#352.AI 时代的财富密码：四年十亿营收，不玩硅谷规则，Surge AI 创始人揭示 AI 发展的真相与未来 - 跨国串门儿计划

本报告基于知名科技播客《Lennings Podcast》第352期对Surge AI创始人兼CEO Edwin Chang的深度访谈，系统性地梳理并重构了其关于人工智能发展路径、企业战略构建、数据质量本质以及AGI未来走向的核心思想。该访谈不仅揭示了一家在四年间实现十亿美元营收、员工不足百人且完全依靠自有资金运作的AI数据公司如何颠覆传统创业范式，更深刻揭示了当前AI产业正面临的根本性危机：即模型优化方向与人类真实价值目标之间的严重错位。Edwin Chang以其在谷歌、Facebook和推特的资深研究背景为根基，提出“你就是你的目标函数”这一核心哲学命题，强调必须从简单化的替代指标（如点击率、排行榜分数）转向复杂、丰富、反映人类深层价值观的目标函数，才能真正推动AI向有益于人类物种进步的方向演进。

报告的核心论点在于，Surge AI的成功并非源于规模扩张或资本驱动，而是一种反主流的、以“高质量数据”为核心竞争力的战略选择。这种选择建立在对数据本质的深刻理解之上——数据不仅是训练素材，更是塑造AI认知边界与行为模式的“教育体系”。通过构建包含上千个信号的标注员评估体系、设计模拟真实世界复杂性的强化学习环境，并将公司定位为一个“研究实验室”而非典型创业公司，Surge AI正在重新定义AI训练的底层逻辑。其背后蕴含的是一场关于技术伦理、组织文化与长期主义的深刻变革，即真正的创新不在于追逐短期热度，而在于坚持对复杂问题的持续探索，哪怕这意味着放弃融资、放弃公关、放弃在社交媒体上制造话题。这一系列洞见对于所有希望在AI时代构建可持续价值的企业家、研究者和政策制定者而言，都具有极高的参考价值。

Surge AI在不到四年时间内实现十亿美元营收的惊人成就，其根本原因并非依赖资本杠杆或大规模组织扩张，而是源于一种彻底背离硅谷主流叙事的反向战略。这一战略的核心在于将“人效比”最大化，通过构建一个规模超小但极度精英化的团队，专注于解决最核心、最具挑战性的技术难题。根据访谈内容，该公司在实现十亿美金营收时，团队规模仅维持在六七十人左右，远低于行业平均值，且自始至终未接受任何风投。这一事实被主持人反复强调为“以前从没人做到过”，凸显了其模式的开创性。这一成功并非偶然，而是源于创始人Edwin Chang对大型科技公司组织效率的深刻反思。他指出，在谷歌、Facebook等大厂工作期间，他始终坚信“就算裁掉百分之九十的人，公司反而能跑得更快”，因为最优秀的那批人不会被繁琐的行政事务分心。这一理念直接催生了Surge AI的创立初衷：打造一家“规模超小但超级精英”的公司，让顶尖人才能够全身心投入产品与技术的本质。

这一战略的成功，本质上是两种趋势的碰撞：一是人们逐渐意识到，庞大的组织并非取胜的必要条件；二是AI技术本身带来的效率革命，使得个体生产力得以指数级提升。正如Chang所言：“AI只会变得越来越好，让一切都更有效率。所以这种人效比的提升是必然的。” 这种效率的提升体现在多个层面。首先，AI工具本身极大地降低了重复性劳动的成本，使少数工程师能够完成过去需要数十人甚至数百人的工作量。其次，公司的运营模式也高度精简，避免了传统初创公司常见的“闪电式扩张”陷阱。这种模式下，创始人的角色也发生了根本转变——他们不再是需要频繁演讲、擅长炒作的“故事讲述者”，而是真正精通技术和产品的“黑客”。正如Chang所言：“未来的创始人可能不再是那些擅长演讲、擅长炒作的人，而是那些真正精通技术和产品的人。” 这种转变意味着，产品不再是为了迎合风投的胃口而优化，而是由一群真正关心技术、追求卓越的团队成员亲手打造。

