Mercor 高速增长的秘诀与其中的聪明人｜42章经

来源：42章经

这次去美国，我的一大收获就是认识了 Mercor 的首位中国工程师（节目录制时也是全司唯一的中国员工）虞快。他是前金融科技独角兽工程总监，Google、Two Sigma、Citadel 工程师，也是我这次硅谷行遇到的最聪明的人之一。

本期播客对谈原文约 16000 字，本文经过删减整理后约 8000 字。

曲凯：Mercor 今年很火，国内也有不少分析和报道。我发现大家对你们的认知大致经历了两个阶段：

一开始很多人觉得你们是 AI 招聘公司，但后来发现，你们本质上是在做数据标注。

在你看来，Mercor 到底是一家什么公司？

虞快：我们的核心业务，是帮顶尖 AI 公司招各行各业的专家。

大家可能对数据标注有刻板印象，觉得就是从欠发达地区找廉价劳动力做些基础活。

但现在完全不同了。

AI Labs 需要的是医生、律师、投行顾问，甚至细分到专门写 Swift 的工程师、俄罗斯的生物学家。

因为模型已经进化到了只有专家才能标注的地步。大多数人会的题，它早就会了。再想提升模型智能，就必须请特定专家提供系统性反馈，告诉模型什么是好答案、什么是差答案。

曲凯：那这些 AI Labs 拿到你们的专家标准后，还需要再去找 Scale AI、Surge 这样的平台做人工标注吗？

虞快：不需要。某种程度上讲，我们已经完全替代了传统的数据标注平台，因为模型可以直接基于我们提供的评估标准做强化学习。

曲凯：也就是说，随着模型变强，过去的标注方式不够用了，出现了市场空白，而你们正好抓住了这个机会。

那你们是一开始就这么定位的，还是在过程中逐渐调整出来的？

虞快：我们的目标一直没变，就是「帮客户找到他们需要的任何人」。

只是我们发现，眼下最急迫、最愿意花钱的客户，正是 AI Labs。虽然 AI Labs 没有那么多，但是他们的预算很高，因为对他们来说，这笔投入非常划算：

算法的突破要靠顶级研究员，但这些人很贵，而且随时可能被竞对挖走；算力的竞争更残酷，OpenAI 也未必能打过 Google。那要让模型真正进步，数据依然是一大突破口。而为数据花的钱和模型能带来的回报相比，几乎不值一提。

曲凯：明白。那你们帮客户找到人之后，他们是自己去和这些专家谈薪资之类的吗？会不会出现飞单的问题？

虞快：客户会把钱给我们，再由我们支付给专家。

目前我们没遇到过飞单的情况。因为这件事的难点不只是「找到人」，更在于后续的管理。一个项目可能需要上百个分布全球的工程师，怎么和这些人沟通？怎么评估他们的产出？怎么结算？出了问题怎么协调？

