即刻App年轻人的同好社区
下载
从Surge, Scale聊到我对数据行业的总体看法
Scale被Meta投资后，非常多人来咨询我对数据行业的看法。硅谷101在6.23这期视频中邀请我分析了几个关键问题，包括Alex为什么愿意加入Meta（感兴趣的朋友可以看看视频b23.tv）。昨天西元@西元Levy 又问我对Surge的看法，正好借此机会，我把大家最关心的几个问题系统整理一下，一并分享出来。
⚡️1. 关于数据行业，大家有两个常见的误解：
第一个误解是，AI行业不需要人工标注数据了。但实际上，即便在强化学习的时代，高质量的人类数据依然非常重要。过去几个月，国内自媒体有一大批唱衰Scale的言论，认为有了强化学习就不需要人工标注数据。但Surge的revenue直接用真金白银证明了这种说法是错误的。
第二个误解是，认为数据行业就是血汗工厂的人力密集型行业。但事实上它是一个很有技术含量的科技行业。Surge的CEO Edwin在访谈里提到了一些关键点：如何衡量数据质量，如何衡量工作质量，如何让平台高效运转，以及如何了解frontier model所需要的数据类型和格式。
⚡️2. 为什么数据标注依然是门好生意？
高质量的人工数据标注依然是一个极好的business，但竞争极其激烈。
首先，要在数据领域取得成功，公司必须以技术为核心导向。不管是Surge还是Scale，创始人都是MIT毕业的，员工也都是能够与大模型公司需求对话的人才。
其次，高质量数据的价格遵循非线性增长逻辑。高质量数据的价格可能不是普通数据的两倍，而是十倍、百倍的关系，很多人没有理解这一点。
第三，从公开信息可以看到，Meta同时使用了Surge和Scale，但在这种情况下，Meta还是选择对Scale进行大笔投资。这说明美国领先的模型公司非常重视人工标注的高质量数据，并不像自媒体圈狂欢时说的有了强化学习就不需要人工数据了。
第四，Edwin在talk中提到的许多要点——比如需要build的产品、API，需要与客户直接对话、快速响应数据需求——这些都是业内人士一直知道，但外界很少提及的practice。想做数据必须做最高质量的数据，这样才能赚到钱，而且能赚到非常多的钱，这一点其实跟大模型本身是一样的。
⚡️3. Surge和Scale的区别是什么？
首先，在谈区别之前，Surge和Scale是非常像的两家公司。都是MIT出身的技术背景创始人，团队都充满了MIT、哈佛、斯坦福的名校生。业务也都非常专注做数据，优先从产品技术角度去解决质量问题。创始人也都对人才质量有自己的理解和追求，Edwin在访谈中强调了高人效，Alex冒着政治不正确的风险提出不要DEI，要MEI (merit, excellence, and intelligence)。
那么，为什么Surge可以提供比Scale更高质量的数据？核心是因为数据需求在不停变化，Surge出现时正好赶上大模型浪潮，从第一天就专门针对大语言模型做优化。而Scale是从自动驾驶时期开始的，经历了从自动驾驶到电商分类，再到大模型，还包括国防部的各种项目等多次转向。
其次，Surge的处理能力其实是不够的，吃不下那么多订单。客观来说，现在整个行业对数据的需求太大了，以至于你能提供多少高质量的数据，模型公司就能吃下多少。即便Surge的处理量再翻十倍，行业还是能消化得下。
在Scale被Meta投资之后，Surge现在处于一个很好的位置，成为最大的第三方中立数据服务机构。但因为这个市场非常巨大，还在非常早期，变数会很多。Surge现在可能也想融资扩张。
Scale和行业内其他公司肯定也会继续有生意可以做。局面可能是这样：比如最优质的数据是100分，但实际上没有人能做到，Surge可能做到80分，Scale可能是75分。当80分的数据量不够时，并不是说行业就不需要75分的数据了。大家都在非常努力地想把数据再往前推进一点，而且这个标准随着大模型能力的提高在更加快速的的提高。
⚡️4. 谁能成为下一个（或XX领域的）Scale或Surge？
关于数据的话题，我还有一个观点要补充：最优秀的解决数据问题的团队，不是因为解决不了其他问题而退而求其次的团队，而是相信数据本身有价值的团队。
之前和不少国内VC交流，或者我了解的很多创业公司的做法，是想现在靠提供数据服务来养活自己，之后再做别的。我认为抱着这种想法的团队肯定做不好数据。
Scale被Meta投资后，非常多人来咨询我对数据行业的看法。硅谷101在6.23这期视频中邀请我分析了几个关键问题，包括Alex为什么愿意加入Meta（感兴趣的朋友可以看看视频b23.tv）。昨天西元@西元Levy 又问我对Surge的看法，正好借此机会，我把大家最关心的几个问题系统整理一下，一并分享出来。
⚡️1. 关于数据行业，大家有两个常见的误解：
第一个误解是，AI行业不需要人工标注数据了。但实际上，即便在强化学习的时代，高质量的人类数据依然非常重要。过去几个月，国内自媒体有一大批唱衰Scale的言论，认为有了强化学习就不需要人工标注数据。但Surge的revenue直接用真金白银证明了这种说法是错误的。
