全部精读

CastMind Reads

为什么专家写 AI 评测,正在造就史上增长最快的公司|Brendan Foody(Mercor CEO)

Mercor CEO 解释评测为什么成了模型进步的瓶颈:评测即需求文档、从众包到找专家、只要人还有模型做不到的事市场就在,以及他如何从一次欠薪事故里找到产品市场契合

Lenny's Podcast · 2025-09-18 · 01:06:39 · 16 分钟读完看原视频

Mercor 用 16 个月把年化营收从 100 万美元做到 4 亿美元。它的生意是替顶级 AI 实验室找律师、医生、投行分析师和资深工程师,让他们来写评测。CEO Brendan Foody 在这期 Lenny's Podcast 里讲了四件事:为什么评测成了模型进步的瓶颈;人类数据市场为什么从众包转向专家;他为什么不信三年内会有超级智能;他怎么从一次众包合作的欠薪事故里看出了机会。对做 AI 产品和创业的人来说,这一期的核心问题是:你打算怎么衡量"做对了"。

这一期的核心判断

  1. 01Foody 认为,如果模型是产品,评测就是需求文档:强化学习已经强到有评测就能把分数推上去,所以把 agent 用到整个经济的障碍是怎么衡量成功。
  2. 02Foody 认为人类数据市场已从众包低技能劳动转向寻找和筛选顶尖专家,实验室真正需要的是劳动力市场,而且前 10% 的人贡献了大部分模型改进。
  3. 03Foody 认为只要还有人能做而模型做不了的事,就需要专家写评测;他不信三年内有超级智能,进步会靠高效的后训练数据而不是十倍预训练数据。
  4. 04Foody 认为产品市场契合要从市场里听出来:要找出乎意料地好卖的客户,Mercor 的转向来自 xAI 会面和一次众包公司拖欠工资的事故。

"如果模型是产品,那评测就是产品需求文档。"

Brendan Foody 用这句话回答了一个很多人还没想清楚的问题:大家都在说"评测时代",评测到底为什么这么值钱。

他有资格回答。他是 Mercor 的联合创始人兼 CEO。Mercor 替 AI 实验室招募各行业专家,帮它们训练和评估模型。他在访谈中说,公司在 16 个月里把年化营收从 100 万美元做到了 4 亿美元,并称这是"史上最快的攀升"。主持人 Lenny Rachitsky 在节目开头的介绍里给出的数字更高:17 个月做到 5 亿美元。Lenny 还说,Mercor 从没流失过客户,净收入留存超过 1600%。

这些数字背后是一个具体的判断:实验室现在缺的不是数据,而是能定义"什么叫好"的人。

模型是产品,评测就是需求文档

Foody 描述了研究员的日常。他们一天跑几十个实验,每个实验只在某个评测集上做一点小改进。现在强化学习已经足够有效,只要有了评测,模型就能被一路"爬山"往上推,也就是不断微调、让分数一点点上涨。

他举了两个例子:业界一旦集中火力攻奥数,奥数题很快就被做饱和了;SWE-bench(一个测试模型修复真实代码问题能力的基准)也是一样。所以在他看来,把 agent 铺开到整个经济体、自动化每一个工作流程,真正的障碍是怎么衡量成功。 你得先给每件想让 agent 做的事写好"需求文档"。

评测还有第二重身份。No Priors 播客的主持人 Sarah Guo 说过"评测就是你的新营销",Foody 接着这个说法讲:评测既是交给研究员的需求文档,也是对外展示能力的销售材料。过去大家拿 GPQA、Humanity's Last Exam、奥数这类学术基准证明模型有"博士级推理"。现在重心在往人们真正关心的能力上移,比如模型能不能自动化搭一个软件平台,能不能做一份投行分析。他预计实验室和应用层公司都会越来越多地拿评测来证明自家产品。