这些琐事，AI Labs 并不想自己操心，都需要我们来帮忙打理。

曲凯：听起来你们有点像一家大型第三方人力外包公司？

虞快：其实不是。先不谈使命和愿景，单从业务层面来看，我们和外包商就有很大差别：

我们能评估人才质量。

比如一家公司要招工程师，可能会收到一万份简历。我们能用更科学的方法，帮客户筛出最优秀的那一小撮。

曲凯：这里正好可以捋一下你们的业务流程。比如你说可能会有一万人来申请，这些人都是主动来的吗？

虞快：对。我们业务流程的第一步是获客，主要方式有熟人推荐、广告投放、AI 自动发私信等。我们内部也有一个团队，会去主动搜罗一些特别难找的人。

目前我们平台上超过一半的专家都是靠熟人推荐来的。推荐人可以拿推荐费，所以甚至有人会全职在我们平台上帮忙找人，赚的还挺多的。

曲凯：相当于这些人来你们这做猎头了（笑）。

虞快：是的哈哈。专家被吸引到 Mercor 后，会上传简历、选择岗位并投递申请。过程中我们也会用一些自动化流程，规避简历造假等问题。

简历过了的人，就会进入 AI 视频面试环节。面试问题都是由 AI 基于简历和 JD 自动生成的，比如要招一个数学 PhD，AI 就会问研究方向、论文细节等问题。

面试过程也可以人工干预。像我自己在用 Mercor 招人时，就会告诉 AI 我想重点问什么，并设定评分标准，让它帮我执行。

曲凯：那如果有很多人面试，我要把每个视频都看完吗？

虞快：不用。创建岗位时，我们会请你先定义好目标和要求，相当于一套评分标准。面试结束后，AI 会根据候选人的表现自动打分并排序，方便你快速筛选。

曲凯：那把人招来之后，你们怎么评估他们的标注结果？如果有人乱做标注怎么办？

虞快：这很容易分辨。同一套题我们可能会问 50 个专家，如果有一个人的解法每次都和别人不一样，那这个项目做到一半 ta 就会被开掉。

曲凯：合理。那结算呢？你们平台上的报酬区间大概是怎样的？

虞快：我们按时薪结算，各种岗位的平均时薪超过 90 刀，但不同职业差别很大。我们会根据找人的难度、紧急程度等因素，与甲方协商定价。

比如英文语音训练的时薪大约是 21 刀，因为几乎所有英语母语者都能做。软件工程师的时薪一般在 100-200 刀之间。最夸张的一个案例，是我们招过时薪 400 刀、推荐费 5000 刀的皮肤科医生，因为人真的很难找。

曲凯：你们这真是个太好的生意了…我都想上去接单了哈哈。

那 AI Labs 会同时把需求发给很多平台吗？不同平台最后拼的是什么？

虞快：如果我是 AI Lab 的决策者，最多只会找两三家合作。只找一家风险太大，比如 Scale AI 被收购后，他们的客户就很被动；但找太多家又很麻烦，因为每家的流程都不同，结算起来很复杂，出了问题还很难归因和追责。

而不同平台最后拼的，就是谁能又快又好地找到合适的专家、赢得客户的信任。如果你找来的人靠谱，AI Labs 就更愿意与你长期合作。

曲凯：说到 Scale AI，听说他们被收购之后，业务下滑得很厉害？

虞快：对。其实在被收购之前，Scale AI 就遇到了问题。他们靠给 OpenAI 做标注起家，但随着模型能力提升，他们原来找的标注员的水平不够用了，OpenAI 的反馈也变差了。

收购之后，大家又觉得它成了 Meta 的一部分，不太敢继续跟它合作。

曲凯：所以 Meta 这次收购真就是「人才收购」？花了这么多钱，结果业务还跌了。

虞快：我个人猜测，扎克伯格主要是为了收编 Alex Wang。

Alex 很有抱负，两三年后大概率还会再创业。如果只是给他高薪，很难把他挖来，因为他很难向团队和投资人交代，等他未来再创业时，融资和组团队都会遇阻。Windsurf 创始人的经历就是前车之鉴。

所以扎克伯格干脆花 150 亿，把 Alex 的团队和投资人都安顿好，替他解决了后顾之忧。

曲凯：所以现在 Scale AI 对你们已经没什么威胁了？虽然这么说有点奇怪，毕竟他们体量还是比你们大。

虞快：从增长来看，我不觉得 Scale AI 是我们的对手，反而是 Surge 更值得警惕。

曲凯：那市场对 Mercor 的理解形成共识了吗？大家是不是普遍把你们看成数据标注公司？

虞快：我不觉得我们是数据标注公司，而是一家 Eval Provider。

其实我们核心交付给 AI Labs 的东西，就是 Evaluation 和 Benchmark 的标准，或者说是一份模型的 PRD。

我们的专家会帮模型公司设定目标，让研究员去推动模型实现那些暂时还不具备的能力。

曲凯：理解。

但我觉得 Mercor 一开始在讲的是一个很性感的平台型故事。虽然现在数据标注这条线从赚钱角度看可能更性感，增长也快，但相比之下，平台故事的想象空间是不是更大？你们现在做的，会不会只是阶段性的事情？

虞快：其实 Mercor 一直在坚持同一个愿景，就是我们相信随着 AI 能力提升，未来的工作形态会改变：

全职岗位会减少，项目制会成为主流。

所以我们现在看似是在阶段性地满足 AI Labs 的需求，本质上是在押注未来的工作方式。

未来，「用 AI 来衡量一个人」不只适用于面试，还能拓展到更多场景。比如我是 VC，要和上千个创业者交流，我也可以先设几个问题，定义什么是好答案、什么是差答案，然后让 AI 帮我去问。

曲凯：所以 Mercor 这套模式未来可以推广到更多行业？

虞快：可以复用到所有行业，因为任何行业最终都离不开「挑选」这个环节。

曲凯：明白了。也就是说，Mercor 并不是中途转型成数据标注公司，而是一直在讲同一个故事、做同一件事。只是你们在做的过程中，发现了最有钱的客户和他们最痛点的需求，然后先把资源集中到了这个方向，跑起来后，未来可以再慢慢扩展。

