# Mercor 高速增长的秘诀与其中的聪明人｜对谈 Mercor 首位中国员工虞快 42章经 · 2025-09-06 虞快，Mercor 首位中国员工，解密这家硅谷最热 AI 数据标注公司如何在 11 个月内从 100 万美元做到 1 亿美元营收。Mercor 从 AI 招聘转型为给 OpenAI、Anthropic 等提供专业专家标注和评估，核心秘诀是“快”——决策快、执行快，以及创始人直觉和辩论背景。他还分享了如何选择创业公司、判断聪明人和招人的标准。 ## Key moments - **[0:00] 开场** - **[1:57] 业务本质** - [1:57] 虞快解释 Mercor 的核心业务是为最大的 AI 实验室招募各领域专家进行模型评估和数据标注，而非传统的低端数据标注工作。 - [3:40] Q: Mercor 与 Scale AI 等标注平台的关系是什么？虞快表示他们提供的是评估和标准定义，而不仅仅是执行标注。 - [5:07] 虞快指出 Scale AI 的困境在于随着模型能力提升，原有普通标注人员已无法满足高级 AI 的评估需求，这给了 Mercor 机会。 - [5:37] 虞快解释 Mercor 从通用招聘平台转型为专注服务 AI 公司的数据标注供应商，是因为发现 AI 公司愿意为模型提升投入巨资，且需求紧急。 - [6:53] Q: Mercor 的商业模式是 ToB 还是 PLG？虞快说主要服务 AI 实验室等企业客户，目前不支持自助服务。 - [8:18] 虞快强调 Mercor 的竞争力在于通过 AI 面试和匹配系统科学评估和筛选高质量专家，而非简单的人力外包。 - **[9:01] 产品流程** - [9:14] 虞快透露 Mercor 的获客渠道中推荐占一半以上，平台上有人通过推荐赚取高额费用，甚至辞去全职工作专门做推荐。 - [10:00] Q: Mercor 的 AI 面试是如何进行的？虞快介绍面试官是 AI 数字人，问题根据候选人简历和职位要求动态生成，时长 20-30 分钟。 - [11:25] 虞快说明 Mercor 的 AI 评估系统会根据简历和面试表现自动打分并排序，帮助客户快速筛选最匹配的专家。 - **[13:05] 市场洞察** - [13:05] "我们平台上平均的时薪其实是超过 90 美金一小时……皮肤外科的医生，当时我们给他的时薪是 400 块钱一小时……推荐费是 5000 美金。" - [15:49] 虞快分析 AI 实验室愿意为数据评估支付高额费用，因为数据和模型质量的提升带来的经济回报远大于招聘专家的成本。 - [17:04] 虞快个人猜测 Meta 收购 Scale AI 的主要动机是希望 Alex Wang 领导其超级智能团队，并为其创业失败提供安全网，而非看重业务本身。 - [18:49] 虞快澄清 Mercor 的自我定位是 eval provider，他们为 AI 模型提供的评估相当于产品需求文档（PRD），指导模型迭代方向。 - [20:10] 虞快预测未来 AI 时代全职工作会减少，更多人将从事项目制工作，Mercor 的投资和产品都在为这一未来做准备。 - [21:33] Q: 国内能否复制一个 Mercor？虞快认为只要国内头部 AI 公司愿意为数据评估投入足够预算，复制是完全可能的，但大厂可能倾向于自建。 - **[24:22] 加入原因** - [24:22] 虞快选择加入 Mercor 的核心原因：公司展现的极快增速，从 100 万美金到达 1 亿美金 run rate 仅用 11 个月，以及创始人辍学、Thiel Fellow 等话题性。 - [26:24] 虞快描述 Mercor 的工作文化是 996，但员工因高速增长带来的成就感而自发投入，这种正循环让团队越做越起劲。 - **[30:47] 增长秘诀** - [30:47] 虞快总结 Mercor 高速增长的秘诀是一个"快"字：创始人依赖直觉快速决策，团队保证说到做到的执行力，快速迭代优于追求完美。 - [32:25] 虞快解释 Mercor 执行力强的具体表现是每个团队都能在周计划中承诺的交付物在周五前完成，这种确定性让公司能够向客户做出可靠承诺。 - [33:37] 虞快分享硅谷 AI 创业公司的真实氛围：许多早期团队甚至比国内更卷，员工自发睡在公司，面试常在周日进行，打破外界对硅谷工作轻松的刻板印象。 - **[35:20] 招人标准** - [35:29] 虞快分享自己的招人标准：技术能力之外，最看重 agency（主观能动性和独立自主解决问题的能力），并通过能给予候选人多大的自主权来衡量。 - [36:42] 虞快判断候选人聪明程度的方法是讲解一个全新概念，观察对方多快能理解并做出类比，高级的思维是能将新知识与已知框架联系起来。 - [38:26] 虞快分享自己的高效学习方法：面对新概念如 MCP，直接搜索 "MCP vs API"，通过对比已知事物快速抓住本质并加深理解。 - [39:58] 虞快介绍一道面试用的思维题——parking function，旨在考察候选人能否从模拟转向分析不可能情况来优化算法，而非死板硬算。 - [44:12] 曲凯分享面试中的反面案例：一位候选人忘记了笔算乘法规则却浪费半小时尝试，这暴露了请求帮助意识的缺失，比技术细节遗忘更致命。 - **[46:23] 职业反思** - [46:24] 曲凯回忆在 Google 初期，Tech lead 告诉他"如果这个东西已经有人明确知道怎么做，那它早就做完了"，这促使他养成主动探索和解决问题的习惯。 - [47:33] 曲凯建议职业选择不应纠结于大厂还是创业公司，而应优先选择处于爆发期的赛道，如当前的 AI，因为人才自然朝高增长领域聚集。 - [48:15] 曲凯预测未来 AI 公司的工程师将把更多精力投入到创意和客户沟通，而非代码实现，同时公司层级将进一步扁平化。 - [49:18] 曲凯指出推动工程师向产品思维转型需要好的激励机制和创始人识人的能力，尤其是在公司早期没有很多筹码时，创始人靠愿景吸引人才至关重要。 ## Speakers - **曲凯** (host) - **虞快** (guest) ## Topics 人工智能 ## Mentioned Anthropic (company), Citadel (company), Google (company), Mercor (company), Meta (company), OpenAI (company), Scale AI (company), Search.ai (company), Surge (company), Two Sigma (company), Cursor (product) ## Transcript ### 开场 There's something there. **曲凯** [0:20] 我们今天很开心啊 ， 请到了 Mercor 的第一个中国工程师 ， 虞快 。 然后叫 "Mercor" 可能很多人不一定反应得过来 ，在国内的发音可能很多人会叫 "Merco"， 反正就是 M-E-R-C-O-R 的那家做 。 后面我们可以再具体聊 ， 反正大家会认为它是一个做 AI 招聘的 、 一个发展得非常快 、 很有名的一个公司吧 。 然后虞快你可以先简单自我介绍一下 。 **虞快** [0:42] 大家好 ， 我叫虞快 ， 我是今年大概 6 月份加入的 Mercor。 我加入的时候公司可能 50 个人左右 ， 公司现在应该已经 100 多个 full-timer 了 ， 绝大多数在美国 ，也有一些在印度 。在之前的话 ， 我读的是 Computer Science 和 Math， 然后毕业之后先是去了 Google， 做了大概一年半的 Software Engineer， 之后去了对冲基金 ， 先是去了 Two Sigma， 然后后面去了 Citadel， 然后做了一段时间的 Trading， 后面回到湾区来做 Startup。 **曲凯** [1:14] 就你进来的时候 ， 你是第一个 ？ 到目前为止你也是唯一一个华人工程师 ？ **虞快** [1:18] 华人工程师其实有 ， 就是 ABC 有 ， 出生在中国的我觉得我是第一个 。 **曲凯** [1:23] 我们可以先聊聊这个公司的业务啊 ，因为其实国内也有蛮多分析和报道这家公司的一些文章 。 而且我觉得特别有意思的是 ， 那些文章分成两个阶段 ： 第一个阶段是大家说 " 哎 ， 它是一个 AI 辅助招聘 、AI 面试的一家公司 "， 然后第二个阶段呢 ，有可能是大家意识到 、 有可能我不知道具体的情况 ， 就大家突然觉得说 " 哎 ， 原来它是一个做数据标注的公司 "， 或者 说 " 它是帮很多公司去招数据标注的那些专家的公司 "。 所以实际上在你的视角来看 ， 它到底是一家什么样的公司 ？ 或者说它是有一个转移的 、 迁移的过程 ， 还是一开始大家其实没有那么看明白 ， 后面慢慢明白了 ？ ### 业务本质 **虞快** [1:57] 现在我们主要的业务是帮这些最大的 AI 公司招专家 。 那我觉得大家对于数据标注可能有一些刻板印象 ， 比如说 " 哦 ， 你是去欠发达国家去招没什么文化的人做一些比较基本的事情 "， 对吧 ？ 但其实现在我们招的人都是对专业的要求其实非常高了 ， 比如说招的是医生啊 、 律师啊 、 投行 ， 或者是咨询相关的这些工作 。 然后也有一些非常非常细啊 ， 比如说软件工程师里面说你专门要写 Swift 的人， 或者很擅长用 Docker 的人， 甚至有的时候是这种 ， 比如说俄罗斯的生物学家 ， 就有各种各样的专业我们在招 。 那我们标注完 ， 对吧 ， 就是说我们的产品到底是什么 。 