对企业,他的建议很直接:想一想怎么搭一套测试,系统地衡量 AI 能把你的核心价值链自动化到什么程度。比如一家建筑事务所,交付给客户的是建筑图纸,那就要想清楚怎么衡量 AI 画的图纸好不好。多产品公司可能有好几条价值链,每条都要想。在他看来,这是把 AI 真正用进业务的前提。

评测和 RL 环境其实是同一种东西

现在最热的两个词是"RL 环境"和"评测"。RL 环境是给模型做强化学习的练习场,模型在里面尝试任务,做得好就拿奖励。Foody 引用了 Andrej Karpathy 反复说过的观点:这两者在数据类型上没有本质区别,只是用途的叫法不同。它们说到底都是一个"锚点",用来衡量好是什么样子。 拿去当基准,就是销售材料;拿去做后训练,就是用来奖励模型某些行为轨迹的信号。

他用律师举例。假设你想让模型像律师一样给合同做修订标注(redline),模型犯了几个错,漏了几个关键点。这时可以请一位律师写一份评分细则(rubric),就像教授给作业写评分标准:识别出这一点加几分,漏掉那一点扣几分。有了它,就能衡量模型在进步还是退步,也能把它当训练数据去强化你想要的能力。之后的打分可以交给 AI,就像助教按教授的标准批改作业。

他顺带梳理了人类数据的演变:

  1. 监督微调(SFT):给输入、给标准输出,让模型模仿。这是传统意义上的"微调"。
  2. RLHF(基于人类反馈的强化学习):模型生成几个回答,人来挑哪个更好。
  3. RLAIF(基于 AI 反馈的强化学习):人只负责定义成功标准,比如代码领域的单元测试、其他领域的评分细则,然后由 AI 按标准打分去激励模型。

他认为第三种扩展性更强,数据效率也高得多,整个市场都在往这个方向走。

Lenny 讲了一个朋友的故事:朋友把脚踝的 X 光片丢给 ChatGPT,得到了一个像样的诊断,于是好奇网上有什么数据能教会模型这些。Foody 的解释是:预训练把大量知识灌进模型;后训练和强化学习负责推理,让模型知道哪些知识准确、哪些不准确、做决定时该优先考虑什么。那个诊断背后,应该有放射科医生参与做过后训练数据集,给出"这是正确诊断"的锚点,配上对应的奖惩。那些人的水平,决定了 ChatGPT 最终给出的建议的质量。

Lenny 问 Anthropic 的 Claude 为什么在编程上一直那么强。Foody 说不能谈客户的具体工作,只说了行业的大趋势:认真设计奖励,防止奖励黑客(reward hacking,模型钻评分规则的空子拿高分,却没真正学会任务)。他转述了客户说过的一句话:

模型只能和它的评测一样好。

Models are only as good as their evals.

人类数据市场从"众包"变成了"找人"

Foody 认为,Mercor 赶上的是人类数据市场的一次换挡。

早期的大模型需要的是量:找大量低技能、中等技能的人,写些勉强合语法的句子。这是个众包问题,Scale AI 和 Surge 是开创这个行业的主要公司。后来需求变了,实验室要的是资深工程师、投行分析师、医生、律师,能评估和解读模型能力的人。问题就从"怎么凑够人"变成了"怎么找到并筛选出最好的专业人士"。行业也发现,先用少量高水平的人走得更远,等质量达标了再扩大规模。

他用薪资对比说明这次换挡的幅度。他在访谈中说,Mercor 平台的时薪中位数是 95 美元,根据专业深度可以涨到 500 美元左右;而众包公司的平均时薪往往在 30 美元上下。30 美元雇得到本科生,雇不到高盛的银行家、麦肯锡的分析师、大厂的工程师。而实验室想要的能力,大多落在后者那边。

规模上,他说同一时间有几万人在做这类工作,累计有几十万人,而且增长很快。这些人多数是兼职,比如在某家动作较慢的大厂里每周闲出 20 个小时的工程师。也有不少全职岗位。

