2025年7月1日 (優分析產業數據中心)
生成式 AI 的快速發展，推動了語言模型、對話機器人與智慧代理等應用加速落地，但企業在導入過程中普遍面臨一個現實困境：模型再聰明，也得仰賴大量、精準且合規的資料來訓練，而這類資料的蒐集與處理往往成本高、流程複雜，且難以標準化。
Uber 看準這個痛點，決定將自家多年來累積的資料處理經驗對外釋出。在今年 6 月中旬，官方宣布擴大旗下「Uber AI Solutions」服務，將過去用於自駕車與客服系統的資料蒐集、標註、任務管理與模型驗證等流程，整合為一套商品化平台，並在全球 30 國同步啟動任務接案網絡，正式跨足 AI 資料服務市場。*Uber是在2023年年底推出名為 Scaled Solutions 的B2B資料服務業務，主要提供資料標註、測試及本土化服務，並已於30個國家提供服務，近期該服務更名為Uber AI Solutions。
如何從「接單載人」變成 AI 訓練基地？
過去十年，Uber 為自家業務需求開發出大量 AI 系統，例如：自駕車訓練、客服機器人、菜單搜尋優化、即時翻譯等，背後都需要依賴大量語音、影像、文字資料。而這些資料，必須被人工進行分類、標註、模擬與驗證，才能輸入模型進行訓練。
如今，Uber 全新推出的「Uber AI Solutions」，目前已在 30 個國家與地區正式上線，服務內容涵蓋以下四大核心項目：
1. 全球數位任務平台：延伸 Uber 接案模式到 AI 領域
將 Uber 的接案模式延伸到 AI 領域，媒合企業與全球人才，讓企業可透過平台委託翻譯、註解、資料清理等任務，由具備語言、金融、法律、科學等專業背景的人才協助執行。
2. 資料鑄造廠（Data Foundry）：打造 AI 訓練專屬資料集
提供企業現成或客製化的數據集，包括語音、影像、影片與文本等格式，支援生成式 AI、語音辨識、地圖建構等用途。這些資料由全球使用者透過 Uber 技術協助收集，並強調資料隱私與合規。
3. AI 智能代理（agent）支援：模擬真實業務場景進行訓練
協助企業訓練能理解現實情境的 AI 智能代理人，提供真實任務流程、精細標註、模擬訓練與多語支援，幫助 AI 更好地理解與應對複雜業務操作。意思是讓 AI 不只是被動回答問題，而是具備「主動性」與「任務導向」的能力，像一個能自主執行工作的助理或代理人。
4. 共享內部訓練工具：Uber 將自家用的訓練流程開放給客戶使用
Uber 將其內部專用的 AI 任務管理平台開放企業使用，包括智能任務拆解、品質控管、回饋機制等，讓企業更有效率地處理大規模 AI 訓練專案。
誰最需要這套資料供應鏈？
對 Uber 而言，這些企業客戶代表著一項關鍵的「中介型商機」，也就是在軟體與 AI 模型之間，建立一層由人力、流程與工具構成的中介層（指的是Uber介於兩個主要角色之間。例如：資料提供者 & AI 模型開發者之間，負責協助溝通、轉譯、協調或處理任務的中間角色或平台），這能協助企業更快速、更安全地完成訓練流程。
Uber 這次的目標客群，主要針對兩種客群：一是 AI 實驗室與科技公司，在訓練大型語言模型與生成式應用時，雖掌握技術核心，卻缺乏足夠人力來支撐龐大且多樣的資料標註需求；另一則是正推動數位轉型的傳統企業，缺乏 AI 資料處理經驗與內部資源，無法獨立完成訓練流程，因此尋求可快速導入的外部解決方案，期望透過平台化服務加速落地。
這不是傳統外包，是共享平台的下一步
市場上可能會直覺將這次擴張解讀為單純的「資訊外包服務」，但實際上 Uber 更深層的布局，是將自家平台的運作邏輯轉化為一套 AI 生產工具：
• 平台串接需求與供給：複製原本 Uber 的司機與乘客邏輯，不只提供資料而是媒合任務與全球接案者。
• 用內部工具提升品質與效率：不是單一任務外包，而是整套訓練流程的平台化與智能化。
• 擴大非運輸收入來源：這套 AI 解決方案，延伸出一條新型態的營收線，並與原有核心平台互補。
當生成式 AI 持續演進，資料將成為決勝的關鍵資源。Uber 的這一步並非轉型為 AI 公司，而是將原本有的「平台 + 任務 + 流程」，轉化為一套 AI 訓練工具，把平台、人力與工具串接起來，變成 AI 時代不可或缺的資料管道。
這也揭示了一個新趨勢：在模型與產品之間，還有一層尚未被充分商品化的人類智慧需求，而 Uber正在將這一層商品化、平台化，並推向全球市場。
