的瓶颈到底在哪里？
以下是播客整理翻译：
精华摘要
Lenny：最近有不少反对的声音，认为 AI 并没能满足人们对技术的全部想象，特别是在企业应用领域。您怎么看这个问题？
Jason Droege：AI 方案往往需要半年到一年才能真正发展壮大，实现关键业务流程的自动化。跟以往的任何一次重大技术革命一样，新闻媒体总是过度乐观，而实际操作却没那么简单。互联网时代，宽带的铺设过程需要覆盖全国的每一条道路，还要跨大洲之间建立海底光缆，这些都需要时间。
Lenny：关于未来两到三年的 AI 模型发展趋势，你觉得当前大家的普遍认知还有哪方面缺失？
Jason Droege：目前的总体趋势是从模型到模型功能的过渡。接下来最关键的问题是，大模型能为我们做什么，智能体如何替我们做出决策？
Lenny：您在数据、标记、训练等领域都是当之无愧的技术先驱，您能不能展望一下 AI 领域在过去一年半以来的发展轨迹？
Jason Droege：一年半之前，大模型的能力极限就是生成一本短篇小说，不同模型生成的小说之间有优劣之分。而现在的大模型已经能帮哪怕最顶尖的 Web 开发者直接生成完整网站了，或者是就癌症诊疗问题给出相当全面且中肯的建议，而这些都需要专业人士耗费几个小时为其提供准确的统计数据。
Lenny：您向来以严苛的业务衡量标准著名。那从创业的角度来看，您的核心理念是什么？
Jason Droege：这个问题的实质，是大家对于未来机遇的洞察，包括这种洞察来自哪里。为什么你能够在数百万头脑聪慧、乐于尝试的创业者当中脱颖而出，掌握其他人所没有洞察力。谁能做到这一点，谁就可以领先一步。
收购之后，Scale 还是 Scale 吗？
Lenny：欢迎今天到场的嘉宾 Jason Droge，请先简单向大家介绍一下您的背景。
Jason Droege：我是 Scale AI 的新任 CEO，这也是我在接替 Alex Wang 接受 Meta 收购之后参与的首次采访。Alex 现在领导 Meta 旗下的超级智能团队。在加入 Scale AI 之前，我与 Travis Calendar 曾共同创立一家公司，再向前追溯还在 Uber 等几家初创公司工作。我最知名的成果应该是创立并领导了 Uber Eats，跟团队的同事一道把这个点子培养成了如今市值数十亿美元的企业。在 COVID 期间，Uber Eats 几乎是以一己之力支撑起了因社交隔离而陷入瘫痪的 Uber 业务体系。
Lenny：这次采访的主题是 AI 模型如何拥有真正的智能。您觉得 Scale AI 在其中扮演了什么角色？
Jason Droege：我们在 ChatGPT 和 Claude 身上看到了诸多改进。目前各个前沿领域都存在领军级别的模型，各家实验室则聘请专家填补这些大模型的知识空白，校正其对于事物运作方式的理解。而 Scale 是这一领域的先驱，也可以说是创造了这种业务形态。
Lenny：我们都很关心 Scale 的近况以及被 Meta 收购之后的变化。Scale 目前情况如何？
Jason Droege：Scale 仍然是一家完全独立的公司。在此次交易中，Meta 投入 140 多亿美元以换取 Scale 公司 49%的无投票权股份，且未获得新的董事会席位。Scale 的董事会保持不变，治理结构几乎未肥影响，Meta 对于 Scale 的任何资源也都不具备优先访问权。我们跟 Meta 一直在数据业务方面保持着长期合作关系，随着双方关系更进一步，各方面合作也有望持续扩大。但我们与其他各方的合作不会受到影响，Meta 无法访问任何之前不对其开放的信息，例如隐私和数据安全政策等。事实上，此次交易只涉及约 15 位员工的变动，而 Scale 共拥有约 1100 名员工。现在我们旗下拥有两大业务部门，其营收都达到了数亿美元规模。公司内部相当于两家独角兽，支撑着每月的业务增长。总之，我们很高兴能够继续构建并交付数据，维持之前的工作模式。
数据不是苦力活：标注为何变成专家工作
Lenny：您提到 Scale 主要面向 AI 数据市场，那能不能解释一下数据标注工作是怎么从当初的低成本劳动力转向如今的专家处理形式？