他强调一个现象:招 100 个人,往往是前 10% 的人贡献了大部分模型改进,和公司里的情况一样。所以能识别出这 10% 的人,把他们留在平台上,再精准地匹配给客户,就会形成很难竞争的优势。他说这正好对应公司最初的设想:找到并识别出非凡的人。速度上,客户提出"我们需要获奖编剧",Mercor 能在 24 小时内把人交付过去。

不只是专业知识。Foody 说过去实验室可能更看重软性能力,现在很多实验室在围绕营收找"有经济价值的能力",所以更偏专业领域。但创意能力依然被重视。他说 Mercor 几个月前把《哈佛讽刺》(Harvard Lampoon)的人都招了来,帮模型变得更好笑,也招过艾美奖级别的编剧。

Lenny 提出一个类比:AlphaSights、GLG 这类专家网络公司早就在做"付费连线专家",现在只是把中间人换成了模型。Foody 不完全同意。专家网络通常是一次性电话,Mercor 是按项目雇人,一做就是一段时间。怎么留住这些人、怎么设计激励,更像 Uber、DoorDash 这样的劳动力市场,只不过对象是技能高得多、也被好好对待的人。他认为这正是传统专家网络难以切入这块市场的原因之一。

这也回答了一个常被问的问题:Mercor 到底是劳动力市场还是数据公司?他的结论是,实验室真正要的是劳动力市场。

他们真正需要的是一个劳动力市场。他们需要的是水平极高的人。

They actually need a labor marketplace. They actually need these exceptionally high caliber people.

项目管理和软件平台会叠加在上面,但核心需求是找人。

只要还有人能做而模型做不了的事,这个市场就在

Lenny 问:会不会有一天不再需要人了?

Foody 把问题换了个问法:经济里还有多久会存在"人能做、AI 做不了"的事?他承认有一派人认为三年内就会有超级智能,到时人类在经济中不再有角色。他的看法很不同。模型很厉害,自动化得很快,但还有很多事做得很糟。他举的例子很日常:它还不能帮他在日历上排时间,不能帮他起草邮件,不能用基本的工具。

这个市场的边界,取决于有多少事人能做而模型做不了。

The market is bound by the amount of things where humans can do something that models can't.

他的推理是这样的:工具调用需要评测,长程推理需要评测。假如十年后想让模型花 30 天去创办一家公司,也得先有评测才能奖励它。只要还有模型做不到的事,就得有人去写评测,这条路就会一直走下去。

到节目尾声,Lenny 又问到规模定律放缓、超级智能还远不远。Foody 明确同意放缓的判断。他知道有大实验室的高管说三年内会有超级智能,但他认为路更长。他也没有贬低模型:他认为未来十年肯定能自动化大部分知识工作任务。但他的判断是,这条路靠的不会是十倍的预训练数据,而是数据效率高得多、设计更用心的后训练数据集。 那些评测铺成了这条路。

Lenny 引用了 David Sacks 的观点:现在近乎最好的局面,没有快速起飞,很多竞争者互相制衡,模型又越来越有价值。Foody 同意,并认为很多超级智能的恐慌被高估了。但他也加了一个限定:很多人的逻辑是"哪怕只有 5% 到 10% 的灾难概率(p(doom)),也该谨慎",他觉得这是合理的。

有人问,从"数据是燃料"到"专家是燃料",下一步是什么?Foody 不接受这个框架。他认为这不是从数据换成专家,而是实验室意识到需要和专家紧密合作,搞清楚该建什么评测。训练方法可能变,RL 也可能被别的方式替代,但只要还想改进模型,就永远需要评测来衡量成功。他用的词是"evergreen",常青。

被创造的新工作,比被替代的工作更少被谈论

Lenny 念了一条 Foody 转发过的推文:"仔细想想,我们来到地球上就是为了给实验室制造强化学习训练数据。"

Foody 没把它当玩笑。他说和很多顶级实验室的研究员、高管聊过,大家都认为很可能整个经济会变成一台"RL 环境机器",不断构建各种场景和上下文,再配上评分细则和其他验证器。

他拿工业革命做类比。当时人人都怕丢工作,结果出现了一整类新工作:造机器的、做知识工作的、创造新东西的。

过去三年,AI 的叙事几乎全是工作被替代。但很少有公司和人谈到,有一类新工作正在被创造出来。

The narrative in AI over the last three years has almost entirely been one of job displacement, but very few companies and people have talked about this new category of jobs that's being created.

