Mercor 高速增長的祕訣與其中的聰明人｜42章經

來源：42章經

這次去美國，我的一大收穫就是認識了 Mercor 的首位中國工程師（節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，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，但后來發現，你們本質上是在做數據標註。

在你看來，Mercor 到底是一家什麼公司？

虞快：我們的核心業務，是幫頂尖 AI 公司招各行各業的專家。

大家可能對數據標註有刻板印象，覺得就是從欠發達地區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註的地步。大多數人會的題，它早就會了。再想提升模型智能，就必須請特定專家提供系統性反饋，告訴模型什麼是好答案、什麼是差答案。

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註嗎？

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註平臺，因為模型可以直接基於我們提供的評估標準做強化學習。

曲凱：也就是説，隨着模型變強，過去的標註方式不夠用了，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麼定位的，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「幫客户找到他們需要的任何人」。

只是我們發現，眼下最急迫、最願意花錢的客户，正是 AI Labs。雖然 AI Labs 沒有那麼多，但是他們的預算很高，因為對他們來説，這筆投入非常划算：

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。那你們幫客户找到人之后，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：客户會把錢給我們，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」，更在於后續的管理。一個項目可能需要上百個分佈全球的工程師，怎麼和這些人溝通？怎麼評估他們的產出？怎麼結算？出了問題怎麼協調？

這些瑣事，AI Labs 並不想自己操心，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。先不談使命和願景，單從業務層面來看，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，幫客户篩出最優秀的那一小撮。

曲凱：這里正好可以捋一下你們的業務流程。比如你説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 自動發私信等。我們內部也有一個團隊，會去主動蒐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：相當於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、選擇崗位並投遞申請。過程中我們也會用一些自動化流程，規避簡歷造假等問題。

簡歷過了的人，就會進入 AI 視頻面試環節。面試問題都是由 AI 基於簡歷和 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 我想重點問什麼，並設定評分標準，讓它幫我執行。

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。創建崗位時，我們會請你先定義好目標和要求，相當於一套評分標準。面試結束后，AI 會根據候選人的表現自動打分並排序，方便你快速篩選。

曲凱：那把人招來之后，你們怎麼評估他們的標註結果？如果有人亂做標註怎麼辦？

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。最誇張的一個案例，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 會同時把需求發給很多平臺嗎？不同平臺最后拼的是什麼？

虞快：如果我是 AI Lab 的決策者，最多隻會找兩三家合作。只找一家風險太大，比如 Scale AI 被收購后，他們的客户就很被動；但找太多家又很麻煩，因為每家的流程都不同，結算起來很複雜，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、贏得客户的信任。如果你找來的人靠譜，AI Labs 就更願意與你長期合作。

曲凱：説到 Scale AI，聽説他們被收購之后，業務下滑得很厲害？

虞快：對。其實在被收購之前，Scale AI 就遇到了問題。他們靠給 OpenAI 做標註起家，但隨着模型能力提升，他們原來找的標註員的水平不夠用了，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，不太敢繼續跟它合作。

曲凱：所以 Meta 這次收購真就是「人才收購」？花了這麼多錢，結果業務還跌了。

虞快：我個人猜測，扎克伯格主要是爲了收編 Alex Wang。

Alex 很有抱負，兩三年后大概率還會再創業。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，等他未來再創業時，融資和組團隊都會遇阻。Windsurf 創始人的經歷就是前車之鑑。

所以扎克伯格乾脆花 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 對你們已經沒什麼威脅了？雖然這麼説有點奇怪，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註公司？

虞快：我不覺得我們是數據標註公司，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，或者説是一份模型的 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。雖然現在數據標註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 一直在堅持同一個願景，就是我們相信隨着 AI 能力提升，未來的工作形態會改變：

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」不只適用於面試，還能拓展到更多場景。比如我是 VC，要和上千個創業者交流，我也可以先設幾個問題，定義什麼是好答案、什麼是差答案，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？

虞快：可以複用到所有行業，因為任何行業最終都離不開「挑選」這個環節。

曲凱：明白了。也就是説，Mercor 並不是中途轉型成數據標註公司，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，發現了最有錢的客户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。

