Mercor CEO Brendan Foody：模型即产品，应用层公司没有护城河
20VC 对话 Mercor 联合创始人兼联席 CEO Brendan Foody：为什么应用层公司在模型之上几乎建不出护城河（模型即产品），网络效应才是纯软件公司的生死线；Mercor 内部 token 支出已超过员工薪酬，他判断五年后企业算力支出将超过人力支出；硅谷顶级 AI 研究员薪酬已达每年数千万美元股票；以及 Mercor 安全事件复盘、三成到四成毛利为何不是 GMV、从种子轮到 100 亿美元估值的融资全历程。
本文译自播客20VC，发布于 2026 年 6 月 1 日；主持人哈里·斯泰宾斯 (Harry Stebbings)，对话 Mercor 联合创始人兼联席 CEO 布兰登·福迪 (Brendan Foody)。
这是 Brendan 第二次做客 20VC，Harry 从安全事件、客户流失到收购传闻逐一“粉碎谣言”。Brendan 抛出了一串让整个 SaaS 行业坐不住的判断：在模型之上建软件护城河将难到极点，“模型即产品”，网络效应才是纯软件公司的生死试金石；而 Mercor 自己的 token 支出已经超过员工薪酬，他打赌五年后普通企业的算力支出会超过人力支出。至于五年后的 OpenAI 和 Anthropic 值多少钱——他给出的数字，值得存下来五年后回放。
▍嘉宾：布兰登·福迪 (Brendan Foody)
布兰登·福迪是 Mercor 的联合创始人兼联席 CEO，2003 年前后出生，是这一代 AI 创业者中最年轻的百亿美元公司掌舵人：
- 乔治城大学辍学创业：就读乔治城大学期间，与同学阿达什·希尔马特 (Adarsh Hiremath)、苏尔亚·米达 (Surya Midha) 共同创立 Mercor；2023 年三人集体退学全职创业，均为蒂尔奖学金（Thiel Fellowship）得主。
- 以反共识判断著称：创业三年后把 Mercor 做到百亿美元估值；他热衷在 X 上抛出锋利论断，本期“应用层公司没有护城河”的标题级论断即出自他的推文。
- 二度做客 20VC：第一次上节目（联合创始人阿达什出场）后，“营收不是真营收”的质疑在创投圈发酵，本期他逐一正面回应。
▍关于 Mercor
Mercor 是一家总部位于旧金山的 AI 人才与数据公司，连接各领域专家与前沿 AI 实验室，为模型训练与评估提供人类专家数据。
- 核心模式：运营超过 500 万人的专家人才网络，向前沿实验室交付端到端的“任务”——从招募、管理专家，到 AI 项目经理协调与自动化质检，毛利率 30% 到 40%；公司自称几乎从未烧钱，账上现金超过累计融资额。
- 增长与估值：2023 年 9 月种子轮（General Catalyst，2300 万美元投后）起步；2024 年 Benchmark 领投 A 轮（2.5 亿美元投后）；随后 Felicis 连续领投 20 亿美元与 100 亿美元估值两轮。本期录制时年化营收已超 10 亿美元，每天向专家支付超 300 万美元，过去 60 天新增 3 亿美元净新 ARR。
Harry： 这里是 20VC，我是 Harry Stebbings。今天坐上热座的是 Brendan Foody——Mercor 的联合创始人兼联席 CEO。Mercor 是增长最快的 AI 公司之一，如今估值超过 100 亿美元，营收超过 10 亿美元。
Brendan 之前上过不少节目，所以我的难题是：怎么才能问出他从未给过的答案？怎么逼他回应没人敢逼他的问题？这是 Brendan 做过最坦诚的一期访谈，我们聊到了最核心的问题：这门生意里的营收真的是营收吗？未来会变成什么样？他更愿意投 OpenAI 还是 Anthropic？这档节目从不回避辛辣问题，而 Brendan 的表现堪称惊艳，绝对超出预期。
黑客事件复盘：60 天 3 亿美元净新 ARR
Harry： 不过在正式开始之前——好了，各位，目的地到了。Brendan，兄弟，今天能把你请进演播室真是太好了，谢谢你亲自跑这一趟。
Brendan： 我也特别期待，谢谢你的邀请，Harry。
Harry： 我一直在琢磨这期节目怎么开场。
想来想去：关于 Mercor 的传闻和迷思可不少。既然这是你第二次上节目，不如开门见山，直接破冰。第一个要粉碎的传闻：听说你们被黑客攻击了——或者说数据泄露了，不管专业上怎么叫——而且营收停滞了。Mercor 到底发生了什么？是真的还是假的？
Brendan： 确实出过一起安全事件，但其他说法都是假的。我们显然处理得非常快：第一时间联系了客户，火速请来了曼迪昂特（Mandiant）和好几家安全咨询公司。那之后公司一路高歌猛进——我们加深了和所有前沿实验室的合作，过去 60 天新增了 3 亿美元的净新 ARR。
Harry： 60 天 3 亿。我的天。
Brendan： 是挺疯狂的，忙得脚不沾地。
Harry： 你得知被攻击的时候人在哪儿？做了什么？
Brendan： 那天是周六，我在办公室和工程团队讨论事情。第一反应当然是：怎么向客户通报？
我们得极其主动地去弄清楚到底发生了什么、哪些数据被访问了，然后怎么同步给外部专家——先控制事态，再快速做好对外沟通。再往后，自然是把所有该补的机制都补上，确保这种事再也不会发生。
Harry： 英国诗人拉迪亚德·吉卜林（Rudyard Kipling）有句名诗，大意是：周围的人都慌了神的时候，你要保持清醒。那种时刻，正是所有人都慌了神的时候。我没有说教的意思——我们都年轻，你比我还年轻。当那种“完了，出事了”的时刻来临，你怎么让自己保持冷静？
Brendan： 说起来有意思，创业这一路我经历过非常多高压时刻。那次确实紧张，但远远算不上最紧张的一次。真的。有些时候，我会为了搞定某个客户的交付而急到发疯。但那次部分原因在于，Twitter 上的舆论远比公司内部实际发生的事情夸张得多。
我们对实际情况了解得非常透彻，和客户的关系也足够牢固，所以很有信心能挺过去，而且走出来时会更强。公司原来有六条价值观，那之后我们加了第七条——安全，把它深深烙进文化里。但说到底，那份信心来自我们清楚真相，也知道 X 平台上有个回音室效应，看的时候得对冲着点。
Harry： 你会关注那些舆论吗？创始人需要关注吗？
Brendan： 当然，创始人必须关注。我们专门开了一次全员会，把到底发生了什么、公司现在什么走势，全都摊开讲清楚，我觉得这对整个团队帮助很大。但确实挺烦人的——一堆人在说根本没发生过的事，我们又不能特别强硬地公开反驳，否则 Twitter 上的暴民就会围上来，何况律师们也有各种建议。
Harry： 难就难在，背后常有不少揣着经济动机的人。他们会把你往死里踩、拼命唱衰，因为他们站队了竞争对手。我们就有一家被投的 YC 公司，最近几天刚经历了一堆破事，而他们的竞争对手通过各种手段在背后养了一大帮人。这种站队关系并不显眼，但在 Twitter 上喊得震天响。
Brendan： 我们遇到的正是这种情况。我脑子里立刻就能浮现出一个很高调的人，他投了我们好几家竞争对手，然后发了条推文，说我们所有的数据都被中国获取了——完全是子虚乌有。
Harry： 你刚才提到把安全加为第七条价值观。这些年黑客事件太多了，多到都快被“常态化”了——虽然这么说很难听。考虑到 AI 唤醒的新威胁，我们是不是即将进入网络安全的黄金时代？
Brendan： 我认为是。我们在客户侧已经看到这个趋势了：客户显然都非常关注怎么提升模型的网络防御能力，好让最强的“AI 安全工程师”能保卫每一家企业、抵御所有这些攻击。
就说我们那次事件，攻击者就是用一群编程智能体（coding agents）集群来攻入系统的——现在很多攻击都是这么干的。所以我认为，AI 安全工程工具和各种形态的防御手段会迎来爆发式增长，帮企业抵御一波接一波、才刚刚开始的网络攻击浪潮。
Harry： 让我问个特别天真、特别外行的问题：编程智能体集群怎么就成了这么危险的攻击者？具体是怎么运作的？
Brendan： 普通攻击者找漏洞时，能看的代码量是有限的——以人的速度、受团队人数约束，一次只能审查一部分。而用智能体集群，他们可以穷尽式地审查整个代码库、整个前端、所有已拿到的访问入口。这让很多攻击者的行动速度快了一个量级。所以我们也在探索和客户的各种合作，看怎么强化他们的网络防御能力，正好对冲这类攻击。
Brendan 说攻击者用编程智能体集群攻入 Mercor 的系统——这已不是孤例。据 Anthropic 披露，2025 年 11 月出现了首例有完整记录的“AI 主导”网络间谍行动：攻击者操纵 Claude Code 自动完成侦察、漏洞利用与数据窃取的绝大部分环节。进入 2026 年，各大安全厂商的威胁报告普遍把“智能体化攻击”列为增长最快的攻击形态；防御侧同样在上量，Anthropic、OpenAI 与微软均已推出面向安全运营的智能体产品，“用 AI 防 AI”从口号变成了真实的采购预算。
传言粉碎机：Meta 暂停、Micro1 挖角与 130 亿收购传闻
Harry： 说到这些客户——判断题：你们因为那次攻击丢了 OpenAI 和 Meta 这两个客户？
Brendan： 假的。我们和 OpenAI 的关系比以往任何时候都牢固。当然，具体的客户关系我不便多谈。
Harry： Meta 能追问一下吗？
Brendan： 当然。Meta 那边，目前合作仍处于暂停状态。其他每一家前沿实验室在那之后都加深了和我们的合作，公司也一路高歌。但 Meta 是唯一一家还……
Harry： 暂停只是因为安全事件吗？