那年轻人该学什么?他分两层回答。

职业上,选需求有弹性的行业。他说的弹性不是"通才",而是行业能吸收多少新增需求。会计是反例:世界只需要那么多会计,很难想象需要 100 倍。软件是正例:功能可以多做 100 倍,速度可以快 100 倍,需求几乎没有上限。他引用 Marc Andreessen 的说法,软件是弹性最大的行业。生产力提高 10 倍时,有弹性的行业需求会变大,没弹性的会变小。 所以他认为产品经理处境很好,因为现在一个人能做的事多太多了。运营、咨询这些公司价值链上的可变成本也在这个范畴:想想如果麦肯锡顾问多 10 倍,能多做多少研究和分析。

技能上,是能用 AI 做好自己日常工作的人。有老师来问他该怎么考学生,他的回答是别跟模型对着干。就像计算器出现后,你不该布置一堆算术题再想办法不让学生用计算器,而是告诉他们:工具随便用,看你能做出什么。Mercor 自己的面试就是这么设计的:用 ChatGPT、Codex、Claude Code、Cursor,什么工具都行,一小时内做个网站出来,看你能做成什么样。

他在企业层面也看到同样的分化。有些公司,其中不乏知名的世界 500 强,几乎是害怕,不愿意给自己的业务做评测,因为评测结果会证明自己的价值链正在被自动化。另一些公司则在想:如果能多做 10 倍、100 倍,意味着什么。他认为后一类会赢。

产品市场契合是听出来的,不是逼出来的

Mercor 的起点不是 AI 训练。Foody 14 岁认识了联合创始人,19 岁一起创业。2023 年 1 月,他们开始雇海外的人,介绍给自己的朋友,再把整个流程自动化:像人一样看简历、做面试、决定录用,全部交给大模型。他说公司靠自筹资金做到了 100 万美元年化营收,之后他们才从大学退学。

当时的想法是劳动力市场太分散了。一个海外候选人会投十几份工作;湾区一家公司招人时,只能看到市场上极小比例的候选人。原因是匹配这件事全靠人工。如果能用软件的成本把匹配自动化,就可能出现一个统一的全球劳动力市场,每个候选人都投进来,每家公司都从这里招人。他说这仍是长期方向。

机会是两件事撞出来的。

第一件在 2023 年 8 月,他还在上大学。一个客户在 Zoom 上把他们介绍给 xAI 的联合创始人,说他们有一批数学和编程很强的印度工程师。Foody 回忆,他当时的解释是这些工程师不用分心去学历史、英语这些人文科目,对方很喜欢。两天后,xAI 请他们去特斯拉的办公室,除了马斯克之外,整个联合创始团队都在。xAI 很看重他们对专家质量的执着,但当时还在做预训练,没到需要人类数据的阶段,所以没有合作。可 Foody 说,从那一刻起他就知道市场要剧变了。

第二件在几个月后,公司已经拿到了种子轮。一家众包公司用 Mercor 的平台招了一千多人。随后 Mercor 收到大量投诉:这些人拿不到工资。Foody 说他们很难受,因为是自己把人推荐过去的,而对方还是家有名气的公司。他从中看出,现有玩家在吃老本,不在乎市场需要什么,也不在乎平台上人才的体验。于是 Mercor 决定直接和实验室合作,在保住专家尊严、给足报酬的前提下,绕开中间商。他们在 2024 年 5 月开始这么做。

他把这段经历提炼成给创始人的建议:

我花了很多时间试图逼出产品市场契合。

I spent a lot of time trying to force product market fit.

