در عرض چند ماه پس از سرمایه‌گذاری $14.3B و انتقال Alexandr Wang و چند مدیر ارشد Scale AI به Meta برای راه‌اندازی Meta Superintelligence Labs (MSL)، نشانه‌هایی از اختلاف‌ها و تغییر جهت در همکاری دو شرکت پدیدار شد. خروج دست‌کم یکی از مدیران کلیدی Scale از Meta، تغییر تأمین‌کنندگان برچسب‌زنی داده و گزارش‌هایی درباره کیفیت داده‌ها، سوال‌های جدی درباره کارآمدی این سرمایه‌گذاری ایجاد کرده است.
این گزارش نگاهی فشرده و تحلیلی به چرایی تنش‌ها، پیامدهای تجاری و فنی و پیش‌بینی‌هایی برای ادامه همکاری میان Meta و Scale AI ارائه می‌دهد. مخصوص خوانندگان حوزه تکنولوژی، سرمایه‌گذاری و مدیران محصول که باید بدانند چه اتفاقی در پشت صحنه بزرگ‌ترین سرمایه‌گذاری Meta در حوزه داده‌های AI رخ می‌دهد.
چه چیزی سرمایه‌گذاری $14.3B را متزلزل کرد؟
سرمایه‌گذاری عظیم Meta قرار بود Scale AI را به شریک داده‌ای کلیدی تبدیل کند؛ اما در عمل، تیم‌های TBD Labs Meta نسبت به کیفیت داده‌های Scale دیدگاه‌هایی انتقادی مطرح کرده‌اند. همزمان، Meta به‌صورت فعال با تأمین‌کنندگان رقیب مانند Surge و Mercor همکاری می‌کند که نشان‌دهنده گرایش برای تنوع بخشیدن به زنجیره تأمین داده است.
این تغییر رویه پررنگ است چون چنین سرمایه‌گذاری سنگینی به‌ندرت به‌معنای تک‌تأمین‌کننده است؛ اکنون نشانه‌ها حاکی از آن است که Meta همهٔ تخم‌مرغ‌هایش را داخل یک سبد نگذاشته است.
چرا مدیران و مهندسان جدا شدند؟
برخی از مدیران برجسته که همراه Wang به Meta آمدند، در تیم‌های اصلی TBD Labs حضور نداشتند یا سریع جدا شدند. نمونه بارز Ruben Mayer سابق SVP در Scale پس از حدود 2 ماه Meta را ترک کرد؛ هرچند او بخشی از TBD Labs بودنش را تکذیب نکرده و تجربه‌اش را مثبت خوانده است.
این خروج‌ها و اعلامیه‌های ترک کار از سوی چند پژوهشگر نشان می‌دهد که ترکیب فرهنگ استارتاپی و ساختار بوروکراتیک یک شرکت عظیم، چالش‌های عملیاتی و انگیزشی ایجاد کرده است.
Scale AI در برابر Surge و Mercor چه وضعیتی دارد؟
Scale AI زمانی بر مبنای مدل جمع‌سپاری (crowdsourcing) رشد کرد؛ اما نیاز مدل‌های مدرن به داده تخصصی‌تر باعث شد بازیکنانی که از ابتدا نیروی کار تخصصی و گران‌تر داشتند (مثل Surge و Mercor) سریع رشد کنند. این امر موجب شده برخی محققان TBD Labs ترجیح دهند با این رقبای تخصصی‌تر کار کنند.
در نتیجه، حتی با سرمایه‌گذاری $14.3B، Scale با از دست دادن مشتریان کلیدی (از جمله OpenAI و Google) و کاهش نیروی کار در بخش برچسب‌زنی مواجه شد که تصویر وحدت و تضمین کیفیت را تضعیف می‌کند.
پیامدهای اقتصادی و قراردادی برای Scale AI و Meta
خروج مشتریان بزرگ و کاهش نیروی انسانی (حداقل 200 نفر در بخش برچسب‌زنی) فشار مالی و عملیاتی بر Scale وارد کرد؛ اما Scale تلاش کرده با ورود به بخش دولت و کسب قراردادهایی مانند قرارداد $99 million با U.S. Army، جریان درآمد جدیدی بسازد. از طرف دیگر Meta که در پی جهش رقابتی با OpenAI و Google است، در عین سرمایه‌گذاری بزرگ، به استفاده از چند تأمین‌کننده تمایل نشان داده است.
این رفتار دوگانه می‌تواند برای Meta مفید باشد (تنوع ریسک)، اما برای Scale ریسک چشمگیری دارد چون بخشی از انتظار بازار بر مبنای ادامهٔ همکاری نزدیک با Meta قرار داشت.