那你觉得国内能复制出一个 Mercor 吗？

虞快：关键要看国内的 AI 公司愿不愿意在数据上花钱。只要有预算，就一定有人能把这件事做出来，而且可以做得很成功。

曲凯：但国内外还是有差距。

比如国内的模型公司估值可能也就三四十亿美金，而美国这边已经到三四千亿美金了。

曲凯：那在你看来，数据标注的市场规模有多大？

虞快：现在看，大概有 50 - 100 亿美金。

只要 OpenAI、Anthropic 这些公司还在，这个市场就会继续扩大，因为他们会持续砸钱来换取模型的领先地位。而只要他们投入，那 Google、Meta 这些不差钱的大厂也会跟进，所以市场还会进一步扩大。

曲凯：确实。如果 Meta 在一个人身上都能花 1 亿美金，在数据上肯定更舍得花钱。

那你当时为什么选择加入 Mercor？

虞快：原因很多。

第一，我觉得好的创始人至少要在某个领域特别强，而 Mercor 的三位创始人有个共同特长：辩论（笑）。他们是全美顶尖高中辩论队的队友，反应快、说服力强。

会辩论其实很有价值。比如几个月前，我们招人时还没什么筹码，全靠创始人把 vision 卖出去，说服大家加入。再比如我要是自己做产品，也会想让他们去帮我卖，因为我相信无论客户问什么，他们都能讲到对方信服。

第二，Mercor 的增长势头实在是太好了。从 100 万到 1 亿美金 Run Rate，Mercor 只用了 11 个月，比 Cursor 12 个月的纪录还短。而公司跑得越快，就越能吸引好的人才；好的人才来了，效率更高，增长也会更快。

第三，我认为在这个时代，有特点、有话题性的创业公司更容易成功，或者更容易拿到溢价，而 Mercor 的三位创始人就很有话题性：他们都是拿到 Thiel Fellowship（Peter Thiel 创办的项目，非常难获得，其中一个条件就是必须退学）的 college dropouts，二十出头就创立了 Mercor。

其实我们团队整体都很年轻，平均年龄只有 22 岁，很多人都是 dropouts，一半的人之前都创过业。

曲凯：这里我很想和你探讨一个问题，就是中美年轻人创业的区别。

在国内，现在很多人不太看好年轻人创业。大家会觉得这波 AI 是移动互联网的延续，所以经验丰富的人更懂怎么避坑，也有更多的资源。而年轻人需要不断试错，就算拿到融资，也可能不敢花、不会花，很难做出结果。

那在你看来，为什么 Mercor 能在平均年龄这么小的情况下，跑出这么快的增长？

虞快：我觉得中美创业氛围的差别很大。归根结底，这是个 sample size 的问题。

在中国，创业失败对一个人职业生涯的打击远比在美国大，所以愿意尝试的人本身就少，成功案例就更少。而因为大家看不到太多成功的故事，所以就更不愿意选择这条路。

而硅谷有很多「创二代」。很多人从小就听着父母辈的创业故事长大，所以他们甚至会把创业当成是毕业之后的默认选项。

曲凯：确实。而且这边很多人很小就在街边卖柠檬水，上大学后也经常做 presentation，所以他们讲故事和 pitch 的能力，甚至可能强过国内一些很 senior 的创始人和高管。

虞快：是。在美国，sales 和 marketing 是非常核心的能力，而且大家也很愿意去提升这些技能，比如在美国亚马逊畅销榜上，就常年有一本叫《How to Win Friends and Influence People》的书。

