Mercor 高速增長的秘訣與其中的聰明人｜42章經

這次去美國，我的一大收獲就是認識了 Mercor 的首位中國工程師（節(jié)目錄制時也是全司唯一的中國員工）虞快。他是前金融科技獨角獸工程總監(jiān)，Google、Two Sigma、Citadel 工程師，也是我這次硅谷行遇到的最聰明的人之一。

本期播客對談原文約 16000 字，本文經過刪減整理后約 8000 字。

曲凱：Mercor 今年很火，國內也有不少分析和報道。我發(fā)現大家對你們的認知大致經歷了兩個階段：

一開始很多人覺得你們是 AI 招聘公司，但后來發(fā)現，你們本質上是在做數據標注。

在你看來，Mercor 到底是一家什么公司？

虞快：我們的核心業(yè)務，是幫頂尖 AI 公司招各行各業(yè)的專家。

大家可能對數據標注有刻板印象，覺得就是從欠發(fā)達地區(qū)找廉價勞動力做些基礎活。

但現在完全不同了。

AI Labs 需要的是醫(yī)生、律師、投行顧問，甚至細分到專門寫 Swift 的工程師、俄羅斯的生物學家。

因為模型已經進化到了只有專家才能標注的地步。大多數人會的題，它早就會了。再想提升模型智能，就必須請?zhí)囟▽＜姨峁┫到y性反饋，告訴模型什么是好答案、什么是差答案。

曲凱：那這些 AI Labs 拿到你們的專家標準后，還需要再去找 Scale AI、Surge 這樣的平臺做人工標注嗎？

虞快：不需要。某種程度上講，我們已經完全替代了傳統的數據標注平臺，因為模型可以直接基于我們提供的評估標準做強化學習。

曲凱：也就是說，隨著模型變強，過去的標注方式不夠用了，出現了市場空白，而你們正好抓住了這個機會。

那你們是一開始就這么定位的，還是在過程中逐漸調整出來的？

虞快：我們的目標一直沒變，就是「幫客戶找到他們需要的任何人」。

只是我們發(fā)現，眼下最急迫、最愿意花錢的客戶，正是 AI Labs。雖然 AI Labs 沒有那么多，但是他們的預算很高，因為對他們來說，這筆投入非常劃算：

算法的突破要靠頂級研究員，但這些人很貴，而且隨時可能被競對挖走；算力的競爭更殘酷，OpenAI 也未必能打過 Google。那要讓模型真正進步，數據依然是一大突破口。而為數據花的錢和模型能帶來的回報相比，幾乎不值一提。

曲凱：明白。那你們幫客戶找到人之后，他們是自己去和這些專家談薪資之類的嗎？會不會出現飛單的問題？

虞快：客戶會把錢給我們，再由我們支付給專家。

目前我們沒遇到過飛單的情況。因為這件事的難點不只是「找到人」，更在于后續(xù)的管理。一個項目可能需要上百個分布全球的工程師，怎么和這些人溝通？怎么評估他們的產出？怎么結算？出了問題怎么協調？

這些瑣事，AI Labs 并不想自己操心，都需要我們來幫忙打理。

曲凱：聽起來你們有點像一家大型第三方人力外包公司？

虞快：其實不是。先不談使命和愿景，單從業(yè)務層面來看，我們和外包商就有很大差別：

我們能評估人才質量。

比如一家公司要招工程師，可能會收到一萬份簡歷。我們能用更科學的方法，幫客戶篩出最優(yōu)秀的那一小撮。

曲凱：這里正好可以捋一下你們的業(yè)務流程。比如你說可能會有一萬人來申請，這些人都是主動來的嗎？

虞快：對。我們業(yè)務流程的第一步是獲客，主要方式有熟人推薦、廣告投放、AI 自動發(fā)私信等。我們內部也有一個團隊，會去主動搜羅一些特別難找的人。

目前我們平臺上超過一半的專家都是靠熟人推薦來的。推薦人可以拿推薦費，所以甚至有人會全職在我們平臺上幫忙找人，賺的還挺多的。

曲凱：相當于這些人來你們這做獵頭了（笑）。

虞快：是的哈哈。專家被吸引到 Mercor 后，會上傳簡歷、選擇崗位并投遞申請。過程中我們也會用一些自動化流程，規(guī)避簡歷造假等問題。

簡歷過了的人，就會進入 AI 視頻面試環(huán)節(jié)。面試問題都是由 AI 基于簡歷和 JD 自動生成的，比如要招一個數學 PhD，AI 就會問研究方向、論文細節(jié)等問題。