Brendan： 那边还有别的事。显然，Meta 是个特殊的客户——因为 Scale 那桩收购（译者注：指 Meta 2025 年重金入股 Scale AI 并延揽其创始团队的交易），他们自然会更多地和 Scale 合作。但具体客户的情况我不想多谈。
Brendan 提到的“Scale 那桩收购”，指 2025 年 6 月 Meta 以约 143 亿美元入股 Scale AI 49% 股权、并延揽其 CEO 亚历山大·王（Alexandr Wang）出任 Meta 首席 AI 官的交易。此后 Meta 确实重整了数据供应商体系，多家数据公司被曝失去 Meta 订单；而 Scale 的竞争对手们——Surge、Handshake、Mercor 等——在 2025 至 2026 年集体吃到“去 Scale 化”红利，融资与营收同步暴涨。Brendan 说“其他每一家前沿实验室都加深了合作”，与这波供应商多元化浪潮的口径一致。
Harry： 因为我之前看到 Handshake 的营收抛物线式暴涨，就以为是 Meta 把预算从你们这儿挪到他们那儿去了。难道不是？
Brendan： 不是。
Harry： 有意思。那是什么原因？
Brendan： 这个我恐怕不方便讲得太细。
这段轻描淡写恰恰暴露了这门生意最脆弱的地方：前沿实验室全球屈指可数，任何一家的采购决策都能让供应商的营收曲线急转弯。Meta 一暂停，外界立刻就能从 Handshake 的营收异动里看出端倪——说明市场清楚这些订单有多大、多集中。Mercor 的高毛利和“从未烧钱”建立在极少数大客户的持续加码之上；一旦模型厂商把数据生产进一步内化（OpenAI、Anthropic 都在扩自有数据团队），议价权的反转会比想象中快。
Harry： 完全理解。好吧，那我们……
Brendan： 除了客户，什么都能聊。
Harry： 但我们还是丢了 OpenAI 嘛。
Brendan： 行，你赢了。
Harry： 哈哈，开个玩笑。说真的，节目之前你好几家竞争对手都来给我“吹风”……算了，他们说他们的，事实是他们错了。我读到一篇文章，说你们在用几百万美元的签约金挖 Micro1 的人。
Brendan： 我们一份录用函都没给 Micro1 的人发过。
Harry： 所以没有几百万？
Brendan： 没有几百万。
Harry： 见鬼。那这文章哪来的？我可是亲眼读到过。
Brendan： 那篇文章的由来是：我们团队有个人给 Micro1 的几个人发了私信，说我们在招聘各类岗位、签约奖金很高——我记得其中一条写的是签约奖金可能到 50 万美元。对方也来聊了第一轮，但我们没有向任何人推进到发录用函那一步。显然，这事传到媒体嘴里就成了“他们正在发 offer”——我们的员工给对方员工发条消息，和正式发出有法律效力的录用函，这中间差别大了去了。
Harry： 妙啊。媒体真是个美妙的东西，是吧？
太妙了。好，下一个传闻粉碎环节——我玩得很开心，这都可以做成一档新节目了，就叫《流言终结者》。这条可能会让你有点不舒服：我听说亚马逊曾想以 130 亿美元收购你们。真的假的？
Brendan： 这条是假的。其他收购之类的事我显然不方便多谈，所以今后任何收购类问题我都一概不评论。
Harry： 300 亿美元你卖吗？
Brendan： 不卖。说到底，我们收到过很多收购意向，我大可以拿着几十亿美元现金走人。但问题是，那根本不是驱动我的东西。真正驱动我的，是去解决“人类如何融入未来的经济”这个极其重要的世界级问题。我觉得我们有机会打造一家传奇公司，开创一个全新的工作品类——而如果我们不是一家独立公司，实现这个愿景的概率反而会降低。
人类如何融入 AI 经济
Harry： “人类如何融入经济”——可你看新闻：有公司一夜裁员 1.6 万人（译者注：原文为 insured，疑为误听），Meta 凌晨四点裁掉 8000 人，LinkedIn 裁 1000 人，Coinbase、ClickUp 现在也裁了 22%。
人们实在看不清自己未来将如何融入那个新经济。你也有这种担忧吗？
Brendan： 某种程度上是有的。我相信 10 年后的工作总量肯定比今天多得多，但过程中也会有大量岗位被替代。面对裁员潮，最重要的问题是搞清楚：哪些工作 AI 能做，哪些工作 AI 做不了。所以我们在做一系列项目，比如“AI 生产力指数”（AI Productivity Index，APEX），它正在成为行业标准，专门回答这个问题——覆盖人们热议的所有主流职业类别，从咨询师、投行家、律师到软件工程师：这些岗位里的哪些具体任务可以被 AI 自动化，哪些不能？
Harry： 恕我直言，这个答案的变化速度不是快得吓人吗？你看安德烈·卡帕西（Andrej Karpathy）讲他怎么用编程智能体：一开始是“我用它干 20% 的活”，六个月之内就变成了“它干 80%，我只做最后 20%”。
Brendan： 没错。再举个例子：在 APEX 上，目前最前沿的模型得分大约 40%；而 12 个月前，最强模型还是 o1，得分只有 1%。这就是过去 12 个月的进步速度，而且显然还会延续、幅度还会很大。
但关键在于，所有人都低估了经济中需求的弹性和生产率提升释放出的新需求。过去 250 年，我们的生产率提高了 25 倍——相当于把一个人 96% 的工作都自动化了。从农业革命、工业革命到计算机革命，每一轮技术革命中人们都恐惧会出现大规模失业，因为“劳动总量谬误”（lump of labor fallacy）——人们以为社会上要做的事总量是固定的，人变高效了，岗位自然就少了。可 250 年过去了，工作比以往任何时候都多。为什么？因为作为社会，我们要解决的问题根本不愁没有。
我们还要应对气候变化、攻克癌症，还有无数新的难题。
“劳动总量谬误”（lump of labor fallacy）是经济学里的经典概念：误以为社会上的工作总量是固定的，机器多干一份、人就少干一份。从 19 世纪卢德分子捣毁纺织机，到 20 世纪对计算机“抢走饭碗”的恐惧，这一谬误反复出现。主流经济学的共识是：技术提升生产率后，会通过降价、新需求和新产业创造新岗位——但共识同样承认，转型期的局部失业痛苦是真实的，而这轮 AI 转型的速度远超历史先例，这正是 Harry 追问的核心。
Harry： 这套逻辑我完全买账。我不买账的是转型速度——工业革命、农业革命都花了好几十年的周期去落地新技术、培训人去做原来由人做的事。可现在有了 Nano Banana Pro，我几乎一夜之间就能把我媒体公司里的设计师全裁掉。
Brendan： 你关于“替代”的判断我是同意的——确实会有非常大规模的岗位替代。但我也认为，经济在创造新职业类别、重新配置劳动力方面正变得越来越高效。我们自己就是最好的例子：我们现在每天向专家支付超过 300 万美元，这是人类历史上最快被创造出来的职业类别，而且我预计它还会指数级增长。AI 相关的一切领域都会诞生大量新职业：为部署工程训练智能体、建设数据中心，一直到那些我们原本无力解决的社会问题。
比如，怎么拿出应对气候变化的方案？怎么让更多人去造火箭、探索太空？
Harry： 明白。你说每天支付 300 万美元，12 个月后会是多少？
Brendan： 12 个月后大概翻三倍。
Harry： 900 万。你觉得这目标够有野心吗？
Brendan： 也可能翻四倍。我们的内部预测一向比对外口径激进得多——但去年的实际数字几乎把内部预测又翻了一倍。
Harry： 五年后会出现什么今天还不存在的新职业？
Brendan： 人们最低估的一件事——无论对 AI 实验室还是对企业而言——是“训练智能体”会成为一个多么庞大的职业类别。我们看到的趋势是：所有知识工作都在向“训练智能体”收敛，因为从结构上讲，一件事只做一次的效率高得多。与其让客服代表重复回答几百张工单，不如训练一个智能体一次学会；与其让律师在商业合同上重复做几十处类似的修改批注，不如训练智能体把这套活自动化。
甚至你自己玩 Claude 的时候也会发现，准备会议、起草邮件之类的大量重复性流程，都是训练智能体做一次、然后在它的整个有效生命周期里摊销，比你一遍遍重复做要高效得多。
所以我认为，随着智能体进入劳动力市场、人人都开始管理智能体，一场巨大的范式转移正在到来。
Harry： 说到企业落地，我认为最大的难题之一是数据结构和数据整洁度。前几天我采访的一位嘉宾说，“数据清洗师”会是未来五年最重要的职业之一。数据结构和整洁度是企业落地 AI 的最大障碍吗？
Brendan： 部分同意。模型确实需要拿到数据才能干好活。但有个附带条件：随着推理能力提升，模型自己就能把数据清洗得相当好。真正需要人来贡献的，是组织里那些没有写下来的隐性知识（tacit knowledge）。我自己的体会是，当我让智能体在 Mercor 内部跑各种工作流时，总有海量的上下文只存在于员工脑子里，而智能体必须拿到这些上下文才能干好活。
所以，员工的新工作很大程度上会变成：怎么把这些知识编码成文？怎么训练智能体，让它们能在组织的每个职能里把任务干好？
Harry： 我再追问一句——你刚说推理能力提升，所以企业清洗数据会更高效。为什么？
Brendan： 原因很简单：如果模型能读完 Slack 里过去六个月的全部消息，它大概率就能把 CRM 里所有客户对话整理成一张结构化的表。所以“怎么把数据结构化、怎么分类”这类活，我不认为还需要人来做。但人终归要做模型本质上做不了的事，比如那些隐性知识。
Harry： 再看看给全球最大模型做数据供应的这个市场——市场大到正在拆分成一个个垂直赛道。前几天我见到一家做医疗真实世界数据的供应商：他们让外科医生做手术时戴着摄像头，把真实世界的数据全录下来。
数据供应市场会出现大规模拆分吗？未来就是这么演进的吗？
