Mercor：AI 时代最危险的中间人——从 $1M 到 $1.5B ARR 的平台逻辑与结构性风险

2026-06-16 / 1 周前 · 共 5,771 字

2025 年 6 月，Meta 以 $14.3B 收购 Scale AI 49% 股份，创始人 Alexandr Wang 随之加入 Meta 领导超级智能实验室。这一交易的连锁反应在几周内爆发：Google——Scale 的最大客户——宣布切断合作；OpenAI 逐步退出；xAI 等也相继重新评估与 Scale 的关系。

Mercor 联合创始人 Adarsh Hiremath 用一句话概括了这个行业地震的意义："你的最大竞争对手一夜之间被鱼雷击沉——这在创业公司中不常见。"

这不是比喻。Scale AI 曾经是 AI 数据标注行业无可争议的霸主，$1.5B ARR、$29B 估值。但 Meta 入主后，竞争对手的 AI 实验室无法接受把自己的训练数据交给一个由 Meta 控股的公司。于是需求侧出现了一个巨大的真空——Mercor 恰好站在那里。

但 Mercor 究竟是一家什么公司？它是如何在那之前就长到足以接住这笔天降流量的？以及，2026 年 3 月那场导致 Meta 无限期暂停合作的数据泄露事件，暴露了它怎样的结构性脆弱？

Mercor 的故事始于三个人的高中友谊。Brendan Foody、Adarsh Hiremath 和 Surya Midha 在加州圣何塞的 Bellarmine College Preparatory 成为辩论队队友，Hiremath 和 Midha 曾成为历史上首对在同一年赢得全部三项全国政策辩论赛冠军的搭档。

三人分别进入 Georgetown、Harvard 等大学后，在宿舍里启动了一个副项目：将来自印度等地的国际开发者与美国初创公司对接。这个早期原型的本质是手动人才中介，却在未获任何外部资金的情况下，几个月内做到了约 $1M 年化营收和 $80K 利润。

2023 年，三人全部获得 Thiel Fellowship（每人 $100K 资助）并退学，正式创立 Mercor。公司最初定位是 AI 驱动的招聘平台——用大语言模型（LLM）进行自动简历筛选、AI 视频面试和候选人匹配。但很快，业务重心发生了决定性偏移。

从「AI 招聘」到「AI 训练数据基础设施」

Mercor 的官方叙事仍然挂着 "AI hiring startup" 的标签，但它的实际业务已经完全不同。CEO Brendan Foody 在官网上写得很清楚：

"Mercor sits at the intersection of labor markets and AI research."

翻译成商业语言：Mercor 的核心业务是向 AI 实验室提供经过筛选和匹配的领域专家，让他们为前沿模型生成训练数据、进行 RLHF（基于人类反馈的强化学习）评估、编写专业领域的高质量回答。

其供给侧网络覆盖的专家包括医生、律师、投资银行家、管理顾问、科学家——甚至是诺贝尔奖得主和艾美奖获得者。根据 Stripe 官方合作新闻稿，Mercor 每周为超过 30,000 名专业人员匹配项目。CNBC 报道称，平台每日向承包商支付的金额超过 $1.5M，TechCrunch 在 2026 年 3 月报道该数字已升至每日 $2M+。

它的商业模式是双向抽成：向 AI 实验室收取小时费率的 finder's fee 和匹配溢价，同时从专家端获取供给。用 Stripe Connect 处理全球支付和合规，Stripe Instant Payouts 让专家能在几秒内收到报酬。

「主计划」：一个披着数据公司外衣的劳动力市场平台

Mercor 官网有一篇名为 The Secret Mercor Master Plan 的博文，由 CEO Brendan Foody 撰写。它坦白了一个在融资叙事中不那么显眼的逻辑：

"Contracting experts to train AI models is the perfect forcing function."

Mercor 的四步主计划是：

用 AI 训练数据合同作为市场冷启动的楔子（wedge）
利用这些短期合同收集模型性能数据，校准人才评估算法
扩展到短期合同岗位
最终目标：为所有工作岗位匹配人才

Foody 将市场比作 Uber 和 Airbnb 的早期策略：Uber 用 black car 切入，Airbnb 用会议期间的沙发切入。Mercor 用 AI 实验室「不合理的需求」（比如"两天内找到 300 个特定领域的专家"）来迫使自己建立自动化管线。

这解释了 Mercor 真正的护城河野心：它不是在卖数据，它是在建一个能自我增强的人才评估引擎。每一次匹配产生绩效数据，数据改善模型，更好的模型吸引更多人才，更多人才带来更多雇主——形成飞轮。

增长速度：从 $1M 到 $1B+ ARR 的 20 个月

Dealroom 和 20VC 访谈（2026 年 6 月）显示，Mercor 已达到约 $1.5B ARR，估值 $10B，EV/Revenue 约 13.3x。而仅在 2024 年初，公司还在公寓里运营，年收入不到 $1M，没有美国员工。