Jason Droege：没问题。首先，我认为其他竞争对手目前的定位是错误的，所以我先从这个角度切入，再逐渐延伸其他方面。这里我先花点时间介绍一下 Scale 的发展史，还有自 2016 年以来的发展脉络。Alex 很早就意识到，数据对于模型来说至关重要。那时候他只有 19、20 岁，但他已经在考虑要如何围绕这个基本前提建立业务。他最初选择的方向是为自动驾驶做标注。标注数据的质量越高，汽车的行驶表现也会更好。之后这股浪潮演变成了计算机视觉，我们开始跟国防部门建立合作关系，为他们提供标注服务，到这里时间已经来到 2020 年。
接下来大模型的性能越来越强、愈发完善，需要的数据类型也更为丰富。所以我们一直在不断调整以提供所需的数据类型。在此期间，行业本身也在不断变化。记得两、三年前这些大语言模型刚出现的时候，经常会闹出幻觉问题，比如给出特别浅显的错误答案等等。但情况变化很快，我们也一直在随之改变。Scale 一直走在前沿，开始为更复杂的任务提供专家级的数据标注服务。
要聊过去一年半的情况我其实不太够格，因为我才加入公司 13 个月。刚加入时，我一直在做模型性能的测试。那时候大模型的能力极限就是生成一本短篇小说，不同模型生成的小说之间有优劣之分。而现在的大模型已经能帮哪怕最顶尖的 Web 开发者直接生成完整网站了，或者是就癌症诊疗问题给出相当全面且中肯的建议，而这些都需要专业人士耗费几个小时为其提供准确的统计数据。
我们的专家中，有 80%的同事拥有学士学位证书，这跟其他竞争对手的定位完全不同。其中约有 15%的员工对相关行业有深入了解。这些高知人群通过为模型添加标签、贡献专业知识来赚取丰厚的收入。我很喜欢我们这种以专家级别进行数据标注的业务定位，这能帮助公司与研究人员保持联系、了解他们的需求。我们内部也很早意识到大模型在高度专业的领域上表现欠佳，所以我们会主动联系开发基座模型的大厂，表示我们注意到了这个问题，而且有专家团队可以搞定。我喜欢这种与众不同的定位，这跟竞争对手的想法完全不同。
Lenny：那 Scale 是怎么接洽并挽留这些专家贡献群体的？
Jason Droege：确实不太容易接触得到，所以得制定相应的策略。具体的方式肯定不止一种，最主要的就是让专家们相互内推，而且他们很喜欢这种用自己的专业知识为 AI 做贡献的感觉，很酷。比如一位特定领域的博士在面对具体主题时，发现大模型的表现根本无法令人满意。那这时候他就可以通过有偿的方式提供专业建议，并借此赚取数百甚至数千美元。当然，我们也会推动校招，直接跟学校里的教授和学生们交流，询问有没有人愿意参与进来。当然，LinkedIn 等传统渠道也是开放的，但效果最好的还是线下接洽和内推网络。这样能够为参与者提供良好的体验，因为他们的贡献一方面是为了赚钱，但更多是出于为 AI 模型做贡献的成就感。而且这个过程也是在替他们自己解决问题。
智能体要学会做事：没有捷径，只有环境
Lenny：有报道认为整个 AI 经济生态都将转向强化学习，您对此有何看法？
Jason Droege：强化学习当然非常重要，我觉得这种趋势性判断也很有道理。强化学习环境就相当于 AI 智能体的沙箱，它们可以在沙箱中学会如何达成目标。我们在这方面也尝试了一年有余。比如在 Salesforce 实例当中，AI 智能体要如何实现导航？襳中包含哪些需要识别的数据？这要求智能体执行一套可靠性极高的业务流程。
另外，智能体还得知道如果无法完成预期任务，或者判断正确完成任务的可能性较低，那要怎么向人类反馈以获取指引。所有这些都需要训练，而且不存在什么神奇的捷径。唯一的办法就是把 AI 智能体放进能代表人类正确操作的环境当中。
可以想象，现实世界中此类环境的数据和其中的不同目标可以说是无穷无尽，所以我们花了一年多跟模型开发商保持良好的合作关系，共同观察在不同任务/环境下的通用性表现。很明显，这类环境、软件系统、配置、数据类型、规模和用户数量各有不同，复杂性也差异巨大。这
就要求我们制定一种策略，让模型开发商能够收集到足够的通用数据以支撑广泛用例，而不必直接面对上万亿种任务和环境指标的排列组合。有些工作和数据之间具有更强的通用性，可以用一种简单的方式完成任务——比如在日历上找到要参与的访谈，让智能体浏览日历内容并弹出相应提示。接下来要做的，就是把智能体推广到一切日历搜索和日程管理操作。总之数据通用性越强，价值也就越大。我们的工作就是为模型开发商提供最有价值的数据，从而确保智能体尽可能为最终用户提供良好服务。