Brendan： 有意思。我们也在物理世界做大量数据采集，尤其是技能型领域——电工、机械师、科学家把摄像头绑在头上录制工作过程。我认为，那些能在某个垂直领域钻得极深的小众供应商，总会有一定的价值。但我们发现，聚合和规模经济的价值是巨大的：我们有超过 500 万人的人才网络，成员可以推荐朋友，要找“边际上的一个医生”就容易得多，因为这张庞大的网络能帮我们触达。更重要的是，我们为律师构建的数据结构，和为医生构建的往往非常相似——我们打造的所有工具都能高度复用。大多数实验室的数据扩张也正是这样横向展开的。
所以我们发现，实验室往往更愿意和一个能横跨所有垂直领域、扩张极快的横向型供应商合作，而不是去对接 100 家供应商、在 100 个领域里为同一种数据结构重复培训他们。
Harry： 你觉得会经历一轮整合吗？现在这类公司多如牛毛——到最后你们会不会直接把那家医疗数据公司买下来，因为医疗数据太关键了？会有整合期吗？
Brendan： 我认为会有。在大多数市场里，当市场过热、谁都能拿到钱、烧着负毛利跑的时候，自然会冒出一大堆公司；而当市场回归理性、出现自然回调，整合期就来了。所以我们把 5 亿多美元现金和超强的盈利能力视为重要资产——它能让我们在市场回调到来时做好准备，把市场份额整合过来。
Harry： 你们现在是盈利的？
Brendan： 非常盈利。
Harry： 盈利多久了？
Brendan： 我们基本没烧过钱。种子轮之后烧过 50 万美元，从那以后几乎一直盈利，现在账上现金比累计融到的钱还多。原因就是业务增长太快——我们当然想尽快把钱再投出去推动增长，但业务跑得太快，资本再部署的速度根本跟不上。
营收是不是真营收：10 亿美元与三成毛利
Harry： 再粉碎一个传闻：自从阿达什第一次上过节目之后，就有人说“你们的营收不是真营收，是 GMV”。那到底该怎么理解你们的营收？现在的营收是多少？
Brendan： 确切数字我不能说，但比外界公开报道过的任何数字都要高得多。
Harry： 给个量级吧，照顾一下我这种数学不好的人。
Brendan： 真的是 10 亿美元这个量级。
Harry： 这数字好算。
Brendan： 实际比那还高不少，不过你先拿这个算。
Harry： 好，就按 10 亿算，我脑子够用。这 10 亿，是像爱彼迎（Airbnb）那样的“平台流水”，然后你们抽两成吗？
Brendan： 我们的营收对应 30% 到 40% 的毛利率。但关键区别在于——为什么它是营收而不是 GMV：专家只是我们交付给客户的整条价值链中的一环。客户来找我们，买的通常是“任务”：比如他们愿意为某个能带来模型提升的任务付 1000 美元。
然后我们端到端地搞定剩下的所有环节：怎么找到专家？怎么面试、录用专家？怎么搭建供专家工作的平台？怎么让 AI 项目经理管理专家、把数据生产的所有协调工作自动化？怎么做自动化质检？最终把“任务”这个成品交付给客户。这就是我们和典型平台生意的最大区别：我们由人才网络驱动，就像优步（Uber）由司机网络驱动——但人才网络本身不是最终产品，这一点和那些市场平台生意完全不同。
Harry： 我觉得特别有意思的一点是——你可以反驳我——你们这门生意的进化路径：最早是“给全球最大的模型供应原始数据”。
那是起步时的样子；现在变成端到端全栈了：你们把一切都做好、全部准备停当，再交付给客户。
Brendan： 完全正确，高度垂直整合。为什么？因为下游信号的太多环节会反过来指导上游。比如，我们可以用质检信号——每个数据点的质量有多高——来精确判断该引入哪类专家，才能产出对模型提升最大的数据。而且“能驱动模型提升的数据”往往呈极强的幂律分布：一个 1 万个任务的数据集里，排前 2000 的任务创造了大部分价值。所以质量极高的供应商能形成极强的差异化，进而拥有定价权——质量是那个 X 因子，它的价值远超其他任何维度。
用巴菲特的尺子量 Mercor：轻资产、几乎不烧钱、现金多于融资额、定价权来自“质量幂律”而非规模补贴——这几条都漂亮。但护城河的形状值得细看：它的网络效应在供给侧（500 万专家网络的推荐与工具复用），需求侧却是高度集中的少数实验室，这让护城河更像一把双刃剑——供给侧越强，对单一实验室的交付依赖越深。芒格会欣赏它 30% 到 40% 的毛利和拒绝 GMV 注水的诚实口径，也会追问同一个问题：十年后，当模型把“训练智能体”这件事本身也自动化时，人类专家的稀缺性还值多少钱？
Harry： 什么任务价值最高？医疗类、金融建模类那种吗？
Brendan： 和经济价值高度对应。排一下我们服务的前五大领域：软件工程、金融、医疗、法律、咨询等等——以及这些领域里时间跨度超长的任务。
我们正在从“找个投行家做一份财务模型”的范式，转向“找个投行家，他能和五位同事来回沟通、等各方回复，最终拿出一整套交付物——包含财务模型和分析的完整幻灯片，整个项目横跨数周”的范式。我们需要构建的正是这类任务，去推进研究和评估的前沿——这样 6 到 12 个月后，人们就能在模型里用到这些能力。
Harry： 哪个板块是你们服务不足的？
Brendan： 你指模型能力上的不足？
Harry： 我是说数据供给上——比如医疗数据不够、金融建模数据不够。有没有哪个板块，你会想“要是能收购一家这个领域的公司、补上数据供给的窟窿就好了”？
Brendan： 我分两个角度回答——Mercor 的视角和实验室的视角。从 Mercor 的角度，我们动员专家的能力已经强到几乎能覆盖任何领域。
当然总会有一些小众口袋——比如某个特定背景的肿瘤医生群体——但一般我们都能很快补齐。真正的瓶颈其实是“既站在专业前沿、又熟悉 AI 前沿”的人：既懂肿瘤学，又是 ChatGPT 或 Claude 的深度用户，能发现模型在哪儿犯错、帮模型从错误中学习。这是 Mercor 的视角。
从实验室的视角看，需求几乎是无所不包的。比如，要把你在 Google Workspace 里能做的一切全部自动化，瓶颈就在于：怎么覆盖全部上下文——消息、Slack、幻灯片、Excel 表——以及你工作中所有任务、提示词和输出的完整分布。这对经济中每个人、每个领域都成立。所以现在有一场声势浩大的动员：几十万、很快会上百万的人，去把“你能喂进 Google Workspace 的一切、以及你期望它产出的一切”的完整分布构建出来，覆盖经济中每一个职业类别。
Harry： 在聊你那条让我有点发毛的推文之前，先确认一下：你说过营收的 30% 到 40% 是你们大致的毛利率水平。
Brendan： 大致是。
从直升机到法拉利：融资全历程
Harry： 好。那回顾你们融过的几轮，哪一轮的估值让你自己最不舒服？
Brendan： 好问题。我把每一轮的估值和当时的营收都过一遍。先说种子轮——
Harry： 彼得·芬顿（Peter Fenton）不是开着直升机来接你们的吗？
Brendan： 那是 A 轮的事。种子轮是 2023 年 9 月，当时年化营收差不多 100 万美元、还差一点。我起初根本不想融资，想自力更生把公司做起来。但阿达什和苏尔亚退学的条件是：我们得先融到钱。于是我们周日早上 8 点去见了 General Catalyst（通用催化资本），36 小时内他们就给了投资条款清单：230 万美元，投后估值 2300 万。以当时的价格看，相当公道。
Harry： 是 Max 和 Nico 吗？
Brendan： 对，Max 和 Nico。然后是 A 轮——其实从种子轮到 A 轮，业务没涨多少。
但我们发现“市场”成了关键的差异化因素。2024 年 5 月，年化营收 150 万美元时，我们认识了 Benchmark 的维克托·拉扎特（Victor Lazarte）。维克托特别兴奋，但我起初连第二次会面都拒绝了。结果他问：“你坐过直升机吗？”于是彼得带我们飞了一趟直升机。Benchmark 是真心想投我们。等他们给出条款清单时，我们年化营收约 250 万美元，他们给了 2.5 亿美元投后估值。
Harry： 那感觉不难受吗？跳得可不小——从 2300 万投后到 2.5 亿。
Brendan： 要知道，当时听起来很疯狂，因为我们营收只有 250 万美元。但我当时的预测是：当年年底年化营收做到 5000 万，第二年年底做到 5 亿。所以感觉跟捡了便宜似的。
Harry： 老兄，所有创始人都是这么预测的，你知道吧。
Brendan： 但我们兑现了。
Harry： 那倒是，不过这种兑现可不常见。
Brendan： 四个月后，我们认识了 Felicis Ventures（菲利斯资本）。我们这公司从来不写融资 PPT，也不跑投资人会议。Felicis 给我们发了封邮件：“我们知道你的联合创始人苏尔亚特别喜欢法拉利，要不要跟我们一起去飙法拉利？”我回信说：“你们成功引起了我的注意，细说。”他们说：“我们在海沃德机场碰头，坐艾登·森库特（Aydin Senkut）的私人飞机去拉斯维加斯，在 F1 赛道上飙法拉利。”我说：“三周后的周日我们有空。”然后这事就成了。
飙完法拉利，我们当时年化营收 2000 万美元。他们问我们觉得什么估值合理，我说 10 到 20 亿美元。于是他们给了 20 亿美元估值的条款清单。在当时，那是 100 倍营收，所有人都觉得这估值高得离谱。可结果呢，那是一笔绝佳的投资。
“在当时，那是 100 倍营收，所有人都觉得这估值高得离谱。可结果呢，那是一笔绝佳的投资。” "And at the time, that's 100 times revenue. And everyone thinks that that's a high valuation. Meanwhile, it was an incredible investment."
