Mercor 以 200 億美元估值募資 7.5 億美元:下一個兆美元 AI 機會
Mercor 以 200 億美元估值募資 7.5 億美元:下一個兆美元 AI 機會
Mercor 執行長 Brendan Foody 說明公司如何為 AI 訓練打造強化學習環境(RL environments)與專家資料,主張資料價值被錯估,並認為《財星》500 大企業終將轉型為「新實驗室」(neo-lab)。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
Podcast 專家音訊節目
收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情
Mercor 共同創辦人暨執行長 Brendan Foody 主張,「真人教 AI 模型」這個市場具有長期韌性,因為模型需要人類回饋才能衡量自身的前沿水準;他也指出,Mercor 的付款規模在兩年內從每年約 100 萬美元成長到每天約 500 萬美元。對談內容主要圍繞 Mercor 的業務運作:如何為實驗室打造強化學習(RL)環境、如何招募與評鑑數百萬名專家、如何思考 AI 堆疊各層的護城河,以及企業將如何打造主權 AI。標題提到的 7.5 億美元募資與 200 億美元估值並未在節目中討論;本集是策略與營運訪談,不是募資發布。
Foody 與共同創辦人 Adar 在 2023 年還是大學生時創立 Mercor,在 ChatGPT 問世後不久打造出一款 AI 面試官。這個出身背景對讀者很重要:Foody 是以 AI 堆疊中資料層營運者的身分發言,能看清實驗室與企業究竟在買什麼,並藉這個視角判斷 AI 市場哪些層能保住定價權、哪些層將走向商品化。
Mercor 賣的是 RL 環境,不是人力——這個區別決定了一切
Foody 說,外界對 Mercor 最大的誤解,是以為它像 Uber 一樣是個媒合平臺,把專家與工作配對並從中抽成。在他的框架裡,專家只是資料產品的一項投入;這個資料產品就是 RL 環境,由三部分組成。第一是應用程式(apps)——Google Workspace 等熱門軟體的複製版,代理必須學會操作。第二是世界(worlds)——這些應用程式裡的內容,例如訊息、簡報、檔案和試算表。第三是任務(tasks)——提示與評分標準,讓模型嘗試解題並獲得可據以學習的評分;Foody 把這比擬為教授批改論文。
公司靠三個平臺產出這樣的成果。人才平臺上有超過 500 萬名求職者,其中 70% 來自推薦。專家接著進入 Studio——一個配備 AI 副駕駛與自動化品管的資料平臺,在那裡建構環境。第三層是 AI 專案經理;Foody 說它能自主執行專案、招募人員、評判資料品質,並對客戶成果負責,取代原本負責設定 KPI 與提供回饋的人類專案經理。
「要自動化整個經濟,障礙在於我們如何涵蓋所有 RL 環境的完整分佈,讓它們對應到經濟分佈中的每一件事。」
Foody 說,自動化經濟的瓶頸在於覆蓋率:人們使用的每一個應用程式、每一個世界、每一項任務。他把專家定位為達成這種覆蓋率的「一項原料、一道護城河」,而非產品本身。
付款規模在 24 個月內從每年 100 萬美元成長到每天約 500 萬美元
規模數字是本集最具體的部分。Foody 說,Mercor 目前每天付出「遠超過」500 萬美元,而錄製前 24 個月,這個數字大約是每年 100 萬美元。累計付款已接近 10 億美元,走的是 Stripe Connect 基礎設施,他形容過程中沒有發生重大付款事故。
| 指標 | 當時(Foody 所述) | 現在(Foody 所述) |
|---|---|---|
| 付款規模 | 24 個月前約每年 100 萬美元 | 每天約 500 萬美元以上 |
| 累計付款 | — | 約 10 億美元 |
| 平臺專家數 | — | 500 萬人以上 |
| 專家來自推薦的比例 | — | 70% |
| 已完成面試數 | — | 700 萬場以上 |
| 自 2025 年 9 月以來的成長 | — | 以「中段數字」為基期成長逾 5 倍 |
付款系統的建置,源於一次合作夥伴的出包事件。Foody 說,Mercor 曾為這個領域的另一家業者供應人才,而對方出現公開的付款問題;Mercor 為該夥伴招募了超過 1,000 人,許多位於開發中國家,結果客服工單大量湧入,全是沒領到錢的人。他把這件事列為主要催化劑,促使 Mercor 直接與實驗室往來、自己掌握專家關係,並在付款團隊上過度投入。Mercor 曾發表部落格文章說明箇中的技術問題。