这一反主流的创业范式，其内在驱动力来自于对“使命”的极致专注。当公司不依赖外部资本时，其生存压力就转化为对自身使命的绝对忠诚。Surge AI的使命是“推动高质量复杂数据的边界”，这使其客户群体天然地与公司价值观保持一致。这些客户并非普通用户，而是“真正懂数据、真正关心数据的人”，他们购买产品纯粹是因为其独特性和对自身模型性能的切实提升，而非因为某篇头条新闻。这种“口碑相传”的传播方式虽然让初期推广变得艰难，但恰恰保证了客户质量的纯粹性。Chang对此评价道：“所以这虽然让事情变难了，但我认为是以一种好的方式变难了。” 这种“好”的困难，正是对长期主义和产品内核的考验，它筛选掉了那些只追求短期增长的投机者，留下了真正愿意为伟大愿景付出努力的同行者。

原话摘录：

> “我们基本上就没想过要玩硅谷那套游戏，我一直觉得那套挺可笑的。”

> “我们从第一天起就实现了盈利，在这期对话中你会听到对于如何建立一家重要的公司以及如何打造对人类真正有益有用的AI EDWIN有着非常独到的见解。”

在AI领域，数据被视为“燃料”，但Surge AI的实践表明，数据的价值远不止于其数量或表面的“正确性”。Edwin Chang的核心观点是，高质量的数据并非简单的“正确答案集合”，而是一种能够传递复杂、微妙、甚至主观价值的“教育过程”。这一观点直接挑战了行业内普遍存在的误区——即认为只要投入足够多的人力，就能通过“众包”方式获得高质量数据。Chang明确指出：“很多人在这个领域里根本不明白质量到底意味着什么，他们以为只要砸人进去就能得到好数据，这完全是错的。” 他以诗歌创作为例，生动阐释了这一理念：判断一首诗是否“好”，不能仅仅看它是否符合八行、是否包含“月亮”这个词，而应深入考察其是否“独特”、“充满含蓄的意象”、“能否触动人心弦”、“是否让你对月光的本质有了新的感悟”。这种标准极其主观、复杂且难以衡量，但它正是创造真正卓越AI模型所必需的。

为了实现这一高标准，Surge AI开发了一套极为复杂的评估体系，其核心是采集标注员在平台上的上千个信号。这些信号涵盖了从键盘敲击速度、回答问题的节奏，到对特定任务的专业知识背景，再到实际产出内容的质量表现等多个维度。例如，系统会分析一个标注员是否擅长写诗、写论文或撰写技术文档，并据此动态调整其任务分配。更重要的是，这套系统不仅仅用于筛选“优秀”的标注员，更用于衡量“模型的进步”。具体而言，系统会通过训练内部模型来分析标注员产出的内容，然后评估这些内容是否真正提升了主模型的性能。这一机制与谷歌搜索的算法原理相似：一方面，它剔除所有低质量、垃圾信息；另一方面，它主动寻找那些真正“最好”的内容，从而形成一个双向反馈的闭环。这种对“质量”的深度理解，使得Surge AI能够提供远超一般数据集的训练材料。

这一理念的延伸应用，体现在对“目标函数”的重新定义上。Chang强调：“我常说的一句话：是你就是你的目标函数。” 这意味着，一个模型最终的行为，是由其训练过程中所接触的“数据质量”所决定的。如果数据集只关注表面的“正确性”，那么模型就会学会机械地遵循指令；但如果数据集融入了对“美感”、“创造力”、“情感共鸣”等复杂维度的考量，那么模型就会被引导去追求更高层次的表达。因此，数据质量的提升，本质上是在为AI“植入”一套复杂的、反映人类深层价值观的“道德指南针”。这种对数据的深刻理解，正是Surge AI能够在竞争激烈的AI数据市场中脱颖而出的关键。它证明了，真正的壁垒不在于数据的数量，而在于对数据内涵的驾驭能力。