▍点拨：100 倍 ARR 在 2024 年的 SaaS 语境里是天方夜谭，在 AI 超增长语境里却成了“捡便宜”。这句话的含金量在于事后验证：从 20 亿美元估值到一年后的 100 亿美元，再到录制时“业务又涨了快 4 倍”——当年嘲笑 Harry 的那几家大机构，错过的是一台月环比 50% 的复利机器。它也标定了这轮 AI 周期的估值坐标系：当增长以月计，用年的框架定价必然失真。
Harry： 说实话，我采访阿达什就是那个时候。采访完我跟他说：兄弟，我特别想投，求你了让我投点。
你人很好，让我放了一小笔进去。之后我又跟好几家全球最大的投资机构聊——你别介意——他们都笑话我：“兄弟，那价格太高了，太贵了。”
Brendan： 事情是这样的：此前六个月，我们每个月环比增长 50%。而他们都没意识到的是，这个增速在此后 12 个多月里一直延续了下来。复利越滚越猛，到 2025 年 9 月——或者说 10 月——我们年化营收到了 4 亿美元。Felicis 说想加注，给了我们 100 亿美元估值的条款清单。我们当时不太想在融资上花时间——业务每月 50% 地涨，我们忙得不可开交——所以很快就定了，那轮大约 25 倍营收。而从那以后，业务又涨了快 4 倍。
Harry： 所以复盘一下：哪一轮最让你不舒服？
Brendan： 非要选的话，B 轮定价相对我们的增长透支得最多——或者说 A 轮。应该是 B 轮，因为两轮都是 100 倍营收。
但年化营收 250 万时的 100 倍，和年化营收 2000 万时的 100 倍，完全是两码事。所以 B 轮大概是透支最多的一轮。当然，事后看，两轮都是极好的投资。
Harry： 下一轮呢？
Brendan： 走着瞧。估值大概率会高得多——现在有不少明显更高估值的报价找上来。但公司盈利能力相当强，所以我们不着急，慢慢看谁是合适的伙伴。
Harry： 而且你们融资还一路升级交通工具啊：直升机、法拉利……
Brendan： 观察得很准，没错。
Harry： 那 D 轮得安排一艘战舰了。
Brendan： 完全同意。我还没上过战舰呢，听起来就很好玩。
Harry： 就这么定了。红杉（Sequoia），把战舰排上队。
模型即产品：应用层为什么建不出护城河
Harry： 你发过一条推文：“未来 12 个月，Anthropic 和 OpenAI 上游的基础设施公司，日子会比它们下游的应用层公司好得多。”你为什么这么判断？
Brendan： 理由是：应用层公司的生意，和基础模型公司的生意并没有隔着多远。
对 Claude 来说，把能力扩展到医疗和法律场景并不是什么大跳跃——显然，他们在软件工程上已经这么干了，金融也照样可以。所以我觉得，在模型之上的软件层构建护城河会难到极点。而反观另一侧——基础设施这一侧，我看到的是真正有意义的护城河正在形成：我们自己就在业务里复利积累着巨大的网络效应，还有为客户构建数据资产库存带来的可观数据护城河；算力公司显然也能靠极长的研发周期建起护城河。所以我认为，基础设施层会出现高利润、可持续的盈利生意——而应用层能不能做到，就没那么一目了然了。
Harry： 你看到 Nebius 的事了吗？不知道你听说没有，他们把价格上调了 30%。
Brendan： 我不知道。全线产品都调了？
Harry： 而且对需求零影响。这是不是太疯狂了？涨价 30%，需求纹丝不动。
Brendan： 说实话，我们大概也一样：需求摆在那儿，一夜之间就能翻倍——我们只是产能跟不上。所以核心问题是：我们能多高效地扩张、多快地动员人来把这些环境构建出来。
“需求摆在那儿，一夜之间就能翻倍——我们只是产能跟不上。” "...we have the demand to double overnight. We just don't have the capacity."
▍点拨：涨价 30% 而需求纹丝不动的 Nebius，和需求溢出的 Mercor，说的是同一件事——2026 年的 AI 基础设施侧是彻底的卖方市场。但 Brendan 选择不顺势提价，理由是“不给市场留氧气”：用克制的毛利挡住竞争者进入，用规模把网络效应滚大。这是典型的亚马逊式定价哲学——牺牲当期利润，换十年后的市场结构。
Harry： 你们做价格弹性测试吗？如果价格翻倍、业务也能翻倍的话。
Brendan： 价格翻倍可能做不到，产能翻倍可以。提价 30% 大概也不会有什么影响。但还有一点要考虑：定价不只是未来六个月的最优化问题，而是未来十年能不能赢下市场的结构问题。所以我们非常专注：怎么做对客户最好？怎么做对专家最好？怎么在此过程中建立一门可持续的生意？同时确保不给市场留氧气——因为高毛利会招来竞争。
Harry： 好巧，我自己就投了几家下游的应用层公司，比如你刚才提到的 Legora。我们都看着 Legora 和 Harvey 打得不可开交。
我觉得大家其实都想明白了：他们不该互相残杀，真正该提防的是 Anthropic——正合你的观点。
Brendan： 没错。
Harry： 但我转头又一想：应用层明明有惊人的护城河啊。产品做得很深，完全贴着律师的工作流打造。Anthropic 要追上来，得专门组建产品团队、成立事业部，还得搭 GTM（市场进入）团队、客户成功团队、落地推广团队——那是一家完全不同的公司。护城河明明就在那儿。你来反驳我。
Brendan： 也许吧。我说两点。第一，过去两年大家越来越认清一个事实：模型即产品（the model is the product）。我们曾经搭过各种抽象层——拼接 API 调用、打满补丁式的逻辑，当年还流行过各种拖拽式智能体搭建器。后来大家发现：只要把终极目标交给模型、训练它去达成这个目标，它几乎在我们追逐的每一个场景里都胜过了所有其他方案。这对那些端到端训练模型的公司是极大的利好。
第二，软件层如今已经可以被极快地复刻。我们正在构建一套评估集，专门衡量智能体端到端搭建完整 SaaS 应用的能力。2025 年的命题还是“怎么让模型在代码库里提一个 PR”，2026 年的命题已经是“怎么让模型端到端克隆一个 Slack”。这些能力在未来 12 个月内就会出现在模型里。对那些赌“软件护城河能守住生意”的公司来说，这意味着翻天覆地的变化。
“过去两年大家越来越认清一个事实：模型即产品。” "...everyone has increasingly realized that the model is the product."
