Mercor 高速增长的秘诀与其中的聪明人｜对谈 Mercor 首位中国员工虞快

There's something there。我们今天很开心，请到了 Mercor 的第一个中国工程师虞快。Mercor 这家公司，国内很多人可能不一定反应得过来，发音上也有人会叫成 Mercer，反正就是 M-E-R-C-O-R 的那家公司。后面我们可以再具体聊，大家大概会认为它是一家做 AI 招聘、发展非常快也很有名的公司。虞快，你可以先简单自我介绍一下。

大家好，我叫虞快。我是今年大概 6 月份加入 Mercor 的，我加入的时候公司可能 50 个人左右。公司现在应该已经有 100 多个 full-time member 了，绝大多数人在美国，也有一些人在印度。

之前我读的是 computer science 和 math。毕业之后先去了 Google，做了大概一年半的 software engineer，之后去了对冲基金，先是去了 Two Sigma，后面去了 Citadel，做了一段时间的 trading，后来回到湾区做 startup。

你进来的时候是第一个，到目前为止你也是唯一一个华人工程师？

华人工程师其实有，A、B、C 都有。出生在中国的，我觉得我是第一个。

我们可以先聊聊公司的业务。其实国内也有蛮多分析和报道这家公司的文章，而且我觉得特别有意思的是，那些文章大概分成两个阶段。

第一个阶段，大家说它是一家 AI 辅助招聘、AI 面试的公司；第二个阶段，大家可能突然意识到——具体情况我也不知道——原来它是一家做数据标注的公司，或者说，是帮很多公司招聘数据标注专家的公司。

所以从你的视角来看，它到底是一家什么样的公司？它是经历过一个转型、迁移的过程，还是一开始大家其实没有看明白，后来才慢慢明白？

1. Mercor Recruits Expert Labor

现在我们主要的业务，是帮这些最大的 AI 公司招聘专家。

我觉得大家对于数据标注可能有一些刻板印象，比如说，去欠发达国家招一些没什么专业背景的人，做比较基本的事情。但其实现在我们招的人，对专业的要求非常高。比如医生、律师、投行或者咨询相关的人，也有一些非常细分的需求，比如软件工程师里面，专门要写 Swift 的人，或者很擅长用 Docker 的人。有的时候甚至是俄罗斯的生物学家，各种各样的专业我们都在招。

那我们标注完之后，我们的产品到底是什么？

我觉得根本上来说，Mercor 想要解决的是劳动力市场的问题。

我先明确一下，当你说“招专家”的时候，这个“招”指的是什么？是招一个全职的人，还是招一个兼职的人？

是兼职。这个人是给各种模型公司做数据标注，或者定义数据标注标准的人。

现在大部分其实是定义数据标准的人了？

对，现在大部分是定义数据标准的人。

我看你之前有一期是讲 evaluation 和 benchmark。

对，其实就是在做这些事情。

他是在做这些事情。比如我们比较熟悉的 Scale AI，最近刚被 Meta 收购，很火。最近它被收购以后，又有一家叫 Surge AI 的公司出来了。Surge 具体是什么时候出来的，我也不清楚，我说的是从媒体上看起来。

我的意思是，国内包括美国，应该都有非常多类似的数据标注公司，给你提供一个完整的数据平台，你到上面去走完整的数据标注流程。

那你们在做的事情，是在这个流程之前，帮他们招聘兼职专家？也就是先定义整个标注标准，可以这么理解吗？

2. Experts Define Model Quality

其实很多时候，这些 AI labs 自己也不知道数据标准是什么。他可能只知道，现在的模型在处理某些问题上表现不好；或者他甚至不知道，模型在处理这些问题时到底好不好。

因为这些公司里面的人不一定是律师，也不一定是医生，他们不知道模型在处理医生、健康相关的问题时到底表现如何。所以他们需要有人系统性地告诉他：你在处理这些问题时回答得不好，在处理另外一些问题时回答得很好。

所以我能不能理解为，目前他们用完你们、得到了一些专家标准之后，再去用 Scale AI 之类的平台？

不会。他有了这些标准之后，可以做 Reinforcement Learning。

所以你们是完全替代掉其他的标注平台吗？

对，至少在一个项目里，他可以只用我们，不用别人。但当然不是说我们现在完全满足了所有需求。比如说他要招 1 万个律师，可能不能完全通过我们招满 1 万个，也需要别的平台帮他招剩下的人。

我再理一下。我本来的理解是，数据标注首先要定一套标准，然后需要很多人按照这套标准，手工标注那些数据。我本来以为这是两套不同的人群，其实不是吗？

其实是同一个人群。

因为现在模型已经进化到，如果你不是专家，其实你已经标不了了，因为你会的它也会了。

对。

这也是之前 Scale AI 遇到的一个问题吧？它一开始主要是跟 OpenAI 合作，之后 OpenAI 对它的 feedback 不是很好。他们遇到的问题是，随着模型能力越来越强，原本招的那些人的水平已经没有办法满足这个 AI 了。

我听说有些标注公司会找柬埔寨、越南的人来做标注。你觉得是因为模型发展，所以那批人不适用了，新的机会就出现了；但新的需求又没有人能满足，于是你们正好出来做这件事？

对。

这个是你们第一天开始就这么定位的吗？还是中间有变化？

3. The Market Found Mercor

其实不是。一开始我们想做的就是，只要有任何工作，我们都能够帮你找到人。比如一家公司想要招人，只要把标准写下来，我们就能够帮它找到想找的人。

这个就是我最开始看到你们报道时的理解。

对，这个目标到现在也没有变。

那现在的问题是，什么样的客户有这么急迫的需求，想要迅速招聘这么多人？

目前来说，主要是这些 AI 公司。他一下子需要 50 个律师，一下子需要 200 个软件工程师。

对他来说，模型提升带来的经济回报，远远大于招聘这些人的成本。所以只要最后有办法让模型质量提升，不管是在 benchmark 上跑分更高，还是实际上越来越有可能替代 full-timer，只要有这方面的提升，他花多少钱都是值得的。

