跨国深谈← 返回←Mercor CPO:开源模型蚕食不了数据生意

Mercor CPO:开源模型蚕食不了数据生意

关联

人物 Osvald Nitski · Harry Stebbings

公司 Mercor

概念 智能体 · 开源 · RL 环境 · 编码智能体 · 评估 · 机器人

这一集聊的是一个很少被公开谈透的话题：给前沿模型供应训练数据的生意，到底会不会被开源模型、合成数据蚕食。说话的主角是 Oswald,Mercor 的 CPO(首席产品官)。

【背景】Mercor 是一家为 AI 实验室提供人类训练数据、评测与标注服务的公司；文中提到的 Brandon 指 Mercor 的 CEO。主持人是 20VC/20Product 的 Harry Stebbings。

Oswald 一开场就甩出一个很反直觉的现状：「我们花钱的速度都不够快，无法满足现有的全部需求」，每个周末银行里的钱都会多出几百万——面对外界「这不是收入」的质疑，他的回应是：现金流就是疯狂的。

开源模型蚕食不了这门生意

很多人担心开源模型(Kimi 等免费开放权重、任何人可本地部署的模型)会让数据提供商失业。Oswald 的回答是：数据在模型性能的最前沿才最有价值，客户的每个实验室都有自己独特的目标，购买训练数据集是为了填补当前模型能力的空白。开源模型只是抬高了下限——「没有人会购买 Kimi K3 已经能做到的任何东西」，但只要客户还有想做得更好的新能力，生意就还在增长。

主持人追问：如果 90% 的企业工作流开源模型都能做，剩下的 10% 前沿又越来越远，收入会不会越来越难赚？Oswald 说他根本不信这个 90-10 的算法：这类估算基于现有需求，但还有一整类「潜在需求」没人算进去——比如设置一个采购智能体，连续几个月把采购团队完全自动化、一周只检查一次，这种长程任务还没人尝试，而支持这些用例的数据市场正在增长。

他的基准测试里，顶级模型在长程工作流上只拿到 50% 左右。更重要的是，有一类工作(法律论证、医疗建议)根本不该用「能不能做」的二元框架去衡量——要用「连续的、没有上限的奖励」去思考，永远可以更好。

ROI 问题和会涨过 3% 的 token 支出

针对 Alex Karp 提出的企业 ROI 质疑，Oswald 的判断是：现在不存在 ROI 问题，我们处在探索实验期，行业还有容忍度和耐心，因为一切变化太快，ROI 计算本身都可能剧变。

怎么平衡性能和预算？他说完全看场景：工程师的编码智能体支出不是 COGS(直接成本)，花得再高也可能带来复利式收益；但一个客服智能体如果 token 花费远超它服务的客户收入，那就肯定是糟糕处境。

对 Salesforce 每年 3 亿美元 Anthropic 支出(约等于开发者工资的 3.8%)这个基准，他认为宏观上这个比例会随时间上涨、超过 3%——而当主持人转述 Brandon 说过会到 100%、而且他们今天的模型支出已经超过工资时，Oswald 直接承认：「是的，我们确实如此，100% 听起来很合理」。理由很简单：需求太大了，公司加入以来人数涨了 10 倍以上，收入同步增长，他们处在一场不停歇满足客户需求的竞赛里。

AI 时代做产品：更难，而不是更简单

编码智能体让「更快造 10 倍产品」成为可能，但 Oswald 说这让产品管理难得多：团队要拼命对抗产品表面积的膨胀——总有人想「直接推送几千行的 PR」,而产品团队的核心战斗是简化表面积、找到最能扩展的交互和工作流。另一个结构性变化是 PM 与工程师的比例在升高，因为工程的瓶颈变小了，现在真正的瓶颈是理解用户工作流、弄清哪些产品最驱动收入。

对 PM 本人的要求也变了，主要两点：一是工具技能大幅贬值——不用学那么多工具了，几个编码智能体就够，连 Figma 都在被 Claude Design 替代(团队自然迁移，还省了采购许可的摩擦)；二是所有人都必须提升到业务影响层面思考，「技能问题几乎消失了，现在全在于判断力」。

