Op 12 juni trad Alexandr Wang terug als CEO van Scale om zijn meest ambitieuze missie tot nu toe na te jagen: het bouwen van slimmer dan menselijke AI als hoofd van Meta’s nieuwe ‘superintelligentie’-divisie. Als onderdeel van zijn stap zal Meta 14,3 miljard dollar investeren in een minderheidsbelang in Scale AI, maar de echte uitbetaling is niet zijn bedrijf, maar Wang zelf.
Van Wang, 28, wordt verwacht dat hij een gevoel van urgentie zal geven aan de AI-inspanningen van Meta, die dit jaar werden geplaagd door vertragingen en overweldigende prestaties. Ooit de onbetwiste leider op het gebied van open-weight AI, is de Amerikaanse technologiegigant op populaire benchmarks ingehaald door Chinese rivalen zoals DeepSeek. Hoewel Wang, die op 19-jarige leeftijd stopte met MIT, enkele van de academische vaardigheden van zijn collega’s mist, biedt hij zowel inzicht in de soorten gegevens die Meta’s rivalen gebruiken om hun AI-systemen te verbeteren als een ongeëvenaarde ambitie. Google en OpenAI hebben naar verluidt beide deals gesloten met Scale AI vanwege de Meta-deal. Scale weigerde commentaar te geven, maar de interim-CEO heeft benadrukt dat het bedrijf in de toekomst zelfstandig zal blijven opereren blogpost.
Grote doelen zijn Wang’s ding. Op 24-jarige leeftijd was hij de jongste selfmade miljardair ter wereld geworden door Scale uit te bouwen tot een grote speler die data brandmerkt voor de giganten van de kunstmatige intelligentie-industrie. ‘Ambitie vormt de werkelijkheid’, luidt een van de kernwaarden van Scale – een motto bedacht door Wang. Die drive heeft hem goed gediend bewondering van OpenAI-CEO Sam Altman, die leefde tijdens de pandemie enkele maanden in Wangs appartement.
Maar zijn meedogenloze ambitie gaat gepaard met compromissen. Hij schrijft het succes van Scale toe aan het behandelen van data als een ‘eersteklasprobleem’, maar die focus strekte zich niet altijd uit tot het leger van het bedrijf, bestaande uit meer dan 240.000 contractmedewerkers, van wie sommigen te maken hebben gehad vertraagde, verminderde of geannuleerde betalingen na het voltooien van taken. Lucy Guo, mede-oprichter van Scale maar in 2018 vertrok na meningsverschillen met Wang, zegt dat het een van hun ‘wrijvingspunten’ was.
“Ik had zoiets van: ‘we moeten ons erop concentreren dat ze op tijd betaald krijgen'”, terwijl Wang zich meer zorgen maakte over de groei, zegt Guo. AI-weegschalen hebben gezegd gevallen van betalingsachterstand zijn uiterst zeldzaam en de situatie verbetert voortdurend.
De inzet van deze mentaliteit van ‘groei tegen elke prijs’ wordt steeds groter. Superintelligente Al “zou neerkomen op de meest precaire technologische ontwikkeling sinds de atoombom”, aldus iemand beleidsdocument Wang was samen met Eric Schmidt, de voormalige CEO van Google, en Dan Hendrycks, de directeur van het Center of AI Safety, co-auteur van het artikel van maart. Wang’s nieuwe rol bij Meta maakt hem tot een belangrijke beslisser over 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 VS zijn op de ‘tekortkomingen’ van AGI en AI.
Dit interview is voor de duidelijkheid ingekort en bewerkt.
Uw managementstijl wordt omschreven als zeer in-the-onkruid. Er is bijvoorbeeld gemeld dat u met elke nieuwe medewerker een 1-1-oproep zou beantwoorden, zelfs als het aantal medewerkers de honderden zou bereiken. Hoe is uw kijk op leiderschap geëvolueerd naarmate de schaal is gegroeid?
Management is een zeer veelzijdige discipline, nietwaar? Er is niveau één: kun jij de dingen bereiken die voor je liggen? Niveau twee is: zijn de dingen die je doet de goede dingen? Wijs jij in de goede richting? En dan zijn er nog veel dingen van niveau drie, die waarschijnlijk de belangrijkste zijn: wat is de cultuur in de organisatie? Al dat soort dingen.
Ik denk zeker dat mijn benadering van leiderschap er een is van zeer veel oog voor detail, heel veel in het onkruid zitten, behoorlijk gefocust zijn, een hoge mate van urgentie creëren, echt proberen ervoor te zorgen dat de organisatie zo snel en dringend mogelijk op weg is naar de kritieke kwesties.
Maar ook: hoe ontwikkel je een gezonde cultuur? Hoe ontwikkel je een organisatie waarin mensen op posities worden geplaatst waar ze hun beste werk kunnen doen en waarin ze in die omgevingen voortdurend leren en groeien. Wanneer je naar een missie wijst die groter is dan het leven, heb je het vermogen om dingen te bereiken die werkelijk groots zijn.
Sinds een reis naar China in 2018 bent u openhartig geweest 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 andere opvattingen over de ontwikkeling van AI, die nu misschien wat marginaal is, maar over ongeveer vijf jaar mainstream zal worden?
