跳到正文
Sourcery(youtube.com)· Molly·· 12 天前品質評分58

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

重點導讀

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

自備 Key 深度分析

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

正文

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。

來源: Sourcery (youtube.com)
開啟原文

讀者討論

理性交流 · 即時討論