企业 AI 不是演示：从 95% 到‘五个 9’，差着一个世界
Lenny：那您能举例聊聊具体向模型实验室提供哪些数据吗？
Jason Droege：当然可以。比如说我们的业务分为两个方面：其一是向模型开发商提供数据，也就是出售数据。其二则是向医疗保健系统、保险系统之类客户出售应用程序和服务解决方案。比方说我们跟一家医疗保健系统开发商合作，这套系统目前存在很多问题，部分专家需要定期处理少数罕见病例。因为专家人手不够，所以罕见病例会大量积压。这家医疗保健机构希望接诊更多病人，提供更好的护理体验并减少复诊次数，也就是在第一时间给出准确的诊断并制定治疗方案。如果没有 AI 的帮助，医生得耗费大量时间阅读长达两、三百页的病历文件。而我们开发的工具能帮助他们阅读这些文件，并指出其中最值得注意的五到十条内容。举例来说，某些过敏症状看似不起眼，但却可能跟医生开具的治疗药物发生冲突。AI 工具可以快速提取这种人脑难以容纳的关联性要素，表现出相当完善的诊疗能力。
在这方面，现成的模型肯定会有一定局限性，迫使医疗保健系统内部的人员亲自进行数据标注。不少企业乃至政府部门也会这么做，但仅靠现成模型加上一些零散数据没办法实现特别好的效果。毕竟很多银行或者医院一年的数据量就多达上百 PB，他们自己根本没法判断哪些数据对模型有用。大多数数据都没价值，可怎么从中挑选出少数有价值的？而作为专业服务商，我们在数据的评判、挑选和专业知识储备方面非常出色，能够帮助客户顺利攻克这些瓶颈。
Lenny：要保证 AI 变得越来越聪明，咱们人类到底还要参与多久？
Jason Droege：首先，数据标注本身就是一段不断创新的历程，就跟自动驾驶汽车一样。现在我们需要的数据标注量已经远远少于过去了，什么时候我们不再需要外部数据、模型的训练不再需要人工数据时，那就已经发展到新的阶段了。换言之，这意味着那时人类提供的一切技能和知识都已经不重要，没办法推动模型的进一步提升了。但对于 Scale 这样的企业，我们一直在研究如何刹那起能够发现新需求，并与贡献者网络合作的运营体系。我们会邀请专家贡献者来挖掘这些数据和信息。另外，他们的很多才能并不会第一时间就表现出价值。比如一年前很多知识对模型没用，但现在却突然有了大用。这是个不断进步的过程，需要将越来越多的数据输入到模型当中。
出于经济动机，我们相信人类永远会在其中占据一席之地。这不只是种商业判断，更是我的个人信念，就像 AI 系统永远要为人类服务一样。我甚至觉得随着脑力岗位的逐渐消失，这就是未来知识工作者的主要转型方向。而且从我对部分客户身上观察到的情况，这种转变很可能在未来一到两年内发生。我当然希望这种颠覆别来得太快，但目前来讲确实是一切皆有可能。
至于从长远来看，新技术总会替代旧方案，比如收音机淘汰了现场播讲之类。人类还是很善于适应这种变化的，技术的发展史就是人类适应新模式的过程。
Lenny：您经常会提到“评估”这个词。那评估工作在专家们的日常工作中占比多少？
Jason Droege：占比还是相当高的。在企业和政府客户中，大部分业务内容就是评估，因为需要有人来设定“好”的基准。以之前提到的医疗保健来讲，医生在工作中就会评估病历报告和记录内容，然后对“好”做出明确的定义。这样慢慢累积起来的“好”和“正确”，就会让模型变得越来越可用。当然，AI 的能力仍然有局限。对于那些人工流程的准确率很低的场景来说，AI 就特别重要，因为能够切实帮上大忙。如果 AI 在其中能够达到 50%、60%甚至 70%、80%的准确率，那大家就乐疯了。但对于剩余的情况，比如人工流程的准确率能够达到 98%，希望 AI 能解决余下的 2%，那就很困难了。正因为如此，我们才需要明确定义“好”，让自己构建的系统能够代表使用者做出判断。在这样的设计思路下，AI 系统就能像人类一样根据当前的信息尽可能给出最佳建议或者行动方案。
Lenny：很多人觉得 AI 是基于海量历史数据训练出来的，那 AI 在智能水平上怎么超越人类呢？
