从岗位替代到 AI 训练师：Brendan Foody 谈 AI 时代的工作

摘要

• Mercor 已融资1亿美元，营收年化运行率突破1亿美元，同时为顶级 AI 实验室招募了数千人。 公司成立于2023年，最初是综合型人才匹配平台，但人类数据正从众包低、中技能劳动力，转向筛选能够直接与能力前沿研究人员合作的高能力人才。

• 智能体评测是从亮眼基准测试到具备经济价值的自动化之间的瓶颈。 SWE-bench 拿高分，距离替代一名需要与产品团队协作、选择工具并运用品位的软件工程师还很远。Foody 预计，这将是一个持续数年的、按行业推进的建设过程，因为“评测位于上游”，决定了实验室和应用公司希望获得的能力。

• Mercor 有两条会复利增长的循环：人才供给和客户绩效反馈。 其免费的职业工具解决了劳动力市场中典型的50:1供需失衡；结果数据则持续改善平台对谁会表现出色的预测。Foody 认为，不那么显眼的数据飞轮最终可能比市场网络效应更重要。

• Foody 预计，知识工作岗位的替代将来得很快、过程很痛苦，也会成为政治问题。 客服和招聘已经是出现岗位替代报告的领域，尽管大部分替代尚未发生；体力劳动以及重视人际互动的岗位，自动化速度应会更慢。他给出的生存法则是保持多面性，因为数学以及很快就会到来的代码能力“会被非常迅速地解决”，而品位和创始人判断所能获得的反馈很稀疏。

• 强化微调可能只用数百到数千个样本，就能解锁企业级智能体。 与监督微调不同，强化微调只需规定期望结果，并奖励模型自行找到实现结果的方法。Foody 认为，基础模型已经具备所需的推理能力，缺的是企业特定的工具使用知识，以及“这个岗位上的优秀表现是什么”。

• 创建评测可能成为全球最常见的知识工作岗位，尽管劳动者正在帮助自动化自己。 经济逻辑将劳动力从反复执行任务这一项变动成本，转向一次性定义评测这一项固定成本。只要人类评测仍存在前沿，这项固定成本机会就会持续；如果模型变得超越人类，那么经济中的许多其他环节也可能不再需要人类。

精读

1. 专家评测取代商品化标注，成为稀缺投入

• Mercor 的运营快照异常紧凑：公司由3名大学辍学生和 Thiel Fellows 于2023年创立，已融资1亿美元，营收年化运行率突破1亿美元。Foody 表示，公司的 LLM 会筛选简历、进行面试，并且“比人类更准确地预测工作表现”。

• Mercor 最初是一家综合型人才匹配公司，服务那些无法通过传统人工招聘获得机会的优秀人才。随着人类数据开始从众包低、中技能劳动者生产“语法勉强正确的句子”，转向筛选最有能力、能够直接与前沿研究人员合作的人才，公司的切入点也随之改变。

• 需求覆盖咨询、软件工程，也包括业余爱好者和电子游戏。只要有相应评测，强化学习就能提升模型能力，因此 Foody 对市场的概括很简单：“评测位于所有这些能力的上游。”

2. 当绩效呈幂律分布，人才预测才真正值钱

• Mercor 已经看到，模型在大多数评测中的表现超过人类招聘经理。Foody 预计，即使出于法律原因仍需由人类完成最终审批，不听取模型建议也可能变得“几乎不理性”。

• 幂律职业中的经济价值最强：识别出90分位的工程师，或者找到成本只有一半、但表现位于前25%的人，都会创造不成比例的价值。投资比软件工程更符合幂律分布；工厂工作则更加商品化。

• 文本密集型评估应最先自动化，因为模型可以以超越人类的规模向候选人提问、分析面试记录。激情、说服力和销售能力更多依赖多模态信号；而反复招聘同一岗位，比比较20个人分别从事20种不同工作，更容易清晰归因绩效。

• 招聘还留下大量未被充分利用的线上证据：GitHub 仓库、大学博客、个人项目和设计作品集都包含大量信号，但招聘经理没有时间逐一审阅。Foody 还提到一些更隐性的信号，例如在西方国家留学的国际候选人往往更擅长协作或沟通；论文或副业项目则能显露内在动机。理想情况下，Mercor 会直接测试工作本身，比如让候选人完成一个缩小版 MVP；如果真实结果需要很长时间才能观察到，就使用代理指标。

3. 可验证性决定哪些人类技能最先贬值

• Foody 预计，许多岗位的替代会“非常迅速”地发生，并同时变成痛苦的大众政治问题。客服和招聘已经出现岗位替代报告，但大部分替代尚未发生；他预计更多替代即将到来，尤其是在经济收缩期间企业更加重视效率的背景下。