所以你们是在做的过程中，突然发现了这么一个用户需求点和切入点？

对。就像你卖产品，最后肯定要找最痛、同时最有钱的人。

现在你们算是 to B，还是也会有很多小的 C 端、B 端用户上来？你们是 SLG 还是 PLG？

是 to B。现在绝大多数使用我们的都是 AI labs，也有一些 AI startup 在用我们的平台，帮他们招聘 contractor，也有招聘 full-time 的。

比如我是一个创业公司，想招一个设计师，我自己上你们网站注册登录，可以用吗？

现在好像还不支持 self-serve。

所以已经比较明确地转向 to B 这个方向了。

但你们帮他们招兼职的时候，是一次性的——我付你一笔钱，人招走了，之后怎么使用他我自己负责，我自己跟他付钱——还是我把钱给 Mercor，再由 Mercor 给这些 experts 付钱？这样不会出现飞单的问题吗？

我觉得这个问题在美国可能相对好一点，目前来说还没有遇到这个问题。

4. Mercor Manages The Workforce

其实这个难点不只是你能不能帮我找到这些人。比如我的项目同时需要 100 个 software engineer，那我还要管理他们：这周需要你做 20 个小时，你有没有做到？你的质量好不好？如果质量不好，接下来还要不要续约？

这些 software engineer 可能在世界各地。你怎么给他们付钱，确保他们能够收到钱？他们遇到问题怎么办？不管是对题目有问题，还是平台有问题；或者他说这周工作了 15 个小时，结果我们的系统显示他其实只工作了 10 个小时，这里面有各种各样的问题。

我不觉得这些 AI labs 会很想处理这些事情。

但你们就变成了一个大外包商，第三方人力服务公司。

如果不谈 mission、vision，纯粹从业务上来说，我们和这些外包商比较大的区别，是我们有办法评估一个人的质量。

不是你说自己是 engineer，我就招你。现在有 1 万个人来申请，我要用比较科学的方法评估，这 1 万个人里面哪些人真的能做这个工作，哪些人做不了。

所以我们是有办法从这 1 万个人里面挑出最好的人。

这一部分是你们最 AI 的部分，可以这么理解吗？外部报道一般能看到的是 AI 面试这一步，还有一个配对的问题：一边有很多工作，另一边有很多人提交了简历，也做了 AI 面试，那怎么把合适的人匹配到合适的工作，也是一个挺难的问题。

对。

我们把流程捋一下。首先，专家是自己来你们平台注册吗？

5. The Expert Acquisition Funnel

我们获客有各种方式。一种是广告投放，另外还有推荐。推荐在我们公司的 sign-up 里面占很大一部分，超过一半都是同事之间互相 refer。

推荐你的人可以拿到一些钱。我们平台上有人通过推荐赚了很多很多钱，甚至有人把全职工作辞掉，专门做我们平台上的推荐。

你就是在一个第三方人力服务公司里做猎头。

对，做猎头。我们和这些推荐人的对接关系非常密切。他知道我们公司未来要招什么样的人，也知道每个职位大概需要什么样的人，然后他会帮我们找这些人。

但你们现在也会主动用 AI 去各种地方发私信、找人？

我们也会，这些都是获客渠道。

专家来了以后，先要申请，提交自己的简历。提交简历之后，平台上可能有 200 个工作，他会看哪些工作适合自己，也可以同时申请几个工作。

如果他找到了一个适合自己的工作，接下来就要做 AI interview。

AI interview 是视频形式的吗？

是视频。会给他一个数字人的形象。

问题是怎么来的？

问题有多个来源。一部分是根据他的简历来问，比如问简历上的经历；更重要的是，根据工作的明确要求来问。

比如我需要一个数学 PhD，那么问题可能是：你读 PhD 时的研究方向是什么？或者你在简历里发表过论文，我可能会问论文里面的问题。

这些问题都是 AI 自己出的吗？人会修改吗？它现在能问到什么程度？

人可以修改。比如我也在用我们自己的平台招人，有些问题是我想问的，我就可以跟 AI interviewer 说：“这个问题帮我问一下。”然后再告诉它这道题的评分标准。

他面完之后，大概是 30 分钟还是 60 分钟？

大概 20 到 30 分钟，然后会变成一个视频材料。

招聘的人可以看到视频底下的字幕，点一下就会自动跳到候选人讲这段话的地方。这样你可以看这个人的交流是不是清楚，有没有停顿，因为有些东西 transcript 不一定能完全记录下来。