تلاش‌های Meta برای جبران: مراکز داده، مدل جدید و استخدام
Meta علاوه بر جذب افراد، مجموعه‌ای از اقدامات فیزیکی و ساختاری را دنبال کرده: اعلام ساخت دیتاسنترهای عظیم (از جمله پروژه Hyperion با برآورد هزینه‌های چندده‌میلیارد دلاری) و هدف‌گذاری برای عرضهٔ نسل بعدی مدل AI تا پایان سال. این اقدامات عملیات مقیاس‌پذیری و زیرساختی لازم را فراهم می‌کنند اما به زمان، هماهنگی و نیروی انسانی با ثبات نیاز دارند.
پرسش این است که آیا Meta می‌تواند همزمان تیم‌ها را حفظ کند، کیفیت داده‌ها را تضمین کند و مدل جدید را به موقع به بازار برساند؟
تحلیل و پیش‌بینی: آیا این سرمایه‌گذاری باز می‌ایستد یا بازسازی می‌شود؟
وضعیت فعلی نشان‌دهنده یک نقطهٔ شکست محتمل است نه لزوما شکست کامل.
احتمال کوتاه‌مدت: Meta به دلیل نیاز رقابتی خود، همکاری با چند تأمین‌کننده را ادامه خواهد داد تا ریسک کیفیت داده و تنگناهای عملیاتی کاهش یابد. این باعث می‌شود نقش Scale AI در عمل کوچک‌تر از حد انتظار اولیه شود.
احتمال میان‌مدت: اگر Scale بتواند با مدل Outlier و تمرکز بر دادهٔ تخصصی مزیت رقابتی ملموسی ارائه دهد و قراردادهای دولتی مانند $99 million را به درآمد مستمر تبدیل کند، جایگاهش تثبیت می‌شود. در غیر این صورت بازار برچسب‌زنی داده به نفع رقبا خواهد چرخید.
احتمال بلندمدت: موفقیت Meta در تولید مدل جدید تا پایان سال بستگی مستقیم به ثبات تیم تحقیق و کیفیت داده‌ها دارد؛ اگر نشت نیروی انسانی و اختلافات ساختاری ادامه یابد، فاز بعدی Meta ممکن است با تأخیر یا کاهش کارایی مواجه شود.
در مجموع، این سرمایه‌گذاری فعلا در فاز بازتعریف است. Meta ریسک خود را کم کرده و Scale ناچار به تنوع محصول و بازار است تا زیان احتمالی را جبران کند.
ویژگی‌های کلیدی وضعیت بین Meta و Scale AI
| موضوع | جزئیات | تأثیر احتمالی |
|---|---|---|
| سرمایه‌گذاری | Meta سرمایه‌گذاری $14.3B در Scale AI انجام داد. | انتظار هماهنگی نزدیک؛ اما همکاری عملاً متنوع شد. |
| حرکت نیروهای انسانی | Alexandr Wang و چند مدیر آمدند؛ Ruben Mayer بعد از ~2 ماه جدا شد. | عدم ثبات مدیریتی و احتمال ترک نیروی تخصصی. |
| تغییر تأمین‌کنندگان | TBD Labs با Surge و Mercor نیز کار می‌کند. | تنوع ریسک برای Meta؛ کاهش نفوذ Scale. |
| استخدام و تعدیل | Scale در July حدود 200 نفر را در برچسب‌زنی اخراج کرد؛ قرارداد $99 million با U.S. Army گرفت. | کاهش هزینه کوتاه‌مدت، تلاش برای درآمد جایگزین طولانی‌مدت. |
| زیرساخت و مدل | Meta دیتاسنترهای بزرگ و هدف عرضه مدل تا پایان سال دارد. | نیاز به دادهٔ باکیفیت و تیم پایدار برای موفقیت مدل. |
| مشتریان از دست رفته | OpenAI و Google همکاری را متوقف کردند. | فشار رقابتی و کاهش درآمد مستقیم برای Scale. |
جمع‌بندی
سرمایه‌گذاری $14.3B Meta در Scale AI تاکنون به‌جای ایجاد اتحاد مطلق، مسیر پیچیده‌ای را طی کرده است: خروج برخی مدیران، انتقادات کیفیت داده، همکاری همزمان با رقبا و تعدیل نیرو در Scale؛ همه نشان می‌دهد که همکاری در فاز بازتعریف قرار دارد. آیندهٔ همکاری بستگی به توانایی Scale در ارائه دادهٔ تخصصی با کیفیت و توان Meta در حفظ نیروی انسانی و هماهنگ‌سازی زیرساخت‌ها دارد.