面試過程也可以人工干預。像我自己在用 Mercor 招人時，就會告訴 AI 我想重點問什么，并設定評分標準，讓它幫我執(zhí)行。

每場面試大概 20–30 分鐘，結束后會生成一份帶轉錄文本的視頻。用人方可以直接看文本，也可以點擊文字跳到對應的片段，查看更多文本捕捉不到的細節(jié)。

曲凱：那如果有很多人面試，我要把每個視頻都看完嗎？

虞快：不用。創(chuàng)建崗位時，我們會請你先定義好目標和要求，相當于一套評分標準。面試結束后，AI 會根據候選人的表現自動打分并排序，方便你快速篩選。

曲凱：那把人招來之后，你們怎么評估他們的標注結果？如果有人亂做標注怎么辦？

虞快：這很容易分辨。同一套題我們可能會問 50 個專家，如果有一個人的解法每次都和別人不一樣，那這個項目做到一半 ta 就會被開掉。

曲凱：合理。那結算呢？你們平臺上的報酬區(qū)間大概是怎樣的？

虞快：我們按時薪結算，各種崗位的平均時薪超過 90 刀，但不同職業(yè)差別很大。我們會根據找人的難度、緊急程度等因素，與甲方協商定價。

比如英文語音訓練的時薪大約是 21 刀，因為幾乎所有英語母語者都能做。軟件工程師的時薪一般在 100-200 刀之間。最夸張的一個案例，是我們招過時薪 400 刀、推薦費 5000 刀的皮膚科醫(yī)生，因為人真的很難找。

曲凱：你們這真是個太好的生意了…我都想上去接單了哈哈。

那 AI Labs 會同時把需求發(fā)給很多平臺嗎？不同平臺最后拼的是什么？

虞快：如果我是 AI Lab 的決策者，最多只會找兩三家合作。只找一家風險太大，比如 Scale AI 被收購后，他們的客戶就很被動；但找太多家又很麻煩，因為每家的流程都不同，結算起來很復雜，出了問題還很難歸因和追責。

而不同平臺最后拼的，就是誰能又快又好地找到合適的專家、贏得客戶的信任。如果你找來的人靠譜，AI Labs 就更愿意與你長期合作。

曲凱：說到 Scale AI，聽說他們被收購之后，業(yè)務下滑得很厲害？

虞快：對。其實在被收購之前，Scale AI 就遇到了問題。他們靠給 OpenAI 做標注起家，但隨著模型能力提升，他們原來找的標注員的水平不夠用了，OpenAI 的反饋也變差了。

收購之后，大家又覺得它成了 Meta 的一部分，不太敢繼續(xù)跟它合作。

曲凱：所以 Meta 這次收購真就是「人才收購」？花了這么多錢，結果業(yè)務還跌了。

虞快：我個人猜測，扎克伯格主要是為了收編 Alex Wang。

Alex 很有抱負，兩三年后大概率還會再創(chuàng)業(yè)。如果只是給他高薪，很難把他挖來，因為他很難向團隊和投資人交代，等他未來再創(chuàng)業(yè)時，融資和組團隊都會遇阻。Windsurf 創(chuàng)始人的經歷就是前車之鑒。