但如果有一堆人申请，我还是要自己一个个看面试视频吗？

不用。创建工作的人一开始会定义好：我的目标到底是什么，有一些是硬性规定，有一些是比较软的规定。

最后我们的 AI 评估系统会根据简历、AI 面试表现，以及一开始定义好的这些标准，给每个人一个分数。

这就是你刚才说的匹配那一步？

对。它会根据我设定的一套标准，理解候选人的简历和面试表现，然后给各项打分，最后综合出一个匹配结果。

我打开之后，它可能就按照分数给我排序。

对。

另外还有一些比较 subtle 的问题，比如这个人是不是骗子。

骗子有各种各样的骗法。有的人会冒充别人，比如他说自己是谁，但其实不是这个人，这个通过 ID 就可以判断。

有的人简历造假，我们也有一些方法判断。比如去 LinkedIn 看，在网上查这个人；如果你说自己有 GitHub，我就去看你的 GitHub。

你说的这些都是 AI 来做的吗？

这一部分没有 AI，只是普通的自动化。

但不是人来做？

不是人来做。

简历上有些东西造假比较难。之前你们遇到过类似的情况吗？

之前我们遇到过一种情况。我们在招聘曾经获得过奥赛奖项的人，因为这些 AI 经常要跑数学 benchmark，当然需要招以前得过奖的人。

有些骗子会去 IMO 的网站，看哪些人是真的得过奖，然后假装自己是这些人，把他们的名字写到简历里，再自动生成很多简历来申请。

这里面有个问题：你们是在做标注，最后我乱标了也没人知道，那怎么定义我标得好不好？

很多时候，同一个问题不会只问一个人，而是会问一个 cohort，比如 50 个人。同一个问题可能会问其中 30 个人，然后比较你的解法和别人的解法。

每次的问题也不完全一样。项目做到一半，你可能就会被开掉。

现在标注的大概价格区间是什么？专家是按时薪算吗？

6. The Expert Market Has A Price

是按时薪算，而且不同职业差别非常大。我们平台上的平均时薪超过 90 美元。

比如我们当时招过一个皮肤外科医生，给他的时薪是 400 美元一小时。如果你认识这个医生，把他推荐过来，你得到的推荐费是 5,000 美元，非常高。

平台之前也招过 audio trainer，应该就是让你念一段稿子。只要英语足够好，能把稿子念出来，绝大多数美国人都能做，所以时薪是 21 美元。

软件工程师一般的时薪基本上是 100 到 200 美元之间。

我现在大概能理解了，这真的是个太好的生意。里面有什么需要中文的工作吗？如果我想做专家，想来你们这里赚钱，可以吗？

我们现在会招讲粤语的人，也会招讲泰语的人，时不时都会有。你只要 sign up，之后平台会把适合你的工作推荐给你。

这里面我能想象，确实会有一些很冷门的东西。就像大家去看 PhD 的各个专业一样，你不知道什么时候会冒出来一个从来没听过的交叉学科。

这种人你们怎么找？

一个是推荐，另一个是公司内部有专门的招聘团队。

主动找人？

对，主动找人。有些时候需要去他们领域的论坛，甚至参加这个领域的人才会参加的活动。

这也是一个特别有意思的经济模型。这个价格到底怎么定？你们怎么知道一个人应该值多少钱？

因为我们以前可能招过类似的人。那时候我们的价格是多少？花了多少天招到多少人？

如果现在的需求比当时更紧急，我可能就把价格定高一点；如果需求和当时差不多，价格可能也不会变化。

这个价格是你们来定给甲方的吗？

这是双方协商的过程。AI lab 肯定希望越便宜越好，但它也不希望因为便宜，最后招到的人不行，导致模型没有提升。

所以更多时候是我们提供一些想法。我们和这些公司合作，他们自己可能也有相关数据，心里大概也知道这个项目需要花多少钱。

我在想，对他们来说，应该会同时把需求分发给很多平台或者供应商吧？最后看谁先找到吗？

不是。最后如果两家公司都找到了，你也不一定需要这么多人。

更多还是看客户对你的信任。之前你帮我招过类似的人，质量很好，那下一次我还是会用你们。

你有没有印象，最贵的专家是什么？

就是我刚刚说的皮肤外科医生，一小时 400 美元。

我记得之前有个传闻，说特别有名的华人数学家陶哲轩，让他去标注一道数学题，给他上万美金还是多少。之前有过这种传言，但这应该不是你们公司做的吧？

OK，但这样的话，你们的客户多数都是需要训练模型的客户。这种客户现在数量足够多吗？

7. Data Becomes The AI Moat

AI labs 其实就这些，但它们的预算非常高。

对于 AI lab 来说，想要取得进步，要么是算法进步，要么是计算能力进步，要么是数据进步。

算法上的进步，我们也知道顶级研究员的工资是多少。你把人招来，心里也不踏实，明天他可能就被竞争对手挖走了。

计算方面，比如 OpenAI，我觉得在计算上可能也打不过 Google。

所以如果想要取得本质上的进步，还是要靠数据。比如 Anthropic 的模型之所以在 coding 上表现这么好，其实就源于它的数据，不只是数据量，也包括数据清洗的方式。

我也听说了，Anthropic 在这件事情上花了非常大的功夫。所以他们也是你们的客户？

对，但他们同时应该也是很多其他平台的客户。

所以最后大家拼的是专家的质量、速度，以及最后产出的质量。

Scale AI 被收购以后，好像听说整个业务下降了非常多。大家会觉得它成了 Meta 的一部分，所以剩下的公司有点不太敢跟它合作。

那 Meta 真的就是纯粹的人才收购吗？花了这么多钱，收完之后业务就跌了？

我其实没有什么消息，这纯粹是我自己的想法和猜测。

我觉得扎克伯格可能就是想招 Alex Wang，让 Alex Wang 去领导他的 Superintelligence 团队。

Alex 也是有抱负的人，不是说你给我很高的工资我就去。他今天不是抛给你一个选择，说两三年之后你肯定还是要创业吗？

如果今天他自己走了，比如像 Windsurf 这种，以后混不下去了，虽然你工资很高，但以后你想再创业，还有人愿意跟你吗？还有人愿意投资你吗？

所以我觉得扎克伯格很有可能也考虑到了这一点：我花这个一百五十亿纯粹就是让你的这些投资人进场的人，没有人会有任何问题，大家都很满意。这样下次你再出来做公司，大家肯定还会支持你。

所以 Scale AI 对你们已经没有什么威胁了。虽然这么说有点奇怪，因为你们的体量应该还是比它小吧？

体量还是比它小。但从增长上来说，它不是很大的竞争对手，我反正没有这么觉得。

那 Surge AI 呢？

我觉得 Surge 当然是一个威胁，而且它比我们大。

它和 Scale AI 的风格，我觉得正好相反，至少从外部来看，一个是很张扬的感觉，一个是非常低调、务实的感觉。

但它们现在也在融资。我觉得目的可能也是想招到更多人才，因为人才肯定是最重要的。

人才很多时候会看你的投资人是谁。如果你从头到尾都说：“我们公司业务很牛，但我们是 bootstrap 的。”其实好的人才不一定敢加入。

他可能想听到：“我们是 Sequoia 投资的”，或者“我们是 Benchmark 投资的”，或者“我们是 Andreessen Horowitz 投资的”。

对整个市场来说，不管是资本市场还是数据标注市场，大家现在有一个共识，认为你们就是一家数据标注公司吗？

8. Mercor Sells Evaluation

不觉得。我们其实现在是一个 eval provider，提供的是 evaluation。

Evaluation 其实就是这些模型的 PRD，也就是 product requirements document。最终目标是，模型能够完成专家认为它现在还无法完成的事情；然后模型的 researcher 想办法让模型最后实现这个目标。

