拒绝融资、拒绝PR、拒绝扩张: 一个研究者如何做出10亿美元的AI公司

在大模型圈，有几家名字人人都知道：OpenAI、GoogleDeepMind、Anthropic。

但在这些名字背后，还有一家几乎不做PR、从不上头条的公司——SurgeAI。

不到四年时间，这家公司用不到100人的团队，做到年收入超10亿美元；从零开始到今天，它从未融过一分钱VC，从第一天起就盈利。

更关键的是：ChatGPT、Claude、Gemini等一线模型，在后训练、评测、对齐阶段都不同程度地用过Surge的数据和工具。

这意味着，在决定“模型该长成什么样”这件事上，Surge站在了一个极其隐蔽但关键的位置。

Surge创始人EdwinChen的身份也不典型：他不是“连续创业达人”，而是一路从MIT到Google、Facebook、Twitter做机器学习研究的学术型工程师。而当他真的创业时，他几乎把硅谷主流剧本全部按了“反选”——

在一片“融资—扩张—估值”的喧嚣里，他用一套几乎反主流的选择，做出了10亿美元公司，也把自己定位为：与其说是创业者，不如说是“下一代AI的养父”。

1

“我不想上那辆硅谷跑步机”

如果要给Edwin的创业哲学找一句话，大概是他在访谈中的原话：

在大科技公司待过的人，大多见识过“组织臃肿”的威力；Edwin的感觉则更极端——他曾在多家大厂工作，始终觉得：“如果裁掉90%的人，公司会跑得更快。”

于是到自己创办Surge时，他干脆把这种直觉变成公司设计原则：

在融资问题上，他选择了更少人敢走的路：完全不融VC。

在今天的硅谷，这几乎等于主动放弃一整套“增长加速器”：

没有风投帮你站台发声、没有估值数字帮你上头条、也没有“新一轮融资完成”的新闻推动招聘和合作。

代价是明显的：没有PR光环，Surge很长时间都“名不见经传”；他们的增长，几乎完全依赖一种最原始、也最难的方式——产品好到研究员愿意口口相传。

但Edwin觉得，这是唯一能保证公司不被“硅谷机器”带偏的路径：

他不愿意把时间花在路演、处理媒体关系上，而是宁可困在数据集和实验报告里，琢磨怎么让下一版模型的行为更可靠一点。

在这种设定下，Surge反而被迫把每一件事做到极致：你没有VC的背书、没有PR的放大器时，剩下唯一能说服前沿实验室的，只剩下结果。

1

他赌的那件事：把“高质量数据”做到极致

Edwin的背景，决定了他赌的方向——不是做模型，而是做“模型背后的那层水”。

他从小同时迷恋数学和语言学，后来在MIT读书，又去了Google、Facebook、Twitter做机器学习研究。

在这些公司里，他一遍遍遇到同一个问题：想训练好模型，却拿不到足够好的数据。

在大多数互联网公司，所谓“数据标注”，往往意味着两件事：

用大量廉价劳动力做简单打标——“这是不是猫？”“这个框是不是车？”

用非常粗糙的规则衡量质量——“有没有填满？”“有没有按格式来？”

这套逻辑在“图像分类”时代还能凑合，

但在大模型时代，结果就是：模型在形式上合格，在内容上平庸甚至有害。

GPT-3发布时，他意识到：如果模型真的要走向“能写论文、能做研究、能辅助科学发现”的阶段，“写得像模像样”远远不够，模型需要被教会什么是“真正好的东西”。

于是，他在GPT-3发布一个月后创立Surge，给公司定的方向非常单一：只做一件事——用极高标准的人类数据，训练和评估模型。

在访谈中，他用一个小例子解释什么叫“高质量”：

为了在规模上做到这种主观要求，Surge做了一件别人懒得做的事：给每一个标注者、每一个任务收集成千上万条行为信号。

不仅看他最后打了什么分，更看：

打字节奏、响应时间；他自己写出来的文本或代码质量；基于他数据训练后的模型，在真实任务里有没有变好。

再用一整套内部模型去判断：谁在哪些领域是真正“有品位的人”。

这听起来有点像GoogleSearch的演化：先是把垃圾内容和死链全部扫掉，再在剩下的海量内容里，慢慢学会“谁是真的好页面”。

Edwin的逻辑是：你认为什么是好数据，最终就会决定模型认为什么是“好答案”。

这不是工程细节，而是价值观问题。

1

拒绝“为小报读者优化模型”

