这可能是整个AI圈最低调、也最赚钱的独角兽。
它没有融资，没有销售团队，也没有市场公关部门，却悄悄成了服务OpenAI、Anthropic、Google等一众明星公司。
它就是Surge AI。
Surge AI成立于2020年，创始人是一位华人面孔——Edwin Chen，麻省理工毕业，曾在华尔街对冲基金、Google、Facebook做算法，一路走到AI最前线。32岁那年，他选择亲自下场创业。
如今，Surge AI的赚钱效率比大热的Scale AI还高。
团队规模超1200人的Scale AI，年收入为8.5亿美元。而Surge AI只靠120人的团队，就把年收入做到了超过10亿美元。
据路透社报道，SurgeAI正启动首轮融资，目标募资10亿美元，估值或达150亿美元（约合1000亿元人民币）。
不出意外，我们又将见证一家AI领域千亿公司的诞生。
不融资、无销售，靠120人做到10亿美金
毫不夸张的说，在AI创业圈，Surge AI是个难得的“异类”。
从创业伊始，创始人Edwin Chen就做了一个“反硅谷”的决定：不要VC的钱。
▲Surge AI 创始人Edwin Chen（来源：Inc.com）
整个公司成立之初，只靠他自己拿出的2500万美元自力运营。
不仅如此，在成立很长一段时间里，公司连一个专职销售都没有，增长完全靠“自来水”传播。
第一个客户，来自Edwin的人脉圈。当这个实验室拿到数据后，发现质量远超市面所有供应商，于是很快推荐给了同行。
就这样，一家无融资、无销售的小公司，靠数据质量打动了OpenAI，随后是Anthropic、Google、Microsoft……十传百，成了AI圈“只推荐、不吆喝”的标注底座。
Surge AI团队规模很小，年收入超过10亿美元，团队规模才只有120人。
作为对比，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，没能赢过SurgeAI。
为什么Surge AI会选择这种“慢”模式？
Edwin Chen的观点很直接：“创业不该是一个地位游戏。”
他是MVP（最小可用产品）理念的坚定信仰者。他认为，90%的创业者在还没搞清产品有没有价值前，就已经在朋友圈吹牛说自己融资千万，登上TechCrunch头条。但这对用户没有半点意义。
而Surge AI从第一个月开始就盈利，不需要钱，更不希望销售去“推”产品。他们要的是客户因为真正理解高质量数据的价值，才决定长期合作。
没有了增长的压力，Surge AI从第一天开始就围绕“隐私优先、安全第一”构建，不用为资本扩张让步，也不用为利润最大化牺牲客户数据。
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——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、零妥协的体系，也和Anthropic等“安全主义”实验室天然对路。如今，它已成为这些最重视AI伦理与数据治理机构的首选供应商。
当然，Surge AI能赢下AI数据之战不仅靠的是安全合规，还有其建立的高质量数据体系。
SurgeAI如何赢下数据之战？
大模型发展到了如今的阶段，模型能力的边界，往往不是卡在参数量上，而是卡在数据质量上。
很多人以为合成数据是万能的。它确实有用，但有个致命缺陷：合成数据只能让模型擅长解决“合成问题”，却解决不了真实世界的问题。
现在很多模型都是这样，基准测试成绩漂亮得不得了，可一落到实际场景，就漏洞百出。
越来越多公司找上Surge AI，说他们花了一年时间用合成数据训练模型，结果全错了。现在不得不花好几个月去清理那些废数据。
想让模型写得像人、想得像人、判断得像人，必须喂它真正像人一样看世界的数据。以前那种“AI包工头”模式早就跟不上了。靠人海战术堆数据，已经没法让模型学到真本事。
Surge AI很早看清楚了这个趋势，比谁都快地完成了这场转型。
它砍掉了低质流水线，转而搭建起一个叫“Surge Force”的精英网络。
看上去好像就是一个数据标注的活，但这可不是什么人都能干的。毫不夸张的说，想进这个网络，比申请常春藤还难。
比如，OpenAI著名的数学数据集GSM8K，Surge会优先选择具备数学或STEM学位的标注员，如来自MIT等藤校的大学生。
有了专业背景还不够，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可加入团队。
之所以要求这么高，想要让模型真正搞懂一件事情，必须靠专业的人来完成。所以，Surge AI请了很多律师、教师、工程师、多语种专家…来干这些“脏活累活”。
就是这种近乎苛刻的标准，让Surge AI的数据质量一直稳得可怕。很多客户说，Surge AI交付的几千条人工数据，比他们之前买到的上百万条合成数据更有价值。
除了招揽更多的专业人才，Surge AI在技术层面也做了创新。
SurgeAI自研了一套动态标注引擎。它能读懂黑话、抓住meme背后的文化内涵，甚至对就像遇到“how dare you!”这样的句子，它也能分清这是愤怒、调侃还是夸张。
不仅看得准，还查得严。Surge AI独创“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，锁定99.99%准确率。某企业旧NLP数据集经Surge AI重标，文本分类准确率显著提升，效果远超普通优化。
RLHF（人类反馈强化学习）是让大模型“懂人话”的关键步骤。Surge AI在这方面也走得比别人更远。
它不光能做偏好排序、奖励建模，还能安排红队攻击，专门喂给模型一些“刁钻”数据，逼它长记性。Anthropic团队就说过，SurgeAI的数据质控和RLHF工具，直接让Claude的性能实现了突破。
除了数据质量高外，Surge AI效率还出奇的高。
据了解，某客户一次下了5000条多轮情感标注任务，按200条一批发给Surge AI。结果第一批不仅按时交付，而且质量超标，于是Surge AI顺理成章地接下了后续合作。
总结
总的来说，SurgeAI的爆发，并非偶然。它踩中了四个关键趋势：
首先是卡位高质量数据刚需。
RLHF火了，高质量人类反馈变成模型性能的“命门”。客户说得更直白：“没Surge AI的数据，我们根本构不出现在的模型。”
其次，Sugre AI的技术质量为其建立起高壁垒定价权。
精英网络与99.99%质量目标构建极高壁垒，客户对“小数点后精度”的刚性需求（AI安全容错率极低）赋予强议价能力。
第三，Surge AI的商业模式也有着高利润可复制。
其深度嵌入客户训练管道后，产生持续性、高粘性重复收入——数据是持续消耗品。
最后，中立性定位为它在行业格局中也抢到了一席之地。
Meta重资押注Scale AI，直接引发OpenAI、Google等对“数据经手竞争对手”的担忧，订单大规模转向中立替代方Surge AI，成为其2024年收入反超Scale AI的爆点催化剂。
在AGI的终极竞赛中，真正能影响AI价值观的，不是模型架构，而是谁掌握了人类反馈的数据命脉。而SurgeAI，就是那个掌握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。