这个目标是我们定的。

这些评估指标会留在你们这里，还是只属于那家客户公司？

会留在我们这里。

留在你们这里之后，可以复用吗？比如今天 xAI 来说，我想做一套律师行业的指标，你们做完了，留下了一套标准；明天 OpenAI 再来，你们就可以直接用？

可以。比如 Scale AI 做的 Humanity’s Last Exam，那套题非常难，现在是很多模型都会使用的 benchmark。

但后面的数据标注，反正你们再给客户招人，这些肯定是分开的。

对，绝对分开。而且很多时候 AI 公司会明确说，我招的这些人不能给别人用。

你到公司的时候，应该已经是现在这套业务了。

对。

但我觉得，之前 AI 招聘是一个很性感的平台型故事，现在从赚钱的角度来说，应该更性感。我听起来，这个业务肯定涨得很快，挣钱也很多。

但它是不是不如之前的平台故事大？或者说，它会不会是一个更阶段性的东西？

我们对于未来的看法是，未来可能全职工作会越来越少，更多的人会转向 project-based 的工作。

比如这个月有一个项目，每周工作 40 个小时；下个月这个项目结束了，可能又和另一家公司合作，由另一家公司雇你两个月。未来很有可能是这样一种模式。

随着 AI 能力越来越高，我们公司所有的投资，其实都在向那个未来靠拢。

那未来需要什么样的产品、什么样的功能？

我们现在做的这些事情，虽然看上去是在满足 AI 公司的需求，但其实是在满足我刚才描述的那个未来的需求。

我觉得，用 AI 衡量一个人，这个场景也不只是在面试中。

假设我是一个 VC，想和很多创业者聊，那我也可以设定几个问题，设定什么是好的答案、什么是不好的答案。现在有 1,000 个人来找我聊，我就让他们先去和 AI 聊，最后我来排一个序就行。

对。

你想讲的是，未来这套模式可以复用到更多行业。

可以用到所有行业。所有行业最后都是一个挑选的过程。

所以我的理解是，你们并不是说“我转型了，变成了一家数据标注公司”，而是你们还是在讲原来的故事，还是在做原来的事情，只是现在发现数据标注是最好的市场、最赚钱的业务。

现在正好有人有很多钱，而这个问题对他们来说特别痛，所以你们先聚焦，把这件事情赶紧做起来，做完之后再慢慢扩展到其他领域。

对。

国内其实也有很多人在看这个方向，或者考虑做这个方向。你觉得如果国内完整 copy 一套，然后来做，会成立吗？

主要看国内最大的 AI 公司有多大意愿，愿意在这上面花多少钱。

我觉得其实花多少钱都是值得的，但要看这些公司自己怎么想。只要有这个需求，绝对会有公司可以做，而且可以做得很成功。

这里面的差距在于，国内的模型公司可能是三四十亿美元的故事，而这边是三四千亿美元的故事。

国内我不了解，但我觉得至少很多大厂——我们不说创业公司——因为大厂也在做模型，它们是不是会倾向于自建团队做这件事情？

对于这些大厂来说，这并不是核心业务。对我们来说，我们有非常强的意愿把 AI 面试做好，把候选人与工作的匹配做好，因为这是我们的本行。

比如你是阿里巴巴，技术上当然可以做，但你愿意花 100 个人、200 个人，去做一个和主要业务完全不相关的东西吗？

而且你做出来的东西只能自己用，其他公司不可能敢跟你说：“我们最近要招这些人。”因为这对他们来说是机密。

在你们看来，标注市场的增速到底有多快？这里面已经有很多非常赚钱的公司了。哪怕把 Scale AI 打个折，加上 Surge AI、你们以及其他公司，这一两年开始做数据标注，市场也涨得很快。

一开始涨得很快，最后的难点永远是：最好的那些人，你有没有办法找到？

另一个方面，从 AI 公司的角度来说，它也不想同时和 10 家公司合作。每家公司都有不同的流程，最后结账也很麻烦；而且训练的可能是同一个模型，遇到问题时，它也不知道到底该找哪家公司。

当然，Scale AI 被收购这件事情，可能让客户意识到，不应该只和一家公司合作。因为万一合作的公司最后被别人收购，那自己就凉了。

如果是我的话，可能会和两家、最多 3 家公司合作：一个主要供应商，再加一个次要供应商。我觉得可能会是这样。

你问这个市场有多大，我的感觉是，只要有 OpenAI 和 Anthropic，这个市场就会不断变大。

为什么？因为这两家公司的主要产品就是模型。如果模型没有别人好，机会就不大。它们的分发能力肯定远远弱于 Google、Amazon、Microsoft 这些公司，所以模型本身必须比别人好。为了数据上的提升，它们花再多钱也没有关系。

现在只要 OpenAI 和 Alphabet 想打，Google 肯定也会陪着打。Google 有更多钱，Meta 也有更多钱，它们不得不花这个钱。

目前来说，基本上是一个 50 亿到 100 亿美元的市场。

Meta 最近花 1 亿美元招一个人很火，对吧？如果它一个人都愿意花 1 亿美元，那数据质量提升给它带来的 impact，肯定远远不止这点。

你当时为什么选择加入这家公司？

9. Mercor Bets On Young Founders

我觉得选 startup 必须要找有点特别的公司。如果一家公司各方面都挺好，但没什么特别之处，我觉得成功的几率可能不是很高。

另一个是，在这个时代，其实要找话题性比较高的公司，成功率可能高一点，或者说估值溢价可能高一点。

我和 3 个创始人聊的时候，首先发现他们都是退学创业的，21 岁就创立了这家公司。我感觉这家公司话题性绝对够高。

而且这 3 个人都是 Thiel Fellow。Peter Thiel 有一个很有名的 Fellowship，这个 Fellowship 很难得，其中一个要求就是必须退学。这一点真的很难理解，为什么会有这样的要求。