他的意思不是放弃坚持。他说对"世界会怎么变"要有坚定的判断,但对具体形态和公司怎么融进去要保持开放。判断标准很实际:如果卖给下一个客户极其困难,你就做不成大生意。你要找的是那种出乎意料地好卖的客户。 好卖说明痛点大,你能跟着它一起长大。

他还修正了自己对"why now"的理解。以前他想的是产品层面的 why now:现在能自动化看简历、做面试了。但那对应的是一个有大量老玩家、相对停滞的旧市场。真正重要的是找到变化很快的新需求,那里有世界上最有钱的客户愿意不计代价地改进模型能力;然后盯住这些市场的领先指标,为其中的标杆客户做出最好的方案。

另一条是客户至上。他说过去一年半,公司没有任何销售和市场人员,最近才开始让几个产品经理帮忙做市场。100% 的资源都放在产品和客户体验上,增长靠口碑:在别家公司跟他们合作过的人,换了地方还想继续合作。他认为有些创始人在还没搞清楚什么能真正赢得客户喜爱之前,就急着把营销做好。他还说,公司一直很省钱,从没烧过钱,累计是盈利的。种子轮在 2023 年 9 月由 General Catalyst 领投。

前十个人要慢,需求溢出之后要快

Foody 给出公司的三条价值观,每条配一个例子。

第一条是"can-do"。他承认这个说法有点好笑,常被人调侃。做法是定离谱的目标,然后公司的轨迹会围着目标成形。他说 Benchmark 领投 A 轮之前,公司年化营收是 150 万美元,他说年底要做到 5000 万。对方觉得他疯了。他说结果前后差两周就做到了。今年原定的目标是 5 亿美元年化,他说已经远超了这个轨迹。

第二条是高标准,体现在招谁、对人有什么期待。公司招了很多前创始人。他提到最近请来 Sundeep Jain 任总裁,此人曾是 Uber 的首席产品官和首席技术官,而 Uber 是全球最大的劳动力市场。前十个员工也是这个标准:美国第二号员工曾是 Scale AI 的增长负责人,另一位曾把两个消费级应用做到 10 万用户以上。他认为早期的人才密度决定了之后整个组织的样子。

第三条是强度。他拿 Meta、谷歌早期的文化做对照,那些公司早期都有一种拼命的文化。但他强调看产出,不看工时。Lenny 问到"996"(他用的是美国版说法 "996"的变体,即每周六天、早九晚九)文化,Foody 澄清公司从没强制过。很多人留到很晚,是因为在乎;要早走陪孩子吃饭、周末出门,完全没问题。他也承认一个观察:不总是,但往往最投入的人就是陪他们熬夜的那批人。

关于招人慢,他给了一个自我批评。前十个人很慢、很挑,他很满意,回报也很明显。但公司到了某个阶段就得快速招人,有些事就是需要很多人,得接受招人的不确定性。他认为 Mercor 从 10 人扩到 100 人时动作太慢了,否则可能长得更快。

Lenny 总结成"前十个慢、十到一百快一点",Foody 又纠正了一次:不一定是十个人。分界点是你确定生意真的跑起来了,需求多到接不住。在那之前,耐心、克制、找最好的人;找到市场真空之后,速度就更重要。

至于 CEO 时间花在哪,他说不意外:最大的两块是招人和见客户。意料之外的是职级、薪酬带宽这类人事问题,边扩张边学。

这些判断意味着什么

Foody 的整套逻辑可以串成一条线:强化学习已经强到"给评测就能爬上去",所以瓶颈落到了"谁来定义好";能定义好的是各行各业的专家;只要还有人能做、模型做不了的事,这个需求就不会消失。Mercor 的增长、他对超级智能的保守判断、他给年轻人的职业建议,都从这条线上长出来。

