Op 12 juni trad Alexandr Wang terug als CEO van Scale om zijn meest ambitieuze Moon-doel tot nu toe na te streven: het bouwen van kunstmatige intelligentie die slimmer is dan mensen als hoofd van Meta’s nieuwe ‘superintelligentie’-divisie. Als onderdeel van deze stap zal Meta 14,3 miljard dollar investeren in een minderheidsbelang in Scale AI, maar de echte prijs is niet zijn bedrijf: het is Wang zelf.
Van de 28-jarige Wang wordt verwacht dat hij een gevoel van urgentie zal geven aan de AI-inspanningen van Meta, die dit jaar worden geplaagd door vertragingen en teleurstellende prestaties. Ooit de onbetwiste leider op het gebied van open-weight AI, is de Amerikaanse technologiegigant op populaire benchmarks ingehaald door Chinese rivalen als DeepSeek. Hoewel Wang, die op 19-jarige leeftijd stopte met MIT, niet over de academische vaardigheden beschikt van sommige van zijn collega’s, biedt hij zowel inzicht in de soorten gegevens die Meta’s rivalen gebruiken om hun AI-systemen te verbeteren als ongeëvenaarde ambitie. Google en OpenAI beëindigen naar verluidt allebei de deals met Scale AI vanwege de Meta-deal. Scale weigerde commentaar te geven, maar de interim-CEO benadrukte dat het bedrijf onafhankelijk zal blijven opereren blogartikel.
Grote doelen zijn Wang’s ding. Op 24-jarige leeftijd was hij de jongste selfmade miljardair ter wereld geworden, waardoor Scale een belangrijke speler werd op het gebied van datalabeling voor AI-giganten. “Ambitie vormt de werkelijkheid”, luidt een van de kernwaarden van Scale, een motto gecreëerd door Wang. Dat duwtje was het waard bewondering door OpenAI-CEO Sam Altman, die leefde tijdens de pandemie maandenlang in Wangs appartement.
Maar zijn meedogenloze ambitie bracht compromissen met zich mee. Hij schrijft het succes van Scale toe aan het behandelen van data als een ‘probleem van wereldklasse’, maar die focus heeft zich niet altijd uitgebreid tot het leger van het bedrijf, dat bestaat uit meer dan 240.000 contractarbeiders, van wie sommigen te maken hebben gehad vertraagde, verminderde of geannuleerde betalingen na het voltooien van de taken. Lucy Guo, medeoprichter van Scale maar in 2018 vertrok na meningsverschillen met Wang, zegt dat dit een van hun “twistpunten” was.
“Ik dacht: ‘We moeten ons erop concentreren dat ze op tijd betaald krijgen'”, terwijl Wang meer geïnteresseerd was in groei, zegt Guo. AI-weegschalen zei hij gevallen van betalingsachterstand zijn uiterst zeldzaam en de situatie verbetert voortdurend.
De inzet van deze mentaliteit van ‘groei ten koste van alles’ wordt steeds groter. Superintelligente AI “zou neerkomen op de meest precaire technologische ontwikkeling sinds de atoombom”, aldus A politiek document Wang schreef in maart samen met Eric Schmidt, voormalig CEO van Google, en Dan Hendrycks, directeur van het Center of AI Safety. Wang’s nieuwe rol bij Meta maakt hem tot een belangrijke besluitvormer met betrekking tot deze technologie die geen ruimte laat voor fouten.
TIME sprak in april met Wang, voordat hij aftrad als CEO van Scale. Hij besprak zijn leiderschapsstijl en hoe voorbereid de Verenigde Staten zijn op de ‘tekortkomingen’ van AGI en kunstmatige intelligentie.
Dit interview is voor de duidelijkheid ingekort en bewerkt.
Uw leiderschapsstijl wordt omschreven als erg saai. Er werd bijvoorbeeld gemeld dat u met elke nieuwe werknemer een individueel gesprek zou voeren, zelfs als het aantal werknemers de honderden zou bereiken. Hoe is uw kijk op leiderschap geëvolueerd naarmate de schaal is gegroeid?