▍点拨：这是全期最锋利的一句话，也是本期标题的出处。它的含义是：所有在模型外面包的“壳”——提示词工程、编排逻辑、拖拽式搭建器——都会被下一代模型的端到端能力直接吞掉。2025 年模型学会在代码库里提 PR，2026 年模型学会克隆 Slack；应用层“精心打磨的产品”与模型的一次能力升级之间，只隔着一个季度的训练周期。
Harry： 顺着这个外推：公司内部完全由智能体主导、自建一个 Slack，能做多好？那“SaaS 已死”的论断就成立了——如果一家大公司只需要少量定制和集成，比如一家房地产公司需要和特定价格数据商对接，那它自己建一个就行了。
Brendan： 我大体同意。但有个例外：当这些公司拥有网络效应时，那里面的护城河很可能没有被充分定价。比如赛富时（Salesforce），有大量公司在它的平台上构建集成，围绕着它形成了一个近乎市场平台的网络效应。
再比如 Slack 有 Slack Connect。我认为卡塔（Carta）也是一个绝佳的例子——用它的人希望自己所有的公司都在同一个平台上，这就是网络效应。有网络效应的公司，某种程度上能创造更多价值：它们可以以 10 倍的速度迭代产品，同时借助网络效应为客户创造更多价值，进而做出更值钱的产品、收更高的价格、涨更多营收。而没有网络效应的公司会举步维艰——它们纯靠软件本身，根本没有可守的护城河。所以对我来说，这就是那块试金石：它决定了一家公司是会变得一文不值，还是能靠 10 倍的产品迭代速度实现价值暴增。
Brendan 给出的试金石——“有没有网络效应”——与巴菲特、芒格的护城河框架完全同构。赛富时的集成生态、Slack Connect 的跨组织连接、Carta 的“所有公司同平台”，本质都是“每多一个用户，产品对所有用户更值钱”；在无形资产、转换成本、网络效应、成本优势这四种经典护城河里，它是最难被资本砸穿的一种。反过来读这句话更冷：没有网络效应的 SaaS，在“模型能克隆 Slack”的时代，既不是资产，甚至连“待收购的功能”都算不上——它的归宿是被一段提示词复刻。
Harry： 你说大家越来越认识到“模型即产品”。如果我反驳说“GTM 才是产品”呢？向律所卖软件，关键是坐在科律（Cooley）、古德温（Goodwin）、伟凯（White & Case）、高伟绅（Clifford Chance）这些大所的会议室里，和采购决策人建立关系，然后是客户成功和落地推广。
真正的壁垒在 GTM，不在产品。
Brendan： 这一点我部分同意。但我要加个限定：与其说是 GTM，不如说是“前置部署”（forward deployed）模式——前置部署是售后，GTM 是售前。为什么？假设你销售能力天下第一，卖的是一个 SaaS 产品，而你的客户很精明，每年在这个 SaaS 上花 100 万美元。有一天他们发现，直接让 Claude 把这产品复刻一遍，得到的东西一模一样——那就算你销售天下第一，定价权也守不住。
而反过来，如果你有很强的前置部署模式：深入客户内部，基于公司里所有隐性知识训练智能体，让它懂得如何高效工作——这才是真正差异化、难以复制的东西。这也是我们看到各大实验室——OpenAI 和 Anthropic——在前置部署上投入如此之重的原因。
红杉那篇《服务即新软件》（services are the new software）之所以引起强烈共鸣，道理就在这里：软件护城河正在一点点消融，而在软件之上叠加服务、贴着客户的现状走完最后一英里，才在创造更强的防御力。
“前置部署”（forward deployed）模式源自 Palantir：把工程师直接放进客户现场，贴着真实业务流程做交付，再把现场经验回写成产品。它和传统 SaaS“卖标准品”的逻辑正好相反——卖的是“最后一英里”的定制落地。2025 年以来，OpenAI、Anthropic 先后组建前置部署工程团队，Scale、Mercor 等数据公司也把交付组织扩到百人级。“服务即新软件”之所以成立，是因为隐性知识只存在于客户的组织里——谁贴近它，谁就拿到模型进不去的入场券。
Harry： 你信这个新的性感赛道吗？风险投资人都很可爱，但他们现在热捧的这个概念是：“AI 赋能的服务业”才是未来的金矿。
Brendan： 在很大程度上，我信。
Harry： 真信？
Brendan： 关键在于，你得确认他们真的会充分利用 AI。很多公司只是在堆服务，并没有从 AI 获得显著的竞争优势——这是必须警惕的地方。但整体上这个方向非常理性。我拿 Mercor 自己举例：在把人才网络的人力时间转化为“高度还原工作场景的富环境”的过程中，有大量的人工协调工作——怎么回答专家的问题？怎么追踪项目 KPI、把项目管理好？怎么为项目定制工具？
我们的交付组织大约有 100 到 150 人，做的就是这种前置部署的活，帮客户走完最后一英里。但现在，我们的 AI 项目经理刚刚端到端交付了它的第一个完整项目：它能自己招聘专家、回答他们的问题、用我们平台内的编程工具搭建标注工具，并产出最终的数据类型。而且专家们对项目的体验反馈都很好——他们是向那个 AI 项目经理汇报工作的。所以我们正在实时目睹：服务本身正在被自动化。这将是经济中一场非凡的变革。
Brendan 的推演有一个隐含假设：模型厂商的能力升级会均匀覆盖所有行业。现实中，医疗的合规资质、法律的保密义务、金融的牌照与审计链条，都是模型能力无法直接穿透的非技术壁垒；企业里沉淀多年的私有数据与工作流，也不是“让 Claude 复刻一遍”就能搬走的东西。何况这套“模型即产品”的逻辑对模型厂商自己同样成立——Brendan 在下半场亲口承认，五年后大部分推理会跑在开源和蒸馏模型上。如果壳守不住，核也未必守得住，整条链上真正稳赚的，可能只有卖铲子的和卖电的。
Token 经济学：杰文斯悖论与算力支出超过人力
Harry： 驱动智能体运转的，显然是 token。我原以为故事的走向是：token 效率不断提升、token 成本不断下降。可现在所有人的 token 成本都在涨。帮我理解一下：未来 6 到 18 个月，你怎么看 token 成本的走势？为什么？
Brendan： 这是杰文斯悖论（Jevons paradox）的绝佳案例，和我们刚才聊的“人变高效了、工作反而变多”是同一个逻辑。当模型一年比一年强 10 倍、单位性能的成本一路下降，模型的总消耗量就会一路涨上去。至于后续走势，我认为这个趋势会非常、非常显著地延续，远没到企业 token 消耗见顶的时候。就说现在：我们花在内部智能体 token 上的钱，已经超过花在员工薪酬上的钱。而且我认为，大多数企业未来都会变成这个样子。
“我们花在内部智能体 token 上的钱，已经超过花在员工薪酬上的钱。” "...we're spending more on tokens for our internal agents than we are on employee headcount."
