22 岁成了世界上最年轻的白手起家亿万富翁，他们做的是什么生意？

现在每天有多少钱，是付给那些专门「教 AI 干活」的人？Mercor 的 CEO 在播客里给了个数字：每天付给平台专家超过五百万美元，两年前一整年才一百万美元。这家 2023 年成立的公司刚完成 7.5 亿美元 D 轮，估值 200 亿美元。

你有没有想过，现在每天有多少钱，是付给那些专门“教 AI 干活”的人的？Mercor 的 CEO Brendan Foody 前几天在播客 Sourcery 上给了一个数字：他们现在每天付给平台上专家的钱超过 500 万美元，而两年前，这个数字一整年加起来才 100 万美元。就在这期节目播出前后，Mercor 宣布完成 7.5 亿美元的 D 轮融资，估值 200 亿美元，参与的有英伟达、Benchmark、Felicis、General Catalyst、Apollo 旗下的基金、XTX Ventures、Salesforce 和 Zoom，这一轮里也包括让员工出售部分股份。

这家公司 2023 年才成立，三位创始人都是二十出头的大学退学生，去年估值到 100 亿美元的时候，三个人一起成了全世界最年轻的白手起家亿万富翁，比扎克伯格当年还小。可在国内，知道 Mercor 的人并不多，很多人以为它是一个招聘网站，或者是又一家给大模型做数据标注的公司。这两种说法都不算错，但都没讲到它真正在做的事。这篇想把这家公司从头讲清楚：它是怎么来的，它到底卖什么，为什么增长得这么快，以及它最怕的是什么。

三个打辩论认识的朋友，最早只是想帮美国公司找印度程序员

Mercor 的三位创始人，是在辩论赛上认识的。CTO Adarsh Hiremath 和现在的董事长 Surya Midha，十岁时就认识了，Adarsh 说那时候他们几乎是仅有的两个想参加高中辩论比赛的小学生。后来两人在高中的辩论队里认识了 Brendan。Adarsh 上 20VC 时打过一个比方，他说和 Surya 搭档打辩论，就像是他的第一次创业，两个人对彼此的成败各占一半，一个人搞砸了，两个人都输，选对辩论搭档是辩论里最重要的决定，就像选对联合创始人是创业里最重要的决定一样。

三个人里，Brendan 是从小就在做生意的那个。他说八年级的时候，他发现超市里一打甜甜圈卖 5 美元，就买回来骑车带到学校，一个卖 2 美元，后来干脆让妈妈开车带他去超市进货。到了高中，他先是跟着同龄人倒卖球鞋，后来发现这些卖球鞋的人都有资格申请亚马逊云的创业补贴，却没人去领，一直在付很贵的账单，他就开了一个小咨询公司，帮他们建网站、申请补贴，其中有几家后来还长成了真正的创业公司。他说自己高中时就靠这个赚了几十万美元，所以到了该上大学的时候，他和父母大吵了一架，他想不通，为什么要去上大学，毕业以后找一份赚得更少的大厂工作。

最后他还是去了大学，Adarsh 也去了哈佛，但三个人一直在一起做事。一开始他们并没有什么宏大的计划，只是开了一个软件外包工作室，去问创业公司想做什么，然后帮他们做出来。为了做得快，他们从印度招了一批非常厉害的工程师，结果发现，这批工程师本身比他们做的软件更有价值，很多美国公司都想要这样的人，于是他们干脆把“帮美国公司找到印度的优秀工程师”做成了一个平台。Adarsh 说那段时间他人在哈佛，心思完全不在课堂上，Brendan 经常来找他，就睡在他室友的床上，因为那个室友作息颠倒，晚上都泡在工程楼里写作业，等室友回来，他们再一起干活。

真正让这个平台和别人不一样的，是一个很早的决定。Brendan 说，2023 年 4 月，ChatGPT 刚出来不久，他和 Adarsh 还在上大学，就做出了第一个 AI 面试官，它会先读候选人的简历，再调用 GPT-4 提问，最后按一套评分标准给面试打分，第一版每说一句话要等七八秒。他们在把这件事做大的过程中想明白了一个道理：招聘里的很多难题，根子上都是一个数据收集规模的问题。如果你招的是斯坦福的 AI 博士，见五个人大概就有一个很好；可如果你要从印度某个偏远地方招软件工程师，有时要见几百上千个人才能找到真正顶尖的那几个，但他们确实存在。AI 面试官让他们第一次可以用很低的成本，把这种面试做到成千上万次，到现在他们一共已经做了超过 700 万场面试。

