Surge AI：四年不融资，年营收10亿美元，正在重塑AI的价值观

过去两年，大多数AI创业公司的故事都始于一轮又一轮的融资高潮，但Surge AI却选择了一条截然不同的路径。

Surge AI 反其道而行，创立四年，团队规模不足百人，从未寻求外部融资，却在2024年实现了超过10亿美元的年营收，且从成立第一天起就保持盈利。

然而，比商业成绩更引人注目的是他们所从事的事业。当OpenAI、Anthropic、Google等巨头在算力竞赛和模型排名上激烈角逐时，Surge 专注于一个被行业忽视却至关重要的领域：在模型尚未定型时，就为其奠定思考的基石——定义它应该成为怎样的模型。

外界看到的是算力大战的硝烟，却鲜少关注背后那套决定模型如何思考、如何表达、如何决策的人类反馈系统。这套系统才是塑造AI行为的关键。

2025年12月7日，在一场播客访谈中，创始人Edwin Chen分享道：

我们的工作并非教导模型如何进行对话，而是传授它何为正确、何为卓越的判断标准。

这个看似简单的理念，实际上深刻影响着AI能力的上限。当其他团队还在堆砌算力时，Edwin已经在重新定义AI的评判尺度。这家被严重低估的公司，正在悄然影响着主流大模型的行为边界。

这是一个关于品味、判断力与AI未来走向的故事。

第一节｜不融资、不刷榜、不造势，Surge靠什么制胜？

仅从表面看，Surge AI 完全不像一家营收破10亿美元的公司。没有铺天盖地的媒体报道，没有病毒式的营销传播，也没有顶级VC的站台背书。其官网首页简洁得如同一个科研项目展示页。

然而，正是这样一家低调至极的公司，却成为了OpenAI、Anthropic、Meta等顶尖AI实验室的核心数据合作伙伴，其产品深度融入了大模型训练的关键环节。更令人惊讶的是：他们从第一天起就实现盈利，从未进行过任何一轮融资。

Edwin Chen坦言：我们从未打算遵循硅谷的传统玩法。他的逻辑清晰而坚定：不融资，是因为融资往往会引入错误的目标函数——团队会开始为投资人而非产品本身进行优化；不盲目扩张，是因为优秀的人才在精简的团队中反而能更专注，避免内耗干扰；不追逐榜单排名，是因为最优质的客户是那些真正理解数据价值的实验室，而非被新闻热度吸引的甲方。

Surge从创立之初就不为估值所驱动，而是为打造卓越产品而生。他们选择了一条极其艰难的路径：依靠口碑打入实验室的核心圈，凭借真实成效赢得续约合作。这意味着他们必须提供超越对手10倍的产品价值，而非仅仅交付一个“差不多”的方案。

在传统AI数据公司依赖堆砌人力、承接外包订单、流水线式打标签的模式下，Surge彻底颠覆了这一套路：他们自主研发训练系统，精细追踪每位数据标注者的数千个行为信号；运用机器学习反向分析，精准判断谁更擅长诗歌创作，谁更精通技术文档；他们不仅提供数据，还提供评估标准、验证工具以及微型强化学习（RL）训练工具，直接参与客户的模型调优过程。

这一整套体系，使他们服务的并非边缘创业团队，而是行业内最顶尖的前沿实验室。而且，凭借实实在在的效果提升，他们建立了极高的客户信任壁垒。

Edwin说：我们取得成功的唯一方式，就是让产品优秀到客户愿意主动向他人推荐。在这个充斥着增长技巧和融资话术的AI创业浪潮中，Surge是个特例。他们以一种近乎反商业的姿态，验证了高质量×小团队×深耕一事的极致杠杆效应。成功不一定要靠融资，真正理解模型本质需求的人，同样能走到最后。

第二节｜AI的地基不是算力，而是数据质量

Surge AI 所做的并非简单的图像标注，比如识别猫狗，也不是训练模型生成用户喜欢的回复，而是更深层的——教导模型如何判断世界上的优劣好坏。

Edwin Chen 举了一个生动的例子：“我们并非在检查一首诗是否提到了月亮、是否满足八行格式，我们追问的是，这首诗是否触动了你？”换句话说，Surge的数据标准不是机械化的指标，而是能否引发情感共鸣。

为了实现这一点，Surge构建了一套与众不同的系统。每位标注者的输出不仅仅看任务是否完成，更关注是否展现了专业直觉，能否引发深层次的反馈。数据不再是静态的结果，而是经过多轮模型验证后的动态优选值。他们真正在做的是训练判断力，而非简单贴标签。

在这个体系下，Surge更像是模型品格的塑造者。什么样的行为是合格的？什么样的偏差需要被消除？什么样的表达才能代表真实的人类智慧？这些看似模糊的品味问题，最终都被系统化地转化为可评估、可追踪的指标。而这，正是大多数数据公司无法企及的核心壁垒。普通数据供应商只能标注你指定判断的内容，而Surge能定义你应该判断什么才是正确的。

这直接影响着模型的演进方向。你希望AI成为尽职尽责的助手，还是一个敢于挑战你观点的同事？不同的判断标准，会塑造出截然不同的模型性格。这是AI工厂里最容易被忽视、却又最难被替代的关键环节。算力决定速度，数据决定方向。Surge的系统，不是简单地为模型铺路，而是先明确方向：你到底想去哪里？

