Meta Scale AI befektetés: miért most, és mire számíthatunk?
Publikálva: 2025. augusztus 30. • Szerző: Szabó Dóra
Bevezetőként tegyünk fel egy kérdést: mi történik, amikor egy giga tech vállalat olyan szövetségre lép, amely az adatok minőségétől függ, és közben belső irányítási kérdések is felmerülnek? A legfrissebb fejlemények szerint a Meta egy jelentős Meta Scale AI befektetés révén igyekszik gyorsabban felvenni a tempót a mesterséges intelligencia frontvonalán. Ugyanakkor a korábbi partner, Scale AI helyzete és a belső csapatok közti feszültségek rávilágítanak arra, hogy a stratégia nem olyan egyértelmű, mint ahogy első hallásra hangzik. Ebben a cikkben végigvesszük, mit jelent ez a kapcsolat Meta szempontjából, és mi lehet a következő lépés a szuperintelligencia fejlesztésében.
Az első kapkodó tények: a Data-labeling beszállító Scale AI-hoz fektetett be a cég, és a manőver élén Alexandr Wang áll. A döntés ugye arról szólt, hogy a Meta Superintelligence Labs (MSL) gyorsabban férhessen hozzá a minőségi adatokhoz, amelyek nélkül a modellépítés csak nagyívű ábránd maradna. De a kapcsolaton belüli első jelek szerint a látszólagos egyezség már nem olyan erős, mint korábban. A részleteket tekintve közelebb jutunk ahhoz is, mi zajlik a háttérben.
Mi történt a Meta-Scale AI kapcsolattal?
Az események tavaly júniusa óta rázkódtak meg: a Scale AI vállalata 14,3 milliárd dolláros befektetést kapott a Meta részéről, és Alexandr Wang, a cég vezére, plusz több vezető élvonalbeli szakember csatlakozott a Meta-hoz a MSL vezetéséhez. A cél az volt, hogy a Meta gyorsítani tudja a mesterséges intelligencia kutatást és fejlesztést a legnagyobb adatkészletek felhasználásával. Azonban a belső források szerint a Scale AI-tól érkező vezetők közül néhányan az idő múlásával már nem a core modellépítésre koncentrálnak. A központi, TBD Labs egység, amely a „szuperintelligencia” kutatásait vezeti, kapcsán felmerült kérdések szerint a kapcsolatok söpörtek az oldalvonalra.
Ruben Mayer, a Scale AI egykori Senior Vice President of GenAI Product and Operations, a hírek szerint nem hosszú ideig maradt a cégnél. Mayer tagadta a benyomást, hogy a szerepe kizárólag az adatokhoz kötődött volna, és azt mondta, hogy a kezdetektől a laboratórium felépítését segítette, a core csapatban pedig nem közvetlenül alárendelve dolgozott Wangnak. A részletek nyilvánosságra kerülése után Mayer azt állította, hogy személyes okok vezérelték az elhagyást. A valóság tehát némi ellentmondás közt mozog: ki mit tekint a szerepének, ki kinek a közvetlen felettese, és mi a prioritás?
A háttérben: belső dinamika és a data-labeling jövője
A technológiai laborok általában több adat- és feladatbeszállítót is használnak a modellek betanításához. Meta azonban úgy tűnik, hogy bár a Scale AI-re támaszkodott, kezd harmadik fél beszállítók felé is nyitni. Az érintett források szerint a TBD Labs jelenleg olyan külső partnerekkel dolgozik, mint Mercor és Surge. Ezek a beszállítók a Scale AI-nál eddig talán a legkomolyabb versenytársnak számítottak a piacon, és ez a lépés azt sugallja, hogy a Meta szélesebb körű adat- és modell-fejlesztési stratégiát tárgyal.
Miért fontos ez a változás? A hagyományos adatrögzítés korában a tömegmunka alacsony költségvetésű és gyors volt. Azonban a fejlettebb modellek már megkövetelik a mélyebb szakértelmet és a speciális területekhez értő szakértőket. Orvostudományi, jogi és tudományos területek nélkülözhetetlenek a magas minőségű adatok előállításához. A „Outlier” platform használata is jelezheti, hogy a Scale AI-hoz képest a Meta az egyedi szakterületek felé fordul. De mi van a tényleges adathozamokkal és a belső minősítéssel?
A viták arról szólnak, hogy a Scale AI adatai minőségben nem mindig felelnek meg a TBD Labs elvárásainak. Egyes kutatók és mérnökök szerint a részleges minőségkérdés miatt jobban járnak Surge vagy Mercor adataival. A váltás azonban nem feltétlenül jelenti a Scale AI kárát; a közlemények szerint a vállalat a termék- és szolgáltatásportfóliót szélesíti, és a kormányzati és ipari megrendelésekre koncentrál. De a belső hangok ezt inkább úgy értelmezik, mint egy részleges outsourcinget, amely talán megkönnyíti a gyors alkalmazkodást, de hosszú távon kérdéseket vet fel a minőség és a konzisztencia kapcsán.
Fontos meglátni a trendet: a Scale AI leépítéseket jelentett a saját adat-csapatánál, miközben Meta egyre nagyobb hangsúlyt fektet a saját MSL projektekre. A vállalat ugyanakkor bejelentette, hogy a piac igényeinek megfelelően más területeken, például kormányzati értékesítésekben is erősít. A bizonytalanságok ellenére az biztos, hogy a versenytársak gyorsan reagálnak. OpenAI és a Google például bejelentették, hogy csökkentik a Scale AI-vel való együttműködést. Ennek következtében mérsékelt visszavonulás és egyfajta stratégiai javítás látszik a piaci viszonyokon.
Miért ennyire feszült a társ-dinamikus környezet?