第二个误解是，认为数据行业就是血汗工厂的人力密集型行业。但事实上它是一个很有技术含量的科技行业。Surge的CEO Edwin在访谈里提到了一些关键点：如何衡量数据质量，如何衡量工作质量，如何让平台高效运转，以及如何了解frontier model所需要的数据类型和格式。
⚡️2. 为什么数据标注依然是门好生意？
高质量的人工数据标注依然是一个极好的business，但竞争极其激烈。
首先，要在数据领域取得成功，公司必须以技术为核心导向。不管是Surge还是Scale，创始人都是MIT毕业的，员工也都是能够与大模型公司需求对话的人才。
其次，高质量数据的价格遵循非线性增长逻辑。高质量数据的价格可能不是普通数据的两倍，而是十倍、百倍的关系，很多人没有理解这一点。
第三，从公开信息可以看到，Meta同时使用了Surge和Scale，但在这种情况下，Meta还是选择对Scale进行大笔投资。这说明美国领先的模型公司非常重视人工标注的高质量数据，并不像自媒体圈狂欢时说的有了强化学习就不需要人工数据了。
第四，Edwin在talk中提到的许多要点——比如需要build的产品、API，需要与客户直接对话、快速响应数据需求——这些都是业内人士一直知道，但外界很少提及的practice。想做数据必须做最高质量的数据，这样才能赚到钱，而且能赚到非常多的钱，这一点其实跟大模型本身是一样的。
⚡️3. Surge和Scale的区别是什么？
首先，在谈区别之前，Surge和Scale是非常像的两家公司。都是MIT出身的技术背景创始人，团队都充满了MIT、哈佛、斯坦福的名校生。业务也都非常专注做数据，优先从产品技术角度去解决质量问题。创始人也都对人才质量有自己的理解和追求，Edwin在访谈中强调了高人效，Alex冒着政治不正确的风险提出不要DEI，要MEI (merit, excellence, and intelligence)。
那么，为什么Surge可以提供比Scale更高质量的数据？核心是因为数据需求在不停变化，Surge出现时正好赶上大模型浪潮，从第一天就专门针对大语言模型做优化。而Scale是从自动驾驶时期开始的，经历了从自动驾驶到电商分类，再到大模型，还包括国防部的各种项目等多次转向。
其次，Surge的处理能力其实是不够的，吃不下那么多订单。客观来说，现在整个行业对数据的需求太大了，以至于你能提供多少高质量的数据，模型公司就能吃下多少。即便Surge的处理量再翻十倍，行业还是能消化得下。
在Scale被Meta投资之后，Surge现在处于一个很好的位置，成为最大的第三方中立数据服务机构。但因为这个市场非常巨大，还在非常早期，变数会很多。Surge现在可能也想融资扩张。
Scale和行业内其他公司肯定也会继续有生意可以做。局面可能是这样：比如最优质的数据是100分，但实际上没有人能做到，Surge可能做到80分，Scale可能是75分。当80分的数据量不够时，并不是说行业就不需要75分的数据了。大家都在非常努力地想把数据再往前推进一点，而且这个标准随着大模型能力的提高在更加快速的的提高。
⚡️4. 谁能成为下一个（或XX领域的）Scale或Surge？
关于数据的话题，我还有一个观点要补充：最优秀的解决数据问题的团队，不是因为解决不了其他问题而退而求其次的团队，而是相信数据本身有价值的团队。
之前和不少国内VC交流，或者我了解的很多创业公司的做法，是想现在靠提供数据服务来养活自己，之后再做别的。我认为抱着这种想法的团队肯定做不好数据。
67 736
写在Figma上市日：被忽视的技术成功典型
几小时后，Figma将在纽交所上市，股票代号FIG。有必要说一说Figma的联合创始人Evan Wallace，他2021年离开Figma之前一直担任CTO。如果现在大家都说想找十倍工程师，我觉得Evan可以称之为百倍工程师，或者用另一个词——他是一个Transformative Engineer。他能把之前大家不敢想或者觉得不可能的事情，通过工程的方式变得可能。
Figma虽然被很多人认为是商业成功或产品成功，但它核心其实是非常典型的技术成功。正是基础技术构建让这个产品能够超越时代，做出基于Web的多人协同设计工具。
从Evan的blog中可以看到他当时在Figma做的一些事情。Figma是第一个真正大规模使用WebAssembly的app，当时这个技术刚刚出来，还没有人用它构建过大型软件。现在很多硅谷投资人都写过，Figma早期跟他们pitch时，几乎所有人都觉得浏览器的性能不可能做这么heavy的东西——在浏览器里做设计软件。
但Evan自己写了整个渲染引擎，用WebAssembly+WebGL技术实现。这个难度有多大呢？相当于一个人干了顶级大厂UI framework几百人的活。Figma还自己实现了字体编辑系统，支持所有语言，包括从右到左、从左到右的文字，而且必须让设计师满意，字体渲染精度要求非常高。在这个过程中，Evan甚至需要自己去修复浏览器的bug，包括Firefox、WebKit、Chrome。