Jason Droege：这种理解对，但也不对。首先，跟以往的任何一次重大技术革命一样，新闻媒体总是过度乐观，而实际操作却没那么简单。互联网时代，宽带的铺设过程需要覆盖全国的每一条道路，还要跨大洲之间建立海底光缆，这些都需要时间。而且这些铺设工作总得有人去做。负责任地讲，作为从业者，我对于如今大模型在一致性和准确性方面的提升仍然感觉喜出望外。现在大家可能已经习惯了大模型越来越先进也越来越靠谱，但短短三年前这个问题还相当复杂，需要综合考虑多种因素。总之，大模型的发展是算力、模型本体和数据改进的共同产物，而这三条确实在同时进步。
Lenny：关于未来两到三年的 AI 模型发展趋势，你觉得当前大家的普遍认知还有哪方面缺失？
Jason Droege：大家对这个问题讨论得倒是不少，新闻报道也是层出不穷。具体怎么理解，要看我们选择怎样的视角。目前的总体趋势是从模型到模型功能的过渡。接下来最关键的问题是，大模型能为我们做什么，智能体如何替我们做出决策。一旦到了这个阶段，我们之前提到的应用环境就非常重要了。比如怎么让智能体在医疗保健系统内正确导航、如何在手机上的天气应用中导航，又怎么替我们做出决策。目前这一切才刚刚起步，我也期待看到后续的更多变化。而这也是大家相对不太了解的层面，对于改进的方式也是莫衷一是。如果选择最乐观的判断，那这一切就是经济体系下的又一波正常变动。
换言之，AI 普及不再是技术问题，而是人力和政策层面的问题。虽然目前还没到这个程度，但我确实相信未来两到三年之内，AI 技术会发展到中心让治理层和政策制定者认真对待的阶段。现在已经离那个状态不远了，也就是两到三年的事。
Lenny：最近有不少反对的声音，认为 AI 并没能满足人们对技术的全部想象，特别是在企业应用领域。您怎么看这个问题？
Jason Droege：主要还是炒作得太狠了。我们的工作是打造出真正能够为客户创造价值的产品，并真正在解决复杂性上有所突破。还是以医疗保健系统为例，我们就在为医保公司提供理赔流程管理。这样的财务决策其实就是个可以自动化的过程，但在具体落地上学问就大了。很多人觉得概念验证能达到 60%、70%的成功率就行，但这跟规模化应用还差得远。以数据中心为例，正常运行时间、可靠性和备份稳定性方面每增加一个“9”对应的都是又一个数量级的投入。比如四个“9”基本就是大学生自架服务器的水平，而五个“9”看起来只高了一点点，但其实完全是另一个世界。比如说很多人认为 95%是个挺高的标准，但一旦用这个标准处理采购订单，那必然会面对无穷无尽的故障和投诉。
总之，企业在应用 AI 时需要一步步完成法律批准、政策批准、监管批准和变更管理等各个环节，确保精度能让所有人满意。因此，AI 方案往往需要半年到一年才能真正发展壮大，实现关键业务流程的自动化。所以大家一定要分得清新闻炒作跟实践落地。就像我自己的教育背景，博士这个头衔说起来轻，但背后需要付出的努力远超大多数人的想象。
所有好生意，都是在不确定中被验证出来的
Lenny：您参与建立了 Uber Eats，还创办过其他几家初创企业。关于获客户这个问题，您有没有什么独家心得可以分享？
Jason Droege：我是那种愿意尝试一切新鲜事物的人，而且我总觉得创业是个非常清晰而且可把握的过程。我自己的思路是这样：在实际行动之前，先质疑自己听到的每一句话。我不会从字面上理解客户的表达，而是从产品管理的角度来审视。这个大家已经讨论得足够多了，比如说别按他们说的做、而要按他们预期的效果来做，这才是真正值得关注的问题。总之我会关注客户的潜在动机，而这种动机并不总是经济性质的，也往往跟自尊心和职业发展相关。比如说如果我们要向某人推销企业软件，那就得让对方相信你的软件能帮他们做好工作、建立起信任让对方接受你参与到大的项目中来。这个过程中重要的不只是产品，更要思考他们想得到怎样的建议、需要我们提供什么、需要怎么做才能找到正确的产品实现方向等等。我知道这话听起来有点陈词滥调，但只要让我准确把握住对方的真实动机，我就能拿出正确的结果。我再举个例子，当初在发布 Uber Eats 之前，我有认真考察业务。在获客方面，我们其实还给不出餐厅导览的功能，对餐饮行业也一无所知。但在 Uber，我们最想解决的是接下来该拓展哪些其他业务。在考察了大量企业之后，我们觉得外卖业务最值得尝试，结果也证明这是正确的。