我觉得根本上来说 ，Mercor 想要解决劳动市场的这个问题 。 **曲凯** [2:41] 我先明确一下， 就是当你说招这个专家的时候 ， 你这个 " 招 " 字指的是什么 ？ 是他要招一个全职的人， 还是他要招一个兼职的一个人 ？ **虞快** [2:52] 是兼职 。 **曲凯** [2:52] 对 ， 这个人就是给各种模型公司做数据标注 ， 或者定义数据标注的标准的人吗 ？ **虞快** [2:58] 对 ， 现在大部分其实是定义数据标准的人了 。 我看你之前有一期是讲这个 evaluation 和 benchmark， 对 ，其实就是在做这些事情 。 **曲凯** [3:06] 所以它是在 ， 比如我们比较熟的是 Scale AI 这家公司 ，因为最近刚被 Meta 收掉嘛 ， 很火 。 然后另外最近它被收了以后又有一家叫 Surge 的 AI 出来 ， 对吧 ？ **虞快** [3:16] 其实 Surge 的时间我觉得不比 —— **曲凯** [3:19] 我知道 ， 我说出来是指从媒体上出来 。 **虞快** [3:22] 对对对 。 **曲凯** [3:22] 那我想讲的就是国内 ， 我觉得包括美国 ，有非常多类似这样的一些标注公司 ， 就它给你提供一整个数据的平台 ， 对吧 ， 你到上面去做整个数据标注的流程 。 但所以你们在做的这个事情 ， 你们帮他们招的这个兼职的专家 ，是在这整个流程之前吗 ？ 我可以这么理解吗 ？ 就它要先定义整个的标注的标准 ？ **虞快** [3:40] 其实很多时候这些 AI Labs 他们也不知道他们的数据的标准是什么 。 但是它就是说 " 我们现在的模型在处理这些问题上面可能不是很好 "， 或者 " 我也不知道我们的模型在处理这些问题上面到底好不好 "。 因为这些公司里面的人 ，他也不是律师 ，他也不是医生 ，他也不知道这些模型在处理医生相关的问题 、 健康相关的问题到底好不好 。 所以它需要有人来系统性地告诉它 ， 最后就给它的结论就是说 "OK， 你在处理这些问题上面回答得不好 ，在处理那些问题上面其实回答得很好 "。 **曲凯** [4:10] 所以我能不能理解 ， 就目前来讲 ，他们用完你们得到的一些专家的标准 ， 然后它再会去用 Scale AI 之类的 ？ **虞快** [4:19] 不会 ， 它不会再去用 。 它有了这些标准之后， 它可以做 reinforcement learning。 **曲凯** [4:23] 所以你们是完全替代掉了其他的标注平台 ？ **虞快** [4:27] 对 。 **曲凯** [4:28] OK。 **虞快** [4:28] 这个完全替代就是说它在做这个项目的时候 ， 它可以只用我们 ，不用别人。 但当然了 ，不是说我们现在完全满足了 。 就比如说它要招 1 万个律师 ， 它可能不能完全就通过我们来招满 1 万个 ，也需要别的平台来帮它招剩下的一些 。 **曲凯** [4:44] 我再理一下， 我本来的理解是数据标注 ， 首先你要定一个一套标准 ， 然后呢 ， 需要很多人按照这套标准去手工地标那些数据 。 我本来以为这两个是两套不同的人群 ，其实不是吗 ？ **虞快** [4:56] 其实是同一个人群 。 **曲凯** [4:57] 只是同一个人群 ？ **虞快** [4:58] 对对对 。 **曲凯** [4:58] OK。 **虞快** [4:59] 因为现在模型已经进化到你不是专家 ，其实你已经标不了了 。 就是你会的它也会了 。 **曲凯** [5:06] OK。 **虞快** [5:07] 那这个也是之前 Scale 遇到的一个问题吧 ， 就是说它一上来 ， 发家其实主要是跟 OpenAI 合作 ， 然后之后其实 OpenAI 对它的 feedback 不是很好吧 。他们遇到了一个问题 ， 就是说随着模型的能力越来越强 ， 那他们本来招的这些人的水平其实已经没有办法满足这个 AI 了 。 **曲凯** [5:24] 对 ， 我听说有的标注公司它会找一些 ， 比如说柬埔寨啊 、 越南啊的人来做标注嘛 。 **虞快** [5:28] 对 。 **曲凯** [5:29] 所以你觉得就是因为模型发展 ， 所以那批人不适用了 ， 所以就出来了新的机会 。 然后新的机会呢 ， 没有人能满足 ， 就正好你们就出来做这件事 。 **虞快** [5:36] 对对对 。 **曲凯** [5:37] 这个是你们第一天开始就是这么定位的吗 ？ 还是有个变化 ？ **虞快** [5:41] 其实不是 。 一上来我们想做的就是只要有任何的工作 ， 我们都能够帮你找到 。 比如说一个公司想要招人， 你只要把标准是什么写下来 ， 然后我们就能够帮你找到你要找的人。 **曲凯** [5:52] 对 ， 这个就是我最开始看到对你们报道的那个理解 。 所以怎么就变了 ， 这个很合理 。 **虞快** [5:57] 这个还是我们现在目标啊 ， 这个目标还是没有变 。 那现在问题就是说 ，OK， 那么是什么样的客户现在有这么急迫的需求 ， 想要迅速地招这么多的人呢 ？ 目前来说其实是这些 AI 公司 。 它一下子需要 50 个律师 ， 它一下子需要 200 个软件工程师 。 而且对它来说 ， 就是说模型的提升给它带来的经济上面的回报 ，是远远大于它招这些人的成本的 。 所以只要最后有办法让它的模型的质量提升 ，不管是在 benchmark 上面的跑分也好 ， 还是实际说它能够越来越可能代替这个 full-timer， 只要有这方面的提升的话 ，其实它花多少钱都是值得的 。 **曲凯** [6:35] 所以就是你们做的时候 ， 突然发现了有这么一个用户的需求点 、 切入点 ？ **虞快** [6:40] 对对对 ， 这个就像是你卖产品嘛 ， 你卖产品最后你肯定是要找最痛的 、 同时最有钱的人。 **曲凯** [6:45] 但现在你们是算 ToB 还是也会有很多小的 C 啊 、B 上来 ？ 就是你是 SLG 还是 PLG？ **虞快** [6:53] 是 ToB 啊 ， 现在绝大多数用我们的都是 AI Labs，也有一些 AI Startup 也在用我们平台帮他们招 contractor，也有招 full-time 的 。 **曲凯** [7:01] 对 ， 比如说我现在 ， 我随便讲 ， 我是个创业公司 ， 我想招一个设计 ， 然后我自己上了你们网站 ， 自己登录了 ，是可以用的吗 ？ **虞快** [7:08] 现在好像我们不支持 self-serve。 **曲凯** [7:10] OK，其实是比较明确地转向了一个 ToB， 然后这个方向了 。 但你帮他们招兼职的时候 ， 它是一个一次性的 ， 说我付你笔钱 ， 这人招走了 ， 我后面不管怎么用他 ， 我自己去跟他付钱 ， 还是我跟你 ？ **虞快** [7:25] 你把钱给 Mercor， 然后 Mercor 再付钱给这些 experts。 **曲凯** [7:29] 它不会出现飞单的问题吗 ？ 但我觉得这个可能在美国这边会相对好一点 。 **虞快** [7:34] 目前来说还没有遇到这个问题吧 ，因为其实这个难点并不是只是你能不能帮我找到这些人。 还有一个就是说 ， 那我这个项目 ， 比如说同时需要 100 个 software engineer 做这个项目 。OK， 那我要管理他们啊 ， 比如说我这周需要你做 20 个小时， 那你有没有做到 ， 对吧 ？ 然后同时你的质量好不好 ， 对吧 ？ 如果质量不好的话 ， 我接下来就不跟你续了 ， 对吧 ？ 然后这些 software engineer 他可能在世界各地 ， 对吧 ？ 那你怎么样付钱给他们 ， 确保他们能够收到钱 ，而且他们有问题 ， 对吧 ？ 他不管是对这个题 ， 比如说有问题 ， 对吧 ？ 还是说他对平台上有问题 ， 对吧 ？ 或者比如说他说他这周工作了 15 个小时， 结果我们的系统说 " 哎 ， 你其实只工作了 10 个小时 "， 各种各样的问题啊 。 我不觉得这些 AI Lab 它会很想要来处理这些问题 。 **曲凯** [8:15] 但你们就变成一个大外包商了 ， 就是第三方人力服务公司 。 **虞快** [8:18] 我觉得我们什么 mission 啊 、vision 这些东西如果不谈的话 ， 纯粹就是说业务的话 ，其实和这些外包商的一个比较大的区别就是 ， 我们有办法评估一个人的质量 ，不是说你说你是 engineer， 然后我就招你 。 现在有 1 万个人都过来申请 ， 那我要用比较科学的方法能够评估 ， 对吧 ？ 你这 1 万个人到底哪些人实际上是能做这个活的 ， 哪些人是不行的 。 所以就是说其实我们是有办法挑出这 1 万个里面最好的人的 。 **曲凯** [8:42] 这一部分是你们做 AI 的部分 ， 我可以这么理解吧 ？ 然后外面报道的一般就是能看到就是 AI 面试的这一部分 。 **虞快** [8:48] AI 面试吧 ， 还有一个配对的一个问题 ， 对吧 ？ 就是说现在这边比如说有很多工作 ， 然后呢 ， 另一边有很多人他把简历交了 ， 然后他 AI 面试也做了 ， 那你怎么样把合适的人对应到合适的工作 ，也是一个挺难的一个问题 。 ### 产品流程 **曲凯** [9:01] 对 ， 我们把这个流程捋一下啊 ， 就是首先他是自己来你们平台注册吗 ？ 那些专家 。 **虞快** [9:06] 我们获客的话有各种方式 ， 一个是比如广告投放 ， 我们也有一个推荐 ，其实推荐占我们公司 sign up 的很大的一部分 ， 超过一半 。 **曲凯** [9:14] 就是同事之间互相 refer 是吧 ？ **虞快** [9:15] 对 ， 各样 refer， 然后那个推荐你的人可以拿点钱 ， 然后我们其实平台上面有的人通过这个推荐可以赚很多很多钱 ，有的人甚至把他全职工作辞了 ， 专门来我们平台做这个工作 。 **曲凯** [9:26] 你就是在一个第三方人力服务公司里做了个猎头 。 **虞快** [9:29] 做一个猎头 ， 对 ， 然后我们和他的对接关系非常密切 ，他知道我们公司未来要招什么样的人 ，他知道每个职位大概需要什么样的人， 然后他会去帮我们找这些人。 **曲凯** [9:38] 但你们现在不会做一个动作 ， 就是比如主动用 AI 去各种地方发私信啊 ， 去找这些人 ？ **虞快** [9:44] 我们也会 ， 这些都是我们获客的渠道 。 **曲凯** [9:46] 然后他来了以后 ，他要先申请 ？ **虞快** [9:49] 他先要提交他的简历 ， 提交简历之后呢 ，他需要说 "OK， 那我们网上有比如说 200 个工作 "， 那他要找 " 哎 ， 那我觉得哪个工作比较适合我 "。他可以同时申请几个工作 ， 对吧 ？ 但比如说他找到了一个适合他的工作 ， 那么他接下来就是去做这个 AI Interview。 **曲凯** [10:05] AI Interview 就是你会有一个面试官去做一个 ，是视频的还是一个 ？ **虞快** [10:08] 视频 。 **曲凯** [10:08] 但 AI 你随便反正给他一个数字人的形象 。 **虞快** [10:12] 对 。 **曲凯** [10:12] 然后这个问题是怎么来的呢 ？ **虞快** [10:14] 问题其实是多方面的 ， 一个是根据他的简历 ， 我们会问一些他简历上面的问题 ， 然后还有一个更重要的就是说根据工作的明确的一些要求 ， 比如说我需要是数学 PhD， 好 ， 那么这个里面问题有可能就是说 " 那你以前念 PhD 的时候你的方向是什么 "， 或者你问你说你简历里面发了 paper， 那我可能会问你们 paper 里面的问题 。 **曲凯** [10:31] 但这些问题都是 AI 自己出的吗 ？ **虞快** [10:33] 都是 AI 出的 。 **曲凯** [10:33] 你人会改吗 ？ 它现在能问到什么程度 ？ **虞快** [10:35] 可以 ， 人可以改 ， 比如说我也在用我们自己的这个平台招人， 然后其实有些问题是我想要问的 ， 那我就会跟这个 AI Interview 跟他说 "OK， 你这个问题帮我问一下 "， 然后这个是制造问题的评分标准 。 **曲凯** [10:47] 明白 ， 然后他面完了以后可能是一个 30 分钟 、60 分钟 ？ **虞快** [10:51] 20 到 30 分钟吧 。 **曲凯** [10:52] 然后它就变成一个视频的材料 ？ **虞快** [10:56] 对对对 ， 然后招聘的这个人， 对吧 ，他可以看到这个视频底下的这个字幕 ， 然后你点一下， 哎 ， 它就会自动就跳到那个视频里面 ， 候选人在讲正常话的这个 ， 那么你就可以看看这个人的交流是不是清楚啊 ，有没有停顿啊 。 有些东西 transcript 不一定能够完全记录下来 。 **曲凯** [11:13] 但如果有一堆人申请这个 ， 我还是要自己一个个地去看那个面试的 ？ **虞快** [11:17] 你不用 ， 创建工作的这个人他其实是一上来会定义好 ， 就是说我的目标到底是什么 。 有一些是硬性规定 ，有一些是比较软的规定 。 那么最后我们的这个 AI 评估系统其实是会根据简历 ， 然后会根据 AI 的面试表现 ， 配合一上来它定义的这些标准 ， 给你个分数 。 **曲凯** [11:34] 这个就是你刚才提的匹配的那一步是吗 ？ **虞快** [11:37] 对 。 **曲凯** [11:37] 就是反正我有一套标准 ，AI 通过对他简历的理解 ， 对他的那个 —— **虞快** [11:42] 对你面试表现的理解 。 **曲凯** [11:44] OK。 **虞快** [11:44] 对 。 **曲凯** [11:44] 然后去给你可能各项打个分数 ， 最后综合有一个匹配的过程 ， 然后我打开可能它就是按排序给我排出来了 。 **虞快** [11:52] 对 ， 然后呢 ， 还有一些别的比较 subtle 的 ， 比如说你这个人是不是骗子 ， 当然了这个骗子的话有各种各样的这个骗法 ， 对吧 ？ 有的人比如说是你说你是谁 ，其实你不是这个人， 这个的话我们通过 ID 就可以判断 。 那有的呢 ， 它就是简历造假 ， 那我们判断这个简历造假也有一些方法吧 ， 比如说我们去 LinkedIn 看 ， 然后我们网上去查这个人， 对吧 ？ 包括你简历上面你说你有 GitHub， 那我就去你那 GitHub 看一下 。 **曲凯** [12:17] 你说的这些都是 AI 来做的 ？ **虞快** [12:18] 这一部分没有 AI， 这些只是普通的自动化嘛 ， 总之不是人来做 。 **曲凯** [12:22] 对 ，不是人来做 。 **虞快** [12:22] 那简历上面有些东西造假比较难 ， 之前比如说我们遇到了一个情况 ， 就是说我们在招这个奥赛得奖的人 ，因为这些 AI Lab 它不是经常要跑这个 IMO 的这些 benchmark 吗 ？ 那么当然它需要招前得过奖的人。 有一些骗子啊 ，他就去 IMO 的这个网站上面去看 ， 哎 ， 这些人是真的得奖的 ， 对吧 ？ 他就假装他是这些人， 简历名字就写他 ， 然后他就自动生成了很多简历过来申请 。 **曲凯** [12:46] 对 ， 这个你有个问题点 ， 就是你们因为在做标注 ， 然后最后我乱标的没人知道啊 ， 就怎么定义我标的好坏呢 ？ **虞快** [12:53] 对 ， 这个是这样的 ， 很多时候同一个问题不会问你一个人的呀 ，cohort 比如 50 个人， 对吧 ？ 同一个问题有可能问这 50 个里面 30 个人， 那你的解法跟别人就是不一样 ， 然后你每次都是不一样的 ， 那这个项目做到一半你可能就被开了 。 ### 市场洞察 **曲凯** [13:05] OK， 合理 。 这现在标注的大概的价格区间 ， 就这个专家的 ， 你们是按算时薪吗 ？ 还算什么 ？ **虞快** [13:12] 时薪 ， 这个和这个职业就是千差万别 。 我们平台上平均的时薪其实是超过 90 美金一小时， 那有一些职业 ， 比如说像我们当时在招一个皮肤外科的医生 ， 那当时我们给他的时薪是 400 块钱一小时， 我记得 。 然后如果你认识这个医生 ， 你就推荐他 ， 然后你得到的推荐费是 5000 美金 ， 非常非常高 。 那同时也有一些 ， 比如说我们平台上之前也在招 audio trainer， 应该就是让你念一个稿子吧 ， 比如说你英语足够好 ， 对吧 ？ 你只要能念 ， 那这个的话其实绝大多数美国人都能做 ， 对吧 ？ 所以那个的时薪就 21 块钱一小时， 对吧 ？ 所以这个还是差挺多 。 那比如说软件工程师一般的时薪基本上就是 100 到 200 之间 。 **曲凯** [13:51] 我现在大概能理解 ， 就是你这个真的是个太好的生意了 。 里面有什么需要中文的吗 ？ 如果我想做专家 ， 我想找你赚这个钱 ， 能赚吗 ？ **虞快** [13:58] 我们现在在招讲粤语的人， 我们在招讲泰语的人， 就时不时会有 。 你只要 sign up 了 ， 然后之后合适的工作其实它会推荐给你的 。 **曲凯** [14:06] 但这里面我能想象确实会有一些很冷门的一些东西 ， 对吧 ？ 就好像大家去看 PhD 各个专业一样 ， 你就不知道哪就冒出来一个交叉学科从来没听过的名字嘛 。 **虞快** [14:15] 对对对 。 **曲凯** [14:16] 那这种你们怎么找呢 ？ **虞快** [14:17] 一个是推荐 ， 另一个是我们公司内部也有一个专门在招聘的团队 。 **曲凯** [14:20] 他要去主动找人 ？ **虞快** [14:22] 对对对 ，他要主动找人。 那有些这种的话 ， 你可能需要他们这个领域的论坛 ， 甚至有的时候你需要参加这个领域的人才会参加的活动 。 **曲凯** [14:29] 这个它也是一个特别有意思的经济模型 ， 我觉得 。 就这个价格到底怎么定的 ？ 你怎么知道一个人到底该多少钱呢 ？ **虞快** [14:35] 因为我们以前可能招过类似的人， 那当时我们的这个价格是多少 ， 当时我们花了多少天来招到多少个人， 那现在如果这个需求比当时更紧急 ， 那我们可能偏就高一点 。 如果需求跟当时一样 ， 那么可能价钱也不会高 。 **曲凯** [14:48] 所以是这个钱是你们来定给你们的甲方 ？ **虞快** [14:52] 这个也是一个双方协商的一个过程 。AI Lab 它肯定想要越便宜越好 ，但是它也不想要因为便宜而最后招到的人不行 ， 那最后模型没有提升 。 所以更多是我们提供一些我们的想法 ， 然后我们其实就是跟这些公司合作 ，他们自己可能也有相关的这个数据的 ， 那他心里面也大概知道就是这个项目大概需要花多少钱 。 **曲凯** [15:10] 然后我在想 ， 对于他们来讲 ，他们应该会同时分发给很多平台或者供应商吧 ， 对吧 ？ 所以最后看谁先找到吗 ？ **虞快** [15:19] 那不是 ， 那最后两个人都找到了 ， 那你需要这么多人吗 ？ 也不一定 。 这个更多是就看他对你的信任 。 之前你帮我招过类似的人， 质量很好 ， 那下一次还是用你们 。 **曲凯** [15:29] 你有没有印象最贵的是什么 ？ 整个专家里面 。 **虞快** [15:33] 就我刚刚说的这个皮肤可以 。 **曲凯** [15:35] 一小时 400。 **虞快** [15:36] 对 。 **曲凯** [15:36] 哎 ， 我记得好像之前有个传闻说 ， 一个特别有名的华人数学家 。 **虞快** [15:41] 陶哲轩 ？ **曲凯** [15:42] 对 ， 我听说让他去标记一道数学题 ， 给他上万刀还是多少的 ， 之前有那种传言 。 **虞快** [15:47] 我不知道 ， 这个不是我们公司做的吧 。 **曲凯** [15:49] OK，但这样的话 ， 你们的客户多数的就是那些要训模型的客户嘛 ， 然后这种客户现在数量足够多吗 ？ **虞快** [15:57] AI Lab 其实就这些 ，但是他们的这个 budget 非常非常高 。 因为对于这些 AI Lab 来说 ， 你要有进步 ， 那要么是算法上的进步 ， 要么是你运算能力上的进步 ， 要么是数据上的进步 。 那算法上的进步 ， 我们也知道这些顶级的研究员的这个工资吧 ，其实你招了他 ， 你也心里面也不安全 ， 对吧 ？ 明天有可能他就被你的竞争对手给招走了 。 然后计算上的话 ， 比如说你是 OpenAI， 我觉得计算上你可能也打不过 Google 吧 。 那你想要有本质上的进步 ，其实你还是要靠数据 。 比如说像 Anthropic， 它的这些模型之所以能够在 coding 上面有这么好的表现 ，其实就是源于它的数据 ，不只是它数据的量 ， 同时也是它清洗的时候的一些方式 。 **曲凯** [16:36] 对 ， 这个我也听说的 ， 确实他花了非常大的功夫在做这件事情 。 所以他们也是你们的客户 ，但他们同时应该也都是很多其他平台的客户 。 **虞快** [16:44] 对 。 **曲凯** [16:45] 所以最后大家拼的是招的专家的质量 。 **虞快** [16:47] 对 ， 多快 ， 最后的质量有多好 。 **曲凯** [16:49] 那 Scale AI 它被收了以后， 好像就是说整个业务下降了非常多嘛 ，是吧 ？ 就大家会觉得说它是 Meta 的一部分了 ， 所以剩下的这些公司有点不太敢跟它合作 。 那 Meta 真的就变成了一个纯人才收购了 ， 就是花了这么多钱 ， 然后收完了业务就跌了 。 **虞快** [17:04] 我其实没有什么消息 ， 这个纯粹就是我自己的想法 。 我的猜测其实就是 ， 扎克伯格就是想要招 Alex Wong，他就是想要让 Alex Wong 去领导他的那个 superintelligence 团队 。 那 Alex 也是有抱负的人， 对吧 ？ 不是说只是你给我很高的工资我就去 ，他今天有 report 给你 ， 比如说两三年之后他可能还是要创业的 ， 那今天他自己就走了 ， 比如像 Windsurf 这个方向 。 **曲凯** [17:28] 以后混不下去了 。 **虞快** [17:29] 以后你 ， 对啊 ， 你工资也很高 ， 对吧 ？ 但以后你想要再创业的话 ，有人愿意跟你吗 ？ 还有人愿意投你吗 ？ 那我觉得很有可能扎克伯格也是有这个考虑嘛 ， 就是说 OK， 你不用管 ， 就我花这个 150 亿 ， 纯粹就是让你的这些投资人进场的人， 没有人会有任何问题 ， 大家都很满意 。 那这样的话 ， 下次你再出来做 ， 大家肯定会支持你 。 **曲凯** [17:48] 所以他们对你们已经没有什么威胁 ？ 虽然这么说起来有点奇怪 ，因为你们体量应该比他们还是小吧 ？ **虞快** [17:54] 体量还是比他们小 ，但是就是说从增长上面来说的话 ，其实它不是很大的竞争对手 ， 我反正没有这么觉得 。 **曲凯** [17:59] 然后 Search.ai 呢 ， 你觉得 ？ **虞快** [18:01] 我觉得 Search 当然是一个威胁了 ，而且它反正比我们大嘛 。 **曲凯** [18:05] 而且他们跟 Scale.ai 的风格我觉得是正好相反的感觉 ， 至少从外部来看 ， 就一个是很张扬的那种感觉 ， 一个是非常低调务实的那种感觉 。 **虞快** [18:13] 对 ，但是他们现在也在融资嘛 ， 我觉得目的可能也是就是说想要招到更多的人才吧 ，因为人才肯定是最重要的 ， 然后人才其实很多时候会看那你的投资人是谁 。 如果你从头到尾都说我这个公司反正业务很牛逼 ， 对吧 ？ 但我们是 bootstrap 的 ，其实好的人才不敢加入 ，有可能 ， 对吧 ？ 他想要听到 OK， 你是 Sequoia 投资 ， 或者是你是比如说 Benchmark 投资 ， 或者你是 A16Z 投资 ，他想要听到这样 。 **曲凯** [18:41] 所以对整个市场 ，不管是资本市场还是数据标注市场来讲 ， 大家现在有个共识说你们就是一家数据标注公司吗 ？ 还是怎么样 ？ **虞快** [18:49] 我不觉得我们是一个数据标注公司 ， 我们其实现在是一个 eval provider， 就是我们提供的是这个 evaluation。Evaluation 其实是这些模型的 PRD， 就是 Product Requirement Document， 就是说最终你的目标是要达到能够完成这些我们专家说的你现在没有办法完成的这些事情 ， 然后你的 researcher 其实就是想办法来让这个模型最后能够实现这个目标 ，但这个目标是我们定的 。 **曲凯** [19:11] OK，但这些评估指标是会留在你们这儿 ， 还是只属于那家你们的客户的公司 ？ **虞快** [19:18] 它会留在我们这儿 。 **曲凯** [19:20] 但留在你们这儿 ， 你们能复用吗 ？ 比如今天 XAI 过来说我要做个什么律师行业的一个指标 ， 你们做完了 ， 然后你们留下一套标准 ， 那明天如果 OpenAI 再来 ， 你能直接用吗 ？ **虞快** [19:31] 可以 ， 比如说像 Scale 有啊 ，Humanities 的 last exam 就是 Scale 做的呀 ， 那一套题非常非常难嘛 ， 这个就是现在所有的模型用的一个 benchmark。 **曲凯** [19:39] 哦 ， 就是类似 benchmark 这种 ，但我说后面你标注数据的话 ， 反正分家再给它招人。 **虞快** [19:43] 那绝对是分开的 ，而且很多时候这些 AI 公司他们就说我招的这些你不能给别人用 ，有的时候也会有这些 。 **曲凯** [19:50] 理解了 。 你到这公司的时候 ，他就应该已经是这套业务了嘛 。 **虞快** [19:54] 对 。 **曲凯** [19:54] 但我觉得之前 AI 招聘是一个很性感的一个平台型的故事 ， 现在呢 ， 是一个从赚钱角度应该现在是更性感 ， 可能 。 我听起来这个肯定涨得很快 ， 挣钱也很多 ，但是是不是不如之前的那个平台的故事大 ， 或者说它会不会是一个更阶段性的东西 ？ **虞快** [20:10] 我们对于未来的看法其实是说未来可能全职工作会越来越少 ， 更多的人会转到 project based， 比如说你这个月有一个这个项目 ， 工作比如说 40 小时一周 ， 对吧 ？ 然后下个月可能你的这个项目就结束了 ， 然后有可能你会跟另一家公司有合作 ， 然后另一公司雇你 ， 雇你两个月 ， 对吧 ？ 未来很有可能是这样子的一个模式的 ， 随着 AI 的能力越来越高 。 那其实我们公司所有的投资吧 ， 都是在向那个未来靠拢 。 那那个未来需要一些什么样的产品 ， 需要一些什么样的功能 ，其实我们现在在做的这些 ， 虽然看上去是在满足这 AI 公司的需求 ，但其实是在满足我刚刚描述的那个未来的需求 。 那我觉得用 AI 来衡量一个人， 这个场景也不只是在面试中， 就比如说假设我是一个 VC， 然后我想要跟很多投资人聊 ， 那一样啊 ， 我可以设定几个问题 ， 然后我可以设定几个我觉得什么是好的答案 ， 什么不是好的答案 。 那现在有 1000 个人过来找我聊 ， 我就让他们去跟 AI 聊 ， 然后最后我来排一个序就行 。 **曲凯** [21:06] 明白 。其实你想讲就是未来这套模式可以复用到更多行业上吗 ？ **虞快** [21:11] 可以用到所有的行业 ， 所有的行业最后都是挑选的一个过程 。其实我理解就是你们并不是说我转型了 ， 我变成一个数据标注公司 。 **曲凯** [21:18] 没有 。 **虞快** [21:18] 而是我还是讲那个故事 ， 还是做那件事 ， 只是我现在发现数据标注是最好的一个市场 。 **曲凯** [21:23] 是最赚钱的业务 。 **虞快** [21:25] 现在正好有人有很多钱 ， 然后对他来说这个是特别特别痛的一个点 。 **曲凯** [21:29] 所以要聚焦 ， 先把这个赶紧搞起来搞完 ， 然后后面再慢慢扩其他的 。 **虞快** [21:33] 对对对 。 **曲凯** [21:34] OK。 国内其实也有很多人在看这个方向 ， 或者可能考虑做这个方向 。 你觉得如果国内整个完整的 copy 一套 ， 然后来做 ， 会成立吗 ？ **虞快** [21:43] 主要是看国内的最大的 AI 厂它有多大的意愿 ， 它愿意在这个上面花多少钱 。 我是觉得其实花多少钱都是值得的 ，但需要看这些公司他们自己怎么想 。 它只要有这个 budget， 绝对会有公司可以做 ，而且可以做得很成功 。 **曲凯** [21:55] 这里面的差距在于说 ， 你看国内模型公司三四十亿美金估值 ， 这边的三四千亿美金估值 。 而且国内我不了解 ，但我觉得国内至少很多大厂 ，因为大厂也在做模型嘛 ， 我们不说那些创业公司了 。 大厂是不是他们会倾向于自建一个团队来做这个事 ？ **虞快** [22:12] 但这个东西对于这些大厂来说并不是它的核心业务 。 对于我们来说 ， 我们其实是有很强的意愿来把 AI 面试这一关做得很好 ， 把候选人和工作的匹配做得很好 ，因为这个是我们的本行 。 那比如说你是阿里巴巴 ， 当然技术上你可以做 ，但你愿意花比如说 100 个人 、200 个人来做一个跟你主要业务完全不相关的东西吗 ？ 