这段起点，我觉得很能说明 Mercor 后来为什么能抓住机会。他们最早解决的并不是“AI 数据”的问题，而是一个很老的问题，怎么在一大群人里，又快又准地找出最好的那一小部分。这个能力在招聘平台上只是一个好用的功能，可当大模型公司突然需要大量顶尖的律师、医生和工程师时，它就变成了别人很难追上的本事。三个人后来都拿了 Thiel Fellowship（一个资助年轻人退学创业的奖学金项目），先后离开了学校。

把它推进 AI 数据生意的，是 Scale AI 自己

那 Mercor 是怎么从一个招聘平台，变成给大模型公司供应“专家”的？Brendan 讲过一个有点讽刺的细节：最早找上门来的，正是后来最大的对手 Scale AI。Scale 用 Mercor 的平台招了几千个人，Brendan 也是在这个过程中意识到，大模型的数据市场正在发生一次很大的转变。

他的说法是，在 ChatGPT 早期，Scale AI 和 Surge 这些公司开创的是一种“众包”模式，找大量中低技能的人，写一些勉强通顺的句子，给早期的大模型当训练材料。可随着模型越来越聪明，这种数据就不够用了，模型需要的是顶尖的软件工程师、机器学习工程师、律师和医生，以团队的方式一起去搭更难的测试题和训练环境。Mercor 手里正好有一套能大规模找到这类人的系统，于是他们很快就转到了这个方向。

还有一件事，让他们下定决心要直接和大模型公司打交道。Brendan 说，那时候他们给另一家同行供应人手，前后帮对方招了一千多个人，很多人在发展中国家，结果对方迟迟不付钱，Mercor 这边收到了大量求助，有人说自己已经拿不到钱养家了。他说这件事是一个很大的触发点，他们意识到必须和实验室建立直接的合作关系，自己对平台上专家的体验负责，确保每个人都能按时拿到钱，所以从一开始就在支付团队上下了很重的本钱。现在他们的付款跑在 Stripe Connect 上，历史上一共付出去了大约 10 亿美元，他说至今没有出过大的问题。

和对手比起来，Mercor 在价格上也走了一条完全相反的路。Brendan 在 20VC 上说，Mercor 平台上专家的平均时薪是 95 美元，而 Scale 和 Surge 一般只付 30 美元左右。他觉得在这个市场里，最重要的是找到最顶尖的人，并且好好对待他们，再让这些人把自己的朋友也拉进来，所以他们现在有七成的专家是通过推荐来的。被问到 Scale 是不是早就被认为质量不行时，他说 Alex Wang 在很多方面都非常出色，尤其是销售和拿客户，但 Scale 在某种程度上丢掉了对产品和质量的专注，这是那家公司最大的问题。

我觉得这是 Mercor 故事里最关键的一步。很多人看到的是“又一家数据标注公司”，可它和上一代公司的区别，恰恰在于它卖的不是廉价劳动力，而是稀缺的专家时间。上一代数据公司的核心能力是把成本压低、把人数堆上去，Mercor 的核心能力是在全世界找出那 10% 到 20% 真正能推动模型进步的人。模型越聪明，前一种能力越不值钱，后一种能力越值钱，这也是为什么同一个赛道里，两家公司会走出完全不同的曲线。

增长快到连投资人都没看懂

Mercor 的增长速度，是这两年硅谷最常被拿出来讲的例子之一。Brendan 在 20VC 上说，他们用 17 个月把年化收入从 100 万美元做到了 5 亿美元，比 Cursor 做到同样规模还快了一个月，有一段时间平均每个月增长 54%。去年 Meta 收购 Scale AI 的部分股权、把 Alex Wang 请进 Meta 以后，很多实验室不愿意再把数据交给一家和 Meta 绑在一起的公司，Mercor 的收入在那之后又翻了四倍。

