Ленни Рачитский (Lenny Rachitsky) обсуждает с новым CEO Scale AI Джейсоном Дроем трансформацию индустрии искусственного интеллекта после масштабной сделки с Meta на 14 миллиардов долларов. В центре беседы — эволюция обучения моделей от простых задач к экспертному уровню, уроки масштабирования Uber Eats до 80 миллиардов долларов и жесткие бизнес-фильтры, позволяющие стартапам выживать в условиях «хайп-циклов».
🤝 Сделка с Meta на $14 млрд и будущее Scale AI 10:37
Джейсон Дрой официально разъяснил статус Scale AI после сделки с Meta, которая вызвала множество слухов в индустрии. По его словам, Scale AI остается полностью независимой компанией . Основные параметры сделки выглядят следующим образом:
- Инвестиции: Meta инвестировала чуть более 14 миллиардов долларов .
- Доля: Meta получила 49% не голосовых акций компании .
- Управление: Структура совета директоров и принципы управления остались прежними; Meta не получила новых мест в совете .
- Доступ к данным: Дрой утверждает, что у Meta нет преференциального доступа к данным или технологиям Scale AI; все протоколы безопасности и конфиденциальности для других клиентов сохранены в полном объеме .
Александр Ванг (Alexandr Wang), основатель компании, теперь возглавляет команду «суперинтеллекта» в Meta, в то время как Дрой руководит операционной деятельностью Scale AI . Несмотря на переход части сотрудников (около 15 человек) в Meta, Scale AI сохраняет штат более чем в 1000 сотрудников и развивает два независимых бизнес-направления, каждое из которых генерирует сотни миллионов долларов выручки .
🧠 Эволюция данных: от разметки картинок к PhD-экспертизе 12:47
Индустрия обучения ИИ прошла путь от использования дешевой рабочей силы до привлечения ученых мирового уровня. Дрой считает заявления конкурентов о сложности поиска экспертов «несостоятельными», так как Scale AI выстроила эту систему задолго до бума генеративного ИИ .
Основные изменения в требованиях к данным:
- Смена парадигмы: 18 месяцев назад типичной задачей было сравнение двух коротких историй. Сегодня задача может заключаться в написании кода для целого веб-сайта или объяснении нюансов лечения рака .
- Профиль специалистов: По данным Scale AI, 80% их экспертной сети имеют степень бакалавра или выше, а 15% — степень PhD .
- Методы привлечения: Вместо традиционного рекрутинга компания использует реферальные сети среди ученых и кампусные программы в университетах .
Дрой подчеркивает, что эксперты участвуют в проектах не только ради денег (которые могут составлять тысячи долларов), но и ради возможности напрямую влиять на поведение моделей ИИ, исправляя их ошибки в узких областях знаний .
RL-среды и «цифровое суждение» 19:19
Будущее ИИ-агентов зависит от сред обучения с подкреплением (RL environments). Дрой объясняет это на примере Salesforce: чтобы агент мог совершать сделки, он должен научиться ориентироваться в интерфейсе, понимать конфигурации и знать, когда нужно передать задачу человеку .
Главным барьером для внедрения ИИ в крупных корпорациях гость называет «оцифровку человеческого суждения» . Одно и то же решение в компании A может быть правильным, а в компании B — катастрофическим из-за разной корпоративной культуры и целей. Поэтому Scale AI смещает фокус на обучение моделей специфике конкретных предприятий .
🏥 ИИ в реальном секторе: кейс здравоохранения 23:44
Дрой привел пример внедрения ИИ в крупную медицинскую систему, специализирующуюся на редких заболеваниях. До внедрения технологии врачи были вынуждены изучать до 300 страниц документации по каждому случаю, что создавало огромные очереди .
Результаты внедрения специализированного инструмента:
- Выявление скрытых угроз: ИИ обнаружил аллергию на препарат, которая была упомянута в документах многолетней давности и могла привести к фатальному конфликту с текущим лечением .
