AI下一阶段的核心不是模型，而是人类专业知识：Mercor如何成为知识供应链的枢纽

AI竞赛的重心正在悄然转移

过去两年，行业目光聚焦于大模型迭代、算力军备竞赛与数据中心扩张。OpenAI、Anthropic、Google DeepMind、xAI等机构不断刷新参数规模与推理能力上限。但一个关键事实正被越来越多技术决策者确认：当互联网文本数据趋于枯竭，决定模型能否真正理解医学、法律、代码或科研逻辑的，不再是更多GPU，而是更高质量的人类专业判断——即由医生、律师、资深程序员、科研人员持续产出的推理型数据（Reasoning Data）。

谁组织专家，谁定义AI的边界

这类数据无法自动生成，也无法从公开网页爬取。它必须由具备真实领域经验的人，在真实任务中完成评估、纠错、打分与思维链反馈。这意味着：掌握可规模化调用的专业人才网络，等于掌握了下一代AI最稀缺的生产资料。一家不训练模型、不销售硬件、甚至不提供API的公司，正因此快速崛起——Mercor。

从招聘切入，实为构建AI时代的知识基建

Mercor成立于2023年，由三位Thiel Fellowship获得者创立。它最初以“AI原生招聘”为入口，但本质远不止于此。其核心是打造一个全球性双边市场：一端连接AI实验室对专业反馈的刚性需求，另一端连接经过严格验证的顶尖从业者。这些专家不提供简历，而是直接参与模型后训练（Post-training）的关键环节——比如审核医疗问答的临床合理性、修正法律条款的逻辑漏洞、优化生成代码的工程健壮性。

商业模式清晰且具备强扩展性

Mercor按小时向AI实验室收取专家服务费用，平台抽成约30%–35%。例如，某实验室为医学专家支付150美元/小时，Mercor向专家结算约95美元，差额构成平台收入。其公布的20亿美元年化交易规模（GPV），对应约6亿美元实际年收入。这一数字源于极低的边际匹配成本：全部筛选、评估、匹配均由自有AI系统自动完成，无需人工猎头介入。其增长逻辑更接近Uber或Airbnb——网络效应随供需双方规模扩大而指数增强。

壁垒不在名单，而在实时验证与交付能力

建立专家数据库门槛不高，但难点在于三点：第一，如何在数小时内验证一位执业律师是否真能识别合同风险；第二，如何在全球时区下，同时调度数百名芯片工程师参与同一轮模型强化学习；第三，如何让每一次专家反馈都沉淀为可复用的能力图谱，持续提升后续匹配精度。Mercor从第一天起就将AI深度嵌入全链路：用算法面试替代人工初筛，用历史项目表现反哺能力标签体系，用实时反馈闭环优化任务分发策略。这使它不是专家名录，而是一套可调度、可验证、可进化的专业知识操作系统。

它服务的对象，决定了它的战略位置

Mercor不面向终端用户，也不做垂直应用。它的客户是所有正在突破专业边界的AI实验室。当OpenAI需要提升医学推理准确率，当Anthropic加强法律合规性，当DeepMind优化科学发现能力，它们共同依赖同一类资源——可信、即时、可计量的专业人类判断。这种底层共性，使其天然具备跨模型、跨公司的基础设施属性。近期收购Deeptune，也印证其路径：从专家调度平台，向覆盖AI Agent训练、数据合成、反馈闭环的完整数据生产栈延伸。

真正的稀缺性，是可规模化的专业知识

GPU提供算力，数据中心承载训练，而Mercor所构建的，是AI持续进化的知识燃料系统。未来AI的竞争维度将逐步从‘谁模型更大’转向‘谁的数据更真、更专、更及时’。当AI深入真实世界复杂场景，人类专家不再只是监督者，而是模型能力的共建者。Mercor的价值，正在于它让这种共建变得可组织、可度量、可持续。它不制造智能，却让智能真正扎根于人类经验之中。