• 他预计，更多工作会留在实体世界：机器人数据采集、餐饮服务、治疗，以及其他重视人际互动的岗位。实体自动化的推进应会更慢，因为它缺少虚拟世界中快速且自我强化的改进循环。

• 他对持久技能的建议是保持多面性：模型一次次掌握人们原以为会长期困难的活动。数学以及很快到来的代码能力进展最快，因为答案可以验证；创始人的品位则更难复制，因为反馈信号稀疏。不过，一旦新领域积累了足够数据、开始进入学习阶段，跨领域推理能力仍然可以迁移。

• Foody 可能不会鼓励年幼的孩子走计算机科学路线，但也并非完全反对。他更看重能带来智力刺激的兴趣、通用推理能力、创业式试错、对市场缺口的逆向判断，以及产品品位，而不是押注“会写代码的人在5年后仍然独具价值”。

4. 经济活动需要智能体评测，而不是又一个学术基准

• 历史上的评测类似零样本学术题目；真实工作则是端到端系统。软件工程师必须理解产品需求、跨团队协作、使用工具，并将相互竞争的优先级转化为产出——从 SWE-bench 表现出色到替代软件工程，中间“还差得很远”。

• 因此，评测创建需要按行业推进。客服是一个相对容易切入的起点，因为工作人员使用统一界面和有限工具；软件工程则更难，架构、协作和品位意味着，即便在一些原本可验证的领域，完整建设也要持续数年。

• Foody 表示，如果评测创建成为全球最常见的知识工作岗位，他“不会感到意外”。现有员工可以把什么叫优秀表现编码下来，市场上的承包商则负责扩大覆盖范围，让经济活动从反复执行任务，转向一次性支付固定成本来教会智能体。

• Elad 转述了一位朋友关于 Nyquist 的类比：人类可能知道某个东西比自己更聪明，却无法测量它究竟聪明多少。随后他问，如果一个模型已经比单个医生更强，医生的反馈最终是否反而会让模型退化，并以 Med-PaLM 2 为例。Foody 回应称，模型应学会把专家有价值的知识与专家自身的错误区分开来。

5. RFT 将企业定制转化为结果设计问题

• 模型可能会帮助提出自己的评测标准，再由人类进行验证，但 Foody 仍预计，领域专家需要为整个过程提供锚定。对于那些只有少数人仍然比模型更强的窄领域问题，前沿专家可能获得极高报酬。

• 更宽泛的智能体工作流仍为普通专业人士保留空间：传达诊断结果、协调工具和发送后续信息，都不只是回答一个医学问题。这一区分意味着，专家报酬会越来越呈幂律分布，但不会立即排除分布中部的人群。

• Foody 还认为，模型很快可能成为更强的管理者：拆解大问题、分配工作，并对人类进行绩效管理。Sarah Guo 将产品缺口描述为：只要获得足够的上下文和目标，助手就能完美地安排工作的优先级、分配任务并确定顺序；Elad 则把理想行为压缩成一句话：“告诉我接下来3分钟该做什么。”

• 底层推理能力可能已经足够。强化微调通过奖励期望结果，教会模型如何选择工具，以及如何理解企业特定的成功标准；与 SFT 的输入—输出配对不同，Foody 称其“数据效率极高”。Elad 将实际所需规模概括为数百到数千个样本，而不是10亿个 token，Foody 表示认同。

6. Mercor 正在走向人类与智能体共用的单一市场

• Mercor 的重点是吸引“全世界最聪明的人”，并预测他们的工作表现。由于普通劳动力市场的供给侧与需求侧比例大约为50:1，免费的模拟面试、职业建议和可分享个人资料，可以为那些从未获得工作机会的候选人创造价值；业务的另一端则为这些工具提供资金。

• 市场网络效应已经显现，但 Foody 预计，绩效数据飞轮会变得更重要：客户反馈会揭示谁取得了成功、为什么成功，从而改善后续筛选。长期来看，产品可能会将每个问题匹配给由人类劳动者和 AI 智能体组成的某种协作组合。

• Foody 表示，早期的共享招聘系统，例如 Hired，可以汇总简历和人脉，但无法大规模记录、进行面试，也无法分析解释工作表现所需的数据。LLM 带来了更完整、更自动化劳动力市场的“为什么是现在”。

• 他的终局是一个全球统一的劳动力市场。如今，候选人会申请十几个岗位，而旧金山的一家公司只会考虑全球人才中的极小一部分；如果评估成本由软件承担，每名候选人都能进入同一个市场，每家公司也都能从中招聘。

• 对初创公司而言，Foody 建议早期不妥协地追求人才密度，随后随着组织扩大，转向数据驱动的标准。Elad 转述了硅谷时代的传闻：Google 招人能力很强，但花数年时间才会清理表现不佳者；Facebook 早期人才池良莠不齐，但更擅长淘汰低绩效者。