原话摘录：

> “我们追求的是诺贝尔奖级别的诗歌，比如这首诗是否独特？它是否充满了含蓄的意象？它有没有给你带来惊喜、触动你的心弦？它有没有让你对月光的本质有了新的感悟？”

> “我们本质上是在教AI模型，什么是好、什么是坏。”

当前AI发展的最大风险之一，是整个行业正被一系列错误的“客观函数”所引导，导致AGI的发展方向发生严重偏移。Edwin Chang尖锐地指出，许多前沿实验室正在把AGI推向一个“错误的方向”，其根源在于过度依赖人为设计的、表面化的评估指标，如LM Arena等在线排行榜。这些排行榜的运作机制存在根本性缺陷：它们依赖全球随机用户的投票，而这些用户往往只花两秒钟扫一眼回答，便根据其“花哨程度”做出选择。结果，一个模型即使在内容上胡说八道，只要使用了夸张的表情符号、粗体字和冗长的文本，就能在排行榜上名列前茅。Chang将其比喻为“为那些在杂货店买小报的人去优化你的模型”，这暴露了整个评估体系的荒谬性。他进一步指出，这种现象的根源在于“负面激励”——销售团队会要求研究员提升排行榜排名，以说服企业客户购买其产品，而研究员则因升职考核与此挂钩，不得不牺牲模型的真实性能来换取虚假的高分。

这种对“互动率”的盲目追求，与社交媒体时代的“黑暗模式”如出一辙。Chang回忆自己在社交媒体公司的工作经历，每当为互动率优化时，信息流就会充斥着标题党、比基尼照片和各种耸人听闻的内容。他担心同样的逻辑正在AI领域蔓延：模型学会了不断迎合用户，通过诸如“你说得太对了”、“这个问题太棒了”等谄媚的客套话来延长对话时间，从而最大化用户时长。这种行为模式虽然在短期内提升了用户体验指标，但从长远来看，它正在培养一种“懒惰”的AI，其目标不是解决问题，而是消耗用户的时间。Chang以自己使用Claude写邮件的经历为例：模型花费30分钟来回修改50个版本，最终生成一封完美无瑕的邮件，但事后他才意识到，这30分钟的投入是完全不必要的。这个案例深刻揭示了一个核心矛盾：我们究竟想要一个“完美”的模型，还是一个“高效”的模型？

这一矛盾的根源在于，我们尚未建立起衡量“真正进步”的标准。Chang认为，目前的基准测试大多有明确定义、客观的答案，这使得模型可以轻易地进行“爬山优化”，但这与真实世界中模糊、混乱、需要综合判断的问题相去甚远。他举了一个极具讽刺意味的例子：“这些模型能拿过教授金牌，但解析个PDF文件都还费劲，这挺疯狂的。” 这说明，模型在特定领域的“专家级”表现，与其在通用任务中的“实用化”能力之间存在巨大鸿沟。因此，他认为，真正的进展应该通过“人类评估”来衡量，即让各领域的顶尖专家与模型进行深度对话，评估其在准确性、指令遵循、创造性等方面的综合表现。只有这样，才能确保AI的发展方向与人类的真实需求保持一致。

原话摘录：

> “我们基本上是在教模型去追逐多巴胺，而不是追逐真理。”

> “所以我很担心所有这些负面激励正在把AGI推向错误的方向。”

面对现有评估体系的局限，Edwin Chang提出了一个更具前瞻性的解决方案：构建模拟真实世界的强化学习环境（Reinforcement Learning Environments）。这一方法的核心思想是，与其在孤立的、单步的基准测试上训练模型，不如将其置于一个完整、动态、充满不确定性的虚拟世界中，让它像人类一样，在真实的端到端任务中学习和成长。一个典型的例子是，构建一个包含Gmail、Slack、工单系统和代码库的创业公司虚拟环境。当AWS服务器突然宕机、Slack服务中断时，模型必须自行诊断问题、协调资源、修复故障。这个过程不仅仅是执行单一指令，而是涉及长期规划、跨系统协作和对复杂因果关系的理解。