Leiderschap is een zeer veelzijdige discipline, toch? Er is niveau één: kun je de dingen realiseren die vlak voor je liggen? Het tweede niveau is: zijn de dingen die je doet wel de goede? Wijs jij in de goede richting? En dan zijn er nog veel dingen op niveau drie, die waarschijnlijk de belangrijkste zijn: wat is de cultuur van de organisatie? Al dat soort dingen.
Ik denk absoluut dat mijn benadering van leiderschap wordt gekenmerkt door zeer veel aandacht voor detail, zeer gefocust zijn, behoorlijk gefocust zijn, een hoge mate van urgentie bijbrengen, echt proberen ervoor te zorgen dat de organisatie zo snel en met zoveel mogelijk urgentie naar kritieke kwesties gaat.
Maar hoe ontstaat, zelfs door stratificatie, een gezonde cultuur? Hoe ontwikkel je een organisatie waarin mensen op posities worden geplaatst waar ze hun beste werk kunnen doen en in deze omgevingen voortdurend kunnen leren en groeien. Wanneer je wordt gericht op een missie die groter is dan het leven, dan heb je het vermogen om echt geweldige dingen te bereiken.
Sinds een reis naar China in 2018 hebt u openlijk gesproken over de dreiging die uitgaat van de Chinese AI-ambities. Nu, vooral in de nasleep van DeepSeek, is deze visie veel dominanter geworden in Washington. Heeft u nog andere gedachten over de ontwikkeling van AI, die nu misschien een beetje marginaal zijn, maar over ongeveer vijf jaar mainstream zullen worden?
Ik denk dat de wereld van agenten, een wereld waarin bedrijven en overheden hun economische activiteiten steeds vaker met agenten uitvoeren; dat mensen zich steeds meer eenvoudigweg managers en supervisors van deze agenten voelen; waar we beginnen meer economische activiteit te verschuiven en over te dragen aan agenten. Dit is zeker de toekomst en de manier waarop wij als samenleving met minimale verstoring door deze transitie navigeren, is zeer, zeer niet triviaal.
Ik denk dat het absoluut eng klinkt als je erover praat, en ik denk dat dat een soort indicatie is dat het niet iets zal zijn dat heel gemakkelijk te maken of heel gemakkelijk te doen is. Ik geloof dat er een aantal dingen zijn die we moeten opbouwen, die we goed moeten doen, die we moeten doen om ervoor te zorgen dat de transitie soepel verloopt.
Ik denk dat er veel opwinding en energie zit in dit soort agentenwereld. En we denken dat het elk aspect van onze wereld raakt. Bedrijven zullen dus agentbedrijven worden. Regeringen zullen handelende regeringen worden. De oorlog zal een actieve oorlog worden. Het zal een diepgaande impact hebben op alles wat we doen en er zijn enkele sleutelelementen, zowel de infrastructuur die gebouwd moet worden, als de belangrijkste beleidsbeslissingen en de belangrijkste beslissingen (over) hoe dit binnen de economie wordt geïmplementeerd, die allemaal behoorlijk cruciaal zijn.
Hoe beoordeelt u hoe voorbereid en hoe serieus de Amerikaanse regering de mogelijkheid van “AGI” (kunstmatige algemene inlichtingen) neemt?
Ik denk dat AI heel erg belangrijk is voor de overheid, en ik denk dat er veel pogingen zijn om te evalueren: wat is het tempo van de vooruitgang? Hoe snel zullen we bereiken wat de meeste mensen AGI noemen? Langzamere tijden, snellere tijden? Als de tijden sneller zijn, wat zijn dan de juiste dingen om te repareren? Ik denk dat dit belangrijke gesprekken zijn.
Als je naar vice-president JD Vance gaat toespraak van de AI Action Summit in Parijs, spreekt hier expliciet over, over het concept dat de huidige regering zich richt op de Amerikaanse arbeider en dat zij ervoor zal zorgen dat AI gunstig is voor de Amerikaanse arbeider.