为了搜集数据，我们找了一家餐厅供应商并拿到一份基础目录，比如说一份典型的餐食要用多少火腿、多少奶酪、多少面包和多少片生菜，再据此推断食材成本有多少、人工成本是多少，进而建立起基准数据。把这些因素综合起来，我们就能把餐食品类建立起清晰的认知。我们发现食材在每份餐食中的成本大约占 20%到 30%，人工又占 20%到 30%，10%是房租和其他开销。总之这就是一种链条，而结合核算出的附加价值之后，我们决定收取账单总价的 30%。
餐厅刚开始会觉得这个数字太高了，本能性地想要拒绝。我们解释了自己的核算方式，说服对方做起来试试。事实证明餐厅的判断是正确的，这个比例确实太高了，最终确定下来的抽成是 25%——跟我们的判断也相差不远。在这样的基础之上，我们再分析餐厅的主要价值实现形式是什么。对于游客型餐厅来讲，增加需求就是最关键的。在固定的餐厅店租、人力支出和食材成本都不变的前提下，需求增加三倍并不会增加人力支出，单纯的食材用量增加可以让产品的毛利率提升至 70%到 80%。
基于这样的洞察，我们有信心在抽取一定费用之后店家和消费者都能接受。这就是市场经济的基本逻辑——不会只满足单独一方的所有需求，各方牺牲一点利益来保障自己余下的利益。Uber Eats 就是这样的典型案例。
Lenny：您向来以善于独立思考闻名，这种能力为什么如此重要？
Jason Droege：从创始人的角度来论述，在 Uber 我确实享受到了很多优势。我其实不算真正的创始人，只是参与了创业的流程。创业是涉及很多要素的，比如在 97 年创办第一家公司时，体验其实也就那样。但现在的创业可不一样了，每个人都在做自己的探索。但问题是，我们的研究方向多少都要受到周围言论的影响，那就没办法拥有独立的洞察力。所以最重要的独立思考，坚定去践行自己的判断。因此从创业的角度讲，我认为独特性非常重要。所以核心考验的就是人的洞察力，至于为什么我会幸运地拥有这种洞察力。这个问题的实质，是大家对于未来机遇的洞察，包括这种洞察来自哪里。为什么你能够在数百万头脑聪慧、乐于尝试的创业者当中脱颖而出，掌握其他人所没有洞察力。谁能做到这一点，谁就可以领先一步。也许是因为我有点“遗世独立”，也可能是因为我是那种擅长逆向思维的人，总会在寻求其他人不相信的真理，有时候这也挺有效的。而且最难的部分是，我们愿不愿意在自己的判断上押上五到十年时间？人们总会犯错，只能尽量跟客户沟通，试着解决困扰他们的问题。创业就是这样，我们必须有这种强烈的自我表达意愿，不断摧毁自己曾经坚信的东西。更难的一点在于，我们又要有能力超越自己的观点，不能自大到总认为自己就是全世界最了不起的独立思考者。这个事很辩证，但最终就是要靠结果来证明和支撑。
Lenny：您向来以严苛的业务衡量标准著名。那从创业的角度来看，您的核心理念是什么？
Jason Droege：有时候最靠谱的创业方向，并不在于所谓最好的思路和机会。当然，对于我这种职业生涯已经超过 25 年的从业者，那选择空间和容错面会大得多。我认为一种业务的成功可以有两种途径：其一，也可以说是最重要的一种，就是创始人长期保持一股自我迭代和更新的力量。但这种年复一年的坚持其实很艰难。第二点是，可以直接去照搬其他人的经验，比如什么是好的商业模式、什么是差的商业模式、什么是好的市场定位、什么是差的市场定位。哪怕是拥有再强大的知识储备，哪怕理论上要进入的是一种比较差的市场定位，那只需要全身心投入，那随着时间推移也会逐渐显现回报。当然，我个人不会选择这种方式，我认为还是要根据市场需求走。纵观顶尖风投企业投资的项目，就会发现他们的投资组合是有规律的，至少是在对应价值数百亿美元的商业模式方面是有共性的，而且是具有网络效应的。规模大的业务就是比规模小的业务更有价值。比如我在 Uber 做过的新业务筛选，淘汰不好的想法其实挺快的，费不了多少时间。至于在筛选剩下的业务中，那就可以根据自己的直觉和热情去推动了。总而言之，我觉得大多数人对于哪些业务有机会增长到千亿美元规模缺少基本的理解。
Lenny：您推动了 Uber Eats 的上线。那在确定选择外卖赛道之前，你还探索过哪些其他想法？
