在人工智能技术飞速发展的当下，数据作为驱动AI模型进步的“燃料”，其重要性不言而喻。而数据标注，作为数据处理链条中看似不起眼却至关重要的一环，正悄然迎来一场由新兴力量发起的变革。特别引人注目的是一家名为Mercor的初创公司，它在短短两年内便实现了估值上的惊人跃升，对长期占据市场主导地位的Scale AI构成了强劲挑战。
AI「专家」撮合平台的崛起
传统的数据标注模式常常让人联想到位于印度、菲律宾等地的“数据血汗工厂”，数百万众包工人通过低价劳动力进行重复性操作，质量控制依赖于抽检。然而，Mercor的出现打破了这一固有印象。这家由三位“00后”创始人于2023年创立的公司，没有选择依赖廉价劳动力，而是将目光聚焦于高价值的领域专家，例如专业的律师、医生、金融分析师、化学研究员以及拥有博士或STEM（科学、技术、工程、数学）背景的人才。他们深知，对于AI模型训练中日益复杂的任务而言，高质量的数据只能来源于“懂行的人”，而非普通的学生或众包工人。
Mercor构建了一个由AI驱动的招聘与匹配平台，精准地捕捉到了当前AI模型大厂对“专家级人类数据”的巨大需求。该平台通过先进的算法，能够从简历、GitHub、个人作品集等多元渠道自动抓取并整合申请人的信息，构建完整的专业画像。继而，平台利用AI进行简历筛选、能力测评，甚至自动完成初步面试与对接，最终由平台代发薪资，并向甲方客户收取佣金或服务费。这种“AI时代的按需专家外包”模式，使得Mercor能够高效撮合大量高门槛、高单价的数据标注业务。
Mercor的首席执行官曾表示，他们的爬虫技术能够在数百万份个人资料中进行深入分析，执行数千次面试，旨在全球范围内为特定职位找到最适合的一两位专家。截至2025年初，Mercor的全球候选人才库已达到30万人规模。每一次专家与项目的合作都会产生详细的表现数据，这些数据又会反哺其匹配算法，进一步提升精确度。目前，Mercor已与全球“七巨头”中的六家以及绝大多数顶级AI实验室和应用层公司建立了合作关系，业务涵盖了许多复杂且高价值的垂直数据标注任务。
估值狂飙与资本追逐
Mercor的融资历程堪称教科书级。2023年，公司获得了由General Catalyst领投的360万美元种子轮融资，初步搭建了平台框架。仅仅一年后，2024年10月，Benchmark领投了3000多万美元的A轮融资，将公司估值推高至2.5亿美元。此轮融资吸引了众多硅谷知名投资人，包括彼得·蒂尔、Twitter联合创始人杰克·多西、Quora联合创始人亚当·德安吉洛，甚至还有前美国财政部长以个人名义参与。紧接着，2025年2月，Felicis领投，General Catalyst、DST Global、Benchmark和Menlo Ventures跟投，完成了1亿美元的B轮融资，直接将Mercor的估值推至20亿美元。这笔交易在短短两周内完成，且由公司主导条款，充分展现了其在资本市场上的强大议价能力。当时，Mercor披露的年化营收约为7500万美元，月环比增长高达50%，并已实现月度盈利，市场愿意以高达27倍ARR（年度经常性收入）的溢价买单。
更令人瞩目的是，在B轮融资后的半年内，Mercor并未主动寻求新的融资，却接连收到“不请自来”的投资邀约，最高甚至喊到了100亿美元。硅谷资本对Mercor的积极追逐并非偶然。其背后有几重核心逻辑：首先，AI模型本身差异正在收敛，数据与人类反馈成为竞争的关键制高点；其次，Mercor的商业模式轻巧，平台抽成配合灵活外包，无需庞大的固定成本即可放大现金效率；最关键的是，头部竞争对手陷入信任危机，市场对“中立性”的数据供应商需求旺盛。
Scale AI的“中立性”危机与Mercor的崛起机遇
Mercor的快速崛起，与数据标注巨头Scale AI最近遭遇的变动息息相关。2025年年中，Meta的CEO马克·扎克伯格斥巨资收购了Scale AI 49%的股份，使其估值飙升至290亿美元，刷新了AI数据服务领域的纪录。然而，此举却也意外地摧毁了Scale AI长期以来引以为傲的“中立性”。
过去十年，Scale AI凭借其自研工具和大规模标注队伍，为谷歌、微软、OpenAI、xAI等众多顶级AI公司提供端到端的数据服务。但当一家供应商被Meta部分“收编”后，其其他竞争对手客户的担忧便随之而生：自己辛苦获取的敏感数据，是否最终会流入竞争对手Meta之手？
答案很快揭晓：合同缩减、客户迁移、市场观望与复审接踵而至，Scale AI内部团队也因此陷入动荡。尽管Scale AI仍旧体量庞大，但外界已开始质疑它是否会沦为Meta的“内部基建”。