「無法持久」的批評,本質上是對超智慧時程的押注
Foody 正面回應投資人的論點:付錢請人訓練模型只是過渡性生意。他的反駁是,這個市場的邊界,取決於人類做得到、模型卻做不到的落差有多大——無論那是在 Google Meet 上進行一場有說服力的對話、一次濕實驗室實驗,還是修一輛車。模型需要一個衡量自己哪裡失敗的基準點,而這個衡量就成了獎勵訊號。
他打了個比方:一個只以自己寫的論文評分的英文系學生,看不到自身能力的前沿之外。數學是例外,因為計算機可以驗算;但在多數領域,進步需要老師、教授、主管或同事的回饋。Foody 說,這與多數頂尖實驗室研究人員的預期一致——模型在未來數十年仍會持續學習。
他也援引傑文斯悖論(Jevons' paradox)與「勞動總量固定」的謬誤:當 AI 副駕駛讓每位專家的產能提升 3 到 5 倍,對專家時間的需求反而擴大而非縮減,因為大約 99% 的知識仍存在人們的腦中。他說,這個類別的反主流地位反而是份禮物——資金取得容易、競爭比基礎模型生意少——而且隨著企業開始評估已部署的代理與後訓練模型,它「正瀕臨成為共識」。
Mercor 的優勢在於用人標準、長期思維與客戶至上
被問到一支以二十出頭輟學生為主的團隊,如何在規模更大的對手被併購或每月推出新產品的情況下穩居領先,Foody 點出三項明確價值觀。高標準:他形容不妥協的用人門檻是巨大差異化。時間旅人:從五年後世界的樣貌往回推,他說 Mercor 就是這樣比其他人才網路更早找到這個市場。客戶至上:為了他口中「打造地球上最重要技術」的客戶,願意移山。
談到「純粹的燃料還是心中的不平」這個問題,Foody 說自己始終帶著各種程度的不平,並形容公司有「近乎瘋狂的急迫感」。但他也警告,盯著競爭對手會變成模仿,「是拿第二名的絕佳方法」。
「我們對在市場上拿第二名毫無興趣。」
談到如何在劇烈波動中帶領團隊,他認同 Sequoia 的 Alfred Lin 所說的「避震器」角色:一切順遂時狠抓出錯的地方,低潮時當啦啦隊。他也提到自己會壓抑短期指標——他曾要求一位高階主管停止每週轉發營收圖表,改為追蹤客戶滿意度、專家滿意度與專家利用率,以及這些指標如何複利累積。
他點出最艱難的時刻:早期失去種子輪客戶,當時約 80% 的客戶在 12 個月內倒閉(Cognition 存活下來並壯大);一次安全事件;以及失去早期團隊成員。他的總結是「混亂才是常態」,創辦人必須習慣「嚼玻璃、凝視深淵」,這句話他歸功於伊隆·馬斯克。
各層護城河:實驗室靠規模,應用靠品牌與資料,推論靠客製化
Foody 描繪出資料公司以外、AI 營收所在的三層地圖,並為每一層指定不同的護城河。
flowchart TD
A["前沿實驗室——OpenAI、Anthropic"] --> A1["護城河:運算與 RL 環境的規模經濟,加上遞迴式自我改進飛輪"]
B["推論供應商——Fireworks、Base10"] --> B1["護城河:具實質轉換成本的客製模型;轉售 GPU 則毫無轉換成本"]
C["應用層——Harvey、Cursor"] --> C1["護城河:建立在客戶通路而非客戶資料上的品牌與資料飛輪"]
D["資料層——Mercor"] --> D1["護城河:涵蓋整體經濟的應用、世界與任務"]
他最犀利的判斷落在 API 上:轉換成本太低,他認為投資人高估了 API 生意的營收品質。Mercor 自己每天都依哪個模型在自家評測上表現最好來切換 API,他預期一旦推論帳單規模變大,每家公司都會這麼做。至於應用層,他說隨著軟體開發成本下降,各業務有很大一部分會被商品化,品牌與資料才是能長存的資產;他主張應用層公司必須在自己的領域打造前沿模型——就像 Harvey 在法律領域的做法——才能對實驗室形成護城河。
每家《財星》500 強都會變成新實驗室,推論支出是觀察指標
Foody 的十年預測是:每家《財星》500 強企業都會像新實驗室(neo-lab)——掌握核心資料集與通路,並動員員工與約聘人員整理高品質任務,用來評估與訓練自家模型。他把時點與推論支出掛鉤,並以此作為判斷企業何時認真投入的經驗法則。
| 年度推論支出 | 企業通常的做法 |
|---|---|
| 低於 1,000 萬美元 | 還在摸索;對評測或最佳化興趣不大 |
| 1,000 萬至 1 億美元 | 應把約 10% 的推論預算花在評測與模型路由上 |