▍点拨：这是本期传播最广的一句话，也是冷开场预告里的第一金句。它的冲击力不在金额，而在结构：当一家 400 人公司的算力账单超过工资单，“软件公司”的成本结构就和传统 SaaS 彻底告别——销售成本里第一次出现了“会思考的原材料”。对照贝尼奥夫披露的数字（赛富时花在 Anthropic 上的钱只占开发者薪酬的 3.8%），可以看出新旧两个世界之间隔着多远，也能掂出 Brendan“五年后企业算力支出超过人力支出”这个赌注押的是多陡的一条曲线。
Harry： 等等——你们花在智能体 token 上的钱，已经超过员工薪酬了？
Brendan： 没错。
Harry： 也就是说，token 支出超过了工资总额。
Brendan： 正是。
Harry： 这也太夸张了。
杰文斯悖论（Jevons paradox）出自 19 世纪英国经济学家威廉·斯坦利·杰文斯：蒸汽机效率提升后，英国的煤炭总消耗不降反升——效率降低了使用成本，反而打开了海量新需求。石油、电力、云计算都重演过这一规律。Brendan 用它解释 token 经济：模型一年比一年强、单位成本持续下降，但企业和个人的总消耗涨得更快——降下来的每一分钱都被新场景吃掉了。这也是“AI 让人失业”与“AI 让 token 更便宜”两个叙事背后共同的底层机制：效率从不杀死需求，只会重新分配需求。
Brendan： 我们的管理方式是：公司里有一批关键工作流，各自配了智能体——比如管理运营的 AI 项目经理，就是我刚才说的那个；比如面试提问智能体，我们已经用它做了 500 多万场面试，面试问题全部由它提出；比如面试排序，也就是更大范围的候选人排序，帮我们评估所有候选人、把关该招谁；再比如财务自动化智能体、反欺诈智能体，等等。每个智能体都对应一套评估（eval），告诉我们这个场景下用哪个模型最好、该场景当前的价格性能前沿在哪里。这套评估让我们可以决定：推理预算往哪儿分配、用哪家供应商，等等。
我相信，未来每一家财富 500 强公司都会长成这个样子：他们需要一个“权威记录系统”（system of record），用来评估和定义每个工作流里智能体的行为；并且会用它把模型层商品化——因为他们想要模型之间的完全竞争，切换成本为零。
我们正凭着这套能力在企业市场高速扩张，帮企业把记录系统建起来，为他们业务里的每个场景搭好评估。
Harry： 你觉得模型层的商品化真的会来吗——企业客户能把自己的工作流高效封装起来，从而把模型层商品化？因为眼下它显然还没被商品化。
Brendan： 我认为要区分一下：被商品化的是 API 层。在 API 之上，你完全可以建立粘性和工作流。比如我自己在 Claude Code 里跑了一大堆例程，要我迁走它们大概很难——至少我懒得花那个时间；我在 ChatGPT 里也跑了一堆类似的东西。所以建立粘性的方式有很多。但对纯 API 型产品来说——如果我们一年就在某个工作流上花 1000 万美元，那我们当然会为它建一套评估。
每次新模型发布，我们就跑一遍基准，精确搞清楚该怎么在模型之间热切换、怎么做模型蒸馏。
Harry： 为什么被商品化的是 API 层？
Brendan： 因为切换成本为零。切换成本为零，而每两个月就出一个新的前沿模型——那我们当然会迅速换掉。最终所有决策都归结为一个数字：该工作流对应的评估得分。所以可以一对一、可热插拔地比较模型——这几乎就是“大宗商品”的定义。
Harry： 我还没从“token 支出超过人力成本”里缓过来。
说起来，马克·贝尼奥夫（Marc Benioff）前几天说，赛富时一年在 Anthropic 身上花 3 亿美元——听着很多，但拆开一算，这只相当于他们开发者薪酬的 3.8%，其实比人们想象的少得多。你觉得 24 个月后这个比例会是多少？
Brendan： 你问的是赛富时？
Harry： 对。
Brendan： 24 个月我说不好，但我敢打赌：五年后，普通企业在算力上的支出会超过在人力上的支出。理由是，模型正在变得太强了——花 10 万美元年薪的成本让模型去干一件事，投资回报率高得惊人，而且这种回报会以指数速度复利增长，人类智能不会。人依然会在模型做不了的事情上扮演重要角色，但我预计推理成本、算力成本会超过人力成本。
这件事之所以让我格外感兴趣，是因为：为你的特定工作流建一套评估，往往是模型性价比的 10 倍杠杆。还拿赛富时举例：建一套“某个模型在他们的场景里代码生成做得有多好”的评估，他们就能蒸馏模型——用一个开源模型做到同等甚至更好的效果，成本却低得多。随着企业的每个工作流都在向算力和大额推理支出迁移，他们必须拥有这样的评估体系，作为“工作流是否被正确执行、是否用对了模型”的事实基准。
截至 2026 年 9 月，这条判断的方向已被公开数据反复验证：前沿实验室的营收曲线在 2026 年持续垂直拉升（公开报道的量级口径：OpenAI 年化营收数倍于上年，Anthropic 增速更陡），推理价格一降再降，总消耗却成倍放大——杰文斯悖论在 token 上分毫不差。企业侧，“AI 预算增速超过整体 IT 预算”已从轶事变成 CIO 调查里的常态；但“算力支出全面超过人力支出”目前仍只出现在 AI 原生公司（如 Mercor 自己），传统大企业离这条线还远——贝尼奥夫的 3.8% 才是现实水位。五年之约，目前只能算“方向已验、斜率待验”。
Harry： 恕我直言，今天的评估体系不是挺鸡肋的吗？就像考驾照只考“怎么绕过一个弯”，考得特别具体，可真实世界根本不是那么开的，实操性很差。
Brendan： 问题恰恰在这儿。过去的范式是一堆学术基准，和企业真正关心的结果完全脱节：从考博士级推理的 GPQA，到考奥数竞赛的 IMO，再到考那些没人在乎的学术长尾问题的“人类最后的考试”（Humanity's Last Exam）。而现在的焦点是：怎么让模型端到端完成一个工作流——像我们刚聊的，协调多位同事做出一份财务模型或一套幻灯片？怎么让模型端到端搭建一整个 SaaS 应用？这就是为什么“推进评估前沿”本身成了下一代模型发展的关键研究命题，所有人都在大举投入。
Harry： 好，下一代模型发展。如果把你刚才说的串起来，我会得出两个结论：第一，坏了，我们应该把所有钱都押进 OpenAI 和 Anthropic。但随即我又意识到——你可以再次反驳我——今天大多数创业公司，尤其是西海岸的，都是先用前沿模型探路、看能把它推多远，然后用开源模型（通常是中国模型）以低得多的成本逼近同样的效果。这么一来，OpenAI 和 Anthropic 天然就被成本效率高得多的开源模型夹击。对还是不对？
Brendan： 两边都对。五年后的需求会比今天多好多个数量级——可能是四五个数量级。但竞争也会加剧：人们会蒸馏模型、用微调过的开源模型来完成自己的工作流。说到底，我认为 OpenAI 和 Anthropic 都是极佳的投资标的——市场似乎正在形成这种共识，而仅仅几年前还不是这样。但与此同时，我认为五年后的大部分推理会跑在开源模型、定制微调模型或蒸馏模型上，而不是前沿模型上。
Harry： 有意思。你刚说它们是极佳的投资。五年后它们会到什么位置？
Brendan： 你指估值？
Harry： 对，估值。
Brendan： 估值……哇。
Harry： 我们就算它们现在都是万亿级，大差不差。
Brendan： 嗯，这很难想象。
Harry： 估值问题。这段我五年后会翻出来回放，到时候我们一起回头看——要么我们极有先见之明，要么错得离谱。
Brendan： 估值的话，我完全能看到其中一家成为 10 万亿美元公司，甚至可能远高于此。做前沿模型的机会太大了，它会吃掉经济中太多太多其他的需求。而且这意味着：当你握有前沿模型，你可以拿它当教师模型，蒸馏出自己最好的小模型，等等。所以我猜，它们之中至少有一家会值超过 10 万亿美元。
“我完全能看到其中一家成为 10 万亿美元公司，甚至可能远高于此。” "I could definitely see one of them being a $10 trillion company, maybe even significantly higher."
▍点拨：10 万亿美元意味着再造两个苹果。支撑这个判断的链条是：前沿模型吃掉经济中越来越多的需求→握有前沿模型就能拿它当教师模型蒸馏一切小模型→赢家通吃。Harry 说这段五年后要回放——届时检验的不只是数字，还有链条里最脆弱的一环：蒸馏与开源到底是在给前沿模型抬轿，还是在拆它的台。作为参照，全球市值最高的公司（英伟达）也是在 2025 年才首次突破 4 万亿美元——这个赌注的时间表，比它的方向更值得玩味。
押注英伟达、财富集中与税制之辩
Harry： 顺着“需求多几个数量级”“算力支出超过工资”再往下推，我的下一个疑问是：那我们为什么不把所有钱押进英伟达（Nvidia）？我知道这问题听起来有点抖机灵。
Brendan： 估值层面讲，这想法不算疯狂。英伟达显然是门极好的生意，执行力会一直很强。唯一的变数是，我们似乎正在走向多芯片的未来：Cerebras 执行得很出色，我和 Etched 那帮朋友也很熟，而且大多数实验室都在自研芯片。所以我猜五年后，英伟达不会再有今天这样的垄断地位。不过也没关系——哪怕它在这个遥遥领先的全球最大市场里只占三四成份额，那依然是全世界最值钱的公司。
Harry： 说到“全世界最值钱的公司”：现在价值正以前所未有的程度向头部几家公司集中——今年以来的涨幅，84% 由前十大公司贡献。你不担心价值过度集中到这么少的玩家手里吗？
Brendan： 某种程度上是担心的。我确实担心：怎么让 AI 的红利更平滑地惠及全社会？怎么确保每一家企业、每一个人都能充分享受 AI 的好处，而不是只有旧金山的一小撮人？但说到底，资本配置有它的自然逻辑：把算力给 Anthropic 这样有边际需求、立刻就能用起来的公司，比给一家未必能用它创造出最大价值的公司更有效。所以我认为，从资本配置和效率的角度看，这大概是好事——只要我们能妥善应对不平等加剧的社会后果。
“前十大公司贡献 84% 涨幅”这句话反着读才完整：一旦头部叙事动摇，市场的下跌也会同样集中。Brendan 从资本效率角度为集中度辩护，但集中的另一面是系统性脆弱——英伟达一家公司的资本开支预期就能左右整个 AI 板块的估值，而 AI 板块又左右着美股指数与千家万户的养老金账户。资本配置效率与社会韧性之间存在真实的取舍，这不是一句“妥善管理社会后果”就能对冲掉的。