那你覺得國內能複製出一個 Mercor 嗎？

虞快：關鍵要看國內的 AI 公司願不願意在數據上花錢。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，數據標註的市場規模有多大？

虞快：現在看，大概有 50 - 100 億美金。

只要 OpenAI、Anthropic 這些公司還在，這個市場就會繼續擴大，因為他們會持續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，在數據上肯定更捨得花錢。

那你當時為什麼選擇加入 Mercor？

虞快：原因很多。

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

會辯論其實很有價值。比如幾個月前，我們招人時還沒什麼籌碼，全靠創始人把 vision 賣出去，説服大家加入。再比如我要是自己做產品，也會想讓他們去幫我賣，因為我相信無論客户問什麼，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、有話題性的創業公司更容易成功，或者更容易拿到溢價，而 Mercor 的三位創始人就很有話題性：他們都是拿到 Thiel Fellowship（Peter Thiel 創辦的項目，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，一半的人之前都創過業。

曲凱：這里我很想和你探討一個問題，就是中美年輕人創業的區別。

在國內，現在很多人不太看好年輕人創業。大家會覺得這波 AI 是移動互聯網的延續，所以經驗豐富的人更懂怎麼避坑，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，為什麼 Mercor 能在平均年齡這麼小的情況下，跑出這麼快的增長？

虞快：我覺得中美創業氛圍的差別很大。歸根結底，這是個 sample size 的問題。

在中國，創業失敗對一個人職業生涯的打擊遠比在美國大，所以願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，所以就更不願意選擇這條路。

而硅谷有很多「創二代」。很多人從小就聽着父母輩的創業故事長大，所以他們甚至會把創業當成是畢業之后的默認選項。

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，而且大家也很願意去提升這些技能，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 增速這麼快，最核心原因是什麼？

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行速度都很快。

曲凱：「決策快」是不是意味着，你們必須有更高效的評估和反饋機制？

虞快：對。創始人最在意的就是「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：對錯沒那麼重要，只要不是大錯就行。

Mercor 並不是特別 data-driven，很多時候都依賴創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：也就是你説的「執行快」？

虞快：對。這是我們最核心的競爭力，別人很難複製。

最直觀的體現，就是我們能「説到做到」。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，也敢對客户做出承諾。

曲凱：你們是怎麼做到的？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，所以都是心甘情願地在拼。

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 創業圈里大概有多少？

虞快：十幾人的團隊很多都是這種狀態，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閒，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 過什麼」，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 工具這麼多，如果一個候選人什麼都沒 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鉅細地拆解給你、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。

怎麼判斷呢？

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並融會貫通。

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 是什麼，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繫。

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」，看自動補全是什麼。

曲凱：如果只是想粗淺地瞭解 MCP，用你這種方法可能只需要 1 秒鍾。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，對我來説，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」，我會優先去看 Reddit 上的帖子。再比如我想快速瞭解 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。

然后你剛纔説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 號位被佔之后，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，那第一個人佔了 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「在什麼情況下會有人停不下」。

曲凱：稍等啊，給我幾秒鍾。

（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佔滿。

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

曲凱：那車位的數量就一定要大於車的數量，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。所以要麼得有兩個人選 1 號位，要麼得有一個選 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則表示出來。有的人會卡半個小時，最后説「我忘了乘法怎麼算了」。

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

不過有時候我自己也不知道某道題的答案是什麼。這種情況，我會一邊聽候選人推理，一邊在心里想「如果是我，我會怎麼做」，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，是什麼時候開始形成的？

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

另外説起來，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，他説：

如果真有人知道該怎麼做，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麼做，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，再到初創公司，你在各種類型的公司都待過。你感受到的核心區別是什麼？

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，是因為發現周圍厲害的人都在做金融。而現在，很多厲害的人都會優先去搞 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業公司，而是你要不要做 AI。

曲凱：最后，你覺得未來 AI 公司的組織形態會是什麼樣？PM 和工程師的角色會發生什麼變化？

虞快：隨着 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麼、方向對不對。這種判斷往往來自客户反饋，所以工程師也應該重視和客户的交流。

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

（聲明：本文僅代表作者觀點，不代表新浪網立場。）