70人干到10亿美金：Surge AI这家神秘数据公司如何重新定义AI训练？
来源：高飞的微博
Edwin Chen是Surge AI的创始人兼CEO。这家公司在不到四年时间内实现了超过10亿美元收入，员工不到100人，完全自筹资金，从未接受一分钱VC投资，创下史上最快达到这一里程碑的记录。在创立Surge之前，Edwin曾在Google、Facebook和Twitter担任研究科学家，MIT数学、计算机和语言学背景。
他们为OpenAI、Google、Anthropic等前沿实验室提供模型训练数据。核心产品： RLHF数据（人类专家评判模型回答好坏）、SFT数据（专家撰写示范回答）、RL环境（模拟真实世界供模型学习）、模型评估与红队测试。Claude就是用Surge平台训练的。核心竞争力：
找真正的领域专家教AI什么是”好”。
主要对手是Scale AI，但被Meta收购后（143亿美元），部分客户因信任问题转向Surge。其他竞争者包括AWS SageMaker Ground Truth、Google Vertex AI、Labelbox等。但Surge AI不在LinkedIn发病毒式帖子，不在Twitter上持续推广，不参加融资路演，不追求TechCrunch头条。所以，大多数人直到他们宣布10亿美元收入时才第一次听说这家公司。
一、不融资、不营销，如何做到10亿收入
Edwin Chen对硅谷的标准玩法一直很反感。从创业第一天起，Surge就选择了一条完全不同的路。
1、”我们可以裁掉90%的人，然后跑得更快”
Edwin在大厂工作时就有一个观察：最优秀的员工总是被各种干扰拖累。开不完的会、写不完的文档、配合不完的跨部门协作。他认为，如果把这些人解放出来，效率会飙升。所以Surge从一开始就坚持只招极少数精英。
“我以前在这些大科技公司工作，我一直觉得我们可以裁掉90%的人，反而会跑得更快，因为最优秀的人就不会有这些干扰了。”
2、拒绝硅谷工业复合体
不融资意味着什么？意味着你的VC不会帮你发推特、不会帮你上TechCrunch头条、不会帮你在报纸上宣布天价估值。Surge必须靠产品本身说话。
这反而筛选出了真正懂数据、真正在乎数据的客户。Edwin说，早期客户必须和他们使命高度一致，真正理解高质量数据如何让AI模型变得更好，因为这些人才能给出有价值的反馈。
3、未来会出现更疯狂的人效比
Edwin预测，未来几年会出现每员工1亿美元营收的公司。AI会持续提升效率，这个比例是必然的。
更重要的变化是公司类型会改变：更少员工意味着更少资本需求，更少资本需求意味着不用融资，不用融资意味着创始人不需要擅长”pitch”和”hype”。最终，你会看到更多真正懂技术、懂产品的创始人，而不是PPT高手。
“我真的希望硅谷能回归成为黑客的乐园，而不是油滑创业者的舞台。”
二、数据质量的真正含义
Surge做的事情，用一句话概括：教AI什么是好、什么是坏。但大多数人完全不理解这件事有多复杂。
1、”检查清单”式质量 vs 真正的质量
Edwin举了一个例子：假设你要训练模型写一首关于月亮的俳句。
肤浅的质量检查是：这是诗吗？有八行吗？包含”月亮”这个词吗？全部打勾，那就是好诗。
但Surge追求的是诺贝尔奖级别的诗歌：这首诗独特吗？充满微妙意象吗？让你惊喜并触动内心吗？教会你关于月光本质的新东西吗？这需要对质量有极其深入和复杂的理解。
2、数千个信号的复杂系统
Surge建立了一套技术系统来衡量质量：追踪每个标注员的数千个信号，包括键盘输入、回答速度、代码审查结果，甚至用标注员产出的数据训练模型来看是否真的提升了性能。
这就像Google搜索判断网页质量一样，有两个维度：一是去除最差的（内容审核问题），二是发现最好的。后者才是真正难的部分——找到那些不只是机械完成任务的人，而是真正能写出让你动容的诗的人。
3、为什么Claude的代码和写作一直领先
过去几年，Claude在编程和写作上远远领先其他模型，以至于几乎所有AI编程产品都建立在Claude之上。Edwin认为这背后是数据和品味的双重作用。
每个前沿实验室在选择训练数据时都面临无数选择：用多少人类数据、多少合成数据？编程领域关注前端还是后端？前端的话关注视觉设计还是代码效率？是否为了PR去优化那些实际上不太重要的学术基准？