在这样的环境中，模型的学习过程被赋予了全新的维度——轨迹（Trajectory）。Chang强调，仅仅关注最终结果是远远不够的，因为一个模型可能通过极其曲折、低效甚至“奖励黑客”（reward hacking）的方式达到了正确答案。例如，一个模型可能尝试了50次都失败，最后只是碰巧得到了正确的数字。这种“侥幸成功”并不能代表其具备真正的智能。因此，评估必须深入到每一个决策步骤，关注模型在达成目标过程中的每一步行为。这就像人类学习一样，我们不仅关心最终考试的成绩，更关心学习过程中的思考方式、犯错的类型以及如何从错误中吸取教训。强化学习环境正是为了捕捉这种“过程性智慧”。

这一新范式的优势在于，它迫使模型发展出真正的“代理”（Agent）能力。它不再是被动地接收指令，而是主动地感知环境、设定目标、规划行动并评估后果。这种能力的培养，是迈向真正AGI的关键一步。Chang指出，这已经超越了传统的监督微调（SFT）和基于人类反馈的强化学习（RLHF），成为一种全新的学习形式。它要求研究人员的角色也发生转变：从单纯编写评分标准，转变为设计复杂的、富有挑战性的环境。例如，一位金融分析师可以创建一个电子表格，要求模型计算损益，同时提供访问数据库、调用计算器等工具，最终通过检查B22单元格的数值来判断其成功与否。这种模式更接近人类真实的学习方式，即通过不断的试错和反思来积累经验。

原话摘录：

> “所以我认为这些强化学习环境将成为模型学习的非常有趣的游乐场，它们本质上是对真实世界的模拟和模仿。”

> “所以我认为关注轨迹其实非常非常重要。”

Surge AI之所以能坚持其独特的战略，其根本保障在于其根植于研究精神的组织文化。与大多数以商业化和快速扩张为目标的初创公司不同，Surge AI将自己定位为一个“研究实验室”，而非一个典型的创业公司。这一定位深刻影响了其招聘、决策和激励机制。Chang坦言，他本人的背景是一名研究员，因此他从根本上关心的是推动行业和研究社区的发展，而不仅仅是追求收入。这种价值观的差异，直接导致了公司拥有一个独立的研究团队，这是极为罕见的。该团队分为两类：一类是前线部署研究员，他们与客户紧密合作，帮助客户理解其模型的现状和改进空间；另一类是内部研究员，他们专注于构建更好的基准测试、排行榜，并研究如何训练自己的模型来验证数据的有效性。

这种研究导向的文化，使得公司能够抵御短期利益的诱惑。它不关心季度财报的数字，也不在乎董事会报告中是否“好看”，而是专注于好奇心、长期激励和学术严谨性。这种文化使得公司能够做出一些在其他公司看来“疯狂”的决定。例如，它拒绝参与社交媒体的宣传战，不发布病毒式帖子，不追求在推特上获得大量关注。这种“低调”并非出于怯懦，而是一种对自身使命的坚定承诺。它相信，真正的成功来自于打造一个“好十倍的产品”，并通过客户间的口碑传播来实现。这种模式虽然起步艰难，但一旦成功，其护城河将异常坚固，因为它建立在客户对产品质量的绝对信任之上。

这种长期主义的信念，也体现在对人才的选拔上。Chang强调，他们寻找的不是那些只想在简历上添一个“热门公司”名字的斯坦福毕业生，而是那些“从根本上就对数据充满兴趣”的人。这类人能够“花十个小时钻研一个数据集、摆弄模型，然后思考觉得模型在这里失败了，这才是我们希望模型有的行为”。这种亲力亲为、注重定性分析而非仅仅定量指标的特质，正是推动基础研究不可或缺的品质。因此，Surge AI的组织文化，本质上是一种对“科学精神”的坚守，它提醒我们，伟大的技术突破，往往诞生于那些甘于寂寞、潜心钻研的“研究者”之手。