有意思的是，投资人一开始并没有看懂这件事。Brendan 说，B 轮的时候 Felicis 给他们开出条件，那时公司的年化收入才 2000 万美元，估值相当于收入的一百倍，他猜 Benchmark 的合伙人们当时一定觉得这很疯狂。可到了去年 9 月，他们宣布年化收入已经到了 5 亿美元，是 B 轮时的 25 倍，那一轮 3.5 亿美元的融资把估值推到了 100 亿美元。按《福布斯》的估算，三位创始人当时各持有大约 22% 的股份，22 岁的三个人就这样一起成了世界上最年轻的白手起家亿万富翁。

他还提到，在种子轮的时候，硅谷很多顶级基金都觉得这个市场过两年就会消失，因为大家相信三年内就会有超级智能，AI 在所有事情上都会比人强，到时候根本不需要人来教模型。这种看法一直持续到今天，而他反而觉得庆幸，因为这件事一直不是共识，竞争就少了很多，他说他很高兴自己所在的市场远没有大模型那么拥挤。

到了这次 D 轮，Sourcery 的 Molly O’Shea 问他，从一年多前两人第一次见面到现在，公司又长了多少，他的回答是，在一个“九位数中段”的收入基数上，又长了五倍多。他说自己 2024 年在 X 上开玩笑说要年底上市，当时很多人当真了，这次他说未来 12 个月不会上市，但上市确实在他们的考虑之中。公司现在是赚钱的，他说他们其实并不需要融资，但一直有人主动找上门来。

这组数字最值得看的地方，在我看来不是快，而是它说明了一个被普遍低估的市场。大家谈 AI 的投入，想到的是算力和模型，很少有人把“数据”当成和它们并列的一样东西。可 Brendan 有一个说法，AI 的进步需要三样东西，算力、算法和数据，数据是三者里定价最错的一个。从投资人当年的怀疑，到今天 200 亿美元的估值，Mercor 吃到的正是这个错配。

Mercor 卖的到底是什么：不是撮合人，是“训练场”

很多人以为 Mercor 是一个像 Uber 那样的撮合平台，把专家和工作配对，然后抽一笔佣金。Brendan 说这是外界对他们最大的误解。他们真正卖给大模型公司的，是一种叫 RL environment（强化学习环境）的东西，专家只是其中的一种原料。

他把一个 RL 环境拆成三部分。第一部分是应用，也就是谷歌办公套件、Salesforce、Adobe 这类常用软件的仿制版本，因为要教 AI 代理在真实工作里用这些软件；第二部分是“世界”，就是这些应用里面的内容，邮件、幻灯片、文档、表格；第三部分是任务，包括题目和评分标准，就像教授出一道论文题，再配一份评分细则，模型去做这道题，拿到一个分数，再从这个分数里学习。他说，要把整个经济里的工作都自动化，难就难在要覆盖所有人用的应用、所有的工作内容和所有的任务类型，而专家就是来填这些内容、出这些题的人。

围绕这件事，Mercor 现在有三个产品。第一个是最早的人才平台，有超过 500 万人在上面找活；第二个是一个叫 Studio 的数据平台，专家在里面有 AI 助手帮忙，一起把训练环境、任务和评分标准搭出来；第三个是一个 AI 项目经理，原来要靠项目经理去给专家定指标、判断谁做得好、谁做得差、给反馈，现在这些事情都由 AI 代理自己在跑，甚至由它来决定招谁。他们最近收购的 Deeptune，补的就是第一部分，Deeptune 专门做各种软件的仿制版本，刚拿到 a16z 领投的 A 轮。Brendan 说，有意思的是，最早是一个客户主动建议他们和 Deeptune 合作，说那是自己最好的应用供应商，他觉得客户主动牵线，本身就说明这里有东西。

理解了这一层，才能明白 Mercor 为什么值这么多钱。一家撮合平台的价值，取决于它能抽多少佣金，而一个“训练场”供应商的价值，取决于它能帮模型多学会多少事。前者天花板很清楚，后者要看 AI 最后要接管多少工作。Brendan 说，在他们的平台上，现在每个月大约有一百万小时的人工时间，花在搭这些任务上，这其实已经是一个相当规模的新职业了，他自己的说法是，这是“历史上增长最快的一种工作”。