Peter Thiel 本来就是一个和硅谷主流可能比较相反的人。他自己在 Stanford 读书，但一直觉得大学教育是浪费，所以鼓励年轻人只要有想法就创业、破釜沉舟。

这 3 个创始人都是湾区高中里的同学，当时在辩论队，辩论队非常强，可能是美国历史上最强的高中辩论队之一。

辩论在美国高中里，可能有点像中国的奥赛。你说自己在辩论队，而且得过奖，可能是一个很拿得出手的成绩。

所以我觉得，主要还是要在某个领域很强，这个是最重要的。

这 3 个创始人至少在辩论方面反应非常快。我和他们交流的时候，随便问什么，他们的答案都会让我觉得：“OK，make sense。”毕竟人家是辩论队出身的。

所以最后你是在 follow 这些人？

对。我和他们交流的时候感觉，如果我做出一个产品，我会特别愿意让他们帮我去卖。因为不管客户有什么问题，他们都能够说服客户，让客户心服口服。

还有一个最主要的原因，是 Mercor 的增长速度实在太快了。Mercor 从 100 万美元做到 1 亿美元 run rate，只花了 11 个月。当时他们觉得这是历史上最快的。比如 Cursor 花了 12 个月。

所以这个 momentum 对我来说是最重要的。一旦公司的增长很快，它自然能招到更好的人；有了更好的人之后，效率就更高。

再加上公司的文化也很特别。我面试的时候，一上来他们就说：“我们公司是 996，你能不能接受？”我觉得还挺好的。

如果公司每个月增长 50%，这种增长其实会让人上瘾。你做什么产品，客户都会给你 feedback，不管是好的 feedback 还是坏的 feedback，但总有人给你 feedback，真的有人 care，那你肯定会越做越起劲。

公司现在处在这个正循环上。

公司当然不只是创始人年轻，整个公司其实都很年轻。

我加入的时候，公司平均年龄是 22 岁，而且很多人都是 college dropouts。公司一半的人以前都创过业。

所以公司的 engineer product sense 非常好，不需要专门的 PM。不是说我们公司没有 PM，但即使招 PM，也需要招非常 technical 的人。

我们招 PM 的时候，经常问的问题是：“你最近 build 过什么？”

现在有这么多 AI tools，如果你什么都没 build 过，那是一个 huge red flag。我们会继续问：你为什么 build 这个东西？你怎么 measure success？

你们说 build 的时候，是他真的要自己动手做出一个产品？用 low-level 的方式做也可以？

都可以。哪怕你说今天做了一个网站，也算是做出了一个东西。然后我们会问：你为什么要做这个网站？后面当然还有一堆问题。

你有听到过什么很好的答案吗？或者你认识的这些同事，他们自己做过什么有趣的东西？

有一些产品已经被收购了。我们有一个同事之前做的产品被 U.S. News 收购了，他在 22 岁之前就被收购了。

这个问题我特别想和你探讨一下。

我觉得在国内，大家现在并不是那么看好年轻人创业、年轻人做 AI。很多人会觉得，这一波 AI 可能还是移动互联网那一波的延续。

所以，有更多经验的人，有更多 know-how，可以少踩很多坑，也有更多资源。理论上讲，他们应该能做得更好、更快一点。年轻人没做过这些事情，会不断踩坑，也不知道答案是什么。

比如大家会觉得，同样融资 1,000 万美元，给一个以前花过这些钱的人，他肯定能做得更快、更好；给一个年轻人，他可能要不断探索和试错，可能不敢花，也不知道怎么花，或者花出去之后不一定带来更好的结果。

那从你的角度看，为什么你们能够在平均年龄这么小的情况下，达到这么高的增长？

一个是聪慧，另一个是 right problem at the right time。

Recruiting 这个问题，可能很多人都想解决，10 年前、20 年前就应该有人想解决，但当时没有 AI。所以你选了一个很好的赛道，也有很好的 timing，有点天时地利人和的感觉。

然后，招什么人也很关键。你一开始招的 founding team 是谁？我们一开始其实从 Scale 招了一些比较核心的人。

这个非常关键，因为你有一个榜样，而且有这个榜样身边的核心成员，他们可以让你少走很多弯路。

我觉得硅谷这边有很多创二代。这里的创二代不一定是父母创业，而是他们周围的朋友里，可能有很多人创业，包括他们上学的时候，周围也有很多人创业。

归根结底，可能还是 sample size 的问题。在中国，创业失败对之后 career 的打击，可能远远大于在美国创业失败。因为这个打击非常大，所以在中国愿意尝试的人就少。

愿意尝试的人少了，最后当然出结果的人就更少。你周围没有人成功，或者你没有听说过成功的案例，那创业就不是一种常态。下一代优秀的人也不会选择这条路。

但在美国，好的学校里，很多人可能 by default 就会创业。

我在想，美国这边的人确实早熟。你看上去就能看出来，一个初中生看着就像大学生。

很多人小时候几岁就上街卖柠檬水。上大学的时候，所有人每周都要做一个 presentation。我觉得美国很多大学生的 presentation 技巧，可能都好于国内很多非常 senior 的创始人和高管。

对，他们从很小就开始训练。美国还有很多专门的课，教你怎么做 presentation、怎么做 elevator pitch。

我觉得在美国，sales and marketing 是非常关键的技能。很多人可能都是做销售的，大家对销售也没有什么 negative 的偏见。

比如美国亚马逊上卖得最好的一些书里，经常有一本叫《How to Win Friends and Influence People》，纯粹就是讲怎么和人交往，也就是 soft skill。

