Mercor 产品负责人谈前沿实验室带来的收入集中度

摘要

• 开源不必蚕食前沿数据业务。 它反而抬高底线。Osvald 为 Mercor 的核心辩护是：数据在模型性能前沿最有价值；每家实验室都会购买评测集和训练集，补上当前能力的缺口；“开源模型只意味着，没人会购买 K3 已经能做的东西。”
• 他不接受“90%的企业工作流都能自动化”这种表述。 理由有二：Mercor 的 Apex 基准显示，顶尖模型在长周期工作流上的得分只有约50%；此外，还有一整类尚未被任何人尝试的潜在需求——比如部署一个运行数月、每周只需检查一次的采购代理。对于法律论证或医疗建议，“用百分比来框定完全不对，我们需要更多考虑持续且无上限的回报”。
• Mercor 的 token 开支已经超过薪资。 Benioff 每年在 Anthropic 上花费3亿美元，相当于开发者薪资的约3.8%；Osvald 认为这一比例在宏观层面会升至3%以上，并确认 Mercor 已经在 token 上花的钱多于薪资：“100%听起来合理。”企业目前还没有 ROI 问题，只是处于“探索和试验阶段”，同时在部分环节“逐步收紧开支”。
• 关于收入集中度，以及“这不算收入”的旁观评论：“我们每周结束时，银行里的钱都多了很多……现金流简直惊人。” 业务甚至来不及花钱来满足需求。解决集中度的办法，是通过自助式项目和 AI 项目经理向中小客户下沉，因为实验室项目需要白手套服务，运营上极其繁重。
• RL 环境是增长最快的数据类型。 一方面是应用的高保真模拟——一个“表现得和 Salesforce 一模一样”的 mock；另一方面是包含数百乃至数千个文件的丰富初始状态。他改变看法最大的一点也是环境：原以为环境无法规模化，“但后来它做到了”。他对未来3年的判断是机器人/物理世界数据，行业进展可能更像“Waymo 无人出租车/Cruise 时刻”，而不是 ChatGPT 时刻。
• AI 时代的产品组织正在倒置。 随着工程不再是瓶颈，PM 与工程师的比例会上升；团队开始争相缩小产品表面积；Mercor 正逐步从 Figma 转向云端设计；“技能问题几乎已经消失，所以现在全看判断力。”他的警告是：“不要把决策权……交给模型，否则你会失去这种能力，最后你会得精神病。”
• 竞争格局方面，对手是一群“自己做标注的创始人组成的家庭作坊”——由 VC 补贴、价格“完全错位”、深受实验室喜爱，但无法扩张10倍。 其他竞争者往往很快照抄 Mercor；Surge 则被形容为“有点离谱……非常神秘”。至于前沿实验室会不会吞掉应用层，Google Plus 和 Threads 已经说明，大公司“会输给那些对自己的市场高度聚焦的公司”。

精读

1. 开源抬高底线，不必吞噬前沿数据业务

• Harry 以迁移到开源模型的论点开场，手里拿着 Kimi 的新模型：开源会不会蚕食 Mercor？Osvald 的回答构成了整期节目的主轴：数据在模型性能前沿最有价值。客户购买评测集和训练集，是为了补足当前能力的缺口；因此，“开源模型只意味着，没人会购买 K3 已经能做的东西。”
• 其中的传导机制是：开源模型“只是抬高了人们感兴趣的能力底线”。只要客户仍然想要新的能力，业务就会继续增长；前沿以下的商品化，并不影响资金真正流向的地方。

2. “90%的企业工作流”测量的是错误对象

• Osvald 不相信，无论是开源模型还是前沿模型，都能处理90%的企业工作流。这类计算可能建立在既有需求之上，但还有一批尚未被任何人尝试的潜在需求，最常见的是长周期任务：“设置一个采购代理，把整个采购团队连续数月完全自动化。你可能每周只检查一次。”
• 他愿意认可的数字是：在 Mercor 的 Apex 基准上，顶尖模型在长周期工作流上的得分约为50%。
• 他更强调的是，满足性工作流和无上限工作流不同。前者如更新 CRM——“你其实很难把它做得更好”；后者则包括法律论证，以及某种程度上的医疗建议，因为这类任务总有继续改进的空间。在这些场景里，“用百分比来框定完全不对，我们需要更多考虑持续且无上限的回报。”