同时因为Figma是协同软件，于是Evan又自己做了一套底层协同的网络协议。
当然还要提一嘴，离开Figma后，Evan还做了esbuild，让web开发的打包速度比之前提高了百倍，带动了用高性能语言重写web工具链的新浪潮。
现在AI工程和AI代码能力变得更强大了，但我不希望AI代码能力最后带来的只是多了一千倍的vibe coding的简单网页，而是希望有更多的人能够像Evan这样去做真正的技术突破，把之前大家认为不可能的东西变成可能。
几小时后，Figma将在纽交所上市，股票代号FIG。有必要说一说Figma的联合创始人Evan Wallace，他2021年离开Figma之前一直担任CTO。如果现在大家都说想找十倍工程师，我觉得Evan可以称之为百倍工程师，或者用另一个词——他是一个Transformative Engineer。他能把之前大家不敢想或者觉得不可能的事情，通过工程的方式变得可能。
Figma虽然被很多人认为是商业成功或产品成功，但它核心其实是非常典型的技术成功。正是基础技术构建让这个产品能够超越时代，做出基于Web的多人协同设计工具。
从Evan的blog中可以看到他当时在Figma做的一些事情。Figma是第一个真正大规模使用WebAssembly的app，当时这个技术刚刚出来，还没有人用它构建过大型软件。现在很多硅谷投资人都写过，Figma早期跟他们pitch时，几乎所有人都觉得浏览器的性能不可能做这么heavy的东西——在浏览器里做设计软件。
但Evan自己写了整个渲染引擎，用WebAssembly+WebGL技术实现。这个难度有多大呢？相当于一个人干了顶级大厂UI framework几百人的活。Figma还自己实现了字体编辑系统，支持所有语言，包括从右到左、从左到右的文字，而且必须让设计师满意，字体渲染精度要求非常高。在这个过程中，Evan甚至需要自己去修复浏览器的bug，包括Firefox、WebKit、Chrome。
同时因为Figma是协同软件，于是Evan又自己做了一套底层协同的网络协议。
当然还要提一嘴，离开Figma后，Evan还做了esbuild，让web开发的打包速度比之前提高了百倍，带动了用高性能语言重写web工具链的新浪潮。
现在AI工程和AI代码能力变得更强大了，但我不希望AI代码能力最后带来的只是多了一千倍的vibe coding的简单网页，而是希望有更多的人能够像Evan这样去做真正的技术突破，把之前大家认为不可能的东西变成可能。
131 2759
前几天在X上刷到Modal创始人Erik Bernhardsson的一个推文，起初是回复工程师到底应不应该是多面型。Erik见过的最好的工程师既可以做内存分配这种非常系统级的工作，也可以做CSS这样的前端工作。
这与很多人的观点相反。很多人认为他们见过的人擅长一件事就不擅长另一件事。为什么会出现这个差别？这里涉及到统计学上一个叫做伯克森悖论（Berkson‘s Paradox ）的现象。
具体到工作中，擅长A和擅长B应该是正相关的，但由于市场的薪酬分配机制：如果两个人在A技能上差不多，在B技能上差得比较远，那他们大概率不会在同一家公司。相同薪酬能招到的人，至少要么擅长A，要么擅长B，要么A和B都能做但都不是那么出色。因为既擅长A也擅长B的人不会加入普通公司，而既不擅长A也不擅长B的人也不会被录用。
所以在非顶尖公司中，通过市场筛选后，大家能看到的人往往只擅长一件事情，而不是两件事情都擅长。明明正相关的两件事，因为采样原因变成了负相关。
这种现象导致很多没有在行业最顶尖团队待过的人形成根深蒂固的认知偏差。大家会觉得擅长工程的人就做不好市场，或者技术好的人就做不好产品，做后端大牛就缺乏审美，设计师就没有逻辑。然而在整个人群中，这些素质反而是正相关的。
这与很多人的观点相反。很多人认为他们见过的人擅长一件事就不擅长另一件事。为什么会出现这个差别？这里涉及到统计学上一个叫做伯克森悖论（Berkson‘s Paradox ）的现象。
具体到工作中，擅长A和擅长B应该是正相关的，但由于市场的薪酬分配机制：如果两个人在A技能上差不多，在B技能上差得比较远，那他们大概率不会在同一家公司。相同薪酬能招到的人，至少要么擅长A，要么擅长B，要么A和B都能做但都不是那么出色。因为既擅长A也擅长B的人不会加入普通公司，而既不擅长A也不擅长B的人也不会被录用。
所以在非顶尖公司中，通过市场筛选后，大家能看到的人往往只擅长一件事情，而不是两件事情都擅长。明明正相关的两件事，因为采样原因变成了负相关。
这种现象导致很多没有在行业最顶尖团队待过的人形成根深蒂固的认知偏差。大家会觉得擅长工程的人就做不好市场，或者技术好的人就做不好产品，做后端大牛就缺乏审美，设计师就没有逻辑。然而在整个人群中，这些素质反而是正相关的。
18 15