曲凯：那总结下来，你觉得 Mercor 增速这么快，最核心原因是什么？

虞快：首先我们在对的时间，选中了一个特别好的赛道。而且我们一上来就从 Scale AI 招了一些核心人才，帮我们少走了很多弯路。

除此之外，最关键的一点就是快。

我们的决策速度和执行速度都很快。

曲凯：「决策快」是不是意味着，你们必须有更高效的评估和反馈机制？

虞快：对。创始人最在意的就是「what's working & what's not」。

曲凯：但你们快速做出的决策，很多时候真的是对的吗？

虞快：对错没那么重要，只要不是大错就行。

Mercor 并不是特别 data-driven，很多时候都依赖创始人和管理层的直觉。因为市场变化太快，我们没时间做特别科学的判断，所以关键是快速行动。

就算错了，能及时意识到问题、立刻修正就行。

曲凯：也就是你说的「执行快」？

虞快：对。这是我们最核心的竞争力，别人很难复制。

最直观的体现，就是我们能「说到做到」。我们一旦定下一个目标，就一定能按时交付。而且整个团队都是这样，所以大家彼此信任，也敢对客户做出承诺。

曲凯：你们是怎么做到的？我觉得很重要的一点，是你们可能比其他硅谷公司要卷。

虞快：确实很卷（笑）。我们团队里绝大多数人都是每天 7 点半上班，凌晨 1 点下班。

但工作时长不是关键，关键是我们真的在乎自己做的事，所以都是心甘情愿地在拼。

在一家每月营收都能涨 50% 的公司里，你根本不会纠结那些有的没的，只会越做越有劲。

曲凯：所以增长就是最大的激励。

那像你们这样勤奋的公司，在硅谷 AI 创业圈里大概有多少？

虞快：十几人的团队很多都是这种状态，等团队扩张到一百人，还能保持这种强度的就不多了。

曲凯：但这可能已经超出很多国内公司对硅谷努力程度的预期了。国内很多人以为美国公司很悠闲，但其实这边的很多团队也很拼。所以大家还是不能小看硅谷公司。

那你现在在 Mercor 负责 Engineer Management，也在招人，能不能讲讲你招人的一些标准？

虞快：首先技术肯定要强。

比如我们招 PM 时，也很看重候选人的技术能力，经常会问「你最近 build 过什么」，哪怕是个网站也可以，只要你能讲清楚过程中你的一些思考就行。现在 AI 工具这么多，如果一个候选人什么都没 build 过，就是个 huge red flag。

另外，我个人更看重的一个品质是 Agency。

曲凯：这个词在美国很火，有点像是「主动性」的意思，就是你能不能克服一切困难，拿到最终的结果。

虞快：对。如果我要把一个任务事无巨细地拆解给你、还要给你设定每天的工作量，那我就会觉得你没有足够高的 Agency。团队里可以有一两个只会埋头干活的人，但前提是他们的沟通和学习能力也要过硬，否则就会拖慢整个团队。

另外，我特别看重一个人是不是足够聪明。

怎么判断呢？

我常用的方法是：先抛一个新概念，然后看这个人能多快理解并融会贯通。

学习有不同层次，最基础的是机械背诵，再高一层是能理解原理，但没有内化、讲不清楚。

更高级且轻巧的思维方式，是能拿熟悉的东西去类比。举个例子，你不知道 MCP 是什么，但你很懂 API，能立刻看出 MCP 和 API 的相似点与不同点，那你就能通过类比的方式，快速消化新概念，而且理解得会比较深刻。

曲凯：其实好的哲学家、诗人都有这种能力。他们很擅长解构，然后在底层找到不同事物之间的联系。

不过你举的 MCP 的例子还挺有趣的，因为大多数人学新概念可能就是看介绍、读文章，而你的第一反应是去找类比？

虞快：对。我会在 Google 里输入「MCP vs」，看自动补全是什么。

曲凯：如果只是想粗浅地了解 MCP，用你这种方法可能只需要 1 秒钟。因为大家只要能看到自动补全的「MCP vs API」的词条、认知到 MCP 可以类比 API，那就已经很够用了。

虞快：是。另外，对我来说，学习新东西最有效的方式是看别人的评价。比如搜完「MCP vs API」，我会优先去看 Reddit 上的帖子。再比如我想快速了解 A 产品，我也不会先看官网，而是会想它的竞品是谁，然后搜索「A vs B」，看大家对这两个产品的评价。

曲凯：你的学习方法有个前提，就是脑子里得有一套结构化的框架，这样遇到新概念时，才知道该放在哪一块。不然就算能想到做类比，脑子里的知识也是一盘散沙。

然后你刚才说面试会用新概念来考察一个人聪不聪明，能举个例子吗？

虞快：比如我可能会介绍一个概念，叫「parking function」：

假设有三个人要停车，只有 3 个车位，如果这三个人都能停到自己想停的位置，就算满足条件；而只要有一辆车停不下，就不满足。

举几个例子：

如果三个人分别想停在 1、2、3 号位，显然都能停下，所以「123」是一个满足条件的 parking sequence；

如果三个人都选 1 号位，那后面的人看到 1 号位被占之后，可以向后顺延、停进后面的车位，所以「111」也满足条件；

但如果三个人都想停 3 号位，且车不能后退时，那第一个人占了 3 号位之后，后面的人既不能退回到 1、2 号位，也没有 4 号位可选。所以「333」不是一个 parking sequence。

讲完定义，我会给候选人一个数组，让 Ta 判断这个数组是不是 parking sequence。

比如我给出的数组是「231」，大多数人都会老老实实按照定义去模拟：第一辆车去 2 号位能停下，第二辆车去 3 号位也能停，而第三辆车本来就想去 1 号位，所以大家都能停下，因此这个数组是对的。