3. 企业担心实验室介入核心工作，每家公司或许都会拥有自己的模型

• 对于 Alex Karp 所说的企业不愿把数据交给前沿实验室，关键取决于工作流的核心程度。HR 和采购相对不敏感，企业更愿意把这类工作流放在专有模型上；真正敏感的是能形成差异化的工作——比如律所撰写的“实际备忘录”，以及给客户提供的建议。Harry 认为其中存在反差：敏感数据可能交给开源、很可能是中国的模型，HR 反而放到闭源模型上。对此的反驳是，开放权重意味着推理“可以发生在多个地方……你拥有更多控制权”。
• 对于 Harry 归因于 Filecoin 创始人 Lynn Qual 的“每家公司都需要专门模型”论点，Osvald 回答：“我认同。”他也承认，这一判断对 Mercor 有自利性，因为每个专门模型都需要企业特定的评测和训练数据。市场规模“取决于客户能从专门模型中获得多少价值”，而那些能够被 ROI 证明合理的场景会随时间增加。

4. 没有 ROI 问题，Mercor 的 token 开支已经超过薪资

• “我不认为现在存在 ROI 问题。我认为我们正处于探索和试验阶段。”在 token 价格和模型性能变化过快、计算结果尚未稳定之际，企业会更有容忍度和耐心；与此同时，部分环节的开支也在“逐步收紧”。
• 他的预算框架是：工程师使用编码代理的开支“可能仍然在带来复利式收益”，因此不能算作销售成本。若客服代理消耗的 token 成本超过它服务客户带来的收入，那就“肯定处于糟糕的位置”。
• 针对 Benioff 每年向 Anthropic 支付3亿美元、约相当于开发者薪资3.8%的说法，Osvald 希望更准确地核算每个 token 带来的结果，并区分不同团队的消费结构。但在宏观层面，“这个比例会随着时间推移升至3%以上”。当 Harry 透露 Brendan 曾告诉节目这一比例会达到100%，且 Mercor 已经在 token 上花费超过薪资时，Osvald 回答：“是的，我们确实如此……100%听起来合理。”自他加入以来，公司员工数增长超过10倍，收入也同步增长——“我们甚至来不及花钱来满足手头所有需求。”

5. 服务业务弥合落地缺口，聚焦型公司可以击败大型实验室

• 对于服务业务热潮——包括 Microsoft 的服务部门和 Palantir——他自称的“热辣观点”是：短期内这就是未来。如何部署和评测代理的知识，目前“集中在旧金山的一群人手里”，之后会向各个行业扩散。最终它可能成为类似软件工程的一种职能，“也许会是一个持续10年的变化”。针对 Factory 的 Matt 所说服务只是“糟糕产品的借口”，他的判断是：问题在人才供给，而不是产品本身。
• 优秀工程师愿意做前线部署吗？那些沟通能力强、能直达问题根源的人愿意；而“这类工程师最终也很适合成为创始人”，所以 Mercor 不断有人离职创业。“失去一个人去创办公司，远好过失去一个人去接受另一份工作。”
• 对于 Harry 担心 Anthropic 会成为 Legora 的真正竞争对手，Osvald 让他看看 Google 和 Microsoft：“你还记得 Google Plus 吧？……它后来什么也没做成。”大公司会不断分散业务，但“会输给那些对自己的市场高度聚焦的公司”。

6. AI 时代的产品组织：缩小表面积、增加 PM，判断力成为核心工作

• 工程更快，反而让产品管理更难，而不是更容易：人们因为做得到，就提交几千行代码的 PR，于是团队“始终在努力简化产品表面积”。他最大的遗憾也指向同一个问题——标注平台曾试图“满足所有需求”，最终形成数百个异构项目，“管理起来简直是一团混乱”，本应更早设置护栏。判断需求是否会持续存在，是领导层基于与实验室持续接触所做的判断——“归根结底，这有点像猜测。”
• 组织上的结果是，PM 与工程师的比例会更高，因为工程不再那么受限，而理解用户工作流、理解什么能推动收入“现在成了瓶颈”。专家市场和 Studio 标注/评测平台这两块产品，都以4或5人为一个 pod，PM 与工程师的比例还会继续上升。
• 伟大 PM 所需的能力已经发生两次变化：工具变少了，“甚至 Figma，我们也越来越多地转向云端设计”；所有人都在提升到业务影响层面。“技能问题几乎已经消失了。所以现在全看判断力：我做的事情是不是能带来最大的商业价值？”