Harry： 说到不平等加剧，你写过一篇文章——我从你推特上看到的——主张取消美国收入后 50% 人群的个人所得税。聊聊这个。
Brendan： 我对这个主张非常认真。其实这是我大一那年写成的一篇研究论文——那是我在大学里干的为数不多的正经事之一。论文的核心论点是：经济中最大的正外部性是就业。人们总爱谈负外部性——碳排放、吸烟，所以要征税。但一方面，最大的正外部性是就业；另一方面，大多数经济体筹集收入的结构性方式，却是在惩罚就业：个人所得税惩罚个人，工资税（payroll tax）惩罚企业。随着我们走向岗位替代加剧的世界——尤其是美国收入后 50% 的人群，他们的岗位数量会越来越不确定——我认为这会演变成极其严重的问题。
所以我建议转向另一种范式：对那些不会扭曲经济激励的东西征税。一个很好的例子是资本利得：反正我总要投资资产，资本利得税高一点，我也不会因此就不投了。
所以我认为，对资本利得征税——尤其是短期资本利得，它对经济的益处本来就不如长期资本利得——在结构上会比对劳动收入征税好得多。
Harry： 恕我直言，提高资本利得税，就会打击投资者承担风险的意愿。我凭什么要多交税？我本来就在承担风险，在别人不愿投、银行不愿投、所有数据都叫我别投的时候投资创新。现在你要因为我承担了风险而多征我的税？这当然会抑制投资。
Brendan： 关键在于，投资者承担高风险时，通常是以组合的方式、汇总承担的。所以应该对整个投资组合的整体收益征税——我知道你不爱听资本利得税这几个字，Harry……
Harry： 不不不，我很礼貌地说一句：这逻辑就是错的。因为人会跑。
Brendan： 我同意，最需要小心的确实是人们会搬去别的法域——这显然会制造问题。但我是说，资本利得只是选项之一。
Harry： 抱歉我又插嘴了，你可以当我没说——可“制造问题”恰恰就是全部要害。你跑去一个没有资本利得税的地方，政府就一分钱税收都没有了。抱歉，原谅我激动。我们生活在英国，这里有绿党，一帮理想主义者天天喊加税——好啊，那我们就走人，然后你什么都收不到。
Brendan： 同意。确实需要做敏感性分析：加税到什么程度会导致人们直接离开、政府总收入反而下降。但换个思路，还可以对“未必是好东西”的消费征税。我一直觉得不可思议：我们不去征碳税，却在征美国收入后 50% 人群的税。碳排放至少是经济中明确的负外部性，在美国居然不征税。所以我觉得，有大量低垂的果实可以摘——既不以扭曲的方式伤害激励、也不逼人跑路，又远好于征底层一半人的税。
还有一组数据：底层 50% 人群的个税只占政府收入的 3%。只有 3%——考虑到取消它对普通人的巨大影响，对政策制定者来说，这本该是个很容易下的决定。
Harry： 那你会对预测市场征税吗？那玩意儿就是赌博。
Brendan： 我大概会征。好的预测市场确有价值——帮人们对未来形成有效预期、为生活和投资组合做对冲——但征税大概也无妨。说到征底层 50% 人群的税这个话题：杰夫·贝索斯（Jeff Bezos）转发了我那篇文章，我当时欣喜若狂，太酷了。
祛魅、欧洲与人才军备竞赛
Harry： 确实挺酷的。你见过的最酷的人是谁？
Brendan： 我特别喜欢黄仁勋（Jensen Huang），也特别欣赏萨提亚·纳德拉（Satya Nadella）。我见过的牛人太多了。达里奥·阿莫迪（Dario Amodei）和萨姆·奥特曼（Sam Altman）显然都非同凡响，但非要选一个——黄仁勋也太酷了吧？那件皮衣、那种风格，永远在线。所以我会选黄仁勋，他大概是最酷的一个。
Harry： 有个我很想问你、但你不该回答的问题——之前也有人替我打听过，非常难答：你本来以为谁会很了不起，结果见面后意外地平庸？别回答。
Brendan： 这个我真不能答。但问得确实好，是个有意思的问题。
Harry： 是吧。我也见过几位，见完心里想：哇，这给了我信心——这事我也能干。
Brendan： 说到这个，我倒真有一件事可以说。当年我去了乔治城大学（Georgetown）——哈佛没录我——我当时想：哈佛的人大概比我聪明得多吧。后来我加入了一个叫 Prod 的非营利组织，里面全是哈佛、MIT 出来创业的年轻人。他们确实很聪明，别误会。
但我后来意识到，大多数做成非凡之事的人，当你和他们相处久了，会发现他们在很大程度上也就是普通人——不是全部，但大多数都是。这种“祛魅”特别给人力量。比如我看到 Mach Industries 的伊桑·桑顿（Ethan Thornton）19 岁就融了 7000 万美元，我想：等等，伊桑不就是个随性的哥们儿、我的好朋友吗——也许有一天我也能做成那样的事。它会让你觉得，自己能成就的东西远比想象中多。
Harry： 太有意思了。你说的这种“看到身边人做成事”的扩散效应——我觉得这正是很多方面拖住欧洲的原因之一。你和全球最大的几家模型公司都有合作。你怎么看欧洲无力竞争、拿不出世界领先模型这件事？看基准榜单，Mistral 大概排在 72 名上下，简直像欧洲歌唱大赛（Eurovision）一样尴尬。
Brendan： 我爱欧洲，我以它为荣——但说实话，我们在模型这块确实没交出答卷。
Harry： 欧洲能改变这个局面吗？这事要紧吗？
Brendan： 我觉得很难改变，因为人才周围的网络效应太强了。最好的人才在哪儿，人才就往哪儿聚——我认识非常多聪明的法国研究员，最后都去了 OpenAI 或 DeepMind。最好的实验室聚着最好的人才，然后复利成更多资本、更多算力、更大影响力。所以我预计这个趋势会延续，它不仅是经济优势，更是美国最大的地缘政治优势之一。
Harry： 那如果你是今天的欧洲，是不是干脆认命：模型竞赛输了就输了，但我们还能做能源霸主？拿我老家挪威来说——我们挪威在能源供给上确实做得不错。欧洲就接受这个定位吗？
Brendan： 我会接受。也许保留一些后训练（post-training）能力是值得的，因为蒸馏和基础模型建成之后的那些工作确实有价值，应用层也肯定有价值。但要不要倾尽全力去和 Anthropic 正面硬刚？我不会这么干。
Harry： 那“主权模型”的论点你买账吗——我们需要主权模型，因为我们不想让自己的数据流向美国、中国或者别的什么地方？
Brendan： 某些场景下也许成立——本地化确有价值。举个例子：实验室经常来找我们，说他们的模型不只要精通美国法律，还要精通英国法律、法国法律，世界上哪个法域的都行。让模型在它运营的每个法域都变得好用，这会是重要的“最后一英里”。但话说回来，实验室直接就会在法国雇 1 万人来教模型学好法国法律。别人基本拦不住他们这么做——因为他们从其他所有领域积累的迁移学习能力实在太强了。
Harry： 你说到“雇 1 万人”，真正让我震惊的是那泼天的钱。OpenAI 肯定也一样，但我亲眼看到的是 Anthropic——薪酬开到疯狂的程度。这怎么竞争？
Brendan： 这确实是我们最上心的问题之一，尤其因为“员工出去创业”的市场也热得发烫——我们已经有三位员工出去创办了估值超过 1 亿美元的公司。
Harry： 我看到你发的那些“Mercor 帮”（Mercor Mafia）推文了。
Brendan： 对。我们还是家很年轻的公司，这件事难就难在很多方面。很多人可能并不真正理解创业有多难——你很清楚，Harry——成功概率有多低，我们一路上又有多幸运。所以这绝对是最大的挑战之一。前几天我面试一个人，他手里握着 TBD 开出的每年 2000 万美元现金的录用函。这就是我们日常要面对的事。
Brendan 说的“每年 2000 万美元现金”并非孤例。2025 年年中，Meta 组建超级智能实验室时，就被公开报道以亿元级美元签约包从 OpenAI、谷歌挖人，萨姆·奥特曼本人公开抱怨过“1 亿美元签约奖金”量级的报价；进入 2026 年，顶级研究员“数千万美元年薪”已从耸动标题变成行业基准水位。Brendan 判断“供给增加后价格会理性化”，截至 2026 年 9 月尚未兑现：各大实验室的校招与研究员培养项目确实在扩，但顶尖人才的稀缺溢价仍在走高，第 99 百分位的薪酬未见明显回落。
Harry： TBD？什么意思？
Brendan： Meta 的超级智能团队。
Harry： 2000 万现金？
Brendan： 每年。或者说是股票，但流动性很好。
Harry： 这真没法打。
Brendan： 确实难打。
Harry： 这种情况会变吗？还是会一直这么升级下去？
Brendan： 对一小撮人来说，大概还会继续升级。但我也猜想，随着越来越多的人了解这些实验室的运作方式、掌握训练前沿模型的技能，市场上具备这套能力的人才供给会增加，价格也会因此变得稍微理性一些。所以我预计疯狂还会持续一阵，但至少市场里第 99 百分位的那部分人，薪酬应该会有所回落……
Harry： 今天最难招的岗位是什么？
Brendan： 研究员。
Harry： 就因为供给少？
Brendan： 供需两端都挤。这个市场里，需求是供给的 10 倍，所以特别难。不过我们正在建一支极强的研究团队——比如爱德华·胡（Edward Hu），LoRA 论文的第一作者，之前在 OpenAI，现在在和我们共事——还有一批其他顶级研究员。但市场确实在急剧升温。
LoRA（Low-Rank Adaptation，低秩适应）是 2021 年提出的参数高效微调方法：冻结大模型主体，只训练一对低秩矩阵，就能用极小算力完成领域微调，如今是开源社区使用最广泛的微调技术之一，其第一作者爱德华·胡也因此成为微调方向的标志性人物。Brendan 提到爱德华·胡已加入 Mercor 研究团队——对一家“卖数据”的公司来说，这意味着它正把自己往“能训练模型”的方向推；它与 Surge 的竞争，也由此从人力众包升级到研究能力的比拼。
Harry： 招一个高质量的 AI 研究员要花多少钱？
Brendan： 最顶尖的那批人，通常是每年几千万美元量级的股票。
“最顶尖的那批人，通常是每年几千万美元量级的股票。” "Oftentimes it would be in the tens of millions of stock per year."