Scale AI空出的订单和市场信任，自然流向了像Mercor这样能够标榜自己是“独立第三方”的数据供应商。Mercor承诺不会将客户数据泄露给竞争对手，并且能够在短期内组织起一支由懂行专家组成的队伍，尤其擅长处理复杂且高价值的垂直数据标注任务。更具讽刺意味的是，即便Meta已控股Scale AI的近半壁江山，据传Meta内部的一些团队在训练新模型时，依然选择采购Mercor的数据服务，这进一步凸显了市场对专业性和中立性的双重需求。
与Mercor的专家定制标注相比，Scale AI更偏向于大规模通用数据标注，适合标准化任务。而模型前沿实验室有时更需要高度定制化的专业数据。此外，部分Meta研究员曾对外爆料称Scale AI的数据“质量不够高”，以及Scale AI前高管跳槽Meta后不到两个月便离职等事件，都引发了外界对Scale AI与Meta整合效果的质疑，进一步加速了客户的流失。
面对来自内外部的同时冲击，意识到风向变化的Scale AI也坐不住了，随即起诉Mercor，指控其存在“商业间谍行为”，包括挖走高管并窃取客户资料以“策反”客户。这桩诉讼的爆发，无疑将两家公司之间的竞争推向了白热化。
数据标注的「快」与「慢」：挑战与未来
数据标注行业本身也在经历深刻的演变。早期依赖大规模人工众包，由Appen、Lionbridge等平台主导市场；随后是Scale AI、Labelbox等公司借自动化工具迅速扩张。而到了2025年，随着AI模型对数据质量和专业度的要求日益提高，高质量、专家级标注的需求激增，为Surge AI、Mercor等新贵带来了前所未有的发展机遇。
然而，即使Scale AI被动为Mercor让道，Mercor也并非没有风险。它仍需要证明自己配得上数十、甚至上百亿美元的估值预期。Mercor的核心业务逻辑在于“用专家做数据”，这使其有别于依赖众包或自动化扩张的竞争对手。但这也意味着它做的是数据标注中最难标准化的部分，例如评估哪段代码更优，这类任务交付速度更慢，难以通过“人海战术”迅速堆量。每一个项目都需要独立匹配具备深厚背景知识的标注者，这些专家并非可以随时从任何国家招募的兼职人员，其每小时几十美元的成本，远高于传统众包平台。这种模式虽然能确保数据质量，却难以保证规模速度。如果客户急需“快、便宜、能迅速上量”的服务，Mercor提供的更像是奢侈品而非标准化的工业品。
与此同时，Mercor的平台运营也面临一些质疑。社交媒体上曾有申请人抱怨其20分钟的AI视频面试更像是“收集数据而非认真面试”，被认为是为“训练其AI模型”的伪招聘。部分用户讽刺道：“数据已收集，候选人被拒绝。”甚至有用户在Medium上撰文，指责“一些公司正在利用求职者的绝望——不是为了招人，而是为了收集机器学习模型的数据。”当然，也有用户反驳称Mercor在招聘方面“非常挑剔”，不像那些“AI数据标注农场”。
外部竞争亦趋于白热化。Surge AI在2024年营收突破10亿美元，超越Scale AI，直接拉高了整个行业的基准线。此外，一些客户已经在探索利用大型模型进行自我标注，仅保留少数专家进行校验，以压缩成本。这种趋势一旦成型，也可能对Mercor未来的增长构成挑战。
说到底，正如Scale AI常常被业内质疑的那样，Mercor尽管也自称科技公司，但其本质仍在服务行业的逻辑里。许多数据标注公司都需要回答一个根本问题：它们究竟是科技平台，还是高级劳务中介？不过，对投资人而言，“打标签”是否性感并非最重要的，关键在于利润和估值是否可观。只要AI模型仍然离不开高质量的人工标注，Mercor、Scale AI这类公司，就依然能吸引资本的趋之若鹜。
Mercor的野心显然不只停留在数据标注。据其联合创始人兼CEO公开表示，AI数据标注只是他们进入市场的“切入点”，与全球数十亿的知识型工作机会相比，这显得微不足道。他明确公布了未来计划：从AI标注工作起步，学习如何预测工作表现，进而拓展至所有短期岗位，最终实现“为所有工作招聘人员”的宏大目标。他认为：“劳动力市场是全球最大、同时也是最低效的市场。更好地将人们与他们日常从事的工作匹配，是提升全球效用的最大杠杆。虽然我们最初聚焦于为AI模型训练招募专家，并取得了令人瞩目的进展，但这只是我们解决全球劳动力配置问题的第一步。”Mercor的愿景是成为未来劳动力市场的核心枢纽，这一长线战略无疑也为资本描绘了更为广阔的增长前景。