7. 招聘资深人才、测试判断力，并拒绝把大脑交出去

• 招聘现在更偏向处于黄金期的资深候选人——“25到35岁”——他们能更快理解什么驱动收入。初级人才是否会使用工具的能力变得“没那么重要”。Take-home 已经缩减为一次 AI 熟练度检查，之后通过白板面试考察实验、统计和系统设计，因为借助 AI 工具，“很容易把大量思考外包出去”，而他需要的是不会“只是复述 Claude 输出内容”的人。
• 他的“脑腐”规则，划清了判断与执行的边界：模型“会让你以为它做的是对的，但你仍然必须对它保持偏执……不要把决策权，也就是你真正的工作，交给模型，因为你会失去这种能力，最后你会得精神病”。他的类比是，手机“有点像会把你的大脑烧坏，把它变成一团糊状物”；关键是弄清楚边界在哪里。
• 他在糟糕的招聘中最难识别的是：“面试过程中真的很难评估一个人的主动性和主人翁意识。”有才华但讨厌的人尚且可以容忍——“性格可以改变……但很难让一个人真正上心。”

8. 业务机制：现金流惊人、收入集中，并有意向下沉市场推进

• 针对“这不算收入”的评论，他的回应是：“我们每周结束时，银行里的钱都多了很多……现金流简直惊人。”他在其他地方见过“有趣的金融工程”，但 Mercor 不是那种情况。
• 关于前沿实验室带来的收入集中，公司的方向是向中小客户下沉：提供自助式人工数据项目和 AI 项目经理。原因在于实验室项目需要白手套服务，运营强度极高：持续挖掘边缘案例、让客户与专家之间“以惊人的速度完成对齐”，并对每一个数据点都保持“极度偏执”，确保其完美。企业数量远多于实验室，而这一转向已经降低了收入集中度。
• 供给侧的秘诀是专家体验：准时、优厚、透明地支付报酬，带来转介绍；同时配备 sourcing 团队，应对尖峰式技能需求。公司并不是靠超过竞争对手的“疯狂奖金”取胜，而是让专家看见未来的工作和技能成长。利润率是在项目结束后才确定的，如今合成数据和自动质控项目的成本，大致由专家报酬与 LLM 开支各占一半。
• 实验室会谈判，但这套合作关系令人羡慕：评测集代表客户真正想要的东西，训练集则不断推动模型爬坡。因此，“只要他们在数据上的花费低于将要获得的收入，人们就会想把这个杠杆越拧越紧。”

9. 环境是前沿数据类型，家庭作坊无法规模化，机器人是未来3年的判断

• 环境是增长最快的数据类型，Mercor 认为自己处于这一品类的领先位置：一方面是应用模拟，另一方面是包含“数百个文件、数千个文件”的丰富初始状态，让训练数据“更接近模型部署时真正看到的东西”——比如一个“表现得和 Salesforce 一模一样”的 mock。它现在之所以难，和过去的 SFT 及偏好排序一样；“实验室正在摸索。最终……企业也能做。”这也是他改变看法最大的一件事：他原以为环境无法规模化，但“我们不断推进，最后它真的奏效了”。
• 竞争格局是“一群自己做标注的创始人组成的家庭作坊”：这些聪明的前技术创始人经营着“实验室喜欢的、由 VC 补贴的工作”，因为价格“完全错位”。一旦客户要求10倍吞吐量，模式就会失效。其他竞争者经常照抄——“我们写一篇博客，通常一周后就有人写一篇一模一样的博客”；Surge 则被形容为“有点离谱……非常神秘”。网络安全是另一个增长方向：对抗式、“AlphaGo 式”的场景，回报没有上限，“目标会一直移动”。
• 3年后尚未出现的收入曲线，来自机器人所需的真实世界物理数据。相较于 GenAI 和自动驾驶，这仍是一个早期市场。针对 Harry 对“15分钟取水”演示的吐槽，Osvald 提到 Cruise 走向 Waymo 的先例：“现在我打 Waymo 的次数比 Uber 多。”因此，行业拐点可能更像“Waymo 无人出租车/Cruise 时刻”，而不是 ChatGPT 时刻。
• 2000亿美元的乐观情景，是一家技术驱动的服务公司，其中“评测就是 PRD，同时也是提升性能的优化目标”。只要更好的模型对经济仍有价值，评测和训练需求就会持续存在；此外，还会叠加不断增长的代理部署企业业务。

核验说明

• 原始字幕提到“Kimi”，并分别出现“K3”；无法确认“Kimi K3”是否作为一个完整名称被说出。
• 原始字幕将2000亿美元乐观情景中的公司识别为“Brex”；结合上下文看可能指 Mercor，但仅凭原始字幕无法确认。