每天烧掉200万美元，养着3万名平均时薪95美元的专家——这不是什么烧钱的AI模型训练，而是一家名为Mercor的公司，为其他AI公司“喂养”高质量数据所付出的代价。这组数据撕开了一个残酷的现实：AI竞赛的下半场，弹药不再是海量垃圾数据，而是稀缺的垂直领域专业知识。
这不是数据标注，这是知识萃取。 平均95美元、最高375美元的时薪，彻底颠覆了外界对“AI数据工人”的刻板印象。Mercor的模式本质上是将GLG式的专家网络，嫁接到了AI训练的数据流水线上。客户（AI公司）愿意为此支付溢价，只有一个原因：大模型在医疗、法律、金融等专业领域的表现，正卡在数据质量的瓶颈上。通用互联网语料已经喂不出实质性的进步，下一步的突破必须依靠放射科医生、律师、分析师们的专业判断。Mercor踩准的，正是AI从“通才”转向“专才”的这个关键节点。
高增长背后，是更高的风险与更深的护城河。 每日200万美元的支出，换算成月现金流接近6000万美元。这种烧钱速度，高度依赖持续的融资和顶级AI实验室的长期合同。但它的护城河也正在于此：聚集并调动数万名高价值专家的网络效应，短期内极难复制。 这不像招募一批标注员那么简单，你需要说服忙碌的专业人士，以远高于其日常咨询费的回报，来为一个新兴平台贡献时间。Mercor用真金白银证明了这条路的可行性，但也把自己绑上了一辆高速战车——它必须持续证明，自己能为专家带来稳定高收入，为客户带来模型效果的显著提升。
这个模式的成功，宣告了AI数据供应链的价值重构。未来，单纯比拼数据量的平台价值会萎缩，而像Mercor这样能打通特定行业“知识毛细血管”的节点型公司，将成为稀缺资产。但投资者必须紧盯几个致命问题：专家供给是否有天花板？医疗等敏感数据的合规成本是否会吞噬利润？当微软、谷歌亲自下场组建自己的专家网络时，Mercor的中间商地位还能否稳固？AI在变得 smarter，而喂养它的生意，也正变得无比昂贵和复杂。
本文由 AI 辅助生成，仅供参考。