| 1 億美元以上 | 後訓練自家模型開始合乎經濟效益,可將固定訓練成本攤提到推論量上 |
他舉 Mercor 自家的推論支出接近每天 100 萬美元為例,並點名 Harvey 與 Cursor 屬於最高一級的公司。關於資料主權——這個問題由 Harvey 的 Winston Weinberg 轉達——Foody 主張企業不會讓前沿實驗室用自家專有資料訓練,並把這比擬為把所有東西都分享給競爭對手。他說高盛之所以存在,靠的是它的人、流程與檔案,這份價值應該歸於《財星》500 強,而不是隻歸於 OpenAI 與 Anthropic——他認為這兩家各自都可能成為市值 10 兆美元以上的公司。他也提到黃仁勳、Alex Karp 與 Satya Nadella 都在談這件事。
他給企業的實務建議是:動手建任務,不要假設模型能讀懂一切並自行學習;而且要從評測開始,因為現在多數訓練算力流向 RL 而非 SFT(監督式微調),而多數領域的 RL 都需要領域專家撰寫評分標準。
收購 Deeptune,是為了打通應用程式這個瓶頸
Mercor 最大的一筆收購 Deeptune,來自一位客戶的推薦。Foody 說,Mercor 最深的強項在世界與任務,最大的瓶頸則是應用程式——Salesforce、Adobe、Google Workspace 的複製版。一位客戶點名 Deeptune 是它最強的應用程式夥伴,並建議 Mercor 向他們取得應用程式。Mercor 開始與創辦人 Tim 合作,發現雙方使命與文化契合,這筆交易也順勢設立了紐約辦公室,因為 Deeptune 就位於當地。這是 Mercor 的第二筆收購,規模遠大於第一筆——由 Robbie 與 Cat 創立的 Seel。Deeptune 當時才剛完成由 Andreessen Horowitz 領投的 A 輪募資。
Foody 說,併購槓桿高、風險也高,Mercor 正在探索幾個類別。至於自己被收購,他說他與 Adar 收過一些報價,能讓他們「帶著大筆現金離場、從此不必再工作」,但那不是他們的動力。
「我們寧願每週工作 100 小時,去解決世界上真正重要的問題。」
他說 Mercor 不會接受像 Scale AI 那樣的交易結構——Alexandr Wang 與核心團隊去了 Meta,其餘多數人留下,Scale 則大致轉向做 Meta 的生意。他稱 Alexandr Wang 是過去十年最具世代意義的創業家之一。
Foody 的一週怎麼過,以及他在關注什麼
Foody 大約 7 點 45 分起床,運動到 8 點半,9 點進辦公室,待到晚上 10 點,一週六天,週日在家工作。他每天開四小時的會,有時八到十小時,時間大致三等分:招募、客戶、研究與產品。他每天把收件匣清空,但他說組織要規模化,靠的是整個領導團隊而不只是他本人維持高信任,他正期待代理能分擔更多負荷。Mercor 除了專家之外,也在工程、研究與營運大舉招募。
他點名馬斯克是成果最偉大的創業家,讚賞他的使命導向與承受痛苦的意願,但也說希望馬斯克別涉入政治。他引用貝佐斯談長期思維,以及幾十年後仍能把亞馬遜早期原則對應到產品策略;他稱山姆·奧特曼與 Dario Amodei 都非常出色,同時指出兩人都得承受持續的公開批評。他從未見過貝佐斯,但貝佐斯曾轉推他一則關於大一論文的推文——文中主張創造就業是經濟最大的正外部性,而美國後半段所得者——他說這群人貢獻約 3% 的聯邦稅收——不應被課勞動稅。
未解的張力:一門客戶可能變成競爭者的資料生意
Foody 對永續性的論證,建立在他明說的前提上——只要超智慧尚未出現、人類仍能做模型做不到的事,這個市場就會存在。這是對時程的押注,不是永久的護城河;他也承認,正是這個類別的反主流地位讓競爭一直稀薄。更有意思的張力是結構性的:買 Mercor 環境的實驗室,正是那些模型若進步得夠快、就會壓縮 Mercor 所衡量之前沿的實驗室。Foody 的答案是:打造主權模型的企業——每家《財星》500 強都成為新實驗室——會補上實驗室流失的任何需求,而推論支出超過 1 億美元就是這場轉型已經啟動的訊號。這場交接能否在實驗室自身能力提升壓縮市場之前發生,是未來幾年會給出答案的問題。值得追蹤的重點:Mercor 的企業營收組合、Deeptune 式的應用程式策略能否補上覆蓋率缺口,以及 Foody 所預測「應用層公司必須後訓練自家領域模型」是否會在 Harvey、Cursor 及其同業成為標準做法。