而且你做出来这个东西只能给你用 ， 别的公司是不可能敢跟你说我们最近要招这些人的 ，因为这个对他们来说是一个机密 。 **曲凯** [22:41] 在你们看来 ， 标注市场的增速到底有多快 ？ 因为这里面已经有很多家非常赚钱的公司了 。 我们哪怕把 Scale AI 打个折 ，但你加上 Search AI， 加上你们 ， 还有其他的可能这一两年开始做数据标注市场 ，也涨得很快的 。 **虞快** [22:58] 一上来涨得很快 ， 最后的难点永远就是说 ， 那最好的这些人你有没有办法把他找到 。 然后另一个就是我觉得从这些 AI 公司的角度来说 ， 它也不想要同时跟十家公司合作 ， 每个公司有自己不同的流程 ， 最后结账其实也很麻烦 。 然后最后在训练的可能是同一个模型 ， 那遇到问题它其实也不知道是找这家公司还是那家公司的问题 。 当然了 ， 可能比如说 Scale 被收购这件事情之后， 让他意识到他可能不应该只跟一家公司合作 ，因为万一我合作的这家公司最后被别人收购了 ， 那我其实就凉了 ， 对吧 ？ 我觉得如果是我的话 ， 可能就是两家 ， 最多三家公司合作吧 。 我可能有个主要的供应商 ， 然后有一个次要的供应商 ， 我觉得会是这样子 。 然后你说这个市场有多大 ， 我的感觉是这样 ， 你看只要有 OpenAI 和 Anthropic 这些公司在 ， 我觉得这个市场就不断变大 。 为什么呢 ？ 就是说这两个公司其实主要的这个产品就是模型 。 对它来说 ， 如果它的模型没有别人好的话 ， 它机会就不大了 ，因为它的出发肯定是远远弱于 Google、Amazon、Microsoft 这些公司的 。 它必须要模型本身要比别人好 ， 所以它花再多的钱也没有关系在数据上面 。 那现在只要 OpenAI、Anthropic 想要打 ， 那 Google 肯定也陪着你打 ，Google 当然有更多的钱 ，Meta 也有更多的钱 ，他们也不得不花这个钱 。 现在来说的话 ， 基本上是一个 50 到 100 亿的市场 。 **曲凯** [24:12] 对 ，因为我在想 Meta 最近 1 亿美金招人很火嘛 ， 对吧 ？ 我觉得如果它一个人都愿意花 1 亿美金 。 **虞快** [24:18] 对 ， 数据的质量上面的提升 ， 我觉得给它带来的 impact 远远不止这点 。 ### 加入原因 **曲凯** [24:22] 是 。 所以你当时是为什么选择加入这家公司 ？ **虞快** [24:26] 我觉得选 startup 必须要找有点特别的公司 。 如果你说就是各方面如果都挺好 ，但是也没啥特别的 ， 我觉得成功的几率可能不是很高 。 另一个我觉得在这个时代其实要找那种说话题性比较高的公司 ，其实成功率可能高一点 ， 或者这个溢价可能高一点 。 那我跟这个创始人聊的时候 ， 首先三个创始人他们都是退学的 ，21 岁就创立了这个公司 ， 我感觉这个话题性绝对可以 ， 对吧 ？ 然后这三个人都是叫 Theo Fellow， 就是有一个很有名的投资人 Peter Thiel 嘛 ， 当然这个 fellowship 很难得 ， 得到了有一个要求就是说你必须要退学 。 **曲凯** [24:57] 这个真的是很难理解 ， 为什么会有这么一个 fellowship。 **虞快** [25:01] Peter Thiel 本来就是一个跟硅谷主流可能比较相反的一个人 ，他自己去 Stanford 读的书 ，但是他一直觉得大学教育是浪费 ， 所以他就鼓励年轻人只要有想法就创业 ， 破釜沉舟这样子 。 然后 OK， 这都辍学 ， 然后这三个创始人都是高中同学 ，在湾区这边的高中， 然后当时是辩论队的 ，他们的辩论队反正很强 ， 可能就是美国历史上最强的高中辩论队之一 。 辩论在美国高中算是一个比较可能有点像中国比如说高赛这样子 ， 比如说你说你在辩论队 ， 然后你得了奖 ， 可能是一个挺拿得出手的一个奖吧 。 所以我觉得主要是你要在某一个领域很强 ， 我觉得这个是最重要的 。 那这个 founder 让我觉得他们至少在辩论上面反应非常快 ， 我跟他们交流的时候也觉得 ， 反正你随便问他什么东西 ，他的答案都让我觉得 OK， 好吧 ，make sense。 **曲凯** [25:46] 毕竟人家是辩论队出身的 。 **虞快** [25:48] 对对对 ， 然后我觉得最后你是在 follow 这些人， 对吧 ？ 反正我在跟他们交流的时候 ， 我感觉就是说如果我做出来一个产品 ， 然后我特别特别愿意让你去帮我去买 ，因为我觉得不管那个客户有什么问题 ， 你反正都能够说他心服口服 。 然后还有一个就比如说 ， 当然最主要的其实还是 Mercor 的这个增长速度实在是太快了 ， 比如说 Mercor 从 100 万美金做到 1 亿美金的这个 run rate，其实只花了 11 个月 。他当时觉得是历史上最快的 ， 对吧 ？ 当时比如像 Cursor 花了 12 个月 。 所以这个 momentum 我觉得是最重要的 ， 一旦这个公司这个增长很快 ， 然后它招的人自然就更好 ， 那你这个公司有更好的人之后， 然后你这个效率就更高 。 然后再加上这个公司文化也很神奇 ， 跟我面试的时候一上来就说我们公司是 996， 你是不是可以接受 ？ 我觉得还挺好的 。 如果这个公司一个月增长 50%， 每个月这样子增长的话 ， 这个其实是会让人上瘾的 。 你发现你做什么产品 ， 然后做客户都会有给你 feedback，不管是好的 feedback 还是坏的 feedback，但都有人给你 feedback， 真的有人在 care， 那你肯定会越做越起劲啊 。 然后公司现在在这个正循环上面嘛 ， 然后公司当然不只是创始人年轻啊 ， 整个公司其实当然我加入的时候平均年龄是 22 岁 ，而有很多人是这个 college dropouts， 然后公司的一半的人以前都创过业 ， 所以这个公司的 engineer product sense 非常好 ，不需要专门的 PM。 不是说我们公司没有 PM 啊 ，但是就算招 PM 也是需要招非常 technical， 然后我们在招 PM 的时候 ，其实我们经常问的问题就是说你最近 build 过什么 ？ 你现在有那么多 AI tools， 如果你没有 build 过什么 ， 那是个 huge red flag。 比如说 OK， 那你 build 过这个东西 ， 为什么你要 build 这个东西 ？ 那你怎么 measure success， 对吧 ？ 就后面有很多这样子的问题 。 **曲凯** [27:21] 当你们说 build 的时候 ， 就是他真的要自己动手做出来一个产品 。 **虞快** [27:24] 你用 lowerboard 做也可以 ，也没有问题 ， 对吧 ？ 那你给我展示一下 。 **曲凯** [27:27] 就哪怕我说我今天做了一个网站 ，也算是做了一个东西 。 **虞快** [27:31] 对 ， 那为什么你要做这个网站 ？ **曲凯** [27:32] 对 ， 当然后面也有一堆问题嘛 。 **虞快** [27:34] 对对对 。 **曲凯** [27:35] 你有听到什么很好的答案吗 ？ 或者你认识的你们身边的这些同事 ，他们自己做了一些什么有趣的东西 ？ **虞快** [27:41] 有一些就是已经被收购了嘛 ， 我们有同事他之前做的产品就被 US News 收购了 ，22 岁之前就被收购了 。 **曲凯** [27:49] 对 ， 就这个我是特别想跟你探讨的一个问题 。 我觉得在国内呢 ， 大家现在并不是那么看好说年轻人创业啊 ， 年轻人做 AI 这件事 ，因为大家会觉得说 AI 这波呢 ， 可能还是移动互联网那一波的延续 。 所以呢 ，有很多更有经验的人 ，他有更多的这些 know-how，他会少踩很多坑 ，他有很多资源等等吧 ， 就这些东西 。 理论上来讲 ，他能做得更好更快一点 ， 然后年轻人呢 ， 就是会踩坑 ， 对吧 ？ 因为你没见过没做过 ， 你也不知道这个答案是什么东西 。 比如说大家会觉得说现在同样融资 1000 万美金 ， 我给一个花过这些钱的人 ，他肯定就能做得更快更好 ， 然后给一个年轻人 ，他就要去不断地去探索去试 ，他可能也不敢花 ， 或者他也不知道怎么花 ， 或者他哪怕花出去了 ， 可能不一定带来更优的一个结果 。 所以你看起来你们为什么能在平均年龄这么小的一个情况之下， 达到那么高的增长 ？ **虞快** [28:42] 他就凭聪慧 。 一个是就是说这个是 right problem at theright time， 对吧 ？ 就我觉得 recruiting 这个问题可能很多人都想解决 ， 可能 10 年前或者 20 年前就应该有很多人想要解决 ，但是当时没有 AI 这个东西 。 **曲凯** [28:55] 就选了一个非常好的赛道 ，有个很好的 timing， 天时地利人和的感觉 。 **虞快** [28:59] 对 ， 然后招的人也很关键 ， 就是你一上来招的这个 funding team 是谁 ， 对吧 ？ 那我们 Mercor 其实一上来从 scale 其实招了一些比较核心的人， 这个是非常关键 ，因为你有一个搒样 ， 然后你又有这个搒样里面的核心的人 ，其实他可以让你朝走很多弯路 。 然后我觉得硅谷这边很多二代 。 **曲凯** [29:16] 创二代 。 **虞快** [29:17] 对 ， 创二代 。他爸妈不一定是创业的人 ，但是他周围的朋友有些人可能就是创业的 ， 包括比如他们在上学的时候 ， 那你周围很多人可能都创业 。 我觉得归根结底其实可能就是说这个 sample size 的问题 。在中国 ， 比如说你创业失败 ， 对你的后面的 career 的打击可能是远远大于在美国创业失败 。 