用AI招聘AI：Mercor如何重塑模型训练与人才市场

Mercor CEO Brendan Foody 讲述了一家由辍学者创立的公司，如何在短短两年内成为顶级 AI 实验室的人才基础设施。核心不只是“用 AI 招聘”，而是通过评估系统、强化学习和数据飞轮，重塑模型训练的数据来源，以及未来知识工作的价值分布。

从辍学创业到AI实验室基础设施：Mercor的意外起点

理解 Mercor 很重要的一点是：它并不是一开始就为“训练 AI”而生。Brendan Foody 回忆，公司最初的动机非常朴素——他们看到全球范围内有大量“异常优秀但被忽视的人”，而传统招聘流程效率极低、偏见严重。Mercor 2023 年由三位大学辍学者、Teal Fellow 创立，本质目标是用模型自动化简历筛选、面试和录用判断。

真正的转折发生在他们接触到 AI 实验室客户之后。Foody 形容，当时的人类数据市场出现了“真空”：顶级模型训练需要大量高质量人类反馈，但传统外包与标注体系完全跟不上。Mercor 发现，自己用来预测“谁在一份工作上会表现最好”的模型，恰好能规模化地为 AI 实验室筛选成千上万名训练者。

结果是惊人的：成立不到两年，Mercor 已经与顶级 AI 实验室合作，融资 1 亿美元，年化收入突破 1 亿美元。Foody 直言，这种增长并非来自营销，而是因为“我们在大多数评估上，已经比人类招聘经理做得更好”。

为什么AI比人更懂招聘：评估、强化学习与能力预测

招聘之所以成为 AI 擅长的领域，核心在于“可评估性”。Foody 反复强调，他们并不是简单地用模型替代 HR，而是构建了一整套评估系统（evals），让模型学习“什么样的信号真正预示高绩效”。这套系统的运作逻辑，与强化学习高度相关：一旦定义了评估标准，模型就可以不断在反馈中自我优化。

他给出了一个非常关键的判断：“几乎所有能用文本衡量的能力，模型都已经非常擅长评估。”这意味着，无论是写代码、做研究、还是复杂的知识型分析，只要输出可以被结构化为文本，模型就能比人类更稳定地识别潜力。

更重要的是，Mercor 观察到知识工作的产出呈现明显的幂律分布。Foody 直言：“10x 工程师是真实存在的，而性能预测在这种分布下变得极其重要。”当少数顶尖个体贡献了大部分价值时，哪怕评估准确率只提升几个百分点，经济影响也是数量级的。

信号藏在互联网上：模型如何发现顶级工程师

一个让 Foody 至今感到惊讶的发现是：最优秀工程师的信号，往往早已公开存在于互联网上。Mercor 在工程领域的实践表明，代码、技术讨论、写作风格、长期行为一致性，都构成了高质量的预测特征。

他说得很直接：“关于很多顶级工程师，网上其实有大量信号。”与其依赖短暂而主观的面试，不如让模型在海量长期数据中寻找稳定模式。这也是为什么 AI 在招聘中的优势会随时间扩大——模型不会疲劳，也不会被第一印象左右。

这一发现反过来强化了 Mercor 的数据飞轮：更好的评估带来更好的人选，这些人又参与训练更强的模型，模型再反过来生成更精细的评估标准。Foody 认为，这种自举过程最终会让模型参与创建自己的评估体系，而不再完全依赖人类设计。

被快速重塑的劳动市场：哪些人会被替代，谁还能留下？

谈到未来劳动市场，Foody 的态度并不温和。他明确表示，许多岗位的“位移会发生得非常快，而且会非常痛苦”。尤其是那些可被清晰评估、产出标准化的知识工作，首当其冲。

当被问及普通人该如何保持经济价值时，他引用了 Sam Altman 的建议：不要押注某一种具体技能，而是追求“高度的多样性和适应性”。在一个模型能力持续跃迁的时代，单一技能的生命周期正在急剧缩短。

因此，他给出的教育建议也颇具争议：如果孩子只有 5 到 10 岁，他并不会刻意推动他们学习计算机科学。原因很简单——到他们进入职场时，写代码本身可能已经不再稀缺。比技术本身更重要的，是判断力、品味、跨领域迁移能力，以及在不确定环境中持续学习的能力。

总结

Mercor 的故事并不只是“AI 招聘”的成功案例，而是一个关于数据、评估与劳动价值如何被重新定义的缩影。Foody 展现的核心洞见是：当模型能更好地预测绩效，人才市场的结构性效率会被彻底改写。对个体而言，这既是风险也是机会——唯一确定的是，旧的安全区正在消失。

关键词： Mercor， AI招聘， 模型训练， 强化学习， 劳动市场

事实核查备注： Brendan Foody（Mercor CEO 与联合创始人）；Mercor 成立时间：2023 年；融资金额：1 亿美元；年化收入：超过 1 亿美元；合作对象：顶级 AI 实验室；相关人物：Sam Altman；相关公司提及：Amazon、Apple；核心技术概念：评估系统（evals）、强化学习、模型训练