他复盘了自己今年最大的产品教训：标注平台为了满足各种客户要求，做了一个极度灵活的工具，上面跑着几百个不同的项目——「那管理起来简直就是混乱」。本该更早给服务类型加上护栏，收窄支持范围；客户什么都会要求，但「我们能做，不等于我们该做」，没有持久需求的工作流不值得投入。至于怎么判断持久需求：扎根市场、持续接触各家实验室的领导者、不断验证假设——但归根结底仍是一种判断。

服务部门的崛起：是知识传播问题，不是烂产品

对「Palantir 式服务部门是不是 AI 企业部署的未来」这个争论，Oswald 的尖锐观点是：短期是，长期不是。原因不是产品烂(他不同意「服务是烂产品的借口」)，而是知识传播问题——真正懂怎么部署智能体、做评测、践行 AI first 的人高度集中在旧金山，这项技能在外界还不存在，人才也不够每家企业自建。

长期看它会变成类似软件工程的常规职能，产品也会成熟到能自助完成。他估计这是一场长达十年的变革。

招聘：偏资深，只留下「真正在乎的人」

AI 之后 Mercor 的招聘明显偏向更资深的人——不是挖高管，而是把每次招聘当高管搜寻：找那种「还有饥饿感、已经把这份工作干过几年、正处在巅峰期」的人，他心中的巅峰期是 25 到 35 岁。带回家作业只剩一道：给你一段时间自己用智能体做出一个产出物——做一次就知道这个人是否精通 AI;之后是大量白板环节，考察实验设计、统计、判断力和系统设计，确保候选人不是只会照搬 Claude 的输出。

对「高主观能动性但难搞」的人才，他的态度很明确：公司文化是高能动性、高性能、高所有权，性格可以磨合，「几个混蛋一起喝几次酒就磨好了」，但「让一个人真正在乎某件事，真的很难」。流失只有一种他乐于接受：去创业——「失去一个人去创办公司，比失去一个人去另一份工作要好得多」。而 AI 用法上他给团队的纪律是：判断和决策绝不能委托给模型——那条边界划在判断与执行之间，你必须对模型的输出保持偏执、复查一切，否则你会失去那块「肌肉」。

供给的秘密与「隐私」的收入集中度

Marketplace 供给侧做得好的秘诀有三：专家按时、透明、丰厚地拿到报酬；由此驱动出色的推荐机制——没人会把朋友推荐到糟糕的工作里；再加一个能在世界各个角落找到特定技能人才的寻源团队。留人靠的不是单次高薪，而是长期的高报酬、可见的未来工作、技能成长感。

被问收入高度集中于前沿实验室要不要紧，Oswald 说最大的战略挑战恰恰是往下游走：让每一家企业都能自助运行人类数据项目，配上 AI 项目经理——实验室项目是白手套服务，运营极重；把它做标准化，就能服务更多更小的客户，自然稀释集中度。为什么这件事难？因为运行人类数据项目本质上是持续暴露边界情况的过程，需要客户与标注专家之间极快的对齐，加上运营团队对每个数据点完美的偏执。

增长最快的数据：RL 环境，以及三年后的机器人

现在需求增长最快的数据类型是 RL 环境(强化学习环境)：模拟的应用加一个丰富的「世界」起始状态——可能是几百上千个文件——再加训练智能体使用工具完成任务的任务。核心转变是：训练数据长得越来越像智能体部署时看到的真实场景，想学 Salesforce 就得有一个行为完全像 Salesforce 的高保真模拟。

这就像当年 SFT、偏好排序刚出现时一样难搭，但现在实验室在搞通、NeoLabs 在跟进，最终企业也能做。数据生意的一个美妙之处：实验室在数据上的花费直接转化为模型能力、进而转化为它们的收入，所以「只要花的钱少于将获得的收入，他们就很乐意去扳动那个杠杆」。

对「Mercor 如何成为 2000 亿美元公司」，他的逻辑是：评测和训练数据是当前模型性能的主要瓶颈；如果每家企业都要专门的专有模型，评测集就是 PRD(需求文档)兼优化目标；只要更好的模型对经济有价值，这个需求就在。三年后他会押注的新营收线是真实世界物理数据——机器人数据市场相对生成式 AI 还非常早期。面对主持人「机器人演示 15 分钟拿瓶水还是人后台操控」的调侃，他的回应是：想想十年前自动驾驶车里常年坐着安全员，而现在他坐 Waymo 比坐 Uber 还多；机器人会迎来拐点，但形态更像 Waymo/Robotaxi 时刻——物理世界的东西规模化比软件难，而不是一夜爆发的 ChatGPT 时刻。