- Повышение точности: Врачи используют ИИ не для замены диагноза, а для выделения 5–10 критических факторов, которые нельзя упустить .
- Локальная разметка: Врачи этой системы сами стали «разметчиками», обучая модель понимать специфический контекст их клиники .
По мнению Дроя, ИИ наиболее эффективен там, где он может поднять точность процессов с 10–20% до 80% . Однако в процессах, где требуется точность 99.9% (например, финансовые транзакции), ИИ пока не может полностью заменить человека .
🍔 Уроки Uber Eats: от идеи до $80 млрд 41:51
Джейсон Дрой руководил запуском Uber Eats, когда проект был лишь одной из многих экспериментальных идей внутри Uber. Он выделяет несколько ключевых принципов, которые позволили превратить «доставку еды» в бизнес, спасший Uber во время пандемии :
- Анализ скрытых стимулов: При изучении ресторанного рынка команда Дроя не верила рестораторам на слово. Они заказывали еду, разбирали её на ингредиенты (взвешивали ветчину, сыр, хлеб) и сопоставляли это с ценами поставщиков, чтобы понять реальную экономику .
- Поиск «альфы»: Дрой утверждает, что предприниматель должен иметь инсайт, которого нет у миллиона других умных людей . Для Uber Eats таким инсайтом стала ценность «инкрементального спроса»: если ресторан уже платит за аренду и поваров, дополнительные заказы через приложение имеют маржинальность 70–80% .
- Эксперименты и провалы: Прежде чем остановиться на еде, команда пробовала доставку из аптек на фургонах. В Вашингтоне запустили 10 машин с 250 товарами повседневного спроса, но проект провалился, так как люди не заказывали ничего без сигарет, пива и алкоголя, которые Uber тогда не возил .
История с McDonald’s 57:12
Одним из переломных моментов стало подписание контракта с McDonald’s. Интересно, что изначально Дрой отказал им, считая, что Uber Eats должен ориентироваться на локальные уникальные рестораны, а не на глобальные сети . Однако команда убедила его, что McDonald’s обеспечит огромный маркетинговый охват. Дрой считает, что его первоначальный отказ помог в итоге заключить более выгодную сделку .
📈 Бизнес-стратегия: валовая маржа как фильтр 1:00:15
Дрой использует показатель валовой маржи (Gross Margin) как «грубый, но эффективный инструмент» для отсева плохих идей. Его логика проста: если продукт нельзя продать с высокой наценкой, значит, он не создает достаточно ценности .
Его аргументация включает следующие тезисы:
- Защита от коммодитизации: Если вы планируете маржу в 40%, а конкурент из офшора работает с 20%, ваша маржа упадет быстрее, чем вы думаете .
- Масштаб против маржи: Такие компании как Costco и Walmart сознательно держат маржу на уровне 10%, чтобы «высосать кислород» из рынка и сделать конкуренцию невозможной для новичков .
- Инвестиционный фильтр: При запуске нового направления Дрой всегда спрашивает: «Почему мы не можем сделать маржу 60%?». Ответ на этот вопрос вскрывает реальные проблемы: наличие альтернатив у клиента или отсутствие дифференциации .
🚀 Философия выживания и найма 1:05:00
«Выживание — это прекурсор к победе», — утверждает Дрой . В технологической культуре принято «идти ва-банк», но гость полагает, что лучшие предприниматели тщательно оценивают риск-профиль каждого решения. Многие стартапы погибают просто потому, что не доживают до момента, когда их инсайт станет рыночной реальностью .
В вопросах найма Дрой выделяет три качества, которые он ищет в кандидатах на любые роли:
- Любопытство в решении проблем: Способность вербализировать процесс поиска решения .
- Смирение и сотрудничество: Умение работать в команде, признавая сильные стороны других .
- Лидерство: Способность брать на себя ответственность .
Дрой признается, что использует ИИ как персонального репетитора. Перед поездкой на работу он включает голосовой режим и просит модель объяснить новые технические концепции в области ИИ-исследований, которые появляются практически ежедневно .