曲凯：大多数人可能这会儿已经晕了（笑）。

虞快：哈哈，而且这种列举的方式很慢。更好的做法是 take a step back，思考「在什么情况下会有人停不下」。

曲凯：稍等啊，给我几秒钟。

（大家也可以一起停下来想一想 :P）

……

我在想，如果后面的车想停下，前面的车位必须先被占满。

虞快：对，这是一个很好的观察。所以你希望大家优先选择停在靠前的车位。那么如果没有人选择 1 号位呢？

曲凯：那车位的数量就一定要大于车的数量，否则就必须得有人选 1 号位。

虞快：那需不需要一定有人选 2 号位？

曲凯：不需要，因为可以有两个人选 1 号位。

虞快：对。所以要么得有两个人选 1 号位，要么得有一个选 1 号、另一个人选 2 号。

这里还有一个观察，就是数组的顺序其实无所谓，比如「321」和「123」，最后结果是一样的。

所以最后能推出的规律就是：一个数组从小到大排序之后，第一个数必须 ≤ 1，第二个数必须 ≤ 2，第三个数必须 ≤ 3。只要满足这个条件，就是一个 parking sequence。

但很多人不会这样思考问题，而是会花很多时间去硬生生地模拟。这时我也会给大家一个 hint，比如：如果我给你一个随机数组，你觉得它大概率能不能满足条件？

曲凯：很有意思。有没有更简单的题？

虞快：我面试其实也会问一些很简单的题，但往往能从细节里看出很多问题。

比如我会给候选人「123」和「456」这两个字符串，然后让 ta 写段代码，把这两个字符串相乘的规则表示出来。有的人会卡半个小时，最后说「我忘了乘法怎么算了」。

其实忘记乘法没关系，毕竟大家现在都会用计算器。但我介意的是：你不记得规则，为什么还要在那硬耗半个小时？这半小时你在做什么？既然你不会，那为什么不直接问？

不过有时候我自己也不知道某道题的答案是什么。这种情况，我会一边听候选人推理，一边在心里想「如果是我，我会怎么做」，然后和候选人的答案做对比。如果 Ta 答得太离谱，那我可能就会直接拒掉。

曲凯：明白。前面你聊到的这些框架和思路，是什么时候开始形成的？

虞快：其实是做管理之后才开始形成的。我大概做了四五年管理，很多想法都是和我在 Two Sigma 的老板学的。

另外说起来，让我快速成长的，是在 Google 的那段时间。

我刚参加工作的第二个月，需要做一个项目，涉及到一项全新的技术。我对那个技术一无所知，所以就有点沮丧，觉得自己对团队没有贡献。但我的 Tech Lead 和我说了一番话，让我茅塞顿开，他说：

如果真有人知道该怎么做，这个项目早就做完了。所以第一，别把别人想得太强，不要以为 senior 的人一看就能搞定，其实大家都要摸索；第二，你的工作之一就是主动去搞明白这件事到底该怎么做，如果你能啃下来，那你就是组里第一个会做的人，还能去教别人。

这件事对我影响很大。在那之前，我会觉得自己只是 L3，而组里全是 L5、L6，所以自己就是不如别人。但其实很多时候不是这样的。

曲凯：所以从 Google、Two Sigma、Citadel，再到初创公司，你在各种类型的公司都待过。你感受到的核心区别是什么？

虞快：我觉得公司类型不重要，重要的是赛道。

我当时去金融公司，是因为发现周围厉害的人都在做金融。而现在，很多厉害的人都会优先去搞 AI。

你想想，未来十年，是金融更可能涨 100 倍，还是 AI？

答案显然是 AI。

所以真正值得思考的问题不是要选大厂还是创业公司，而是你要不要做 AI。

曲凯：最后，你觉得未来 AI 公司的组织形态会是什么样？PM 和工程师的角色会发生什么变化？

虞快：随着 AI Coding 能力提升，写代码会越来越省时间。比如我现在在通勤路上想到一个点子，就会把需求丢给 Cursor，等到家时，它可能已经生成了一个初版。

所以未来，工程师更重要的能力不是写代码，而是要想清楚该做什么、方向对不对。这种判断往往来自客户反馈，所以工程师也应该重视和客户的交流。

反映到组织架构上，就是工程师和 PM 的边界会越来越模糊，组织也会趋向扁平化。

这就要求公司有健康的激励机制，管理层也要有识人能力，能看出谁真的在为公司思考。

42章经

思考事物本质

（声明：本文仅代表作者观点，不代表新浪网立场。）