那么因为这个打击非常大 ， 所以可能在中国愿意尝试的人就少了 。 那你愿意尝试的人少了 ， 最后当然出结果的人就更少 。 你周围的人没有人成功 ， 或者你没有听说过 ， 那这个就不是个常态了 。 那下一届好的人他也不会选择这条路 ，因为在美国好的学校可能 by default 你要创业的 。 **曲凯** [29:52] 对 ，而且我在想就是美国这边的人确实早熟 ， 就是你看上去就能看出来的 ， 一个初中生你看着跟大学生似的 ， 然后很多这边小时候几岁的时候就上街让他卖那个柠檬水什么的 。 **虞快** [30:03] 对对对 。 **曲凯** [30:04] 然后上大学的时候所有人每周要做一个 presentation。 我觉得这边的很多大学生他的 presentation 的技巧可能都好于国内很多非常 senior 的创始人跟高管 。 所以他真的是从很小就开始训练 ， 然后美国这边还有很多专门的课教你怎么做 presentation， 怎么做 elevator pitch 什么这些东西 。 **虞快** [30:22] 我觉得在美国就是 sales and marketing 是一个非常关键的一个技能 ， 很多人可能都是做销售的 ， 大家也没有什么 negative opinion 对于销售 ， 包括比如说在美国亚马逊上面 ， 比如说卖得最好的一些书里面经常有一本好像就是叫 How to Influence and Make Friends， 那个纯粹就是讲你跟人怎么交往的 ， 就是 soft skill。 **曲凯** [30:38] 对 ， 这边你像广告牌上都是什么律师 、 房产中介什么的 ， 对吧 ？ 国内我觉得你很难想象在大广告牌上看到这种 。 **虞快** [30:45] 有钱打广告说明他做得很好嘛 。 **曲凯** [30:47] 是 。 所以你总结一下就是你这几个月看到的整个 Mercor 它有这么快的增速 ， 最核心的几个要点你觉得是什么 ？ ### 增长秘诀 **虞快** [30:55] 快是最重要的 ， 一个是下决定的速度 ， 第二个是执行的速度 ， 我觉得这两个都很重要 。 我觉得 Mercor 并不是一个非常非常这个 data driven 的公司 ， 更多的就是依赖于 founder 或者是 founder 后面招的这些人的直觉 ， 对吧 ？ 我觉得我们对这个直觉的要求是非常高的 。 比如说来我们公司面试 ， 就是说你 technical 这些东西都过了之后 ，其实最后你要跟 founder 聊 ，有的时候要跟两个 founder 聊 ， 最后被 founder 拒的几率是非常高的 。 然后他很多时候就是在看你的直觉好不好 ，因为在快速迭代的过程中， 我们没有时间来做非常非常科学的判断 ， 就是你觉得我们需要花时间在这个上面 ， 那我们就花这个时间 。 那我们要讲好 ， 比如说在未来一周你想看到什么样的结果 ， 如果没有看到这样的结果 ， 我们会怎么做 ， 就我们都可以非常非常坦率地讲这些事情 。 **曲凯** [31:38] 对 ， 所以你第一部分说的是决策要快 。 **虞快** [31:41] 对 。 **曲凯** [31:41] 对 ， 我想决策快我们再延展一下， 就我觉得决策快是不是要跟着是你像你刚才一定是要有更快速的一个评估的标准 ， 然后有更快速的一个复盘反馈和修正的过程 。 **虞快** [31:53] 对 ， 我们 founder 其实主要就是在看这个 metrics，what's working, what's not working， 这个是最关键的 。 **曲凯** [32:00] 但你这几个月体感看起来 ， 你觉得大家的直觉做的那些决策真的是有很多是对的 ， 还是其实不重要 ， 就是快速调整最重要 ？ **虞快** [32:08] 其实不重要 ， 就是你快点做一个决定 ， 这个决定不要是大错特错就行 。 **曲凯** [32:12] 就是市场太快了 ， 只要你动起来总比不动强 。 **虞快** [32:15] 对对对 ， 然后你有办法意识到你这个决定是错的 ， 你再改就行 。 我们的反应比别人快吧 ， 然后我们的执行率比别人高 ，而且这个执行力我觉得是最难复制的 ， 说实话 。 **曲凯** [32:23] 这就是你刚刚说的第二部分 。 **虞快** [32:25] 对 ， 我们决定要做这件事情了之后， 说要做就一定能够做到 ， 这个是让我对我们公司最有信心的一个特质 。 **曲凯** [32:32] 这个怎么理解 ？ 当然我觉得首先你们肯定比硅谷其他公司要卷 ，但国内可能大家也是 996， 或者甚至于最近也有一些国内的公司爆出来半夜还要上班什么的 。 **虞快** [32:44] 像我基本上每天都是 1 点钟下班 ， 大概 7 点半开始上班吧 。 我觉得这个关键不是在于你上多少个小时， 关键在于就是说你有多在乎这件事情 。 就是说我的感觉是我们公司 95% 的人基本上作息跟我是一样的 ，有的人可能是做到上午 4 点钟 ，而且没有人要求他们这么做 ， 这个都是自发的 。 我觉得这个是最难能可贵的 。 **曲凯** [33:03] 对 ， 我觉得很多国内的人对美国这边的互联网公司有个误解或者错觉 ， 就觉得这边每天也不用怎么上班 ， 然后可能也不用去公司 ， 然后每天早早下班 ， 周五下午就下班出去 party， 周末就出去旅游 ， 然后周一回来再开个会上个班 。 对 ， 或者之前很多人说一些大厂说上午上班去健个身 ， 对吧 ？ 中午去食堂吃个饭 ， 下午待两个小时回家了 。 所以你看起来像你们勤奋努力到这个程度的 。 目前的硅谷的 AI 创业公司里面大概占比能有多少 ？ **虞快** [33:37] 我觉得早期的公司有很多应该也是这样子的 。 我跟很多类似的公司面 ，其实我们的面试基本上都是在周日面的 ， 然后他们很多就是睡在公司里面 。 我觉得 10 个人的时候能这样的公司是不少的 ， 到 100 个人的时候还能这样子的公司就很少了 。 **曲凯** [33:54] 但我觉得这个可能已经超出了国内很多公司对于硅谷这边勤奋努力程度的一个预期了 。 所以我觉得就是还是不能太小看这边的公司 ，因为国内公司会觉得反正我靠更勤奋努力来去比拼嘛 ，但实际上可能两边这个阶段公司也差不多 。 然后我们讲回到你说执行力强这一部分 ， 就我理解执行力强其实分几种 ， 一种是说我做的时间长 ， 那我自然相同水平之下我能做的东西就多 ， 还有一种就是说我效率更高 ， 然后以及说这里面可能涉及到一些比如组织的一些问题啊等等。 这在你看来你们执行力强体现在哪 ？ **虞快** [34:32] 我觉得最强就是说到做到吧 ， 就是我们说我们这周想要 deliver 什么 ， 我们最后就可以 deliver，也不是说我们 deliver 的东西比别的公司 deliver 的东西多 ， 更多的是就是说我有这个信心 ， 比如说周六在计划下周我们要做什么的时候 ， 如果我们说会做这些 ， 所以我可以非常确定在周五的时候我们可以基本上都完成了 。 这个不单是我们组可以这么说 ， 别的组也都可以这么说 ， 那只有大家都能够给对方一个这样子的一个信心 ， 我们很多东西才能够跟客户保证嘛 。 **曲凯** [34:59] 对 ， 我在想这一切是不是其实某种层面的根源上来自于你们的增速快 ？ **虞快** [35:05] 绝对是最大的激励啊 ， 每个月的 revenue 增长 50%， 什么值不值得的这些考虑现在就觉得没有意义了 ， 就是浪费时间 ， 就你没有空再考虑这些东西了 。 **曲凯** [35:14] 所以就还是可能要回到当初他果断地选择了这个方向去 all in。 **虞快** [35:19] 对 。 ### 招人标准 **曲凯** [35:21] 所以你现在自己也在招人嘛 ， 对吧 ？ 你现在做的事情是 engineer management。 **虞快** [35:25] 对 。 **曲凯** [35:26] 然后你自己现在招人的一些标准是什么 ？ **虞快** [35:29] 挺多的吧 ， 比如说技术能力要比较强 ，但更加重要的其实是这个 agency。 **曲凯** [35:33] Agency 是今年这边比较流行的一个词 ，有点像那个主动性 ， 就你能克服一切困难最后达到结果那个意思 。 **虞快** [35:41] 对对对 ， 然后就是说我在跟你比如说聊 ， 对吧 ？ 我在跟你做到题 ， 或者我在跟你做这个 system design， 或者跟你做 behavior 的时候 ， 我就不断地在问我自己 ， 就是说我在跟你描述我想让你做什么的时候 ， 我需要描述得多清晰 。 第二是我能够给你独立自主的运行多久 ， 就是说如果我觉得我大概要跟你把所有每一步你需要做什么 ， 每一天你需要完成什么都跟你讲清楚 ， 那在我这里你的 agency 就比较低 。 当然 agency 比较低一定会我就不招吗 ？ 这个其实也不一定 ， 这个就取决于当时我多缺人。 然后第二是你有没有别的这个闪光点 ， 对吧 ？ 有的人他就任劳任怨 ，他对于这个项目的有趣程度没有什么想法 ，他就是想要写代码 ， 然后他就是想要完成 。 **曲凯** [36:26] 老黄牛 。 **虞快** [36:26] 对 ， 老黄牛 ， 那我觉得也 OK， 当然我组里不能全是这样的人 ，但有个一两个这样子的人我觉得是可以接受 。 然后同时我要确保就是说他的交流能力和他的学习能力还是要强的 ， 对吧 ？ 比如说组里面反应比较快的人如果跟他交流 ， 如果明显感觉为什么这个人拖慢了组里速度 ， 那肯定是不行的 。 