这条线也有没回答的地方。如果 RLAIF 继续推进,越来越多的打分交给 AI,专家要写的评测会不会也变成模型能写的东西?他说十年内能自动化大部分知识工作,那写评测本身是不是知识工作的一部分?另外,前 10% 的人贡献大部分改进,这意味着这个市场的价值可能会越来越集中在很少一部分人身上,对平台上的其他人意味着什么,他没有展开。

其他值得记下的观点

  • Foody 讲了他八年级的生意 Donut Dynasty:在 Safeway 用 5 美元买一打甜甜圈,到学校卖 2 美元一个;付妈妈 20 美元开车进货;学校叫停后把摊子挪出校园 50 英尺;对手卖更贵的 Chuck's Donuts,他降价到 1 美元撑两周把对手挤走。他从中得出的结论是"you can just do things":很多人有想法,阻碍更多公司诞生的只是主动性。这也是他的人生格言。
  • Foody 公开说自己有阅读障碍。每天处理上千封邮件、读完所有文档很难,但他认为这让他思考方式不同,可能更容易看到别人没注意的市场变化。这也影响了他的管理方式:更多发挥人的长处,而不是补短板。
  • Mercor 的名字来自拉丁语,意思是"买卖、交易",目标是做全世界找工作的市场。
  • 他说平台上超过一半的人来自推荐。
  • 他自己用 AI 主要是写文档,以及用 ChatGPT 语音模式当思考伙伴,因为他边说边想效果更好,而不是所有事都能找同事聊。
  • 关于教育,他说大学时就跟父母争论过 YouTube 上的课比课堂好,他预期模型讲解知识会超过最好的教授。

对 builder 有什么用

  • 给你的 AI 产品写一份评分细则,而不是只写需求文档。挑一个核心任务,像律师给合同修订打分那样,列出"识别出这点加几分、漏掉那点扣几分",先用它测现有版本,再用它决定下一步改什么。
  • 把你的评测当销售材料用。如果你做的是垂直 AI 应用,别再引用学术基准,拿客户真实工作流程上的评测结果去谈,比如"这类合同的关键条款我们识别出了多少"。
  • 改造面试题。像 Mercor 一样,允许候选人用任何 AI 工具,限定一小时做出一个东西,看产出而不是看他会不会手写算法。
  • 判断你的方向是不是"出乎意料地好卖"。回看最近几个客户:如果每一单都要磨很久,先别加销售团队,回去找那个几乎不用推就愿意买的客户群体。
  • 招人前先回答一个问题:需求是否已经多到接不住?没有,就继续慢慢挑前几个人;有了,就接受一些不确定性,把速度放在前面。

原话

“If the model is the product, then the eval is the product requirement document.”

如果模型是产品,那评测就是产品需求文档。

— Brendan Foody · 00:06:11
“The market is bound by the amount of things where humans can do something that models can't.”

这个市场的边界,取决于有多少事人能做而模型做不了。

— Brendan Foody · 00:12:51
“Models are only as good as their evals.”

模型只能和它的评测一样好。

— Brendan Foody · 00:37:51
“They actually need a labor marketplace. They actually need these exceptionally high caliber people.”

他们真正需要的是一个劳动力市场。他们需要的是水平极高的人。

— Brendan Foody · 00:27:46
“The narrative in AI over the last three years has almost entirely been one of job displacement, but very few companies and people have talked about this new category of jobs that's being created.”

过去三年,AI 的叙事几乎全是工作被替代。但很少有公司和人谈到,有一类新工作正在被创造出来。

— Brendan Foody · 00:18:38
“I spent a lot of time trying to force product market fit.”

我花了很多时间试图逼出产品市场契合。

— Brendan Foody · 00:43:29
“What you actually need to find is the customer that's surprisingly easy to sell into, where you're going to be able to grow with them.”

你真正要找的,是那种出乎意料地好卖、能跟着它一起长大的客户。

— Brendan Foody · 00:43:29
“In a set of 100 people that we hire, oftentimes the top 10% of people will drive the majority of the model improvement.”

