人工判断的组织和数据自带目标是对监督供给的两种回应。本页提供研究与产业选择的共同背景。
2016年Scale的请求、人员组织与质量控制、人工任务结果流程，下方并列人工供给和数据自构目标。
Scale 的早期故事可以放在这个问题里理解。2016 年对 Alexandr Wang 和 Lucy Guo 的同期访谈，谈的是把人工任务组织成可以调用的服务。这里面不是只有“找人做标注”，还有任务怎样拆、质量怎样管、需求怎样被接住。 另一条路线则在问：能不能改变学习目标，少依赖专门为这次任务逐条制作的答案？这两条路线并不互相取消。自监督预训练以后，我们仍可能需要人工标注来适配任务、检查错误，或者形成更高质量的数据。 这个故事值得记住的不是公司后来值多少钱，而是一个研究问题的现实来源：当某种学习方式遇到瓶颈，我们既可以改善生产过程，也可以改变学习问题本身。
一条回应是改善人工判断的组织：把任务拆分，提供一致界面，路由给合适人员，再做质量检查。2016年的 Scale 同期访谈介绍了通过接口组织人工任务的服务思路；这里用这个公开事实说明监督不仅是算法输入，也是一项生产过程。
另一条回应是改变训练题目。例如原文已有下一个词，图像已有被遮住的像素，同一原图可以产生两种视图。这些目标无需逐项写新的类别答案，但任务设计、数据选择和数据产生本身仍有人类投入。
两条路线可以并存：自监督先学可复用表示，再用少量精确标注适配检测或分割；人工数据也可以帮助评价自监督表示。这里不需要推断企业创始人的个人动机，更不使用估值来论证方法价值。真正的问题是：哪些答案仍需人来定义，哪些训练约束可以由数据结构提供？
读2016年同期访谈的服务机制即可；随后读P5的具体文本例子，无须扩展企业估值。