外界最大的怀疑：这门生意会不会很快就没了

关于 Mercor，最常听到的质疑是，这是一个不长久的生意，模型总有一天会聪明到不再需要人来教。Brendan 的回答是，这取决于你相信超级智能多久会来。他说，人教模型的市场有多大，取决于在数字世界和真实世界里，还有多少事是人能做、模型做不到的，可能是在一次视频会议里说服别人，可能是在实验室里做一次实验，也可能是修一辆车。只要还有这样的事，就需要人去量出模型的边界在哪里。

他打了一个上学的比方，如果你在英语课上学写作文，老师却让你自己给自己的作文打分，不许别人给你任何反馈，你会发现，很难判断自己能力以外的东西是对是错，所以才需要反馈。数学这种领域可能是例外，因为有计算器可以验算，但在经济里的大多数领域，人进步靠的是老师、上司和同事的反馈，模型也一样，实验室里大多数顶尖研究员也预计，未来很多年模型都会这样学下去。

他还讲了一个具体的项目。他们刚开始做一个比较复杂的训练环境时，任务是让模型用一个工具完成一件人要花几个小时的事，一开始找了 100 个人，很容易就能难住模型，找到它犯的错。后来模型越来越强，100 个人里只剩下 20 个人还能出得了让它犯错的题。听起来像是需要的人越来越少，可他们接着又给任务加了新的复杂度，让模型同时用好几个工具、处理更长的流程，需要的人又多了起来。

这就是他反复提到的杰文斯悖论（Jevons paradox，效率提高以后，总需求反而增加）。他说，有了 AI 助手以后，一个专家一小时能帮模型进步的幅度，是以前的三到五倍，按理说需要的人应该变少，可实际上需求是成倍地往上涨，因为世界上 99% 的知识还在人的脑子里，教模型的效率越高，大家就越愿意花时间去教。

我觉得他的这套说法有道理，但也有前提。它成立的前提是，模型的进步主要靠强化学习，而强化学习主要靠人来出题、打分，这在今天确实是实验室的主流做法。可如果有一天，模型能自己可靠地给自己的作业打分，或者能直接从真实世界的反馈里学，这门生意的形态就会变。好在 Brendan 自己也没有回避这一点，他把公司的未来押在“只要还有人比模型强的地方”，这比假装这个市场永远不会变要诚实。

他眼里的下一步：每一家世界 500 强，都会变成一个小型 AI 实验室

Mercor 现在的大客户是 OpenAI、Anthropic、Google DeepMind 这些实验室，但 Brendan 这次讲得最多的，是企业。他的判断是，未来每一家世界 500 强都会变得像一个小型的 AI 实验室，有自己的核心数据，有自己最在意的业务场景，需要动员一部分全职员工和外部专家，去搭高质量的测试题和训练数据，训练自己的模型。

他给了一个很具体的判断标准，就是看一家公司每年在模型调用上花多少钱。他说，花费在 1000 万美元以下的公司，一般不太在意测评和优化，还在摸索；花费到了 1000 万到 1 亿美元之间，就应该拿出大约一成的预算去做测评，搞清楚哪些任务该交给哪个模型；花费超过 1 亿美元，比如 Harvey、Cursor 这样的公司，就应该认真考虑自己训练模型了，因为这时候一年花几千万美元训练，可以摊到巨大的调用量上，账就算得过来。他说 Mercor 自己现在每天花在模型调用上的钱就接近 100 万美元。

为什么企业要自己训练，而不是把数据交给实验室？他举了高盛的例子，高盛之所以是高盛，是因为它的人、流程和文件里有别人没有的东西，如果让一家前沿实验室拿这些数据去训练模型，就相当于把这些东西拱手交给竞争对手，所以这些公司不会这样做，而是会训练自己的模型，部署自己的代理，把公司里的经验沉淀进去。他也说，Anthropic 和 OpenAI 都可能成为 10 万亿美元级别的公司，但我们不希望整个经济只有这两个地方能拿到最前沿的智能，价值应该留在每一家公司手里。

这也解释了他为什么看好 Harvey 这样的应用公司。他说，应用层公司里很大一部分东西会被商品化，软件越来越便宜，谁都能做，真正能挡住别人的只有两样，一是品牌，二是数据，所以像 Harvey 这样的公司，必须在自己的领域里做出最好的模型，因为模型就是产品。他还提醒，投资人往往高估了 API 生意的收入质量，因为换一个 API 的成本太低了，Mercor 自己每天都在根据测评结果切换用哪家的模型。