Ik denk dat de wereld van agenten – een wereld waarin bedrijven en overheden steeds meer van hun economische activiteiten met agenten doen; dat mensen zich steeds meer alleen maar managers en supervisors van deze agenten voelen; waar we meer economische activiteit beginnen te verschuiven en over te dragen aan agenten. Dit is zeker de toekomst, en hoe wij als samenleving die transitie doormaken met minimale verstoring is heel, heel niet triviaal.
Ik denk absoluut dat het 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 bereiken of heel gemakkelijk te doen is. Ik ben van mening dat ik denk dat er een aantal dingen zijn die we moeten opbouwen, die we moeten repareren, die we moeten doen om ervoor te zorgen dat de overgang soepel verloopt.
Ik denk dat er veel opwinding en energie in dit soort agentenwereld zit. En wij geloven dat het elk facet van onze wereld raakt. Bedrijven worden dus agentuurbedrijven. Regeringen zullen agentregeringen worden. Oorlog zal agentenoorlog worden. Het gaat diep doordringen in alles wat we doen, en er zijn een paar belangrijke onderdelen, zowel de infrastructuur die gebouwd moet worden, als de belangrijkste beleidsbeslissingen en de belangrijkste beslissingen (over) hoe het in de economie wordt geïmplementeerd, die allemaal behoorlijk cruciaal zijn.
Wat is uw inschatting van hoe voorbereid en serieus de Amerikaanse regering de mogelijkheid van “AGI” (kunstmatige algemene inlichtingen) neemt?
Ik denk dat AI heel erg top of mind is voor de overheid, en ik denk dat er veel pogingen zijn om te beoordelen: wat is het tempo van de vooruitgang? Hoe snel zullen we bereiken wat de meesten AGI noemen? Langzamer tijdsbestek, sneller tijdsbestek? Als het tijdsbestek sneller is, wat zijn dan de juiste dingen om te repareren? Ik vind dit mooie gesprekken.
Als je naar vice-president JD Vance gaat gesprek van de AI action Summit in Parijs spreekt hij expliciet over het concept dat de huidige regering zich richt op de Amerikaanse arbeider en dat zij ervoor willen zorgen dat AI de Amerikaanse arbeider ten goede komt.
Ik denk dat naarmate de kunstmatige intelligentie 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 disruptie is het annoteren van data zelf. We hebben gezien dat interne AI-modellen worden gebruikt voor het ondertitelen van de dataset Sora van OpenAI, en tegelijkertijd worden redeneermodellen getraind op synthetische zelfspeelgegevens over gedefinieerde uitdagingen. Denkt u dat deze trends een bedreiging vormen voor verstoring van de data-annotatieactiviteiten van Scale AI?
Ik denk eigenlijk dat het precies het tegenovergestelde is. Als je kijkt naar de groei van de AI-gerelateerde banen rond het bijdragen aan AI-datasets – daar zijn veel woorden voor, maar we noemen ze ‘bijdragers’ – is deze in de loop van de tijd exponentieel gegroeid. Er is veel discussie over de vraag of het werk zal verdwijnen naarmate de modellen beter worden. De realiteit is dat het werk jaar na jaar vele malen blijft groeien, en dat zie je aan onze groei.
Dus mijn verwachting is eigenlijk dat als je een lijn vooruit trekt, richting een agent-economie, dat meer mensen daadwerkelijk zullen overstappen naar wat we momenteel als AI-datawerk beschouwen – 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 de modellen beter te maken, en dus als de modellen goed waren in de dingen waarvoor ze data produceerden, dan zou je het in de eerste plaats niet nodig hebben. Dus eigenlijk zijn AI-gegevens allemaal gericht op de gebieden waar de modellen tekortschieten. En naarmate kunstmatige intelligentie op steeds meer plekken in de economie wordt toegepast, zullen we daar alleen maar meer tekortkomingen aantreffen.
Je kunt een stapje achteruit doen en turen en de AI-modellen lijken erg slim, maar als je het daadwerkelijk probeert te gebruiken om een aantal 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 verbeterd moeten worden, wat een constante behoefte aan AI-datawerk zal veroorzaken.
Een van de bijdragen van Scale is dat het zichzelf zowel als technologiebedrijf als als databedrijf heeft gepositioneerd. Hoe heb je het voor elkaar gekregen en hoe heb je je onderscheiden van de concurrentie?
Met een grote stap terug is de vooruitgang op het gebied van AI fundamenteel gebaseerd op drie pijlers: data, berekeningen en algoritmen. Het werd heel duidelijk dat de data een van de belangrijkste knelpunten in deze sector vormden. Berekeningen en algoritmen waren ook knelpunten, maar data waren daar min of meer vergelijkbaar mee.
Ik denk dat er vóór Scale geen bedrijven waren die data behandelden als het eerste 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 probeerden echt te begrijpen: “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 bovenop de data en algoritmen. Wat we bij Scale hebben gebouwd, is dus het eerste platform dat de datapijler voor de hele sector ondersteunt. Vervolgens hebben we ook ontdekt dat we met die pijler daarop kunnen voortbouwen, en dat we bedrijven en overheden kunnen helpen bij het bouwen en inzetten van AI-toepassingen bovenop hun ongelooflijke rijkdom aan gegevens. Ik denk echt dat dat ons onderscheidt.
