Edwin Chen

2020 年创立、未获风险投资支持的 Surge 在 2024 年营收突破 10 亿美元，员工仅略超 100 人——意味着人均营收约 1000 万美元。 Chen 将这种资本效率归因于坚持使命导向、避免打造组织“帝国”，以及向真正重视数据质量的研究人员销售。对于 Surge 认为与 AGI 无关的项目，公司甚至会放弃其收入。

Surge 所称的差异化优势是质量控制技术，而不是廉价劳动力。 Chen 将竞争对手形容为依赖电子表格的“人肉外包工厂”，同时强调用于衡量工人与任务质量、追踪质量变化、开展实验和过滤低质量产出的系统。「不能只是把一群人扔进去」（“You can’t just throw warm bodies at it.”）。

生成式 AI 数据让旧有的共识式标注模型变得不够用，因为多数偏好可能筛出通用、最低公分母式的产出。 一首 8 行月亮诗可以满足所有检查项，却依然糟糕；英语文学博士也可能缺乏所需的创作能力。Surge 转而试图保留多元洞察——写诗或证明勾股定理都可以有“一千种方式”。

需求已从搜索评测和内容审核，转向多模态、多语言、专家级 LLM 工作，足以让贡献者连续投入数天甚至数周。 Surge 目前覆盖超过 50 种语言，包括用阿根廷西班牙语编程，以及在玻利维亚提供法律或金融专业知识。Chen 预计前沿将从研究生 STEM 能力进一步迈向真正的科学协作。

Chen 认为，基准测试激励可能带来更高的分数，却造出更差的模型。 在 LMSYS/Chatbot Arena 排行榜上，普通评测者可能奖励更长的答案、格式和 emoji，即使答案在幻觉或无视指令；据称，一些研究人员只有在模型获得 10 个排行榜积分后才有资格晋升。Chen 的判断异常绝对：这个排行榜“至少让行业倒退了 1 年”。

Surge 倾向于在有限的 SFT 启动之后采用 RLHF，同时认为合成数据有用，但一旦压过人类信号就会带来风险。 一项评测中，使用 1000 万至 2000 万道合成数学题训练，改善了狭窄的学术领域，却让模型在其他领域变差。Chen 说，一些实验室后来丢弃了规模相当的数据，因为发现“哪怕只有 1000 条真正高质量的人类数据”也更有用。

Chen 看不到模型开发的瓶颈墙：下一轮扩展将来自更丰富的 RL 环境、更长周期的智能体、个性化、创造力，以及持续投入的人类数据。 一个例子是模拟的 AI 初创公司，里面包含 Gmail、Slack、Jira、GitHub、代码库，以及突发的 AWS 或 Slack 故障。按照当前激励机制，他猜测闭源模型将继续胜出；不同实验室的数据支出可能约占算力支出的 1% 至 10%，而这部分占比应该更高。

🔗 原始收听与视频来源： 为 AGI 提供底层数据的创业公司

Surge称，去年营收已超过10亿美元，2020年成立、运营5年后员工略超100人，客户包括Google、OpenAI和Anthropic。 Chen将此归因于公司从第一天起就实现盈利：资本不是Surge的瓶颈，因此他没有为了融资带来的社会认同而放弃控制权，并主张创始人应先“出去把你梦想的一切都做出来”，再考虑融资。

Surge所称的护城河不是劳动力供给，而是一套由技术驱动的数据质量体系，其上限会随生成任务的复杂度不断抬升。 Hemingway和小学生都能画出基本相同的车辆边界框，但诗歌、证明、代码和游戏的质量差异可能极大。没有能测量这些差异的系统，供应商只是在“规模化地生产平庸”。

Surge的业务覆盖SFT和偏好标注、验证器、失败模式分析，以及模拟长周期工作的丰富RL环境。 Chen设计的销售员世界横跨Salesforce、Gmail、Slack、表格、文档、演示文稿、日历，甚至包括一场会改变赴会交通安排的车祸。他认为有用的真实感“没有上限”，也怀疑单一终局奖励能够涵盖一条复杂轨迹。