Jason Droege：我肯定不是那种绝顶聪明的人，所以我会尽可能长期保持自己开放的态度，直到把各种有价值的元素都融合起来。有些想法刚开始看也许觉得比较差，但只需要不断挖掘，最终的对错判断很可能会反转。有一天，我在旧金山到处乱逛，看到了 711 之类的便利店。我就会想，大家要买到自己想要的东西需要转多少个拐角？难道不能直接把想要货品直接放进购物车吗？比如按下购物车上的按钮，它就直接把想要的货品送过来。毕竟叫“便利”店嘛，就得足够便利。所以我们在华盛顿特区推出了这项服务，在路上投放了大约十辆这样的卡车，里面装了大约 250 个吐货口。刚开始的情况很糟糕，根本就没多少人来买。于是我们意识到自己在下意识地找痛点，并不清楚便利店的核心吸引力是什么。我们的卡车不卖烟、不卖啤酒、不卖豌豆泥，我们不清楚大家最想买哪些商品。但说实话，工会的力量太强了，所以我天然地认为别用人工是最安全、成本最低的。我们很出色地解决了这个非经济学层面的问题，实现了便捷交付。但结果呢？我们做了 Uber Spot 还是什么，但跟点对点配送的 Uber Direct 一样，刚起步就表现不好。也就是说，消费者并没这方面需求，企业才有这种需求。2014 年我们刚做尝试时，就没找到市场需求。后来我们持续更新了 15 个版本，最终发现外卖业务的表现才更出色，也拥有可靠的经济回报。这是个很酷的问题，我们可以用这些工具来支持夫妻店，让他们具备跟大企业竞争的资格。我们可以把房地产因素排除在外，让店面选址不再决定一切。只要你的餐食好吃，就完全可以吸引更多顾客。所以我觉得这是个很有趣的问题，真正促进当地经济发展。
Lenny：Uber Eats 最终在 Uber 的危机时刻拉了母品牌一把，现在业务规模发展到多大了？
Jason Droege：我们是 2015 年 12 月在多伦多推出了这项服务，大约两小时内销售额就达到了 2 万美元，简直是疯狂。我们很快意识到这个路子是对的，而且经济效益很好。我在 Uber 待了六年左右，用了一年半左右才把这个项目真正做起来，并在四年半之后把销售额做到了 200 亿美元。必须承认，Uber 非常擅长扩大业务规模，但竞争激烈的市场上其他友商也做得不错。我们击败了很多对手，也有一些对手确实压我们一头。目前业务规模正在向着 800 亿美元迈进，时间才过去了短短四年半。我想 COVID 在其中也发挥了很大的推动作用。
Lenny：众所周知，您曾经反对麦当劳加入 Uber Eats。能分享一下这个故事吗？
Jason Droege：这事说起来就有意思了。或许有时候不想太多反而会让人意外找到正确的原因。我们发布的 Uber Eats 在全球范围内获得了广泛成功，而其中的基本愿景很简单：让小餐馆也能跟大规模连锁餐厅正面竞争。以巴黎来说，大家去巴黎旅行肯定不想吃大牌连锁餐厅，而更想发掘本地特色小店。这是现实需求，我们也决定参与其中。但后来麦当劳联系了我们，表示想跟我们一起做外卖业务。我们拒绝了，哪怕对方强调他们的日均消费者高达 8000 万。在拖了四、五个月之后，我们团队觉得我肯定是疯了，他们想促成这件事、而且愿意为之倾力投入。最终，我们还是跟麦当劳建立了独家合作关系，获得了大量连锁店客户。那时候大家都担心每单收益还能不能保证，毕竟订单规模到了单日几千万级别，这肯定是笔大钱。面对现实问题，Uber 的企业文化就是缩小配送半径、在必要时提高某些食物的价格，反正总有办法解决的。三个月之后又有新的问题出现，业务再次陷入困境……总之很多同事觉得我在跟麦当劳合作方面太固执了，但我觉得最终至少还是达成了一笔很棒的交易。
Lenny：你一直很关注毛利率，能不能具体说说？