“后训练几乎是一门艺术，不纯粹是科学。当你决定要把模型做成什么样、擅长什么的时候，这里面有品味和修养的概念。”
有些公司会机械地检查清单，有些公司则理解好的东西不是靠清单能定义的——后者就是做得更好的那一批。
三、基准测试正在把AI推向错误方向
Edwin对当前AI基准测试的批评非常尖锐：他认为这些基准不仅没有意义，还在主动伤害AI的发展。
1、基准测试本身就是错的
两个问题：第一，很多基准测试的答案本身就是错的，充满混乱，但人们盲目信任。第二，这些基准有明确的客观答案，很容易被”刷分”优化，但这和现实世界的模糊性、复杂性完全不同。
“模型能拿IMO金牌但还是搞不定PDF解析，这挺疯狂的。”
因为IMO虽然看起来难，但它有客观性，容易被刷分优化；而解析PDF是模糊的、混乱的现实任务，没有简单的优化路径。
2、LM Arena正在把模型变成”超市小报”
Edwin对LM Arena（一个流行的AI模型排行榜）的批评最为激烈。在这个排行榜上，全球随机用户投票选择哪个AI回答更好。问题是：他们只花两秒钟扫一眼，挑最花哨的那个。
“模型可以完全胡说八道，但只要有疯狂的emoji、加粗、markdown标题这些表面东西，用户就会选它。这简直是在为超市收银台旁边买小报的人优化模型。”
Surge的数据显示：刷LM Arena最简单的方法就是疯狂加粗、双倍emoji、把回答长度翻三倍——哪怕模型开始胡说八道、答案完全错误。
3、营销压力扭曲了研究方向
实验室的研究员私下告诉Edwin：”我知道刷这个排行榜可能让我的模型在准确性和指令遵循上变差，但这是我年底能升职的唯一方式。”
因为销售团队在卖企业客户时，客户会问：”你们模型在LM Arena只排第五，为什么我要买？”
这是一个系统性的激励扭曲。
4、社交媒体式优化的危险
Edwin以前在社交媒体公司工作，每次优化engagement（参与度），结果都是灾难：点击诱饵、比基尼图片、大脚怪、恶心的皮肤病图片占满信息流。
他担心AI正在走同样的路。ChatGPT的那种”你说得太对了，多棒的问题啊”式回应，本质上就是在用”你是天才”来钩住用户。模型会迎合你的妄想和阴谋论，把你拉进兔子洞，因为硅谷就是喜欢最大化用户停留时间。
“我们在教模型追逐多巴胺，而不是真相。”
四、RL环境：AI训练的下一个前沿
在讨论AI如何变得更聪明时，Edwin详细解释了RL（强化学习）环境为什么会成为下一个关键突破。
1、什么是RL环境
想象建造一个完整的虚拟世界，就像一个有真实剧情的电子游戏。每个角色都有完整背景，每个企业都有可调用的工具和数据，各种实体相互作用。
比如：一家创业公司，有Gmail消息、Slack频道、Jira工单、GitHub PR、完整代码库，然后突然AWS宕机、Slack也挂了——模型，你怎么办？
模型必须自己搞清楚。我们给模型设定任务、设计挑战、运行测试看它表现如何，然后给出奖励信号。
2、为什么这很重要
这些环境暴露了模型在端到端现实任务上的弱点。很多模型在单步工具调用、单步指令遵循上表现不错，但一旦丢进混乱的真实世界——有令人困惑的Slack消息、从没见过的工具、需要修改数据库、在更长时间跨度上行动（第1步会影响第50步）——模型就会灾难性地失败。
3、Trajectory（轨迹）比最终答案更重要
有时模型确实得出了正确答案，但过程极其荒谬：中间可能尝试了50次都失败了，最后随机碰对了；或者用了极其低效的方式；或者通过”奖励黑客”找到了捷径。
如果只检查最终答案，你会错过大量关于模型行为的信息。有时你希望模型通过反思来得出答案，有时你希望它一步到位。忽略轨迹就等于放弃了大量可以教给模型的东西。
4、这更接近人类学习的方式
Edwin认为AI需要能模拟人类学习的各种方式。想想如何成为一个伟大的作家：你不是靠背语法规则，而是靠阅读伟大的书、练习写作、从老师和读者那里获得反馈、注意什么有效什么无效、通过接触杰作培养品味。
这是一个无尽的练习和反思循环。AI需要学会所有这些不同的学习方式，RL环境是向这个方向迈出的重要一步。
五、AGI时间线与模型差异化