所以扎克伯格干脆花 150 億，把 Alex 的團隊和投資人都安頓好，替他解決了后顧之憂。

曲凱：所以現在 Scale AI 對你們已經沒什么威脅了？雖然這么說有點奇怪，畢竟他們體量還是比你們大。

虞快：從增長來看，我不覺得 Scale AI 是我們的對手，反而是 Surge 更值得警惕。

曲凱：那市場對 Mercor 的理解形成共識了嗎？大家是不是普遍把你們看成數據標注公司？

虞快：我不覺得我們是數據標注公司，而是一家 Eval Provider。

其實我們核心交付給 AI Labs 的東西，就是 Evaluation 和 Benchmark 的標準，或者說是一份模型的 PRD。

我們的專家會幫模型公司設定目標，讓研究員去推動模型實現那些暫時還不具備的能力。

曲凱：理解。

但我覺得 Mercor 一開始在講的是一個很性感的平臺型故事。雖然現在數據標注這條線從賺錢角度看可能更性感，增長也快，但相比之下，平臺故事的想象空間是不是更大？你們現在做的，會不會只是階段性的事情？

虞快：其實 Mercor 一直在堅持同一個愿景，就是我們相信隨著 AI 能力提升，未來的工作形態(tài)會改變：

全職崗位會減少，項目制會成為主流。

所以我們現在看似是在階段性地滿足 AI Labs 的需求，本質上是在押注未來的工作方式。

未來，「用 AI 來衡量一個人」不只適用于面試，還能拓展到更多場景。比如我是 VC，要和上千個創(chuàng)業(yè)者交流，我也可以先設幾個問題，定義什么是好答案、什么是差答案，然后讓 AI 幫我去問。

曲凱：所以 Mercor 這套模式未來可以推廣到更多行業(yè)？

虞快：可以復用到所有行業(yè)，因為任何行業(yè)最終都離不開「挑選」這個環(huán)節(jié)。

曲凱：明白了。也就是說，Mercor 并不是中途轉型成數據標注公司，而是一直在講同一個故事、做同一件事。只是你們在做的過程中，發(fā)現了最有錢的客戶和他們最痛點的需求，然后先把資源集中到了這個方向，跑起來后，未來可以再慢慢擴展。

那你覺得國內能復制出一個 Mercor 嗎？

虞快：關鍵要看國內的 AI 公司愿不愿意在數據上花錢。只要有預算，就一定有人能把這件事做出來，而且可以做得很成功。

曲凱：但國內外還是有差距。

比如國內的模型公司估值可能也就三四十億美金，而美國這邊已經到三四千億美金了。

曲凱：那在你看來，數據標注的市場規(guī)模有多大？

虞快：現在看，大概有 50 - 100 億美金。

只要 OpenAI、Anthropic 這些公司還在，這個市場就會繼續(xù)擴大，因為他們會持續(xù)砸錢來換取模型的領先地位。而只要他們投入，那 Google、Meta 這些不差錢的大廠也會跟進，所以市場還會進一步擴大。

曲凱：確實。如果 Meta 在一個人身上都能花 1 億美金，在數據上肯定更舍得花錢。

那你當時為什么選擇加入 Mercor？

虞快：原因很多。

第一，我覺得好的創(chuàng)始人至少要在某個領域特別強，而 Mercor 的三位創(chuàng)始人有個共同特長：辯論（笑）。他們是全美頂尖高中辯論隊的隊友，反應快、說服力強。

會辯論其實很有價值。比如幾個月前，我們招人時還沒什么籌碼，全靠創(chuàng)始人把 vision 賣出去，說服大家加入。再比如我要是自己做產品，也會想讓他們去幫我賣，因為我相信無論客戶問什么，他們都能講到對方信服。

第二，Mercor 的增長勢頭實在是太好了。從 100 萬到 1 億美金 Run Rate，Mercor 只用了 11 個月，比 Cursor 12 個月的紀錄還短。而公司跑得越快，就越能吸引好的人才；好的人才來了，效率更高，增長也會更快。

第三，我認為在這個時代，有特點、有話題性的創(chuàng)業(yè)公司更容易成功，或者更容易拿到溢價，而 Mercor 的三位創(chuàng)始人就很有話題性：他們都是拿到 Thiel Fellowship（Peter Thiel 創(chuàng)辦的項目，非常難獲得，其中一個條件就是必須退學）的 college dropouts，二十出頭就創(chuàng)立了 Mercor。

