在AI竞赛日趋白热化的背景下，谁能拿到更优质、更贴近真实业务场景的数据，谁就更可能在模型能力与商业化落地上占据先机。近期，人工智能数据服务公司Mercor在公开讨论中披露，其正通过一个颇具争议但极具效率的模式，为多家头部AI实验室提供关键训练素材：不直接向企业购买内部数据，而是连接前高级员工、行业专家与AI实验室，将资深从业者脑海中的经验、流程理解与行业判断，转化为可供模型训练的结构化内容。
这一思路由Mercor联合创始人兼CEO Brendan Foody在Bitcoin World Disrupt 2025期间对外阐述。按照他的说法，Mercor服务的客户包括OpenAI、Anthropic和Meta等知名AI实验室，而专家来源则覆盖投行、咨询、法律等一向信息壁垒极高的行业。对于长期受困于“高质量行业数据稀缺”的AI公司而言，这种模式绕开了与传统大企业进行漫长谈判、签署昂贵合同的流程，大幅压缩了获取训练资料的时间与成本。
以“专家知识”替代“企业数据库”
Mercor的核心机制并不复杂：平台向资深行业从业者支付报酬，让他们填写结构化表单、撰写详细报告，甚至围绕特定业务流程进行知识梳理，用于AI模型训练。报道显示，Mercor向这些专家支付的报酬最高可达每小时200美元。这种付费水平明显高于早期AI数据标注产业常见的低成本外包模式，也反映出市场对高端专业知识的稀缺需求。
与依赖大量普通标注员完成图片、文本分类等基础任务的早期数据供应商不同，Mercor押注的是“高技能知识劳动者”。这意味着其提供的数据不只是标签，而是包含行业逻辑、决策路径、专业判断和业务语境的深层信息。对于希望训练AI代理完成复杂现实任务的实验室来说，这类数据的价值远高于通用语料。
从经营数据看，Mercor的扩张速度相当惊人。公司拥有数万名合同工，据称每天向他们发放的报酬超过150万美元。尽管支出庞大，公司仍保持盈利。成立不足三年，Mercor已实现约5亿美元年化经常性收入，并在最新一轮融资中获得100亿美元估值。此外，Uber前首席产品官Sundeep Jain已加入公司担任总裁，显示其正推动更大规模扩张。
为什么传统企业不愿共享数据？
Mercor模式之所以成立，前提恰恰是大量传统企业不愿主动开放自身业务数据。原因并不难理解。对投行、律所、咨询公司等机构而言，内部流程、客户服务方式、风控规则和项目执行逻辑，本身就是竞争壁垒的一部分。一旦这些知识被AI模型学习并复制，原本依赖人工与组织能力构建的价值链，就可能被自动化工具重塑。
Brendan Foody在讨论中以高盛等大型机构为例指出，这些公司担心，一旦AI掌握其价值链运作方式，未来可能直接切走其与客户之间的中介地位。换句话说，它们并非不了解AI的重要性，而是担心自己提供的数据，最终会被用来削弱自身护城河。
也正因如此，Mercor的方案被视为一种“绕路获取行业知识”的新通道：企业不愿直接出售数据，但离开企业的资深员工，仍掌握大量经验与方法论，而这些知识正在被重新包装为AI训练资源。
增长背后伴随的合规与伦理争议
不过，Mercor模式最受关注的，恰恰不是增长速度，而是其边界问题：一个人头脑中的经验，究竟属于个人，还是部分属于原雇主的知识产权？Foody承认这是一个敏感地带，并强调Mercor试图防止企业间谍行为，平台也会要求承包者不要上传前雇主的机密文件。
然而，现实中的界限并不总是清晰。报道提到，在平台活动规模极大的情况下，仍可能出现“意外情况”。此外，Mercor部分岗位需求甚至会接近灰色地带，例如寻找能够“授权访问大型生产级代码库”的CTO或联合创始人，以便进行AI评估或模型训练。这类表述意味着，平台虽然强调知识归属个人，但在实际操作中，如何区分“个人经验总结”与“企业专有信息转移”，仍是无法回避的问题。
这也意味着，随着AI行业对专业数据的争夺升温，围绕劳动者知识产权、竞业限制、保密义务以及企业数据边界的争论，未来很可能进一步升级。Mercor的商业模式能否长期稳健运行，很大程度上取决于其在合规审查和风险控制上的执行力。
AI数据供应链正在升级
从行业发展脉络看，Mercor的崛起也说明AI训练数据市场已经进入新阶段。早期的竞争重点在于以更低成本完成海量标注任务，而如今，随着模型能力向复杂推理、行业自动化和智能代理延伸，市场更看重的是高质量、专业化、可操作的真实世界知识。
报道称，Mercor的竞争对手如Scale AI和Surge AI也已开始转向招募专家型人才。与此同时，一些AI实验室与数据供应商正在搭建“训练环境”，希望让AI代理能够在接近真实工作的场景中学习和执行任务。Mercor在这一趋势中占据先发优势，尤其是在其竞争对手面临客户关系变化的背景下，Mercor的市场价值在过去一年中实现了5倍增长。
对加密和科技投资者而言，这一趋势同样值得关注。尽管Mercor并非加密公司，但其案例反映出一个更大的产业事实：AI基础设施的核心竞争，正在从算力与模型架构，进一步转向稀缺数据资源与专家知识供给。这与加密行业对“数据所有权”“开放网络协作”和“价值分配机制”的长期讨论存在明显交集，也可能启发未来链上数据市场、去中心化知识网络等新叙事。
市场影响：AI商业化提速，但监管风险同步上升
从市场层面看，Mercor模式若被证明可持续，将对AI商业化产生直接推动。首先，它降低了AI实验室进入高壁垒垂直行业的门槛，使法律、金融、咨询、医疗等领域的模型训练更快进入实用阶段。其次，高报酬吸引专家参与，意味着“知识众包”可能演化为新的高端零工经济形态，专业人士出售的不再只是时间，而是经过职业生涯沉淀的判断与方法。
但另一方面，越是高价值的行业知识，越容易触碰监管红线。一旦平台出现机密文件流转、代码库违规授权或保密协议冲突，不仅会带来法律诉讼，也可能影响AI实验室与数据提供方的合作关系。因此，Mercor的故事一半是增长神话，另一半则是合规能力的压力测试。
整体来看，Mercor展示了AI时代一个越来越清晰的现实：企业或许可以封闭数据库，却很难完全封闭人才流动带来的知识外溢。当这种外溢被平台化、标准化并大规模商业化后，AI训练数据的获取方式将被重新定义。对于AI实验室而言，这是一条高效的新通道；对于传统企业而言，这则可能意味着竞争护城河正在从内部系统，转向人才、治理与合规体系的综合较量。