这条增长曲线有几个关键节点：

时间	事件	估值
2023 Q3	种子轮 $3.6M，General Catalyst 领投	未披露
2024 年初	A 轮 ~$30M，Benchmark 领投	$250M
2025 年 2 月	B 轮 $100M，Felicis 领投	$2B
2025 年 10 月	C 轮 $350M，Felicis 领投，Benchmark/General Catalyst/Robinhood Ventures 参投	$10B

总融资额约 $492M（Tracxn 数据）。投资方阵容包括 Benchmark（Bill Gurley 曾亲自上 CNBC 为 Mercor 站台）、General Catalyst、Felicis、DST Global、Robinhood Ventures 以及 Peter Thiel 本人。

三位创始人在 C 轮后以 22 岁的年龄成为全球最年轻的白手起家亿万富翁，打破了 Mark Zuckerberg 23 岁登榜的纪录。

竞争地图：Mercor 夹在谁中间？

AI 数据/人才市场的竞争格局可以用以下框架理解：

Scale AI（2016 年成立）：曾是绝对龙头，$1.5B ARR。2025 年 6 月 Meta 收购 49% 股权后，其中立性崩塌，Google、OpenAI、xAI 等纷纷退出。Scale 随后裁员 14%。目前仍在运营，但已经不是那个"所有人的中立供应商"。

Surge AI：据报道 2024 年营收约 $1B，正在寻求高达 $1B 的新融资。与 Scale 和 Mercor 构成直接竞争，同样服务 OpenAI 等顶级实验室。

Turing：2024 年 ARR $300M（同比增长约 3x），2025 年 3 月以 $2.2B 估值融资 $111M。CEO Jonathan Siddharth 强调 Turing 的差异化在于从"商品化数据标注"升级到"专家研究"——恰好也是 Mercor 的方向。

Invisible Technologies：2025 年 9 月以超过 $2B 估值融资 $100M。定位介于 AI 训练外包和业务流程外包之间。

Handshake：与 Mercor 同时被 The Information 报道为"因 AI 训练需求而收入暴涨"的平台。

传统平台（Upwork、Fiverr、LinkedIn）：虽然在量级上是竞争对手，但缺乏 AI 驱动的自动筛选、面试、质量控制和即时支付管线，无法满足 AI 实验室那种"两天 300 人"的极端需求。

Mercor 的核心差异点在于：它把 AI 面试和评估作为供给侧入口（每个候选人必须完成 20 分钟的 AI 视频面试），这使得它的候选人数据维度远超传统招聘平台，从而让匹配算法有更丰富的训练信号。

APEX 基准测试：既是营销，也是产品战略

2026 年 1 月，Mercor 发布了 APEX-Agents 基准测试——一个用于评估 AI Agent 在投行、管理咨询和公司法领域执行长周期、跨应用任务能力的开放测试集。任务由平均 7 年以上行业经验的领域专家设计，在 Google Workspace 环境中运行。

后续又发布了 APEX-SWE（与 Cognition 合作，评估软件工程 Agent）、APEX（工具无关的专业服务评估）和 ACE（消费者场景评估）。

这个动作的战略含义清晰：Mercor 不仅要给 AI 实验室提供训练数据，还要定义评估标准。如果 AI 行业接受了 APEX 作为模型能力的标尺，Mercor 就能从"数据供应商"升级为"评估基础设施"——这是 Scale AI 从未成功做到的事。

目前 APEX-Agents 上最好的模型（如 Gemini 3 Pro）Pass@1 仅为 18.4%，Pass@8 为 37.3%，说明 AI 在真实专业工作中仍有巨大差距——这反过来也证明了 Mercor 核心业务的长期需求基础。

2026 年 3 月的数据泄露：一次供应链攻击的致命教训

2026 年 3 月底，Mercor 确认遭受了一起与开源项目 LiteLLM 相关的供应链攻击。攻击组织 TeamPCP 通过污染 LiteLLM 的更新包，渗透了数千家使用该工具的公司，Mercor 是其中之一。随后，臭名昭著的黑客组织 Lapsus$（或冒名者）在其泄露网站上声称获取了 Mercor 的数据，并公开了样本——包括 Slack 数据、工单系统记录，以及 Mercor AI 与承包商对话的视频。

泄露规模据称达 4TB，包括 200+ GB 数据库、近 1TB 源代码和 3TB 视频资料。

后果迅速显现：

Meta 无限期暂停与 Mercor 的所有合作，包括一个代号 "Chordus" 的项目——教 AI 模型使用多个互联网来源验证对用户查询的回答。
OpenAI 启动调查，评估其专有训练数据是否被暴露（但未暂停当前项目）。
Anthropic 等其他实验室也在重新评估合作。
Mercor 平台上的 Meta 项目承包商被告知暂停计费，实质上处于失业状态。
多起承包商诉讼已经启动，指控 Mercor 未能充分保护用户数据。

