Scale 在人工智能语境中通常指模型与系统的规模，也常被用作数据标注与智能体基础设施公司 Scale AI 的代称——后者是当前大模型训练数据与评测环节的关键供应商之一；而在最新一批报道里，这个词更多出现在“规模化网络架构”“skip-scale 优化技术”和“智能体安全管控”等技术语境中，指向 AI 从单点模型能力走向系统级扩张的阶段。
Scale 近期进展
在算力与网络层面，SambaNova 于 2025 年发布 Upscale AI 的 Token Fabric 规模化网络架构，试图解决大模型推理时代 token 吞吐随集群扩张而下降的问题，思路是把网络结构与 token 处理流程做针对性对齐（Upscale AI 发布 Token Fabric 规模化网络架构）。
在训练优化层面，DeepSeek 推出 skip-scale 优化技术，针对大规模训练中的数值稳定性与缩放问题给出更轻量的处理方式，同期 NanoGPT 也被报告取得幅度惊人的性能提升，说明“用更聪明的缩放策略换效率”正成为一条独立技术路线（DeepSeek推出skip-scale优化技术、NanoGPT性能提升幅度惊人）。
在智能体基础设施层面，Scale AI 开源了用于构建智能体强化学习训练环境的 AgentEnv，并引入 NVIDIA 的 Open Agent Safety Platform 强化智能体安全管控，同期英伟达发布的 Sentry 可毫秒级隔离异常智能体，安全问题从模型层下沉到运行层（Scale AI 开源 AgentEnv、Scale 引入 NVIDIA Open Agent Safety Platform、英伟达发布 AI 智能体安全平台）。
当前焦点与观察点
产品侧同样在“扩规模”：Meta 被曝打造常驻智能体以正面迎战 OpenAI，其首席 AI 官 Alexandr Wang 则把 Muse 智能体做成了 App Store 热门应用，显示智能体正从演示走向长期在线服务（Meta 被曝打造常驻智能体、Alexandr Wang 把 Muse 智能体打造成 App Store 热门应用）。
值得观察的焦点有三：一是规模扩张能否带来边际收益，而非单纯堆算力；二是智能体规模化后的安全与隔离成本由谁承担；三是国内厂商如米哈游提出 2—3 年内进入国产大模型第一梯队，说明梯队竞争也在按规模重新划分（米哈游创始人刘伟：目标 2-3 年内进入国产大模型第一梯队）。