其實我們團隊整體都很年輕，平均年齡只有 22 歲，很多人都是 dropouts，一半的人之前都創(chuàng)過業(yè)。

曲凱：這里我很想和你探討一個問題，就是中美年輕人創(chuàng)業(yè)的區(qū)別。

在國內，現在很多人不太看好年輕人創(chuàng)業(yè)。大家會覺得這波 AI 是移動互聯網的延續(xù)，所以經驗豐富的人更懂怎么避坑，也有更多的資源。而年輕人需要不斷試錯，就算拿到融資，也可能不敢花、不會花，很難做出結果。

那在你看來，為什么 Mercor 能在平均年齡這么小的情況下，跑出這么快的增長？

虞快：我覺得中美創(chuàng)業(yè)氛圍的差別很大。歸根結底，這是個 sample size 的問題。

在中國，創(chuàng)業(yè)失敗對一個人職業(yè)生涯的打擊遠比在美國大，所以愿意嘗試的人本身就少，成功案例就更少。而因為大家看不到太多成功的故事，所以就更不愿意選擇這條路。

而硅谷有很多「創(chuàng)二代」。很多人從小就聽著父母輩的創(chuàng)業(yè)故事長大，所以他們甚至會把創(chuàng)業(yè)當成是畢業(yè)之后的默認選項。

曲凱：確實。而且這邊很多人很小就在街邊賣檸檬水，上大學后也經常做 presentation，所以他們講故事和 pitch 的能力，甚至可能強過國內一些很 senior 的創(chuàng)始人和高管。

虞快：是。在美國，sales 和 marketing 是非常核心的能力，而且大家也很愿意去提升這些技能，比如在美國亞馬遜暢銷榜上，就常年有一本叫《How to Win Friends and Influence People》的書。

曲凱：那總結下來，你覺得 Mercor 增速這么快，最核心原因是什么？

虞快：首先我們在對的時間，選中了一個特別好的賽道。而且我們一上來就從 Scale AI 招了一些核心人才，幫我們少走了很多彎路。

除此之外，最關鍵的一點就是快。

我們的決策速度和執(zhí)行速度都很快。

曲凱：「決策快」是不是意味著，你們必須有更高效的評估和反饋機制？

虞快：對。創(chuàng)始人最在意的就是「what's working & what's not」。

曲凱：但你們快速做出的決策，很多時候真的是對的嗎？

虞快：對錯沒那么重要，只要不是大錯就行。

Mercor 并不是特別 data-driven，很多時候都依賴創(chuàng)始人和管理層的直覺。因為市場變化太快，我們沒時間做特別科學的判斷，所以關鍵是快速行動。

就算錯了，能及時意識到問題、立刻修正就行。

曲凱：也就是你說的「執(zhí)行快」？

虞快：對。這是我們最核心的競爭力，別人很難復制。

最直觀的體現，就是我們能「說到做到」。我們一旦定下一個目標，就一定能按時交付。而且整個團隊都是這樣，所以大家彼此信任，也敢對客戶做出承諾。

曲凱：你們是怎么做到的？我覺得很重要的一點，是你們可能比其他硅谷公司要卷。

虞快：確實很卷（笑）。我們團隊里絕大多數人都是每天 7 點半上班，凌晨 1 點下班。

但工作時長不是關鍵，關鍵是我們真的在乎自己做的事，所以都是心甘情愿地在拼。

在一家每月營收都能漲 50% 的公司里，你根本不會糾結那些有的沒的，只會越做越有勁。

曲凱：所以增長就是最大的激勵。

那像你們這樣勤奮的公司，在硅谷 AI 創(chuàng)業(yè)圈里大概有多少？

虞快：十幾人的團隊很多都是這種狀態(tài)，等團隊擴張到一百人，還能保持這種強度的就不多了。

曲凱：但這可能已經超出很多國內公司對硅谷努力程度的預期了。國內很多人以為美國公司很悠閑，但其實這邊的很多團隊也很拼。所以大家還是不能小看硅谷公司。

那你現在在 Mercor 負責 Engineer Management，也在招人，能不能講講你招人的一些標準？

虞快：首先技術肯定要強。

比如我們招 PM 時，也很看重候選人的技術能力，經常會問「你最近 build 過什么」，哪怕是個網站也可以，只要你能講清楚過程中你的一些思考就行。現在 AI 工具這么多，如果一個候選人什么都沒 build 過，就是個 huge red flag。