Az adatalapú fejlődéshez szükséges adatkészletek minősége talán a legfontosabb tényező. A Scale AI előtt egyfajta crowdsourcing-alapú modellgépelés állt rendelkezésre, amely a költséghatékonyságot célozta. Most viszont a top szakértők és a mély szakterületek teljesen más játékot jelenthetnek. A Meta úgy érzi, hogy a gyorsabb és pontosabb adatalapú fejlesztés érdekében meg kell találnia az egyensúlyt a külső partnerek és a saját kutatási egységek között. A belső feszültségek és a vezetői változások pedig nyomot hagyhatnak a projekt dinamikáján.
Az is izgalmasnak tűnik, hogy a Meta egyre több erőforrást mozgósít a saját laborokba. Az OpenAI, a Google DeepMind, az Anthropic és mások után a vállalat olyan tehetségeket csábít el, akik a mesterséges intelligencia új korszakát képviselik. A belső kötések mellett azonban az elszívott vagy kilépő tehetségek nyomot hagynak a csapat morálján és a napi működésre is hatással lehetnek. A kérdés az, vajon a Meta képes lesz-e ezt a belső „kavalkádot” stabilizálni anélkül, hogy az egész projektodunná válna?
Hová vezethet ez az út a következő évekre?
A helyzet lényeges eleme, hogy a Meta a saját szuperintelligencia-ambícióit akarja egyre gyorsabban megvalósítani. A témában a médiában megjelent értesülések szerint az MSL a következő generációs AI modellt a év végére tervezi piacra vinni. Ez a cél persze ambiciózus, és a jelen körülmények között mindenképp kockázatos. Ugyanakkor a vállalat többször is hangsúlyozta: az együttműködés a külső partnerekkel és a belső kutatócsoportok között dinamikus, de a hosszú távú siker záloga az, ha a minőségi adatok stabilan elérhetők és a kutatók könnyen hozzáférnek a szükséges erőforrásokhoz.
Érdekes kérdés, mennyire lesz képes a Meta a belső folyamatokat egyszerre gyorsítani és a külső beszállítókkal való kapcsolatrendszert is tervezetten fenntartani. A piaci verseny azonban nem vár: OpenAI és a Google egyaránt jelezte, hogy felülvizsgálja a kapcsolatait a Scale AI-vel. Ebben a kontextusban a Meta stratégiai döntése, hogy több beszállítót is alkalmaz, valószínűleg a rugalmasságot növeli, de egyben megosztottságot is eredményezhet a minőségi standardok tekintetében. Az a tény, hogy a vállalat nagy adatközpont beruházásokat jelentett be, köztük a Hyperion nevű Louisiana-i projektet, azt mutatja: a hosszú távú fenntarthatóság érdekében a hardveres és szoftveres kapacitások együttes fejlesztése a cél.
Más oldalról nézve, a belső személyi áramlások és menedzsment kérdések miatt a „kutatói szabadság” és a döntéshozatal közti feszültségek is növelhetik a kockázatot. A Meta igyekszik vonzóvá tenni a kultúrát, és több olyan szakembert vonzani, akik a mesterséges intelligenciát a valós problémák megoldására alkalmazzák. A döntés tehát nem egyszerű: gyorsítani kell, miközben a minőség és a hosszú távú stabilitás is fontos.
Mi lehet a tartós hatás a technológiai tájképben?
Az egymást követő bejelentések alapján a piac felteheti a kérdést: vajon a Meta képes lesz-e olyan egységes, hatékony működést kialakítani, amelyben a Scale AI és más beszállítók közti együttműködés simán működik a saját kutatási laborokkal? A válasz nem egyértelmű. Az viszont biztos, hogy a cég masszív erőforrásokat mozgósít: adatkészleteket, kockázatkezelést, infrastruktúrát és tehetséget egyaránt tereli a zászló alá. Ezek a lépések összességében növelhetik a belső innováció ütemét és csökkenthetik a külső kiszolgáltatókra nehezedő nyomást.
A döntés másik oldala: az adott piacban megjelenő versenyképesség. A beszállítói változások, a megbízhatóság és a minőség közötti egyensúly keresése mind a technológiai teljesítményt, mind az üzleti modell stabilitását befolyásolja. A Meta tehát egyszerre lehet az egyik legdinamikusabban fejlődő vállalat a mesterséges intelligencia területén, és egy olyan környezetben, ahol a belső útvonalak épp úgy számítanak, mint a külső kapcsolatok.
A lezárás: hogyan tovább?
Az egész beszélgetés alapján elmondható: a Meta Scale AI befektetés megnyitotta az ajtót egy ambiciózus korszak felé, de egyúttal megmutatta, hogy a siker nem csak a pénzen múlik. A technológia örök kérdései – a minőség, a skálázhatóság, a gyorsaság – most a gyakorlatban is egyensúlyhoz érnek. A fejlesztők és kutatók szemszögéből van miért izgatottnak lenni, de a döntéshozók szemszögéből több kérdés marad válasz nélkül. Mindez pedig arra hívja fel a figyelmet: a mesterséges intelligencia jövője nem egyetlen cég felelőssége, hanem egy egész ökoszisztéma együttmumpan folyamata.
Szóval, ti mit gondoltok? Vajon a Meta megtalálja-e az egyensúlyt a gyorsítás és a minőség között? Szerinted tényleg ez az irány a jövő, vagy inkább egy hosszú távú, töredezett útkeresés kezdete? A történet végére jutva is izgalmas kilátások vannak, és talán a legérdekesebb a közönség, az olvasó mondja ki a végső szót: hogyan látjátok ti, melyik irányban mozdul a mesterséges intelligencia világa a következő években?