我们招 100 个人,往往是前 10% 的人贡献了大部分模型改进。

— Brendan Foody · 00:34:35
“It's not going to be 10x more pre-training data that gets those capabilities. It's much more going to be all of the post-training data sets that are far more data efficient and thoughtful.”

带来这些能力的不会是十倍的预训练数据,更多会是那些数据效率高得多、设计更用心的后训练数据集。

— Brendan Foody · 00:57:53

读懂这一期需要的概念

评测Eval
衡量模型在某项任务上做得好不好的测试或评分标准。Foody 把它比作模型的产品需求文档:定义了什么叫做对。
强化学习环境RL environment
让模型尝试任务、按结果拿奖励的练习场。Foody 认为它和评测本质是同一种东西,都是衡量好坏的锚点,只是用途不同。
评分细则Rubric
像教授批改作业的评分标准,列出做到哪些点加分、漏掉哪些点扣分,可以交给 AI 按标准打分。
监督微调 / 基于人类反馈的强化学习 / 基于 AI 反馈的强化学习SFT / RLHF / RLAIF
人类数据的三代用法:SFT 给标准答案让模型模仿;RLHF 由人在多个回答中挑最好的;RLAIF 由人定义成功标准、AI 按标准打分,扩展性和数据效率更高。
后训练Post-training
预训练把知识灌进模型之后的阶段,负责教模型判断哪些知识准确、该优先考虑什么。Mercor 的专家主要在这个阶段工作。
奖励黑客Reward hacking
模型钻评分规则的空子拿到高分,却没有真正学会任务。奖励设计不好就会出现。
需求弹性Elastic demand
Foody 指一个行业能吸收多少新增需求:软件生产力涨 10 倍需求会更大,会计则不会需要 100 倍。

关键转折

  1. 2023 年 1 月

    Foody 和联合创始人 19 岁创业,雇海外人才介绍给朋友,并用大模型自动化看简历、面试和录用决策,靠自筹资金做到 100 万美元年化营收后从大学退学。

    他们认为劳动力市场太分散,匹配全靠人工;用软件成本自动化匹配,才可能出现统一的全球劳动力市场。

  2. 2023 年 8 月

    经客户介绍见了 xAI 联合创始团队,对方看重他们对专家质量的执着,但当时还在预训练阶段,双方没有合作。

    没有成交,但 Foody 从中判断人类数据市场即将剧变,决定要站在前沿。

  3. 种子轮之后,2024 年 5 月开始执行

    一家众包公司通过 Mercor 招了一千多人后出现拖欠工资投诉,Mercor 随后决定直接与 AI 实验室合作,绕开中间商。

    他看出现有玩家在吃老本、不在乎人才体验;直接合作能给专家更好的报酬和尊严,代价是要和原先的众包玩家正面竞争。

  4. 前十个员工极其挑剔,并在约一年半里不设销售和市场团队,资源全部放在产品和客户体验上。

    早期人才密度决定组织形态,增长靠口碑;但 Foody 承认从 10 人扩到 100 人时动作太慢,可能少长了一些。

信息边界

  • 营收增速(16 个月从 100 万到 4 亿美元)、零客户流失、超过 1600% 的净收入留存、累计盈利、"史上最快"等数字都来自 Foody 和主持人的口头陈述,访谈中没有第三方数据印证。
  • "评测是瓶颈、专家需求常青"的判断出自一家靠出售专家劳动力为生的公司 CEO,和他的商业利益高度一致;他自己也承认 RLAIF 正在把打分交给 AI,专家需求会不会被进一步压缩,访谈没有讨论。
  • Foody 对超级智能时间线的判断是 2025 年 9 月的看法,并且只针对"三年内"这一说法;他同时认为十年内能自动化大部分知识工作任务,两者要一起读。
  • 关于 Anthropic 等客户的具体做法,Foody 明确表示不能透露,访谈中的行业判断都停留在趋势层面。

本文根据公开访谈的字幕整理改写,原话为节选。完整内容请看原视频。 审校于 2026-10-28