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:他们现在每天付给阵地上专家的钱超过 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。
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中心的决定,就像选对联合创始人是创业里最中心的决定一样。
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打算,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”做成了一个阵地。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。
真正让这个阵地和别人不一样的,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遇。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。这个能力在招聘阵地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工程),先后离开了学校。
那 Mercor 是怎么从一个招聘阵地,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 的阵地招了几千个人,Brendan 也是在这个过程中意识到,大模型的数据产业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,以小组的形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体系,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,很多人在进步中国家,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携手关系,自己对阵地上专家的体验负责,确保每个人都能按时拿到钱,所以从一开始就在支付小组上下了很重的本钱。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 阵地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。他觉得在这个产业里,最中心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 是不是早就被认为水准不行时,他说 Alex Wang 在很多方面都非常出色,尤其是销售和拿访客,但 Scale 在某种程度上丢掉了对支撑和水准的专注,这是那家公司最大的问题。
我觉得这是 Mercor 故事里最要点的一步。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。上一代数据公司的中心能力是把成本压低、把人数堆上去,Mercor 的中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。
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产业过两年就会消失,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产业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产业。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。
很多人以为 Mercor 是一个像 Uber 那样的撮合阵地,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 现在有三个支撑。第一个是最早的人才阵地,有超过 500 万人在上面找活;第二个是一个叫 Studio 的数据阵地,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 工程经理,原来要靠工程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,最早是一个访客主动建议他们和 Deeptune 携手,说那是自己最好的应用供应商,他觉得访客主动牵线,本身就说明这里有东西。