▍点拨：Harry 的感慨道出了这十年最戏剧性的职业反转：曾经“薪酬偏低但才华横溢”的研究员，如今是科技行业薪酬最高的岗位，没有之一。当智能成为最稀缺的生产要素，能生产智能的人就成了要素市场的定价者。这也让 Brendan 自己的生意形成了闭环：Mercor 一边帮实验室找“训练模型的人”，一边自己也卷进同一场人才军备竞赛。
Harry： 我记得研究员以前挣得并不多。大概 10 到 15 年前，他们还是社会上“薪酬偏低但才华横溢”的那群人。现在真是彻底变了。那公司是不是也比以往任何时候都难管？
Brendan： 我倒不觉得。给你个参照系：去年年初，我们 40 个人，年化营收 5000 万美元。从那以后，员工数翻了七八倍，业务整体规模涨了二十五六倍。跟上增长的过程压力一直很大，但现在我们有了支撑职能：有财务、有法务，HR 也在搭。这带来了一种稳定感——我不用再处理各种鸡毛蒜皮的升级上报，可以把时间花在打造好产品、做研究和见客户上。这让经营公司明显轻松了不少。
Harry： 我现在说什么都挨骂，也是够神奇的。我团队天天喊“完了，Harry 又乱说了”。问题是，我真不是故意引战，可人们就是恨我，最讨厌了。
说回 HR——我在做完亚当·福鲁吉（Adam Foroughi，AppLovin）那期节目后发过一条推文：我见过的优秀 CEO 里，没一个真心喜欢 HR，这是真的。HR 拖慢你，搞一堆政策和流程，纯属添堵。你同意吗？
Brendan： 我要加个限定：HR 确实很重要。我们从 40 人扩到 400 人的时候，在文化稀释上实实在在吃过苦头。
Harry： 具体是怎么表现的？
Brendan： 表现在方方面面：怎么保持极高的人才门槛；怎么让大家真正认同公司使命；甚至是一些很具体的事——怎么确保管理者把绩效反馈传达给团队，让任何人都不会对绩效评估结果感到意外。我们的团队很年轻，很多经理是第一次带人，他们不习惯给反馈，也不习惯维护团队的价值观和使命认同，这就制造了文化挑战。所以某种程度上我同意你——有些大科技公司大概确实把 HR 的权力放得太大了。但我也认为它很重要。过去 18 个月左右，我们最大的教训之一就是：在扩张人员规模时，必须把这些地基真正打牢，否则就会出问题。
Harry： 说到文化挑战——上次阿达什那期节目之后，有几个人觉得 Mercor 是 996 那套玩法，打卡上下班。为什么这是误读？你怎么看这件事？
Brendan： 说这是误读，是因为公司从来没有强制过任何工时。显然，我自己工作极其拼命，阿达什也极其拼命——我们基本上从睁眼干到睡觉，除了健身，但健身时我脑子里想的还是工作。大多数管理层当然也一样。但与此同时，我管理团队里的大多数人都有孩子，我们希望他们能回家陪家人。所以这是两者的结合：一方面，打造一家传奇公司需要对使命的巨大投入；另一方面，我们也必须保证这是一个可持续的环境，让全世界最优秀的人能在这里做他们一生的工作。
快问快答：上市、贝索斯与最善良的事
Harry： 准备好进入快问快答环节了吗？
Brendan： 当然。
Harry： 你想上市吗？
Brendan： 当然想。
Harry： 什么时候？
Brendan： 未来几年内。所有传奇公司最终都会上市，这是旅程的重要部分——是公司走向成熟、长成比今天大得多的公司的标志。但我们不急于今年或明年就冲，部分原因是我们辍学到现在还不到三年，公司还非常年轻。我们想先把正在做的事充分兑现——尤其是企业侧的业务——然后再谈上市。
Harry： 别笑。你会不会半夜躺在床上突然感慨：哇，这也太魔幻了？
Brendan： 我每天都在掐自己。我特别感激这个团队，感激阿达什和苏尔亚，是他们让这一切成为可能——我脑子里能想出一百种走向完全不同的剧本，那样的话，我们今天会在完全另一个境地。
Harry： 过去 12 个月，你在什么事上改变过看法？
Brendan： 改变看法的事？我曾经怀疑过：基础模型实验室到底能不能成为世界上最大的公司？我当时的疑虑和你刚才问的一样——在竞争环境里，这些模型还能不能守住定价权？但看着这些公司的营收曲线一路狂飙，我已经坚信：它们会成为世界上最有价值的公司。
Harry： OpenAI 和 Anthropic，二选一投资。你选谁？
Brendan： 这个我不能答。答了就要出事了。
Harry： 现在的股东名单里还没有谁，是你最想拉进来的？
Brendan： 我非常敬佩贝索斯。他对亚马逊文化的纪律性建设让我印象深刻——这是我一直记在心里的东西：那里的每个人都理解公司的价值观，朝着同一个方向使劲，他是一位极具战略眼光的商业领袖。我从没见过他，但一直想见。
Harry： 你最敬佩哪家竞争对手？为什么？
Brendan： 好问题。我很欣赏 Surge 的埃德温·陈（Edwin Chen）——他在“紧贴研究”这件事上做得非常出色。我们自己显然也在大量投入这个方向。我认为，我们和 Surge 之所以能和其他同行拉开差距，最大的区别就在这里：我们都有能力训练模型、都能招到世界上最好的研究员。在这一点上，我敬佩他们的执行力。
Harry： 数据供应商里，有多大比例其实——恕我直言——只是“撮合型人才市场”？
Brendan： 你问数量占比还是营收占比？
Harry： 数量。
Brendan： 大概一半。
Harry： 一半？
Brendan： 对。
Harry： 我喜欢这个答案。今天你最想改变自己角色里的哪一部分？
Brendan： 有相当多 HR 方面的事会层层上报到我这里，所以我们正在找一位很强的 HR 负责人，能把这一摊接过去。
Harry： 最后一个问题，兄弟：别人为你做过的最善良的一件事是什么？
Brendan： 有一件我一直记在心里的事——这份感激我要送给整个 Prod 社区，尤其是 Rob Walken、Ben Spector 和 Richard DeHaan 几位。Prod 是 MIT 和哈佛的人发起的一个非营利组织，我算是个“编外人员”——我没进那两所学校，去的是乔治城。创业第一年，他们每周都和我们开会；Ben 成了我们的大客户；Richard 给我们垫过很多钱充当营运资金；Rob 给过极其宝贵的建议。
而这一切对他们没有任何回报——他们不拿股权，我硬要塞给他们，他们都不肯收。我敢说，没有他们中的任何一位，就不会有今天的 Mercor。这份恩情，我一辈子都会记得。
Harry： 兄弟，我必须说：上次请你上节目我就特别喜欢，这次能当面聊更是棒极了。这场对话的效果让我太满意了，你真的很棒。
Brendan： 谢谢你再次邀请我，Harry。回来做客总是很开心。
Harry： 那么，今天就到这里——感谢大家收听，我们下期再见。
本期对话收敛出五个可以直接拿去用的判断：
- 纯软件没有护城河，网络效应才是试金石。 审视你手里的每一个产品：它的价值会不会随用户数增加而增加？如果不会，就假设它终将被模型或一段提示词复刻，把防御工事建在数据、关系和网络效应上。
- 模型即产品，别再给模型糊壳。 把终极目标交给模型、训练它端到端完成，已经胜过所有拼接 API 的补丁式架构；在“壳”上投入的每一分工时，都在被下一代模型清零。
- token 支出超过人力支出是方向，不是噱头。 从现在开始就该像管人力预算一样管推理预算：为每个工作流建评估、按评估得分在模型之间热切换——这套“权威记录系统”就是把模型层商品化、把切换成本降到零的杠杆。
- 降价的每一分钱都会被新需求吃掉。 杰文斯悖论意味着 AI 成本不会真的“省下来”，只会换形态膨胀；企业的机会在于利用单位成本的下降去做原来做不起的事，而不是把 AI 当成省钱工具。
- 人的价值向两件事收敛：隐性知识与训练智能体。 组织里没写下来的知识，是模型进不去的最后一英里；把知识编码成文、训练智能体接管重复工作，是每个知识工作者未来五年最确定的护城河。