不融资无销售，华人公司爆赚10亿美金，估值达1000亿

这或许是整个AI圈里最低调、最赚钱的独角兽企业。

它既没有进行融资，也没有销售团队和市场公关部门，却悄然成为了为OpenAI、Anthropic、Google等一众明星公司提供服务的企业。

它就是Surge AI。

Surge AI成立于2020年，创始人是华人Edwin Chen。他毕业于麻省理工学院，曾在华尔街对冲基金、Google、Facebook从事算法工作，一路走到了AI领域的最前沿。32岁时，他毅然选择创业。

如今，Surge AI的赚钱效率比备受关注的Scale AI还要高。

团队规模超过1200人的Scale AI，年收入为8.5亿美元。而Surge AI仅靠120人的团队，年收入就超过了10亿美元。

据路透社报道，Surge AI正启动首轮融资，目标募资10亿美元，估值可能达到150亿美元（约合1000亿元人民币）。

不出意外的话，我们又将见证一家AI领域千亿级公司的诞生。

不融资、无销售，120人创造10亿美金收入

毫不夸张地说，在AI创业圈，Surge AI是个极为特殊的“异类”。

从创业之初，创始人Edwin Chen就做出了一个“反硅谷”的决定：不接受VC的投资。

▲Surge AI创始人Edwin Chen（来源：Inc.com）

公司成立之初，仅靠他自己拿出的2500万美元维持运营。

不仅如此，在成立后的很长一段时间里，公司连一名专职销售都没有，业务增长完全依靠客户的自发推荐。

第一个客户来自Edwin的人脉圈。这个实验室拿到数据后，发现其质量远超市面上的其他供应商，于是很快将其推荐给了同行。

就这样，一家没有融资、没有销售的小公司，凭借数据质量赢得了OpenAI的认可，随后Anthropic、Google、Microsoft等公司也纷纷与其合作。口口相传之下，Surge AI成为了AI圈中“只靠推荐，无需宣传”的数据标注基础服务商。

Surge AI团队规模很小，年收入超过10亿美元，团队规模仅120人。

相比之下，Scale AI团队规模高达1200人，是Surge AI的十倍，年收入却为8.5亿美元，未能超越Surge AI。

为什么Surge AI会选择这种看似“缓慢”的发展模式呢？

Edwin Chen的观点很明确：“创业不应是一场追求地位的游戏。”

他是MVP（最小可用产品）理念的坚定支持者。他认为，90%的创业者在还未确定产品是否有价值时，就开始在朋友圈炫耀自己融资千万，登上TechCrunch头条，但这对用户而言毫无意义。