本集带走

• 开源不蚕食数据生意，反而抬高下限：没人买开源模型已能做的事，数据的价值在最前沿；而「90% 工作流已解决」的估算漏掉了长程智能体这类还没人尝试的潜在需求。
• 别用二元框架看模型能力：法律、医疗、安全这类工作没有「完成」状态，要按「连续无上限的奖励」思考——安全领域永远不会有那 90%,因为目标线一直在动。
• AI 让 PM 更难而不是更闲：主动收缩产品表面积、提高 PM 对工程师的比例；工具技能贬值，判断力和业务影响思考是新的核心竞争力。
• 判断和决策绝不外包给模型：边界划在判断与执行之间，复查一切，否则会丧失思考能力。
• 招人找「还在饥饿期的资深者」：把每次招聘当高管搜寻；带回家作业就用智能体做一件事，一眼验出 AI 熟练度；能动性难教，「在乎」最难教，性格冲突反而好磨。
• 下一波数据是 RL 环境和物理世界：训练数据正长得越来越像部署场景；机器人数据的三年机会值得现在下注。

我不认为开源模型的进步会蚕食我们的核心业务，因为数据在模型性能的最前沿才是最有价值的。
I wouldn’t say that open source model improvements cannibalize our core business because data is most valuable on the frontier of model performance.
—— Osvald Nitski · [04:21]

开源模型只是意味着，没有人会购买 Kimi K3 已经能做到的任何东西。
Open source models just mean that nobody’s buying anything that Kimmy K3 can already do.
—— Osvald Nitski · [04:49]

所以对我们来说，这是合理的，因为我们花钱的速度都不够快，无法满足我们所有的需求。
So for us, it makes sense because we can’t spend money fast enough to service all of the demand that we have.
—— Osvald Nitski · [13:31]

我们也看到 PM 与工程师的比例更高了，因为工程的瓶颈变小了。
And we also see a higher ratio of PMs to ENG because engineering is less bottlenecked.
—— Osvald Nitski · [14:29]

我现在做事非常快，你知道，就像这类技能问题几乎消失了，所以现在全都在于判断力，以及我做的事是否能驱动最大的业务价值。
I can do things very quickly now you know it’s like this skill issues have almost gone away so now it’s all about judgment and am I doing what is going to drive the most business value.
—— Osvald Nitski · [15:38]

客户什么都会要求。我们能做，但我们该不该做？
Customers are going to ask for everything. We can do it, but should we do it?
—— Osvald Nitski · [17:11]

失去一个人去创办公司，比失去一个人去另一份工作要好得多。
It’s a lot better to lose someone to starting a company than to taking another job.
—— Osvald Nitski · [21:55]

所以我非常小心，绝不把判断或决策委托给模型，因为它们会让你以为它做的是对的事，但你仍然必须对它们保持偏执。
So I want very careful never to delegate judgment or decision-making to models because they make you think that it’s doing the right thing, but you have to be paranoid with them still.
—— Osvald Nitski · [26:37]

不，这不会让我恼火，因为我们每个周末银行里的钱都会多出几百万，对吧？
It doesn’t annoy me, no, because we end every week with millions more in the bank, right?
—— Osvald Nitski · [35:43]

人们想要越来越用力地扳动那个杠杆，因为在 Mercor 上的花费直接转化为我们客户更多的收入。
People want to crank it harder and harder because spend on Mercor directly translates to more revenue for our customers.
—— Osvald Nitski · [41:22]

安全领域永远不会有那 90%,因为目标线总是在移动。
There’s never going to be that 90% for security because the goal posts are always going to move.
—— Osvald Nitski · [48:11]

但要让一个人真正在乎某件事，真的很难。
It’s really hard to make someone give a shit.
—— Osvald Nitski · [49:55]

他们都算是平手，因为他们全都落后于 Mercor。
They’re all kind of even in that they’re all behind Mercor.
—— Osvald Nitski · [52:18]