Chen明确表示，即使模型变得超越人类，人的反馈“永远不会耗尽”，因为模型仍需要外部目标，而合成数据的规模化生产经常无法通过质量检验。 客户可能花6个月生成1000万至2000万条合成数据，最后却发现“其中99%根本没用”；在他看来，1000条高度精选的人类样本可以胜过1000万条合成样本。

LMArena可能奖励标题党式的回答，而非真正的能力，诱使模型把答案写得更长、格式更复杂、emoji更多。 5至10秒的评测者往往不会核查事实或指令遵循，Chen称研究人员已经接受这两方面的退步，以换取排行榜名次。他给出的替代方案成本更高，却更直接：由人类仔细评估，核查事实、验证指令，并判断表达品味。

Chen预计前沿模型市场将长期多元化，而不是收敛为同质化商品，并押注xAI是最有可能追上OpenAI、Anthropic和DeepMind的黑马。 Anthropic聚焦编程和企业市场，OpenAI偏向消费者，Grok在行为边界上另有一套；最终AGI“可能涵盖这一切”，但企业一次能长期维持的优先事项终究有限。

Meta与Scale的交易提升了Surge在Scale老客户中的曝光度，而公开模型评测将是其下一步战略扩张方向。 Chen称，许多原本不了解这家低调公司的用户因此认识了Surge；随着前沿实验室减少公开发布，Surge希望揭示基准驱动的失败模式。更大的判断是：模型供应商越发围绕容易被操纵的公开信号优化，独立质量测量的价值就越高。

🔗 原始收听与视频来源： No Priors 第124期｜对话 SurgeAI 创始人兼CEO Edwin Chen

Surge AI从2020年起步、零融资做到10亿美元营收。 GPT-3发布后，创始人Edwin用了“几周时间”亲自做出V1，随后发在博客上；公司第1个月就实现盈利，且没有销售团队。他拒绝以300亿美元、甚至1000亿美元出售公司：“我绝对不会以300亿美元、甚至1000亿美元出售……被收购就等于承认失败。”

Edwin认为，竞争对手本质上是“披着科技公司外衣的人力外包商”：靠简历筛选招来一批“人肉劳动力”，没有衡量或提升数据质量的办法。 质量控制是真正的对抗性问题：CS专业毕业生中有一半“连代码都不会写”，而会写的“会想办法骗你”——把账号卖到海外、用LLM生成数据。

他对AI进步瓶颈的排序是：数据质量第1，算力第2，算法第3。 拿算力硬砸垃圾数据，只会带来“并不存在的进步”——各家实验室反复在6-12个月后发现，训练数据和评测数据都是垃圾，有些模型甚至比起点更差。LM Arena就是典型：投票者奖励emoji、加粗和篇幅，而排行榜第1的模型坚持认为Pope Francis还活着。

合成数据被高估了：大量用合成数据训练的模型擅长“合成问题，而非真实问题”；客户告诉他，“1000到2000条真正高质量的人类数据……价值高于1000万条合成数据”。 Surge的大量工作，正是在清理合成数据造成的损害。

Scale被收购后，Surge迎来了一波兴趣。 在顶尖研究员圈子里，Surge是“这个领域最大、最好的公司”早已是公开的秘密；出于历史原因仍在使用Scale的团队带来了“巨大的兴趣浪潮”——这也呼应了Handshake的Garrett告诉Harry的说法：Scale客户迁移形成了“潮汐般的浪潮”。

整个故事背后的效率逻辑是：在Google、Facebook、Twitter，90%的人都在做没用的问题，这些工作只是为了让VP印象更好；因此，规模只有其1/10的公司可以快10倍。 他相信100倍工程师确实存在——速度、想法、工作强度各提升2-3倍，会议减少2-3倍；AI“会不成比例地利好本来就是10倍工程师的人”，而一家由单人创办、营收10亿美元的公司“总有一天会出现”。

快问快答中的预测包括：如果说的是自动化普通工程师的工作，时间点是2028年；如果说的是治愈癌症，时间点是2038年；最大的模型提供商可能尚未成立，因为“我们距离AGI还只有2%或5%”；多个前沿AGI将以不同个性并存；而今天的基准测试作弊，本质上已经是纸夹最大化问题，模型能力越强，风险越大。

🔗 原始收听与视频来源： Surge CEO兼联合创始人 Edwin Chen：零融资做到10亿美元以上营收