对 ， 然后很关键的一点还是一个人聪不聪明 ， 判断他聪明很多时候我喜欢出的题都是那种就是我介绍新的一个概念 ， 看你多快能够理解这个概念 ， 然后能够融会贯通这个概念 ，而不是就是纯粹停留在理解这个层面 ， 对吧 ？ 因为我觉得我们学习有几个阶段 ， 对吧 ？ 比如说第一个阶段就是说我可能都不理解这个为什么是这样 ，但我反正把这个概念就是背下来了 ， 这是最弱的阶段 ， 对吧 ？ 然后高一点阶段就是我懂了 ，但是其实你还没有内化 ， 你没有办法很清晰地跟别人解释 。 那我觉得比较高级的思维过程其实就是说你能不能做类比 ， 你想要跟别人很清晰地介绍一个比较复杂的概念的时候 ，其实最容易的办法就是你用一个类比 。 比如说一个人他说 OK， 我不知道 MCP 是什么 ， 那如果这个时候 MCP 对标的是 API， 那 MCP 和 API 的区别是什么 ？ 他先能够找到相似点 ，他又能够找到不同点 ， 你把相似点和不同点 based on 一个你已经理解得非常深刻的东西上面 ， 那么你对一个新的知识的内化就很快 ，而且就理解得比较深刻 。 **曲凯** [37:42] 对 ， 我之前还跟人聊过 ， 我觉得其实哲学家跟诗人都具备这样的特点 ， 就他可以把一个东西解构 ， 然后在很底层的地方去连接 。 **虞快** [37:50] 其实是一样的 。 **曲凯** [37:51] 对 ， 两个完全不同的东西他把它联系起来 。 **虞快** [37:53] 我觉得好的工程师其实也需要有这个技能呀 ， 就是说我们 build 的这个东西需要 modular， 需要通用性要比较好 ， 那好的工程师他能够预见到现在我的这个功能是用来满足这个需求 ，但是其实本质上它的难点是这个 ， 我只要把现在这个难点解决了 ， 那不单能够满足今天的这个需求 ，其实也能满足很多未来有可能遇到的需求 。 **曲凯** [38:16] 对 ， 我还在想你刚才举的 MCP 那个例子就挺好玩的 ， 可能正常人就是先把各种介绍搞明白了 ， 然后再去看各种可能分析他的文章啊什么的 ，但你可能就是直接去做类比 。 **虞快** [38:26] 我会就几个吧 ， 比如说我就会去 Google 上面搜这个 MCP versus， 然后我就看他 Google 下面这个 。 **曲凯** [38:33] 会自动补全 。 **虞快** [38:34] 对 ， 自动补全是啥 ， 那第一个出来的可能就是 API， 那我就会去搜啊 ， 然后我就看看 Reddit 上面大家说这个 MCP versus API 是啥 。 然后我比较学习新的知识很多时候就是看别人的 review 呗 ， 比如说我想要了解一个新的产品 ， 那我就会想这个产品的竞争对手是什么 ， 然后我不会去这个公司官网 ， 我直接就去 Reddit 上面搜 ， 对吧 ？ 这个公司 versus 那个公司的产品 ， 然后我看底下的人评论是什么 。 我觉得这个反正对我来说学习的效率远远比就是我去这个公司官网或者去看什么 official definition 高很多 。 **曲凯** [39:04] 对 ， 我想到两个点 ， 第一个是如果你真的只是想粗浅地了解 MCP， 我觉得用你这个方法一秒钟就够了 ， 对吧 ？ 我知道大家拿它跟 API 去比了 ， 我甚至于不需要知道它跟它的区别是什么 ， 我只要认知到这个点 ， 我就知道说 OK， 它是 AI 这个世界里的一个 。 **虞快** [39:19] 就 AI 的 API 嘛 ， 那可以了呀 。 **曲凯** [39:21] 对 ，其实就够了 ， 就一秒钟就好了 。 然后第二个点我觉得你刚才讲的也是我之前想过一个很重要的点 ， 就是我觉得你刚才讲的一整套的一个前提是说你的脑子里已经有一套框架 。 我就经常跟我们同学会这么讲 ， 就你脑子里应该已经有一个树状结构 ， 你已经有很多东西在里面放着了 ， 这时候你再看到别的东西 ， 你就知道说哪些是要补到哪一块的 ， 这样的话其实就很快了 。 **虞快** [39:43] 对 。 **曲凯** [39:44] 对 ，不然的话其实你哪怕用那个方法可能还是会有点乱 ， 就是 structure thinking 嘛 。 **虞快** [39:49] 对 ， 我觉得用刚刚这个方法其实容易就理解得很深刻 。 **曲凯** [39:52] 比较什么的 。 **虞快** [39:53] 对对对 。 **曲凯** [39:53] 你刚才说面试会提出一个什么新的概念什么的吗 ？ **虞快** [39:56] 经常会这样 。 **曲凯** [39:57] 对 ， 比如说是什么样的 ？ **虞快** [39:58] 比如说我有一道题啊 ， 就是说比如说我会跟大家介绍有一个 concept 叫 parking function，parking function 是什么呢 ？ 就大家要停车 ， 那么比如说三个人吧 ， 第一个人说我想停一号位 ， 第二个人说停二号位 ， 第三个人说停三号位 ， 那么这三个人就都能停 。 好 ， 那如果比如说这个时候三个人都说想要停一号位 ， 能停吗 ？ 其实也能停 ， 就第一个人停一号位 ， 那第二个人他先去一号位 ， 发现一号位已经被停满了 ，他就停二号位 ， 最后一个人他本来去一号位 ， 一号位停满了就去二号位 ， 二号位停满了就去三号位 ， 所以这样也能停 。 那么什么样情况不能停呢 ？ 就是说每个停车的人他不能够后退 ， 举个例子 ， 比如说三个车位 ， 那么第一个人要停三号位 ， 第二个人他到了三号位发现没有四号位给他停 ， 所以他就已经不能停了 ， 那么只要有一个人不能停 ， 那么这个东西它就不是一个 parking sequence。 所以我会先跟他介绍一个这个 idea， 最后我会跟他说 OK， 那么我给你一串数组 ， 你能不能告诉我它是不是构成一个 parking sequence？ 绝大多数人他会根据我本来的这个定义来去模拟 。 好 ， 那么我就试试看吧 ， 你给我一个 sequence， 比如说 231 好了 ， 第一个他就去二号位 ， 第二个去三号位停 ，他就发现可以 ， 对吧 ？ 如果 222 他发现他就停不了 ， 那么他会去试 ， 对吧 ？ 但这个试的话会比较慢 ， 比如说大家学过算法的话 ，他会发现 true force quadratic time 就是 n squared， 对吧 ？n 平方 。 **曲凯** [41:06] 我觉得大多数人基本上也 lost 掉了 。 **虞快** [41:08] 对 ， 要比较好地解决这个问题 ，他需要 take a step back， 然后他会想 ， 就是说我不是在说什么情况下它是 parking， 就是我在想什么样情况下它会不是 ， 就什么情况下最后会有人停不下呢 ？ **曲凯** [41:22] 等等 ， 给我几秒钟啊 。 **虞快** [41:23] 你想想看 。 **曲凯** [41:24] 对 ， 就是必须是在前面的已经满了的情况下它再往后排 。 **虞快** [41:31] 对 ， 所以你其实是希望很多人优先选择停前面的 。 **曲凯** [41:35] 对 。 **虞快** [41:36] 那么这个就是很好的一个观察 ， 对吧 ？ 那么这个时候如果没有人选择一号位呢 ？ **曲凯** [41:40] 我想的是如果没有人选择一号位 ， 你的整个的车位数量一定是大于要进来的数量的嘛 ， 就比如你一共有六个车位 。 **虞快** [41:47] 没有 ， 我现在说的就是五辆车五个车位 。 **曲凯** [41:49] 那就是一定要让它优先选 。 **虞快** [41:51] 一定要有一个人选择一号 ，不一定是第一个人选择一号 ，但一定要有一个人喜欢一号 。 **曲凯** [41:55] 是 ， 所以这个是第一个观察 ， 至少要有一个人一号 。 那么需不需要一定要有一个人二号呢 ？ **虞快** [42:00] 不需要 ，因为可以有两个一号 。 **曲凯** [42:02] 对 ， 所以就是要么有两个一号 ， 要么一个一号 ， 要么一个二号 。 **虞快** [42:06] 是 。 **曲凯** [42:07] 对吧 ？ 那么如果规律找到了 ，其实应该是比较容易计算得出这个规律的 。 **虞快** [42:11] 五个一 ， 四个二 ， 三个三之类的这种答案 。 **曲凯** [42:14] 其实你就排个序 ， 首先还有一个观察就是说他会发现这个顺序其实无所谓 ， 就 321123 其实最后的结果是一样的 。 **虞快** [42:20] 是 。 **曲凯** [42:20] 从小到大排序 ， 所以第一个数必须要是小于等于一 ， 第二个数必须小于等于二 ， 所以就第二个数可以是 1， 可以是 2， 第三个数必须小于等于 3， 对吧 ？ 就可以了嘛 。 **虞快** [42:29] 理解了 。 **曲凯** [42:29] 但是很多候选人他会花半个小时就硬想 ， 就是说我怎么模拟得更快 ，而不是他去想那我不要想什么东西是满足的 ， 什么样的东西是不满足的 。 所以有的时候我会给他们一个 hint， 我就说我随机选一个 sequence， 你觉得大概率它满足还是不满足 ？ **虞快** [42:44] 我明白你意思 ， 你是搞奥数的吗 ？ 小时候 。 **曲凯** [42:47] 反正我挺喜欢数学的 。 **虞快** [42:50] 这个有点让我想起来 ， 我都忘了 ，是不是有那种叫什么冒泡算法还是什么的东西 ？ **曲凯** [42:54] 我知道 bubble sort， 那个是一个算法 ， 对 ，n squared。 **虞快** [42:58] 有点像那种感觉的东西吗 ？ 我也不记得 ， 我都不知道我在说的是什么 。 **曲凯** [43:02] 有点 ， 如果观众里面有的学数学的 ， 我觉得他可能会想到其实这个东西跟有一个数叫 Catalan number 其实是有点关系的 。 **虞快** [43:10] 哦 ， 听过听过 。 你是学什么的来着 ？ **曲凯** [43:12] 数学和计算机 。 **虞快** [43:14] 很意外 。 **曲凯** [43:15] 我倒不是说他需要跟我讨论什么 Catalan， 这个其实真的难点 。 **虞快** [43:18] 我只是想看他的思路 。 **曲凯** [43:20] 对对对 。 **虞快** [43:20] 有没有一个更简单的挺好玩的这种 ？ **曲凯** [43:23] 我面对有些题其实第一部分都挺简单的 ， 比如说像我有的时候给你两个字符串让你写一个乘法 ， 比如 123 是个字符串 ，456 也是个字符串 ， 让你写一段代码把这个乘法的规则表示出来 。 我遇到过有一些候选人他会怎么样 ， 就是说他花了半个小时在那边搞 ， 最后也搞不定 ， 然后半个小时之后他跟我说什么 ，他说我忘了这个乘法是怎么算的了 ， 笔算乘法他忘了 。 我觉得笔算忘了怎么算的我其实都不是很在乎 ， 说实话 ，因为毕竟大家平时比如说用计算器啊啥的 ， 平时不用手算乘法其实没有关系 ，但我最大的问题是说你连这个乘法怎么工作你都不记得 ， 为什么你在那边浪费了半个小时呢 ？ 那你那半个小时在干什么呢 ？ 你如果不记得那你一上来就问我呀 ，有什么好浪费时间的呢 ， 对吧 ？ 就是说我面对比如说第一题可能都是非常非常简单的题 ，但是你也可以通过一些细节你可以判断出这个面试者是不是 make sense。 有的时候比如说我会一上来问他你这个电脑上面有没有 IDE， 我会假装就随便一问 ， 对吧 ？ 但是对我来说如果他说没有 ，在我心里面我就很有可能会拒他了 ，因为你是一个软件工程师 ， 然后你的电脑里面是没有办法编程的 。 说实话对我来说如果我不需要编程我其实没有必要买电脑的 ， 我手机就够了 ， 对吧 ？ 真的呀 ， 或者我买个 iPad 就行了嘛 。 所以基本上就五分钟或者三分钟就已经结束了这个面试 。 有的时候我在问他问题的时候其实我自己也不知道答案 ，但我会心里面在想如果我遇到这个我会怎么做 ， 然后我会跟他比 ， 然后我会想如果他回答成这样的我觉得是挺好的 。 那有的时候他离这个时代太远那我也会把他拒掉 。 **虞快** [44:48] 你们招人吗 ？ **曲凯** [44:50] 当然在招了 。 **虞快** [44:51] 大家感兴趣的可以挑战一下这些面试题 。 **曲凯** [44:54] 但最好就是跟我提前讲一下就是你听过这个节目 ， 对吧 ？ 那我就换到 ， 对吧 ？ 因为我们喜欢招的人肯定是比较 enjoy challenges。 **虞快** [45:01] 你是我忘了 ， 高中还是大学来着 ？ **曲凯** [45:03] 我高二来这的 。 **虞快** [45:04] 然后之后就一直在这边 。 **曲凯** [45:06] 对 。 **虞快** [45:06] 但是你是先去做的 quant？ **曲凯** [45:08] 我先在 Google 做了一会儿 ， 然后后面去 trading，但做的也是 engineering。 **虞快** [45:11] 你在 Google 就是做 engineer？ **曲凯** [45:13] 当时是做哪块 ？ **虞快** [45:14] Chrome， 浏览器 。 **曲凯** [45:15] 对对对 ， 就是写代码 。 **虞快** [45:18] 写代码 。 **曲凯** [45:18] 当然是 junior 嘛 ，不写代码你也没有别的什么输出的手段 。 **虞快** [45:22] 我们刚才聊的那些东西 ， 你的所有的框架 ， 你的思路 ， 你觉得在那个时候已经形成了吗 ？ 还是后面慢慢形成 ？ **曲凯** [45:28] 其实是我做了管理之后开始形成 。 **虞快** [45:30] 你什么时候开始做管理 ？ **曲凯** [45:31] 大概做了四五年吧 ， 就是在我之前的 startup 吧 。在之前的这个公司其实我是跟了我以前在 Two Sigma 的一个老板 ，他是非常资深的管理啊 ， 所以有不少的这种想法也是跟他学的 。 **虞快** [45:43] 这个答案我觉得 make sense， 就是我们经常说你要站在老板的位置想问题 ，但实际上真的很难做到 。 有的时候你必须是真的自己承担那个责任 ， 要做那个事的时候才能做到 。 我昨天还在跟 Albert 聊 ， 我就说我自己成长最大的一年其实就是我来美国读书那一年， 因为你到这边你就发现所有的事真的没人能帮你 。 你在国内你总会有个想法说我今天比如我什么事解决不了我打个电话总归是能找到人的嘛 。 你自己到这来以后你发现真的是没人能帮你 ， 然后你映射到工作上其实也一样 ， 就是你如果总觉得别人能帮你解决问题 ， 你自己很难真的有那个主动性去换位思考 。 我觉得我也是出来创业以后才成长特别大的 。 ### 职业反思 **曲凯** [46:24] 说到这个其实我觉得对我来说成长比较大的倒不是到后面 ， 就是我在 Google 大概第二个月我觉得我就成长挺大的 ， 就是当时反正要我做一个项目其实那个项目我啥都不懂 。 当时好像是 gRPC 这个 protocol 刚刚出来的时候 ，其实组里面别人也不大清楚啊 ， 就是怎么用这个东西 ， 然后我就有点 frustrated， 我就跟 Teckley 说就我第一份工作就我感觉我没有什么 support， 然后那个 Teckley 他看我有点 frustrated，他就直接跟我说 ，他说是这样 ， 如果这个东西已经有人明确知道怎么做了 ， 那为什么这个东西还没有做完呢 ？ 当然了不是说这个东西组里面的人没有能力来做 ，但至少不是那么容易 。 所以就是说一是你不要把别人想得太强 ， 好像比较 senior 的人他一看就会做 ， 然后就你 junior 不会 ，其实大家都不会 。 第二的话就是说你的功能其实就是你主动去 figure out 这个东西怎么做 ， 你把它做完然后你很有可能就可以成为这个组里面第一个会这个东西 ， 然后你可以教别人。 其实这件事情对我影响挺大 ，因为刚刚去的时候大家各种 level， 我是 L3， 那这个人 L5， 那个人 L6， 你总是觉得 L4 他什么都会 ， 很多时候其实不是这样的 。 **虞快** [47:24] 所以你在大厂 ，在金融相关的公司 ， 然后现在又在创业公司 ， 你觉得你感受的区别是什么 ？ **曲凯** [47:33] 我觉得更重要的是你在哪个赛道吧 。 像我当时去金融公司我的感觉是我周围比较厉害的人他好像优先会选择去金融公司 ， 那现在我发现其实比较厉害的人优先会选择去 AI 公司 。 然后你说十年之内你觉得是金融会比如说翻十倍或者翻一百倍 ， 还是 AI 会翻十倍翻一百倍 ， 那肯定是 AI。 所以我觉得问题不在于你应该选创业公司还是选大厂 ， 我觉得更多是你想做 AI 还是不做 AI。 **虞快** [47:59] 最后补充一块 ， 就是你觉得未来 AI 公司的组织形态和人员分配大概会是什么样子 ？ 包括我们其实刚才提到一点 PM，engineer， 甚至于 engineer 内部大家的角色会怎么变化 ？ **曲凯** [48:15] 我觉得尤其是 coding agents 越来越强 ， 对吧 ？ 其实大家花在 generate 代码的时间应该是越来越少了 ， 就算是 engineer 来说更多的时间其实也应该是花在 brainstorm idea 和客户交流上面 。 然后像我的话就是比如说我想到什么 idea 我就直接去跟这个 Cursor Bot 聊 ， 我在坐车的时候就是这样 ， 然后我给他三个 request， 等我回到家这三个 request 都完成了 。 当然很多时候不一定对了 ，但是就是说他帮我起了个头呀 。 所以更加重要的其实不在于说你能多快地写这个代码了 ， 更加重要的是你怎么判断你现在的方向是对的 。 你要怎么判断你的方向是对的呢 ？ 你要有 customer。 对 ， 你说公司架构的话已经发生了嘛 ， 就是说以前的话那层数很多 ， 对吧 ？ 现在其实层数越来越少了 。 **虞快** [48:58] 但你刚才提的就是 engineer 一定是发挥更多主动性 ， 对吧 ？ 你可以更多地往产品去偏 ， 你可以聊更多的客户 ，但这个是不是就是要有一个很好的内部的氛围跟组织形态去支撑的 ？ 比如你聊完那 PM 就觉得说你聊这些干嘛 ， 对吧 ？ 你说这些我也不理你 ， 或者我怎么知道你说的对不对 ， 或者你是不是抢我的活什么的 。 **曲凯** [49:18] 我觉得两个吧 ， 一个是公司要有好的激励机制 ， 第二是管理要识货 ，他要知道谁是真的在为公司思考 ， 对吧 ？ 谁是就是有个比较 fancy 的 title，但是其实都是在天天在想自己怎么从公司获利 。 那这个其实这个就是 founder 的能力就极其重要了 ， 对吧 ？ 因为后面的这个 leader、manager 都是 founder 找的嘛 。Founder 一他是不是货 ， 二他能不能有办法 sell，有可能他很识货 ，但是他没有办法 convince 能力很强的 manager 过来 。 因为 Mercor 现在估值啊 ，growth 当然谁基本上都可以招 ，但是那五个月之前呢 ？ 五个月之前你要招到现在在公司里面比较 senior 的这些人， 当时公司其实没有很多的 leverage 的 ， 都是靠 founder 自己能把这个 vision 销给人的 。 **虞快** [50:00] 行 ， 那今天就录到这 ， 感谢愉快 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。