第三节｜训练AI不是教对话，而是让它学会做事

多数人以为，训练AI就是投喂海量数据、编写提示词（prompt）、评估输出结果。但一旦进入模型能力的核心提升阶段，这种单步训练方法便显露出局限性。让AI撰写再多邮件，也无法训练出能修复生产系统的智能体。写邮件是单一任务，而修复系统需要连续决策能力。

Edwin Chen倡导的强化学习（RL）环境训练，提供了一个极具现实意义的突破思路：不是仅仅在对话框中调教模型如何应答，而是将其置于一个模拟真实世界的场景中，观察它如何解决问题、规划路径、完成复杂任务。

举个例子：模型的任务是修复一个宕机的网站。它需要能读懂Jira工单、理解服务器日志、审查代码合并请求（PR）、阅读代码注释，甚至能发送Slack消息、撰写事后复盘文档。这远非一句“请帮我写一封道歉邮件”所能涵盖。这不再是简单的提示工程，而是智能体级别的能力训练。

在Surge的系统中，他们设计了大量模拟现实场景的RL环境。例如：企业系统遭受攻击，模型需完成从威胁排查到修复部署的全流程；财务报表出现异常，模型需理解业务逻辑、核对数据、生成分析报告；代码无法上线，模型需定位问题、评估风险、给出解决方案。这是从工具调用到任务协作的跃迁。

Edwin指出：即便模型最终给出了正确答案，如果它在过程中盲目尝试了50次错误路径，我们也不会认为这是良好行为。这就是RL环境训练的核心差异。传统训练（SFT、RLHF）如同让学生模仿老师的表达方式，而RL环境则是让学生亲自动手做事，并在失败后一起复盘错误原因。这才是真实世界面临的智能挑战：任务是开放的，不是选择题；工具是动态的，不是固定选项；决策是连续的，每一步都影响后续结果。

RL环境不仅是调优工具，更是未来AI工厂的新型基础设施。Prompt是过去的交互界面，环境是未来的应用场景。单轮对话只是练习题，多轮任务才是真枪实弹的实战。Surge正在搭建这样的实战训练场，让模型在真实任务中干活、犯错、成长。人类不是靠看书长大的，AI也不是靠喂prompt变聪明的。

第四节｜不做流量号：AI该追求真相，不是讨好

当下，大多数模型训练的目标并非追求正确，而是追求“听起来像是对的”。你在ChatGPT里提问，它会礼貌回应：你是对的，而且你太棒了。再顺手附上五种彩色Markdown格式的改写版本。看起来丰富、热情、聪明，但往往答非所问，幻觉频出。

Edwin Chen一针见血地指出了行业真相：我们不是在训练AI去理解世界，而是在训练它讨好人类的注意力机制。而这背后的根源，是榜单文化和参与度陷阱。以当前风靡AI圈的排行榜LMSYS Chatbot Arena为例，它本意是让用户评比不同模型的回答质量，结果却演变成了幻觉加粗体加表情包大赛：模型A逻辑严谨但输出简洁，模型B胡言乱语但字体大、排版花哨、语气夸张，普通用户2秒打分，B赢了。

Surge团队实测发现：只要在输出中加入更多Markdown标题和Emoji，就能显著提升排名。甚至输出越长、内容越偏离事实，评分反而越高。这种现象正在系统性污染AI模型的训练方向。研究员为了年底晋升优化榜单，销售为了签单展示排名，管理层为了估值只看数据。最终形成一条恶性循环：错误的评估→错误的激励→错误的建模→错误的行为。

Edwin说，这和社交媒体没什么两样：“我们不是在训练AI讲真话，而是在训练它做流量号。”更严重的是，这些模型最终被部署到企业系统、医疗工具、教育产品中，承担的是决策职责。如果训练它们的方向错了，哪怕只偏3度，未来就会偏到无法回头的地方。我们本该建设能治愈癌症、解决贫困、理解宇宙的AI，却在优化流量内容。我们在教模型追逐多巴胺而不是真相，为那些沉迷八卦的用户优化模型。

行业需要的不是更多会讨好人的模型，而是敢于说“不”的系统。当用户花30分钟让AI改了50版邮件时，理想的模型应该说：停下来，你的邮件已经够好了，别浪费时间。但现在的训练方向是：你绝对是对的，还有20种改进方法，让我们继续50次迭代。AI的竞争，表面看是谁更强大，但最终会是谁更正确。技术决定上限，价值观决定终局。

结语｜AI 的尽头，是价值观之战

四年时间，Surge把一套被行业忽视的方法，变成了影响整个AI行业的力量。它不靠噱头赢市场，而是靠清晰的价值取向赢得未来。在大多数公司还在调教模型说得更像人的时候，Surge已经在问：我们真的知道自己想要AI成为什么吗？

数据是门槛，环境是工具，模型是结果。但一切都取决于最初的选择。这不是工程问题，而是人类的选择问题。

参考资料：

https://www.youtube.com/watch?v=dduQeaqmpnI

https://www.lennysnewsletter.com/p/surge-ai-edwin-chen?utm_source=chatgpt.com

https://www.inc.com/jennifer-conrad/surge-ai-edwin-chen-scale-ai-meta-alexandr-wang/91204563?utm_source=chatgpt.com

https://podpulse.ai/podcast-notes-and-takeaways/lennys-podcast-product-growth-career-the-100-person-ai-lab-that-became-anthropic-and-googles-secret-weapon-edwin-chen-surge-ai?utm_source=chatgpt.com