Ik denk dat naarmate AI zich blijft ontwikkelen – ik bedoel, de industrie beweegt zich in een razend tempo – mensen dit zullen opmerken en actie zullen ondernemen.
Eén taak die rijp lijkt voor revolutie is het annoteren van data zelf. We hebben interne AI-modellen gezien die werden gebruikt om de Sora-dataset van OpenAI te ondertitelen, en tegelijkertijd werden redeneermodellen getraind op synthetische data om automatisch te spelen op gedefinieerde uitdagingen. Ziet u deze trends als een bedreiging voor het verstoren van de data-annotatieactiviteiten van Scale AI?
Sterker nog, ik denk dat het precies het tegenovergestelde is. Als je kijkt naar de groei van AI-gerelateerde banen die verband houden met het bijdragen aan AI-datasets (daar zijn veel woorden voor, maar we noemen ze ‘bijdragers’), dan is deze in de loop van de tijd exponentieel gegroeid. Er is veel discussie over de vraag of het werk verdwijnt als de modellen verbeteren. De realiteit is dat het bedrijf vele malen blijft groeien, jaar na jaar, en dat zie je aan onze groei.
Dus mijn verwachting is eigenlijk dat als je een lijn vooruit trekt, richting een agent-economie, steeds meer mensen uiteindelijk zullen evolueren naar wat we momenteel beschouwen als AI-datawerk: dat een steeds groter deel van de economie zal uitmaken.
Waarom zijn we er niet in geslaagd om AI-datawerk te automatiseren?
Het automatiseren van AI-datawerk is een beetje een tautologie, omdat AI-datawerk bedoeld is om modellen te verbeteren. Als modellen dus goed zouden zijn in de dingen waarvoor ze data produceren, dan zou je ze überhaupt niet nodig hebben. Dus eigenlijk zijn de AI-gegevens allemaal gericht op de gebieden waar de modellen ontbreken. En naarmate AI op steeds meer gebieden van de economie wordt toegepast, zullen we daar alleen maar meer tekortkomingen aantreffen.
Je kunt een stapje achteruit doen en turen en de AI-modellen zien er heel slim uit, maar als je het daadwerkelijk probeert te gebruiken om een van de verschillende belangrijke workflows in je werk uit te voeren, zul je beseffen dat het behoorlijk ontbreekt. En dus denk ik dat de mensheid als samenleving nooit zal stoppen met het vinden van gebieden waar deze modellen moeten worden verbeterd, wat een voortdurende behoefte zal veroorzaken om aan AI-gegevens te werken.
Een van de bijdragen van Scale is dat het zichzelf positioneert als zowel een technologiebedrijf als een databedrijf. Hoe slaagde je erin om je te onderscheiden van de concurrentie?
Als je een grote stap terug doet, is de vooruitgang van AI fundamenteel gebaseerd op drie pijlers: data, berekeningen en algoritmen. Het werd heel duidelijk dat data een van de grootste knelpunten in deze sector was. De berekening en de algoritmen hadden ook knelpunten, maar de gegevens waren er wel.
Ik denk dat er vóór Scale geen bedrijven waren die data behandelden als de eerste klasse van een probleem dat het in werkelijkheid is. Met Scale is een van de dingen die we echt hebben gedaan het behandelen van gegevens met het respect dat ze verdienen. We hebben echt geprobeerd erachter te komen: “Hoe lossen we dit probleem op de juiste manier op? Hoe lossen we het op de meest technologische manier op?”
Zodra je deze drie pijlers hebt, kun je applicaties bouwen op basis van data en algoritmen. En wat we dus op Scale hebben gebouwd, is het platform dat in de eerste plaats de datapijler voor de hele sector ondersteunt. Toen ontdekten we ook dat we met deze pijler bedrijven en overheden beter kunnen bouwen en helpen bij het creëren en inzetten van kunstmatige-intelligentietoepassingen door gebruik te maken van hun ongelooflijke rijkdom aan gegevens. Ik denk dat dat ons echt onderscheidt.
