揭秘Mercor：掌控大模型命脉的AI数据巨头 | AI门户

type

status

date

slug

summary

从黑客马拉松到百亿估值的AI新贵

Mercor的故事始于三位才华横溢的大学生：Brendan Foody、Adarsh Hiremath和Surya Midha。2023年，在参加一场黑客马拉松时，他们敏锐地发现了一个商业痛点——将海外优秀的工程师资源对接给美国初创企业。起初，这只是一门简单的“中介”生意，但随着人工智能行业的爆发，他们迅速开发了一套AI招聘系统，能够自动读取简历、进行视频面试并评估技能。

真正的转折点来自于他们与数据标注巨头Scale AI的合作。在为前沿模型公司招募了大量工程师后，Mercor发现了AI数据市场的巨大真空。他们果断绕过中间商，直接服务于模型公司，将业务核心从单纯的招聘转向了为LLM（大型语言模型）提供高质量的专家训练数据。短短几年间，Mercor的估值一路狂飙，近期更是传出正在洽谈200亿美元估值的新一轮融资，连英伟达都成为了其重要客户。

高质量专家数据：大模型竞赛的胜负手

随着chatGPT和claude等模型的基础能力越来越趋近，单纯依靠互联网公开数据的“暴力美学”已经遇到瓶颈。在后训练阶段，模型需要学习如何像真正的专家一样思考，这直接催生了对高质量、专业化数据的海量需求。

一份合格的训练数据早已不再是简单的问答。以Mercor与Cognition合作的APEX-SWE项目为例，为了训练能够排查代码故障的Agent，工程师需要编写包含数百行正常运行日志和隐藏故障的复杂环境，并配置完整的监控系统和参考修复方案。此外，在法律、医疗、金融等垂直领域，Mercor组织专业人士制定详细的评分标准（rubric），通过提示词（Prompt）设计和复杂任务流，对模型的输出进行严格把控。

在AGI的演进路径中，数据质量直接决定了模型智商的上限。谁能掌握独家、高效的专家数据生产线，谁就能在下一代大模型的角逐中占据绝对优势。这也是为什么获取高质量数据成为了AI资讯中最受关注的核心议题之一。

为什么OpenAI们心甘情愿被“外包”卡脖子？

或许有人会问，既然数据如此重要，为什么openai和Anthropic不完全自建数据团队？答案在于需求波动与组织效率的巨大鸿沟。

模型训练的需求是高度弹性的。一个项目可能在某个月急需数百名化学专家，而下个月的重点又转向了金融分析。如果模型公司长期雇佣这些高薪专家，将面临极其沉重的固定成本；如果采用短期外包，繁琐的招聘、资质验证、合同管理和质量把控又会严重拖慢研发进度。

Mercor完美地解决了这一痛点。它不仅提供了一个拥有近五百万人的专家网络，还建立了一整套任务分配、审核和结算的SaaS化管理系统。客户可以保留对核心数据的控制权，同时将繁重的“脏活累活”甩给Mercor。此外，随着Meta重金投资Scale AI，出于对数据安全和研发方向泄露的担忧，模型公司开始积极寻找替代供应商，这为Mercor创造了绝佳的超车机会。

从数据供应商到企业AI生态构建者

如果仅仅作为一家“外包”公司，Mercor的护城河或许并不足够深。但这家公司的野心远不止于此。为了提高每小时专家劳动的复用价值并改善收入结构，Mercor正在向评测、强化学习环境和企业AI服务全面扩张。

首先，Mercor推出了APEX系列专业评测基准，不仅帮助模型公司发现缺陷，更让专家制定的评分标准能够反复变现。其次，通过收购Sepal AI和Deeptune，Mercor补强了软件环境仿真能力，能够为模型提供可运行、可反馈的强化学习“沙盒”。

更重要的是，Mercor推出了Enterprise AI业务，直接面向传统企业和AI初创公司。无论是提供工作流诊断、Agent部署，还是帮助企业进行数据授权，Mercor正试图将自己为顶级大模型打磨的能力，降维应用到千行百业的AI变现落地中。

总结与展望

Mercor的崛起，揭示了人工智能产业链中一个极其关键但常被忽视的环节——高质量人类反馈基础设施。在这个“得数据者得天下”的时代，Mercor通过精准卡位，成功将自己变成了大模型淘金热中那个“卖铲子”的巨头。

从自动招聘系统到庞大的专家网络，再到复杂的评测与强化学习环境，Mercor不仅在赋能chatGPT和claude的进化，更在重新定义人类专业知识在AGI时代的价值。

想要持续追踪Mercor的最新动态、获取前沿的AI资讯与大模型深度解析，或者探索更多关于提示词优化的实用技巧，请务必收藏并访问专业的AI门户 https://aigc.bar。在这个日新月异的AI时代，掌握信息差，就是掌握未来的核心竞争力。