另外，我個人更看重的一個品質是 Agency。

曲凱：這個詞在美國很火，有點像是「主動性」的意思，就是你能不能克服一切困難，拿到最終的結果。

虞快：對。如果我要把一個任務事無巨細地拆解給你、還要給你設定每天的工作量，那我就會覺得你沒有足夠高的 Agency。團隊里可以有一兩個只會埋頭干活的人，但前提是他們的溝通和學習能力也要過硬，否則就會拖慢整個團隊。

另外，我特別看重一個人是不是足夠聰明。

怎么判斷呢？

我常用的方法是：先拋一個新概念，然后看這個人能多快理解并融會貫通。

學習有不同層次，最基礎的是機械背誦，再高一層是能理解原理，但沒有內化、講不清楚。

更高級且輕巧的思維方式，是能拿熟悉的東西去類比。舉個例子，你不知道 MCP 是什么，但你很懂 API，能立刻看出 MCP 和 API 的相似點與不同點，那你就能通過類比的方式，快速消化新概念，而且理解得會比較深刻。

曲凱：其實好的哲學家、詩人都有這種能力。他們很擅長解構，然后在底層找到不同事物之間的聯系。

不過你舉的 MCP 的例子還挺有趣的，因為大多數人學新概念可能就是看介紹、讀文章，而你的第一反應是去找類比？

虞快：對。我會在 Google 里輸入「MCP vs」，看自動補全是什么。

曲凱：如果只是想粗淺地了解 MCP，用你這種方法可能只需要 1 秒鐘。因為大家只要能看到自動補全的「MCP vs API」的詞條、認知到 MCP 可以類比 API，那就已經很夠用了。

虞快：是。另外，對我來說，學習新東西最有效的方式是看別人的評價。比如搜完「MCP vs API」，我會優(yōu)先去看 Reddit 上的帖子。再比如我想快速了解 A 產品，我也不會先看官網，而是會想它的競品是誰，然后搜索「A vs B」，看大家對這兩個產品的評價。

曲凱：你的學習方法有個前提，就是腦子里得有一套結構化的框架，這樣遇到新概念時，才知道該放在哪一塊。不然就算能想到做類比，腦子里的知識也是一盤散沙。

然后你剛才說面試會用新概念來考察一個人聰不聰明，能舉個例子嗎？

虞快：比如我可能會介紹一個概念，叫「parking function」：

假設有三個人要停車，只有 3 個車位，如果這三個人都能停到自己想停的位置，就算滿足條件；而只要有一輛車停不下，就不滿足。

舉幾個例子：

如果三個人分別想停在 1、2、3 號位，顯然都能停下，所以「123」是一個滿足條件的 parking sequence；

如果三個人都選 1 號位，那后面的人看到 1 號位被占之后，可以向后順延、停進后面的車位，所以「111」也滿足條件；

但如果三個人都想停 3 號位，且車不能后退時，那第一個人占了 3 號位之后，后面的人既不能退回到 1、2 號位，也沒有 4 號位可選。所以「333」不是一個 parking sequence。

講完定義，我會給候選人一個數組，讓 Ta 判斷這個數組是不是 parking sequence。

比如我給出的數組是「231」，大多數人都會老老實實按照定義去模擬：第一輛車去 2 號位能停下，第二輛車去 3 號位也能停，而第三輛車本來就想去 1 號位，所以大家都能停下，因此這個數組是對的。