这一段比融资数字更值得做产品的人想一想。过去两年大家讨论的是“套壳”有没有价值，Brendan 给的答案是，壳本身没有价值，壳里面积累的那套“什么是好结果”的判断才有价值。一家公司能不能把自己的行业经验，变成一套可以反复用来测模型、训模型的题目，可能会决定它在 AI 时代是被大模型吞掉，还是能留下来。

年轻、强势，也挨过好几记重拳

当然，Mercor 这两年也不全是好消息。Brendan 说，没创过业的人很难体会那种一次又一次被打脸的感觉。公司最早一年半的客户几乎都是种子轮的创业公司，八成活不过 12 个月，他们一次次失去客户，只有少数像 Cognition 这样后来长大了。他们还经历过一次安全事故，Harry Stebbings 在 20VC 上问他外界传的被黑、收入停滞是不是真的，他承认确实出了事故，但说其他传言都是假的。他说攻击者用了一大群编程代理来入侵系统，他们很快请了 Mandiant 等安全公司处理，也一直和客户保持沟通，之后在公司原有的六条价值观之外，专门加了第七条，安全。

和大客户的关系也不总是顺利。Meta 收购 Scale AI 的部分股权以后，自然会把更多的数据业务交给 Scale，Brendan 也承认 Meta 是一个比较特殊的客户。外界一直有说法，实验室会刻意把生意分给好几家供应商，避免一家独大，他也承认这种情况确实存在，只是他觉得实验室最在乎的终究是模型能不能变好，谁能找到那最关键的一两成专家，谁就能拿到更多的生意。

他对自己和公司的要求，也和他的年纪一样强势。他说他们有三条最重要的价值观，一是标准高，招人的门槛绝不降低；二是他们叫“时间旅行者”的那一条，永远站在五年以后看现在，再倒推今天该做什么；三是对客户极度投入。高管会上有人放了一张每周收入的曲线图，他说不要让公司盯着这个，大家应该看的是客户满不满意、专家满不满意、专家的时间有没有被用好。他也说，他和 Adarsh 都有过拿一大笔钱离开、再也不用工作的机会，但这不是他们想要的，他们宁愿每周工作 100 个小时，去解决一个重要的问题。他现在每天七点多起床，九点到公司，一直待到晚上十点，一周六天，周日在家工作，每天还要把邮箱清空。

我自己的一点思考

在 Brendan 讲的所有东西里，我最记得的是他那句话：最后一份属于人类的工作，可能就是教 AI 怎么工作。他说，今天很多工作都是重复的，客服一遍遍回复同样的工单，律师一遍遍修改同样的合同，咨询顾问一遍遍套同样的模板，以后人对经济的贡献，会越来越多地变成把这些重复的事教给 AI 一次，再让它自己去做。这句话听起来有点让人不安，但换个角度看，它其实是在说，一个人在一个行业里积累的判断，会变得比以前更值钱，因为它可以被放大很多倍。

Mercor 的故事，我觉得真正有意思的地方不在三个年轻人有多快变成亿万富翁，而在他们比大多数人更早看到了一件事：AI 越强，顶尖的人越稀缺。大家都在讨论 AI 会取代谁，他们却在做另一门生意，专门去找那些 AI 还取代不了的人，再按小时付给他们 95 美元。这个判断在三年前是反共识的，连很多顶级基金都没看懂，今天它值 200 亿美元。

当然，这门生意的风险也很明显。它的客户高度集中在少数几家实验室，实验室会刻意分散供应商，大客户也可能因为收购和站队转去别家；它的天花板取决于人比模型强的地方还剩多少，这件事没有人能给出确定的答案；而它要从实验室走向世界 500 强，面对的是完全不同的采购流程和信任门槛。Brendan 自己也说，企业这一步才刚刚开始。

对做产品的人来说，我觉得可以从 Mercor 身上带走一个很实在的问题：你的公司里，有没有一套能写下来的“什么是好结果”？如果有，它可能是你在 AI 时代最值钱的东西。如果没有，现在就是开始整理它的时候了。