WIRED 报道中引用的安全研究员 Allan Liska（Recorded Future）的判断是：TeamPCP 主要是经济动机驱动，但攻击的规模和目标敏感性——AI 训练数据被视为 AI 实验室的核心机密——使这次泄露的影响远超一般的 SaaS 数据泄露。

关键判断：Mercor 到底是什么？

坦率地说，Mercor 不是一个纯粹的 AI 数据公司，也不是一个纯粹的招聘平台，而是一个以 AI 训练数据合同为燃料的劳动力市场基础设施。

它的商业模式有几个隐含的张力：

更像数据公司的一面：当前收入的压倒性来源是为 AI 实验室提供专家数据。客户集中度极高——"全球前五大 AI 实验室"是它的命脉。这使它高度依赖 AI 军备竞赛的持续投入。

更像人才市场的一面：它的 Master Plan 明确指向全类别知识工作匹配。AI 面试和评估系统、绩效数据飞轮、Stripe 支付基建——这些都是市场平台的组件，而非数据公司的组件。

更像外包基础设施的一面：它的客户关系极其隐秘——项目使用代号（如 Chordus），CEO 很少公开谈论具体工作内容。这和 Scale AI、Surge AI 等竞对的行为模式一致：它们本质上充当了 AI 实验室不想自建的外包管理层。

一个尖锐的问题贯穿始终：当 AI 模型足够强、不再需要如此大规模的人类专家数据时，Mercor 的位置在哪里？ Foody 的回答是：模型越好，需要的专家水平越高，而不是越少——从"标注猫狗图片"到"评估 AI 能否完成并购交易建模"，价值链在向上迁移。但这个回答的成立前提是：AI 始终需要一个人类来定义"更好"。

风险与开放问题

1. 供应质量 vs 规模张力。 平台声称连接了诺贝尔奖得主和艾美奖获得者，但真正的日常供给质量取决于其 AI 面试和筛选系统的有效性。规模化扩张过程中降低门槛是市场平台的经典陷阱。

2. 客户集中度。 "前五大 AI 实验室"的单一客户群意味着任何一个大客户的流失都可能造成收入断崖。Meta 暂停合作已经是一次预警。

3. 数据护城河。 Mercor 的核心数据资产——候选人的 AI 面试记录和绩效数据——构成了匹配算法的训练集。但 LLM 本身正在快速商品化，竞争对手理论上可以用更便宜的成本复制类似的评估能力。真正的护城河不在于模型，而在于供给侧网络效应（候选人不会同时在多个平台完成 20 分钟的 AI 面试）——但这在 B 端需求侧的绑定能力上能否成立，仍有待验证。

4. 安全与信任。 LiteLLM 供应链攻击暴露了 AI 数据管道的脆弱性。当你的核心客户是世界上最富有的科技公司、它们的竞争对手包括中国 AI 实验室时，一次数据泄露就可以从信任危机演变为生存危机。

5. 监管与劳动关系。 平台将专家归类为独立承包商，但新的欧盟 AI 招聘法规和部分美国州法已要求对 AI 招聘工具进行第三方审计。如果监管趋严，将平台劳动者重新分类为雇员，Mercor 的单位经济模型将被彻底改写。

6. 平台可替代性。 Scale AI 的中立性丧失证明了"数据中立"在这个行业的价值。但 Mercor 本身也在融资中引入了 Felicis、Benchmark、General Catalyst 等战略投资者——如果某天其中一家投资方与被投 AI 实验室产生利益冲突，Mercor 是否会重蹈 Scale 的覆辙？

终点还是中场？

Mercor 的爆发式增长，本质上是三个因素的同时叠加：AI 实验室对专家数据的饥渴、Scale AI 突然出局留下的市场真空、以及一个 22 岁团队极端的执行速度和产品嗅觉。

2026 年 3 月的攻击是第一次真正的压力测试。它暴露了 Mercor 作为 AI 供应链中最敏感一环的脆弱位置——你手里握着全世界最值钱的 AI 公司的训练数据，但你依赖一个开源项目的安全更新来保护它们。

如果 Mercor 能修复安全信任，它的飞轮逻辑确实有力：每一次匹配都在让系统更智能，而 AI 经济的持续膨胀意味着对"人类定义什么是更好"的需求不会很快消失。但如果安全事件持续发酵、大客户相继退出，这个 20 个月从 $1M 冲到 $1.5B 的故事，也可能以同样惊人的速度反转。

来源

登录后即可参与评论。

加载评论中…