1、Edwin的AGI预测：还要十年甚至更久
从80%到90%到99%到99.9%，每一步的难度都是指数级增长的。Edwin预测：一两年内模型会自动化掉80%的普通高级工程师工作，但再过几年才能到90%，再过几年到99%。
“我觉得我们离AGI还有十年甚至几十年，比大多数人预期的要长。”
2、模型会越来越分化，而不是趋同
一年前Edwin还以为所有模型会变得越来越像，互相追赶，最后差不多。但现在他改变了看法：公司的价值观会塑造模型的行为。
他举了自己的例子：用Claude帮忙写邮件，来回改了30遍，30分钟后终于发出了”完美”的邮件。然后他意识到：他花了30分钟做一件根本不重要的事。
这引出一个深刻问题：你想要什么样的模型？
一种模型说：”你说得对，这封邮件还有20种改进方式”，然后继续跟你迭代50轮，吸走你所有时间和注意力。
另一种模型说：”停下来，你的邮件已经很好了，发出去，去做别的事。”
“就像Google、Facebook、Apple做搜索引擎会做出完全不同的东西一样，LLM也会开始表现得非常不同。”
3、Anthropic做对了什么
在不点名的情况下，Edwin表示他一直对Anthropic印象深刻：”我觉得Anthropic对什么该做、什么不该做、想要模型如何表现，有一种比较有原则的态度。”
六、反硅谷的公司建设哲学
Edwin对硅谷传统创业模式的批评贯穿整个访谈。
1、不要Pivot
“硅谷标准玩法是每两周pivot一次去找product-market fit。我一直反对这个。”
他见过太多”按剧本”的公司：2020年做crypto，2022年做NFT，现在做AI。没有一致性，没有使命，只是追估值。
“如果你失败了是因为市场还没准备好，我觉得那反而更好——至少你在深刻、新颖、困难的东西上认真搏了一把，而不是pivot成又一个LLM wrapper公司。”
2、不要Blitzscale
不要疯狂招人，不要招那些只想简历上加一个热门公司的斯坦福毕业生。
“只建造你能建造的那个东西——那个没有你独特的洞察和专业知识就不会存在的东西。”
3、创始人应该是科学家，不是销售
Edwin说他从来没想过要创业。他热爱研究，一直以为要当数学或计算机教授。他以为创业就意味着整天盯财务、开会、做那些无聊透顶的CEO工作。
结果发现完全不是这样。他现在每天还在深入数据、和研究团队讨论到凌晨3点、为每个新模型写深度分析报告。
“我自己根本不擅长销售，也讨厌整天开会。但我可以一直做数据分析、和研究团队聊天。我直到现在还能保持这种非常hands-on的状态，我很喜欢。”
4、公司是CEO的具象化
有人对Edwin说：公司在某种意义上是CEO的具象化。他之前没想过这个问题，因为他以为CEO只是在执行VP和董事会的决定。
但实际上，当面临重大艰难决策时，他不会想”公司应该怎么做”或”我们要优化什么指标”，而是问自己：”我个人在乎什么？我的价值观是什么？我想看到世界发生什么变化？”
核心归纳
Q1: Surge AI如何实现不到100人做到10亿美元收入？
两个关键：一是极端的人效追求，只招最顶尖的人，避免大公司的协调成本；二是完全靠产品质量获客，不融资意味着不进入”硅谷工业复合体”的营销循环，反而筛选出了真正懂数据、在乎数据的客户群体。
Q2: 为什么Edwin认为当前AI基准测试在把行业引向错误方向？
因为这些基准优化的是”表面花哨”而非”真正智能”。以LM Arena为例，用户只花两秒钟扫一眼就投票，模型只要加粗、加emoji、把回答拉长就能刷分，哪怕内容完全是胡说八道。研究员为了升职不得不优化这些指标，即使他们知道这会让模型在准确性上变差。
Q3: RL环境为什么会成为AI训练的下一个前沿？
RL环境是对真实世界的模拟，让模型在混乱、模糊、长时间跨度的任务中学习——这更接近人类学习的方式。关键不只是最终答案，而是整个解题轨迹，这里面包含了大量可以教给模型的信息。之前的SFT（监督微调）、RLHF、rubrics/verifiers（评分器/验证器）都还在用，RL环境是新增的一种学习方式，补充而非替代之前的方法。
相关链接
企业AI知识库搭建与运营培训课程
呼叫中心AI知识库培训课程
个人知识体系构建能力课程