这边广告牌上也经常是律师、房产中介之类的。国内很难想象在大广告牌上看到这些。

有钱打广告，说明它做得很好。

所以你总结一下，这几个月看到 Mercor 增速这么快，最核心的几个要点是什么？

快是最重要的。

一个是下决定的速度，第二个是执行的速度，我觉得这两个都很重要。

我觉得 Mercor 并不是一家特别 data-driven 的公司，更多依赖 founder，或者 founder 后面招来的这些人的直觉。我们对直觉的要求非常高。

比如来我们公司面试，technical 这些都通过之后，最后还要和 founder 聊，有时候要和两个 founder 聊。最后被 founder 拒掉的概率非常高。

很多时候 founder 其实是在看你的直觉好不好。因为在快速迭代的过程中，没有时间做非常科学的判断。你觉得我们需要花时间在这件事情上，那我们就花时间；然后明确未来一周想看到什么结果，如果看不到这个结果，我们会怎么做。大家都可以非常坦率地讲这些事情。

所以你第一部分说的是决策要快。

我想把“决策快”再延展一下。我觉得决策快是不是一定要有更快速的评估标准，以及更快速的复盘、反馈和修正过程？

对。Founder 主要就是看 metrics：what’s working，what’s not working。这是最关键的。

但从你这几个月的体感来看，你觉得大家凭直觉做出的决策，真的有很多是对的吗？还是其实对错不重要，快速调整最重要？

其实不重要。你快点做一个决定，这个决定不要大错特错就行。

市场太快了，只要你动起来，总比不动强。你要有办法意识到这个决定是错的，然后再改就行。我们的反应比别人快，执行率也比别人高。

而且执行力是最难复制的。我们决定做一件事情之后，说要做就一定能做到，这是让我对公司最有信心的一个特质。

这个怎么理解？我觉得首先你们肯定比硅谷其他公司更卷。

但国内很多公司也是 996，甚至最近也有一些国内公司被曝光半夜还在上班。

我基本上每天都是凌晨 1 点下班，大概早上 7 点半开始上班。

但关键不在于你工作多少个小时，而在于你有多在乎这件事情。

我的感觉是，公司 95% 的人作息基本上和我一样。有的人甚至做到凌晨 4 点，而且没有人要求他们这么做，都是自发的。我觉得这最难能可贵。

很多国内人对美国互联网公司有一个误解，或者说错觉：觉得这边每天也不用怎么上班，可能也不用去公司，早早下班，周五下午下班出去 party，周末出去旅游，周一回来再开个会、上个班。

或者以前很多人说，一些大厂上午上班去健身，中午去食堂吃个饭，下午待两小时就回家了。

但你看起来，你们这么勤奋努力，在目前的硅谷 AI 创业公司里大概占比有多少？

我觉得早期公司里有很多应该都是这样。

我和很多类似的公司面试过，我们的面试基本上都是在周日进行的，而且有些人直接睡在公司里。

公司只有 10 个人时，能这样做的公司不少；到 100 个人还能够这样做，就很少了。

这可能已经超出了国内很多公司对硅谷勤奋程度的预期。所以还是不能太小看这边的公司。

国内公司可能会觉得，反正我靠更勤奋、更努力去竞争，但实际上两边在这个阶段的公司可能差不多。

我们讲回你说的执行力强。我的理解是，执行力强其实有几种：

一种是工作时间更长，所以在相同水平下，能做的东西更多；另一种是效率更高；另外可能还涉及组织等问题。

在你看来，你们的执行力强体现在哪？

最强的就是说到做到。我们说这周想 deliver 什么，最后就能 deliver。

也不是说我们 deliver 的东西比别的公司多，更多的是，我有这个信心。比如周六做下周计划时，如果我们说下周会做这些事情，到了周五，我可以非常确定基本都完成了。

这不只是我们组可以这么说，其他组也可以这么说。只有大家都能给对方这样的信心，我们才能向客户保证很多事情。

我在想，这一切是不是在某种根源上都来自于你们的增速快？

绝对是最大的激励。

每个月 revenue 增长 50%，这时候再考虑什么值不值得，已经没有意义了，都是浪费时间，你没有空再考虑这些事情。

所以可能还是要回到最初，他果断选择这个方向、all in 进去。

你现在自己也在招人，对吧？你现在做的是 engineering management。那你自己招人的标准是什么？

标准挺多的。比如技术能力要比较强，但更重要的其实是 agency。

Agency 是今年这边比较流行的一个词，有点像主动性，意思是你能够克服一切困难，最后达到结果。

我和你聊天、做题、做 system design，或者做 behavioral 的时候，会不断问自己：当我描述想让你做什么时，我需要描述得多清楚？第二，我能够让你独立自主地运行多久？