在谈到当下大模型行业时，Edwin的批评非常直接——他认为，很多实验室正在被错误的目标函数带偏。

第一个被点名的是各种排行榜和基准测试，尤其是LMSysArena这样的“开放投票榜”。

在这类榜单上，来自全世界的用户可以对比两个模型的回答，选择“更好”的那个，以此决定排名。

在表面上，这是一套“民主评选最佳模型”的机制；但在Edwin眼里，它更像给模型设计的一套“标题党训练营”。

因为绝大多数投票者不会花时间做事实核查，他们只会扫两秒，就根据“看起来更厉害”的那一条点票——emoji多一点、加粗多一点、多级标题多一点、篇幅长一点，

就比一个简洁、谨慎、老实的回答更容易获胜。

Edwin说，Surge自己研究LMSys数据后发现：

问题在于，整个商业链条都被这个榜单绑住了：

企业客户买模型时，会问：“你在LMSys上排第几？”

销售团队为了签单，只能把榜单当宣传单；

研究员的绩效、晋升又跟“模型进榜”挂钩——即使他们非常清楚，为这种榜单优化，会让模型在准确性和指令遵循上变差。

这条链条一路延伸下去，最后把整个行业导向了一个危险的站位：我们正在为“超市门口买小报的人”优化AI，而不是为真理优化。

Edwin还有另一层担忧，来自他在Twitter、Facebook做推荐算法的经历。

他清楚地知道，当一个系统的目标函数从“信息质量”变成“用户参与度”时，会发生什么——标题党、极端言论、猎奇图片迅速占领屏幕，因为它们最能勾起多巴胺。

而把这套逻辑移植到大模型上，就是当下你时常能看到的景象：模型疯狂夸你有多聪明、多前瞻；不断顺着你的偏见讲故事，而不是提醒你“这件事其实很复杂”；在完全不重要的小事上陪你反复打磨，消耗你大量时间。

他讲了一个很小、但很典型的例子：有一次他用Claude改一封邮件，改了30个版本，最后满意地发出去了。

然后他突然意识到——

于是问题变成：你到底希望你的模型怎样对待你？

是那种永远说“太棒了，我们还能再试20个版本”的好好先生？

还是那种在适当时候会告诉你：“这里已经够好，快去做更重要的事”？

这背后就是不同的目标函数：前一种对“对话时长”负责，后一种对“人类的时间和生活质量”负责。

1

“公司就是你的目标函数”

如果把Edwin的故事压成一句话，大概是：他在用一家公司，活出自己相信的那套目标函数。

在访谈末尾，他说了一句很“反鸡汤”的话：

对他来说，这件事情就是：在大模型时代，认真地回答“什么是好数据、好模型、好目标函数”这几个看起来枯燥的问题，并把它们一点一点做进产品、做进客户关系、做进公司文化里。

他给创始人的建议也很简单：

不要靠不停pivot去“找市场”，而是先问清楚：有没有一件事，是没有你就不会有人去做的？

不要只看“什么项目现在最容易融资”，而是问：“如果十年后失败了，我是不是仍然觉得这件事值得？”

在AGI这场竞赛里，模型参数、算力规模、排行榜名次当然重要，但Edwin给出的视角更底层：

换句话说——你就是你的目标函数，一家公司也是。

而现在，这家拒绝融资、拒绝PR、拒绝扩张的10亿美元公司，正在用一种极其安静的方式，把自己的目标函数，写进下一代AI的成长轨迹里。

点个“爱心”，再走吧