曲凱：大多數人可能這會兒已經暈了（笑）。

虞快：哈哈，而且這種列舉的方式很慢。更好的做法是 take a step back，思考「在什么情況下會有人停不下」。

曲凱：稍等啊，給我?guī)酌腌姟?/p>

（大家也可以一起停下來想一想 :P）

我在想，如果后面的車想停下，前面的車位必須先被占滿。

虞快：對，這是一個很好的觀察。所以你希望大家優(yōu)先選擇停在靠前的車位。那么如果沒有人選擇 1 號位呢？

曲凱：那車位的數量就一定要大于車的數量，否則就必須得有人選 1 號位。

虞快：那需不需要一定有人選 2 號位？

曲凱：不需要，因為可以有兩個人選 1 號位。

虞快：對。所以要么得有兩個人選 1 號位，要么得有一個選 1 號、另一個人選 2 號。

這里還有一個觀察，就是數組的順序其實無所謂，比如「321」和「123」，最后結果是一樣的。

所以最后能推出的規(guī)律就是：一個數組從小到大排序之后，第一個數必須 ≤ 1，第二個數必須 ≤ 2，第三個數必須 ≤ 3。只要滿足這個條件，就是一個 parking sequence。

但很多人不會這樣思考問題，而是會花很多時間去硬生生地模擬。這時我也會給大家一個 hint，比如：如果我給你一個隨機數組，你覺得它大概率能不能滿足條件？

曲凱：很有意思。有沒有更簡單的題？

虞快：我面試其實也會問一些很簡單的題，但往往能從細節(jié)里看出很多問題。

比如我會給候選人「123」和「456」這兩個字符串，然后讓 ta 寫段代碼，把這兩個字符串相乘的規(guī)則表示出來。有的人會卡半個小時，最后說「我忘了乘法怎么算了」。

其實忘記乘法沒關系，畢竟大家現在都會用計算器。但我介意的是：你不記得規(guī)則，為什么還要在那硬耗半個小時？這半小時你在做什么？既然你不會，那為什么不直接問？

不過有時候我自己也不知道某道題的答案是什么。這種情況，我會一邊聽候選人推理，一邊在心里想「如果是我，我會怎么做」，然后和候選人的答案做對比。如果 Ta 答得太離譜，那我可能就會直接拒掉。

曲凱：明白。前面你聊到的這些框架和思路，是什么時候開始形成的？

虞快：其實是做管理之后才開始形成的。我大概做了四五年管理，很多想法都是和我在 Two Sigma 的老板學的。

另外說起來，讓我快速成長的，是在 Google 的那段時間。

我剛參加工作的第二個月，需要做一個項目，涉及到一項全新的技術。我對那個技術一無所知，所以就有點沮喪，覺得自己對團隊沒有貢獻。但我的 Tech Lead 和我說了一番話，讓我茅塞頓開，他說：

如果真有人知道該怎么做，這個項目早就做完了。所以第一，別把別人想得太強，不要以為 senior 的人一看就能搞定，其實大家都要摸索；第二，你的工作之一就是主動去搞明白這件事到底該怎么做，如果你能啃下來，那你就是組里第一個會做的人，還能去教別人。

這件事對我影響很大。在那之前，我會覺得自己只是 L3，而組里全是 L5、L6，所以自己就是不如別人。但其實很多時候不是這樣的。

曲凱：所以從 Google、Two Sigma、Citadel，再到初創(chuàng)公司，你在各種類型的公司都待過。你感受到的核心區(qū)別是什么？

虞快：我覺得公司類型不重要，重要的是賽道。

我當時去金融公司，是因為發(fā)現周圍厲害的人都在做金融。而現在，很多厲害的人都會優(yōu)先去搞 AI。

你想想，未來十年，是金融更可能漲 100 倍，還是 AI？

答案顯然是 AI。

所以真正值得思考的問題不是要選大廠還是創(chuàng)業(yè)公司，而是你要不要做 AI。

曲凱：最后，你覺得未來 AI 公司的組織形態(tài)會是什么樣？PM 和工程師的角色會發(fā)生什么變化？

虞快：隨著 AI Coding 能力提升，寫代碼會越來越省時間。比如我現在在通勤路上想到一個點子，就會把需求丟給 Cursor，等到家時，它可能已經生成了一個初版。

所以未來，工程師更重要的能力不是寫代碼，而是要想清楚該做什么、方向對不對。這種判斷往往來自客戶反饋，所以工程師也應該重視和客戶的交流。

反映到組織架構上，就是工程師和 PM 的邊界會越來越模糊，組織也會趨向扁平化。

這就要求公司有健康的激勵機制，管理層也要有識人能力，能看出誰真的在為公司思考。

42章經

思考事物本質