Jason Droege：我是这样的，当然这只是我的评判标准之一。当然，也有不少企业本身很好，但毛利率也不高，比如说好市多、沃尔玛之类。亚马逊也有类似的情况。但总的来说，高毛利率加上相对较低的客户流失曲线，对企业来说肯定是个很健康的运营信号。毕竟生意的本质就是增加价值，这就像一块客观的试金石。我们在开展新业务的时候肯定也受到过毛利率问题的困扰，比如刚开始先试试毛利率 40%的方案，发现可行再试着提升到 60%——这时候商家就觉得不能接受了，大家再坐下来交流。至于离岸外包公司，他们的毛利率是多少？查了一下，大概在 20%，而且已经运营了很长时间。那按这个规律来讲，我们的毛利率最终也将不可避免地从 40%下降到 20%，除非真能找到差异化的突破，否则必然要陷入这个巨坑。所以我认为毛利率只是个很粗糙的指标，远不能算是完美的工具。但至少它可以是种快速高效的过滤器，可以考查突然跳出来的想法能不能通过初步评估。比如说核算之后发现毛利率很低，就只能通过后续销量来弥补，那这事恐怕就不大行得通。
Lenny：您提到“不输”是获得成功的先决条件，能不能给我们具体解释一下这个理念？
Jason Droege：我们的科技文化是由投资者来建立投资组合，很多叙事是由投资者掌控。坦率地讲，创始人肯定也会参与其中。这种情况当然是比较理想的，只是我们没法确定自己会不会有这份运气。如果真说自己人生中只有一次尝试的机会，那我肯定不会轻易去行动，必须得三思而后行。虽然没有这方面数据做支撑，但我发现自己朋友圈里的企业家和最出色的创业者，会审视自己做决策时的风险状况，并在整个过程中都持续做出均衡和积极的决策调整。很多时候我们会忘记决策背后是对应着风险的。这里还有很多可以讨论的部分，因为我觉得用高风险决策最终取得成功是种特别不可取的文化现象，连培训当中都会认可这种思路。毕竟高风险决策必然带来巨大的波动，这对创始人最重要的特质——也就是坚持下去的能力是种直接挑战。大多数人在寻求最佳时机、与客户建立良好关系和将合适产品推向市场之前，就已经放弃退出了。而科技行业瞬息万变，我们确实可能在短时间内从平凡之人变成技术英雄，但大概率这会是个漫长的过程，得先活下来才能谈成功。而当前我们正身处炒作周期，每个人都想尝试、全力投入，但却没意识到客户会一直在，希望自己的问题能得到解决。总之，生存是一切的前提，我们要尽量别把业务发展置于危及的境地。当然，我也不是说完全拒绝任何冒险，这是个需要认真权衡利弊的大问题。
快问快答
Lenny：您肯定也经历过失败，能不能分享一条从痛苦经历中汲取到的教训？
Jason Droege：我还是认为多花点时间提前思考，可以避免后续的很多麻烦。我之前确实做过一些尝试，但结果一般就不细聊了。在 2001 年互联网泡沫破裂之后，我曾打算筹资创办一家公司、而且是能赚钱的公司，成果就是 Scour。坦白讲，当时我没在科技行业发现什么好机会，所以我开始在网上卖二手高尔夫球杆，还真赚了不少钱。那会我才 22 岁，考虑得并不周全，而且我的预期也不高，因为我觉得这生意什么人都能做。但我确实赚了很多钱，甚至想过把全美国所有的二手高尔夫球杆都买下来，直接操控整个市场的交易价格。我太年轻、太自负了，根本没认真思考过这件事的可行性。总之我就这样进入了这个行业，还靠这个赚了几百万美元。但整个过程都让我很痛苦，因为
Lenny：您对招聘人才和组建团队很有见解，能不能聊聊自己的理念？
Jason Droege：最近我对这个问题又有了更具体的理解。比如某些职位，就必须要有对当前市场丰富的观察和理解。毕竟市场发展太快，没时间慢慢去培训，所以要找的就是那些哪怕其他条件弱些、但真正理解市场和能够跟客户建立良好关系的人。有了这个前提，其余的部分才能跟公司共同成长，并建立起理想的职业发展轨迹。当然，这类职位只能在公司中只占 5%，但它们对于产品的快速上市非常重要。比如在面试当中，我就只考查三点：对于解决问题是否抱有足够的好奇心，是不是擅长把自己的想法准确表达出来，还有能不能很好地跟其他人合作、特别是扮演好领导者。我相对不那么看重专业知识，毕竟我自己肯定有能力边界，不可能在所有专业知识上都做出准确判断。但只要能成功做好这几点，对方的成功几率就相当高。面对世界的持续变化，我们需要的就是具备极强适应能力的人。以 Uber Eats 为例，当初组建项目管理团队时，我总会通过招人把团队设计成一个优势互补扔 机体，同时尽量减少团队中除运营以外的大部分冲突。而且从一无所有到高达 200 亿美元的估值，我的这个理念始终没有动摇。我一直坚信团队成员间了解彼此的优势和劣势，而且能够相互弥补，这比传统上的各种考核标准都要靠谱。换句话说，我必须得学会相信员工，因为我不可能亲自掌控一切。当然，人事系统是非常复杂的，不可能基于我简单的几句话就生搬硬套。