而Surge AI从第一个月开始就实现了盈利，不需要资金支持，更不希望通过销售去“推销”产品。他们希望客户是因为真正理解高质量数据的价值，才选择与他们长期合作。

没有了增长的压力，Surge AI从一开始就围绕“隐私优先、安全第一”的原则构建，无需为资本扩张而妥协，也不用为追求利润最大化而牺牲客户数据。

在医疗、政府等领域，客户要求数据全链路“物理隔离”，Surge AI的工作流程——SOC II认证、专家专属标注通道，完全符合合规要求。

这套高度定制、毫不妥协的体系，与Anthropic等“安全主义”实验室的理念天然契合。如今，它已成为这些高度重视AI伦理与数据治理机构的首选供应商。

当然，Surge AI能在AI数据领域取得胜利，不仅依靠安全合规，还得益于其建立的高质量数据体系。

Surge AI如何赢得数据之战？

在大模型发展的现阶段，模型能力的瓶颈往往不在于参数量，而在于数据质量。

很多人认为合成数据是万能的。它确实有一定作用，但存在一个致命缺陷：合成数据只能让模型擅长解决“合成问题”，却无法应对真实世界的问题。

如今，许多模型在基准测试中表现出色，但在实际应用中却漏洞百出。

越来越多的公司找到Surge AI，称他们花费一年时间用合成数据训练模型，结果却全是错误的，现在不得不花费数月时间清理这些无用的数据。

要让模型像人类一样思考、判断，就必须为其提供真实反映人类视角的数据。以往那种“AI包工头”模式已经无法满足需求，靠人海战术堆积数据，无法让模型学到真本领。

Surge AI很早就洞察到了这一趋势，并迅速完成了转型。

它砍掉了低质量的流水线作业，转而搭建了一个名为“Surge Force”的精英网络。

这看似只是一个数据标注工作，但并非任何人都能胜任。毫不夸张地说，想加入这个网络，比申请常春藤盟校还要困难。

例如，对于OpenAI著名的数学数据集GSM8K，Surge AI会优先选择具有数学或STEM学位的标注员，如来自MIT等藤校的大学生。

仅有专业背景还不够，所有标注员还需提交5道试写题目，经另一名资深标注员审核通过后，才能加入团队。

之所以设置如此高的要求，是因为要让模型真正理解一件事情，必须依靠专业人士。因此，Surge AI聘请了许多律师、教师、工程师、多语种专家等，来完成这些看似繁琐的工作。

正是这种近乎苛刻的标准，让Surge AI的数据质量始终保持稳定。许多客户表示，Surge AI交付的几千条人工数据，比他们之前购买的上百万条合成数据更有价值。

除了招揽专业人才，Surge AI在技术方面也进行了创新。

Surge AI自主研发了一套动态标注引擎。它能够理解行业黑话，把握网络文化内涵，甚至对于“how dare you!”这样的句子，它也能准确判断出其中的愤怒、调侃或夸张情绪。

不仅判断准确，而且审查严格。Surge AI独创了“小数点后”级质控技术，准确率比Scale AI（98%）还要高。

Surge AI通过背靠背标注、多轮仲裁、AI辅助校验等方式，确保数据准确率达到99.99%。某企业的旧NLP数据集经Surge AI重新标注后，文本分类准确率显著提高，效果远超普通优化。

RLHF（人类反馈强化学习）是让大模型“理解人类语言”的关键步骤。Surge AI在这方面的进展比其他公司更为显著。

它不仅能够进行偏好排序、奖励建模，还能安排红队攻击，专门为模型提供一些“刁钻”的数据，促使其不断学习和进步。Anthropic团队曾表示，Surge AI的数据质控和RLHF工具，直接推动了Claude性能的突破。

除了数据质量高，Surge AI的效率也非常惊人。

据了解，某客户一次性下达了5000条多轮情感标注任务，按照200条一批的方式发送给Surge AI。结果第一批任务不仅按时交付，而且质量超出预期，于是Surge AI顺理成章地获得了后续合作机会。

总结

总的来说，Surge AI的崛起并非偶然。它抓住了四个关键趋势：

首先是满足高质量数据的刚性需求。

RLHF技术的兴起，使得高质量的人类反馈成为模型性能的关键因素。客户直言：“没有Surge AI的数据，我们根本无法构建现有的模型。”

其次，Surge AI的技术质量为其树立了高壁垒定价权。

精英网络和99.99%的质量目标构建了极高的竞争壁垒，客户对“小数点后精度”的刚性需求（AI安全容错率极低）赋予了Surge AI强大的议价能力。

第三，Surge AI的商业模式具有高利润可复制性。

其深度融入客户的训练流程后，能够产生持续、高粘性的重复收入——因为数据是持续消耗品。

最后，中立性定位使它在行业格局中占据了一席之地。

Meta大力投资Scale AI，引发了OpenAI、Google等公司对“数据经过竞争对手之手”的担忧，大量订单转向了中立的Surge AI，这成为Surge AI在2024年收入超越Scale AI的关键因素。

在AGI的最终竞赛中，真正能够影响AI价值观的，不是模型架构，而是掌握人类反馈数据命脉的企业。而Surge AI，正是那个掌握AI命脉的玩家。

本文来自微信公众号“乌鸦智能说”，作者：智能乌鸦，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com