如果我需要把每一步该做什么、每天该完成什么都讲清楚，那在我这里，你的 agency 就比较低。

Agency 比较低，我一般就不会招，但这也不一定，取决于当时有多缺人，以及你有没有别的闪光点。

有的人任劳任怨，对项目有不有趣没什么想法，就是想写代码、完成任务，我觉得也可以。老黄牛没有问题。当然我组里不能全是这样的人，但有一两个这样的人，我可以接受。

同时，我要确保他的交流能力和学习能力比较强。比如组里反应比较快的人和他交流，如果明显感觉这个人拖慢了组里的速度，那肯定不行。

另外一个很关键的点，还是这个人聪不聪明。

判断一个人聪不聪明，很多时候我喜欢出这样的题：介绍一个新的概念，看你多快能够理解这个概念，然后融会贯通，而不是只停留在理解这一层。

学习有几个阶段。第一个阶段是，你可能根本不理解为什么，但先把这个概念背下来，这是最弱的阶段。

高一点的阶段是，你懂了，但还没有内化，没办法很清晰地给别人解释。

我觉得比较高级的思维过程是，你能不能做类比。你想把一个复杂概念很清晰地介绍给别人，最容易的办法就是用类比。

比如一个人说：“我不知道 MCP 是什么。”如果 MCP 对标的是 API，那 MCP 和 API 的区别是什么？他首先要找到相似点，再找到不同点。

你把相似点和不同点建立在一个已经理解得非常深刻的东西上面，就能很快内化新的知识，而且理解得比较深。

我之前还和别人聊过，我觉得哲学家和诗人也都有这样的特点：可以把一个东西解构，然后在很底层的地方建立联系，把两个完全不同的东西联系起来。

其实好的工程师也需要这个技能。我们 build 的东西需要 modular，需要有比较好的通用性。

好的工程师能够预见到，现在这个功能只是满足当前需求，但本质上的难点是什么。如果把这个难点解决了，不只能满足今天的需求，也能满足未来可能遇到的很多需求。

对。

我还在想，你刚才举的 MCP 的例子挺有意思。

正常人可能会先把各种介绍搞明白，再去看分析它的文章。但你可能会直接去做类比。

我会先去 Google 搜索 “MCP versus”，然后看 Google 自动补全的内容。第一个出来的可能就是 API，那我就去搜它。

然后我会看 Reddit 上大家讨论 “MCP versus API” 到底是什么。

我学习新知识，很多时候就是看别人的 review。比如我想了解一个新产品，就会先想这个产品的竞争对手是谁。

我不会先去公司官网，而是直接在 Reddit 上搜这个公司和那个公司的产品对比，看下面的人怎么评论。

对我来说，这种学习效率远远高于去公司官网，或者去看什么 official definition。

我想到两个点。

第一个，如果你真的只是想粗浅地了解 MCP，用你这个方法可能一秒钟就够了。我知道大家拿它和 API 比，甚至不需要知道具体区别，只要认知到这一点，我就知道它是 AI 世界里的一个 AI 版 API，够了，一秒钟就好了。

第二个，你刚才讲的整套方法有一个前提，就是你脑子里已经有一套框架。

我经常和同学说，你脑子里应该已经有一个树状结构，很多东西已经放在那里。这样你再看到新的东西，就知道应该补到哪一块，速度自然就很快。

对，不然的话，即使用这个方法，可能还是会有点乱，这就是 structured thinking。

你刚才说，面试会提出一个新的概念？

经常会这样。

比如什么样的？

比如我有一道题，会介绍一个 concept，叫 parking function。

Parking function 是什么？假设大家要停车，有 3 个人。第一个人说想停 1 号位，第二个人说想停 2 号位，第三个人说想停 3 号位，这 3 个人都能停。

如果 3 个人都说想停 1 号位，能不能停？其实也能停。第一个人停 1 号位；第二个人到了 1 号位，发现已经停满了，就停 2 号位；最后一个人到了 1 号位，发现停满了，再去 2 号位，发现也满了，就去 3 号位。

那什么情况下不能停？每个停车的人不能往回退。

比如有 3 个车位，第一个人要停 3 号位，第二个人到了 3 号位，发现没有 4 号位可以停，所以他就停不下来了。只要有一个人停不下，这个东西就不是一个 parking function。

我会先介绍这个 idea，然后问他：给你一串数组，你能不能判断它是不是一个 parking function？

绝大多数人会根据原本的定义去模拟。比如给一个 sequence，2、3、1，第一个人去 2 号位，第二个人去 3 号位，发现可以；如果是 2、2、2，就会发现有人停不了。