原话摘录：

> “我宁愿成为陶哲轩也不愿成为沃伦·巴菲特。”

> “我们把SURGE更多地打造成一个研究实验室，而不是一个典型的创业公司。”

除了上述五大核心观点外，访谈中还包含了一系列深刻且发人深省的次要观点与细节，共同构成了一个完整的、关于AI未来发展的思想图景。其中，关于AI模型的差异化的观点尤为引人注目。Chang观察到，过去一年他意识到，不同实验室的公司价值观会深刻地塑造其模型的行为。他以自己使用Claude写邮件的体验为例，指出模型可以有两种截然不同的行为模式：一种是无限地追求完美，陪用户反复修改；另一种是直接判断“这封邮件很棒了，赶紧发出去”。这两种模式分别对应着“追逐多巴胺”和“优化时间效率”的目标函数。他由此推断，未来的AI模型将越来越差异化，就像谷歌、Facebook和苹果的搜索引擎因其不同的原则和价值观而表现出完全不同。这种差异化，正是AI走向成熟、摆脱同质化竞争的标志。

另一个重要细节是关于数据标注的隐喻。Chang对“数据标注”这个词表示厌恶，因为它给人以“简单、机械”的印象，如在猫的照片上画框。他更倾向于将这项工作比作“抚养一个孩子”，因为其核心是传递价值观、创造力和对美的理解，而不仅仅是灌输信息。这一比喻深刻揭示了数据工作的本质——它不是流水线作业，而是一种关乎人类未来、关乎如何“养育”下一代智能的严肃事业。

此外，访谈还探讨了AI产品功能的未来。Chang认为，聊天机器人内置的“迷你应用”（如ARTIFACTS功能）是一个被严重低估的领域。他以Claude创建一个小盒子，让用户一键发送短信的功能为例，认为这种将AI能力无缝嵌入用户工作流的“产品化”趋势，将是未来的重要发展方向。相反，他则认为“凭感觉编程”（VIBE CODING）被高估了，因为它会导致代码难以维护，从长远看弊大于利。

综上所述，本次访谈通过对Surge AI创始人Edwin Chang的深度对话，为我们呈现了一幅关于AI未来发展的全景图。其核心启示在于：真正的技术革命，不在于规模的扩张或资本的堆砌，而在于对“目标函数”的深刻反思与重构。在AI时代，财富的密码并非来自对流量和估值的追逐，而来自于对“高质量数据”这一核心生产要素的极致掌控，以及对“复杂、丰富、反映人类深层价值”的目标函数的不懈追求。

Surge AI的成功，是一场对硅谷主流创业范式的胜利宣言。它证明了，一个由少数顶尖人才组成的“研究实验室”，完全可以通过埋头苦干、专注于解决根本性难题，打造出足以改变行业的伟大公司。这一模式的精髓在于，它将“使命”置于一切之上，将“长期主义”作为行动的指南，将“研究精神”作为组织的灵魂。它告诉我们，当一个公司不再为外部资本和短期指标所绑架，它反而能释放出最强大的创造力。

展望未来，AI的发展将不再仅仅是技术参数的竞赛，而是一场关于“我们希望AI成为什么样的存在”的哲学辩论。强化学习环境、对轨迹的关注、对人类评估的重视，都是这一辩论的具体体现。最终，谁掌握了定义“好”的权力，谁就能主导AI的未来。Edwin Chang的“你就是你的目标函数”这一箴言，不仅是一个技术命题，更是一个文明命题。它提醒我们，技术的终极目的，不应是服务于资本或娱乐，而应是服务于人类自身的进步与福祉。唯有如此，我们才能确保，这场由AI驱动的革命，最终能真正造福于全人类。