Lenny：在日常生活和工作当中，你发现了哪些 AI 应用方式？
Jason Droege：说实话，我在加入 Scale 之前是在消费电子领域工作，也参与过政府层面的一些应用项目。AI 这个领域发展太快了，每当有新概念出现我都会认真学习，也会向公司里的其他同事请教技术细节，比如说数据和产品的技术特征。但他们的时间也有限，更多新概念还得靠自己主动学习。大家可能不相信，我的主要工作并不是处理跟 AI 相关的工程问题，而是管理这个组织。为了避免频繁打扰同事，很多时候我也会直接跟 AI 学习，在上下班的路上跟它聊天。这已经变成我生活中的一种习惯，也是我从业以来见证过的最不可思议的奇迹。
比如之前采访 Perplexity 创始人的时候，对方就介绍他们要求同事在提出任何问题之前，必须先请教 AI。那时候这还是种很疯狂的工作方式，但现在看来他们的领先恰恰体现在这里。至于在工作当中，我会上传一份内部文件，然后边亲自阅读边比较它的提炼结果。让人震惊的是，AI 的表现真的非常出色，而且帮我节约了大量时间。在大规模组织中，我们经常会遇到这样的难题：我不知道你想让我说什么，我也不知道自己需要了解什么，这就导致大家各有议程、自说自话。那面对这样的传播挑战，AI 确实能帮上大忙，太神奇了。我现在会用它来处理法律文件，比如快速了解对手打算怎么对付我、我又该怎么应对。
Lenny：您还有什么想跟听众们分享吗？
Jason Droege：有啊。我想向大家强调 Scale 团队的卓越贡献。我们一直非常努力，持续为客户提供巨大的价值。任何语言在这份努力面前都显得苍白无力，更无法体现客户在此基础之上解决的无数问题。我认为这份付出配得上一切尊重和回报。
Lenny：您最近发现什么自己特别喜欢的产品了吗？
Jason Droege：应该说是 Veo 3 吧，虽然不算全新产品。高中时我曾梦想当个编剧，还认真写过剧本。所以这次我找出第一页、拍下照片，再上传到 Veo 3。结果真的让我震惊，居然一张剧本照片也能生成相应的视频画面。现在我在考虑怎么把这些工具用来生成家庭录像，再利用其他工具让内容更加生动。虽然还有进一步迭代的空间，但这种体验真的很有趣。这类工具真的会改变人们的情感生活，比如让祖父母、亲戚或其他很久没见的人在照片中动起来，这会产生很大的情感冲击。训练出这套模型的技术人员很厉害，而帮助他们做专家级数据标注的服务者也很厉害。这种直接把文字转化成光景的能力很棒，也很酷。
Lenny：您最喜欢的人生格言是什么？
Jason Droege：终点永远不是终点。这是我最喜欢、也深深牢记心中的格言。这跟之前关于生存才是第一要务的观点差不多，只有先活下来才有机会获得成功。纵观自己的创业历程，我觉得这条的指导意义最大。每个人都会经历艰难的旅程，但只要能在这段旅程中坚持五年，那大家的精神承受力绝对会比 99.9%的人强。更具体地讲，我们在努力工作时会深切感受到这句话的意义。有时候我们觉得自己太累了，想要停下来，但事实上只要继续前进，似乎就又可以坚持下去了。我牢记这句话，提醒自己任何一个节点都不是真正的终点，仍然有更远的标的有待探寻。所以无论当下的解决方案到底完不完美，我们都可以先勇敢接受，然后抖擞前行。
Lenny：如果想要与您交流或者了解更多关于 Scale 的信息，应该怎么安排？
Jason Droege：当然可以，大家可以关注我的邮箱，随时了解最新动态。如果是招聘方面的诉求，可以直接访问 scale.com、进入我们的招聘页面，目前公司开放了 250 个空缺职位。我们的业务仍在扩展，包括应用程序业务、数据业务和服务业务都在疯狂增长。我们需要更多人手来帮助我们推进这段旅程。我们还刚刚跟政府签下了巨额合同，金额是 21 亿美元——而且不是一份，而一个月内签了两份。我们的政府业务做得很好、企业业务做得很好、国际政府业务同样做得很好。公司市场需求很大，也让不少销售人员拿到了丰厚的佣金。
参考链接：
https://www.lennysnewsletter.com/p/first-interview-with-scale-ais-ceo-jason-droege