但这种尝试会比较慢。学过算法的人会发现，brute force 是 quadratic time，也就是 n 平方。大多数人到这里基本上就 loss 掉了。

比较好的解法是 take a step back。他会想：我不是要判断什么情况下它是 parking，而是要想什么情况下它不是。到底什么情况下最后会有人停不下？

稍等，给我几秒钟。我想一下。

对，你想想。

必须是在前面的位置已经满了的情况下，它再往后排。

对，所以你其实是希望很多人优先选择前面的车位。

那如果没有人选择 1 号位呢？

我的想法是，如果没有人选 1 号位，整个车位数量一定大于要进来的车数量。

假设是 5 辆车、5 个车位，那一定要有一个人选择 1 号位。

不一定是第一个人选择 1 号位，但一定要有一个人选择 1 号位。

所以这是第一个观察：至少有一个人选 1 号位。

那需不需要一定有一个人选 2 号位？不需要，因为可以有两个人都选 1 号位。

所以要么有两个 1，要么有一个 1、一个 2。

对。

如果规律找到了，就比较容易想出来。比如 5 个 1、4 个 2、3 个 3 之类。

而且还有一个观察：顺序其实无所谓。3、2、1、1、2、3，最后结果和排序之后是一样的。

所以排序之后，第一个数必须小于等于 1，第二个数必须小于等于 2，第三个数必须小于等于 3，以此类推。

但很多候选人会花半个小时硬想：怎么把模拟做得更快，而不是去想什么是满足的、什么是不满足的。

有的时候我会给他们一个 hint：我随机选一个 sequence，你觉得它大概率满足还是不满足？

我明白你的意思了。你是搞奥数的吗？

小时候我挺喜欢数学的。

这让我想起来，我都忘了是不是有一个什么冒泡算法？

我知道 bubble sort，那是一个算法，n squared。

有点像那种感觉吗？我也不记得了，我都不知道自己在说什么。

有点像。如果观众里面有学数学的，我觉得他可能会想到，这个东西其实和 Catalan number 有点关系。

听过，听过。你是学什么的来着？

数学和计算机。

所以你不是要他和你讨论什么复杂的东西，这些其实都比较简单，主要是想看他的思路。

对。

有没有更简单、挺好玩的题？

我面试的一些题，第一部分其实都挺简单。

比如有时候我会给你两个字符串，让你写一个乘法。123 是一个字符串，456 也是一个字符串，让你写段代码，把乘法规则表示出来。

我遇到过一些候选人，他会花半个小时在那里做，最后还做不出来。半个小时之后，他告诉我：“我忘了乘法怎么算了。”他把笔算乘法忘了。

笔算忘了怎么算，我其实都不是很在乎。毕竟大家平时会用计算器，不用手算乘法没有关系。

但最大的问题是，你连乘法怎么工作都不记得，为什么要在那里浪费半个小时？你那半个小时在干什么？如果你不记得，一开始就问我，有什么好浪费时间的？

对。面试时，第一题可能非常简单，但通过一些细节，也能判断面试者是不是 make sense。

有时候我会一上来问：“你电脑上有没有 IDE？”我会假装随便一问，但如果他说没有，在我心里就很有可能会拒绝他。

你是一个软件工程师，电脑里居然没有编程环境。对我来说，如果我不需要编程，其实没有必要买电脑，手机就够了，或者买个 iPad 就行了。

所以有时候，5 分钟甚至 3 分钟，面试就结束了。

有时候我问问题时，其实自己也不知道答案，但我会想：如果我遇到这个问题，我会怎么做？然后拿自己的思路和他比较。

如果他的回答离这个时代太远，我也会拒绝他。

你们招人吗？

当然在招。大家感兴趣的可以来挑战这些面试题，但最好提前告诉我你听过这个节目，这样我就换一道题。

我们喜欢招比较 enjoy challenges 的人。

你是高中还是大学来美国的？

我高二来的，之后就一直在这边。

但你是先去做 Quant？

我先在 Google 做了一段时间，之后去了 trading，但做的也是 engineering。

你在 Google 就是做 engineer，当时做哪一块？

Chrome 浏览器。

就是写代码？

对，就是写代码。当时我是 junior，不写代码也没有别的输出手段。

我们刚才聊的那些东西，你所有的框架和思路，在那个时候已经形成了吗？还是后来慢慢形成的？

其实是做管理之后开始形成的。

你什么时候开始做管理？

大概做了四五年，在之前的 startup。

在之前那家公司，我跟了以前在 Two Sigma 的一个老板。他是非常资深的管理者，所以不少想法也是跟他学的。

这个答案我觉得 make sense。我们经常说要站在老板的位置想问题，但实际上真的很难做到。

有时候你必须自己承担那个责任、真正去做那件事，才能做到换位思考。我昨天还在和 Edward 聊，我说自己成长最大的一年，其实是来美国读书的那一年。

到这边之后你会发现，所有事情真的没人能帮你。在国内你总会觉得，如果今天有什么事情解决不了，打个电话总能找到人。但自己到这边之后，发现真的没人能帮你。

映射到工作上其实也一样。如果你总觉得别人能帮你解决问题，自己很难真正具备主动性，也很难换位思考。我觉得我也是出来创业之后，成长特别大的。

说到这个，对我来说成长比较大的倒不是后来，而是我在 Google 的第二个月。

当时让我做一个项目，但那个项目我什么都不懂。那时候 gRPC 的博客刚刚出来，组里其他人其实也不太清楚怎么用这个东西。

我有点 frustrated，就和 Takely 说：“这是我的第一份工作，但我感觉自己没有得到什么 support。”

他看我有点 frustrated，就直接跟我说：“如果这个东西已经有人明确知道怎么做了，那为什么这个东西还没有做完呢？当然不是说组里的人没有能力做，但至少它没有那么容易。”

所以第一，你不要把别人想得太强，好像 senior 的人一看就会做，而你这个 junior 不会。其实大家都不会。

第二，你的工作就是主动 figure out 这个东西怎么做，把它做完。这样你很有可能就成为组里第一个会这个东西的人，然后你还可以教别人。

这件事对我影响挺大。刚开始的时候，大家有不同的 level：我是 L3，那个人 L5，还有人 L6。你总是觉得 L3 的人什么都会，但很多时候其实不是这样。

你先后在大厂、金融相关公司，现在又在创业公司。你觉得感受到的区别是什么？

我觉得更重要的是你在哪个赛道。

我当时去金融公司的感觉是，周围比较厉害的人好像优先选择去金融公司。现在我发现，比较厉害的人会优先选择去 AI 公司。

如果问你，10 年之内金融会翻 10 倍、100 倍，还是 AI 会翻 10 倍、100 倍，那肯定是 AI。

所以我觉得问题不在于你应该选创业公司还是大厂，更多是你想不想做 AI。

最后补充一块。你觉得未来 AI 公司的组织形态和人员分配大概会是什么样？包括我们刚才提到的 PM、engineer，甚至 engineer 内部的角色会怎么变化？

10. The AI Company Gets Flatter

我觉得随着 coding agents 越来越强，大家花在生成代码上的时间应该越来越少。

就算是 engineer，更多时间也应该花在 brainstorm idea 和客户交流上。

像我有时候想到一个 idea，就直接去和 Cursor Bot 聊。我坐车的时候经常这么做。我给它 3 个 request，等我回到家，这 3 个 request 可能都完成了。当然很多时候不一定是对的，但它帮我起了个头。

所以更加重要的不是你写代码有多快，而是你怎么判断现在的方向是对的。

那怎么判断方向是对的？

你要有 customer。

你说公司架构的话，其实已经发生变化了。以前层数很多，现在层数越来越少。

但你刚才提到，engineer 一定要发挥更多主动性，更多往产品方向走，也可以和更多客户交流。

这是不是要求有一个很好的内部氛围和组织形态来支撑？比如你聊完之后，PM 觉得：“你聊这些干嘛？”或者“你说的对不对我怎么知道？”又或者觉得你在抢他的工作。

我觉得有两个方面。

一个是公司要有好的激励机制；第二是管理者要识货，要知道谁是真的在为公司思考，谁只是有一个 fancy 的 title，但每天想的都是怎么从公司获利。

这其实就是 founder 的能力极其重要。因为后面的 leader、manager 都是 founder 招来的。

Founder 首先要识货；第二，他要有能力把 vision sell 给别人。

有可能他很识货，但没有办法 convince 能力很强的 manager 加入。现在有估值、有 growth，基本上谁都可以招，但 5 个月之前呢？

5 个月之前，要招到现在公司里比较 senior 的这些人，当时公司其实没有很多 leverage，都是靠 founder 自己把 vision sell 给别人。

那今天就录到这儿，感谢，愉快。