Surge AI创始人谈融资之道：无VC支持，年入十亿美元心得分享

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

这两年，大部分 AI 创业故事都从一轮又一轮融资讲起。

Surge AI 反着来。

创立四年，不到百人团队，从未融资，2024 年营收突破 10 亿美元，从第一天起就盈利。

但比商业成绩更重要的，是他们在做的事。

当 OpenAI、Anthropic、Google 在拼参数、争排名时，Surge 在做一件被行业忽视但极其关键的事：在模型还没成型时，就决定它该成为什么样的模型。

你看到的是算力大战，看不到的是背后那套决定模型如何思考、如何表达、如何做决策的人类系统。

2025 年 12 月 7 日，在一场播客中，创始人 Edwin Chen 说：

我们不是在教模型如何对话，而是在教它什么是对、什么是好。

这件事看似简单，却极其决定 AI 的上限。

当别人还在堆算力时，Edwin 已经在重新定义标准。这家被严重低估的公司，正在影响主流大模型的行为边界。

这是一个关于品味、判断力与 AI 未来的故事。

第一节｜不融资、不刷榜、不造势，Surge靠什么赢？

如果只看表面，Surge AI 完全不像一家10亿美元公司。

没有媒体报道，没有病毒式传播，没有顶级 VC 站台背书。正式首页朴素得像个科研项目。

但就是这样一家低调到极致的公司，却成为 OpenAI、Anthropic、Meta 等实验室的核心数据合作方，产品渗透到大模型训练的关键环节。更重要的是：他们从第一天起就盈利，从未融过一分钱。

Edwin Chen说：我们从不打算玩硅谷那一套。

他的逻辑非常清晰：

不融资，因为融资会引入错误的目标函数，你开始为投资人而不是为产品优化；

不扩张，因为优秀人才在少而精的团队里反而更能专注，不受内耗干扰；

不刷榜，因为最好的客户是那些真正理解数据价值的实验室，而不是冲着新闻来的甲方。

Surge 从一开始就不为估值而活，而是为产品而活。他们选择的是一条极难的路径：靠口碑打入实验室核心圈，靠真实效果赢得续约。

这意味着他们必须打造10倍好的产品，而不是差不多就行的交付。

在传统 AI 数据公司靠堆人力、接订单、外包打标签驱动时，Surge彻底反其道而行：

自建训练系统，精细追踪每一位标注者的数千个行为信号；

用机器学习反向分析，判断谁擅长写诗、谁擅长技术文档；

不止提供数据，还提供评估标准、验证器和微型 RL 训练工具，直接参与客户的模型调优。

这套体系让他们服务的不是边缘创业团队，而是行业最顶尖的前沿实验室。而且，凭借真实的效果提升，他们建立了极高的客户信任。

Edwin说：我们成功的唯一方式，是让产品好到客户愿意主动推荐。

在这个充满增长技巧和融资话术的AI创业浪潮中，Surge是个例外。他们用一个近乎反商业的姿态，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。真正理解模型需要什么，也能走到最后。

第二节｜AI的地基不是算力，是数据质量

Surge AI 做的不是标注猫狗图像，也不是让模型输出用户喜欢的回复，而是教模型如何判断世界上的好与坏。

Edwin Chen 举了个例子：

“我们不是在检查这首诗有没有提到月亮、有没有八行，我们在问，这首诗有没有打动你？”

换句话说，Surge 的数据标准不是机械的指标，而是能否打动人。

要做到这一点，Surge 建立了一套完全不同的系统。每位标注者的输出不只看是否完成任务，更看是否展现专业直觉、能否引发深度反馈。数据不是静态结果，而是经过多轮模型验证后的动态优选值。

他们真正在做的不是打标签，而是训练判断力。

在这个体系下，Surge 更像是模型的品格塑造者。

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，最终都被系统化成可评估、可追踪的指标。

而这，正是大多数数据公司做不到的核心壁垒。普通数据供应商只能标注你让它判断的东西，Surge 能定义你该判断什么才对。

这直接影响模型的走向。

你希望 AI 成为尽职的助手，还是能挑战你的同事？不同的判断标准，塑造出完全不同的模型性格。

这才是 AI 工厂里最容易被忽视、却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，不是给模型铺路，而是先问清楚：你到底想去哪？

第三节｜训练AI不是教对话，是让它学会做事

大多数人以为，训练AI就是给它喂数据、写prompt、评输出。但真正进入模型能力的核心阶段，这种单步训练方法就会失效。

让 AI 写再多邮件，也训练不出能修复生产系统的智能体。写邮件是单一任务，修系统需要连续决策。

Edwin Chen 倡导的 RL 环境训练，提供了一个极具现实性的突破思路：不是在对话框里调教模型怎么回答，而是把它丢进一个真实世界，看它如何解决问题、规划路径、完成任务。

举个例子：

模型的任务是修复宕机的 。它要能读懂Jira工单、理解服务器日志、检查PR、阅读代码注释，甚至发送Slack消息、写复盘文档。而不是一句“请帮我写一封道歉邮件”就结束了。

这不是 prompt 工程，这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：

企业系统被攻击，模型需完成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：即便模型最后答对了，如果它中途瞎试了50次，我们也不会认为这是好行为。

这就是 RL 环境训练的核心差异。传统训练像是让学生模仿老师怎么说，而 RL 环境是让学生自己动手做事，失败后一起复盘哪里错了。

这才是真实世界的智能挑战：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。

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是过去的界面，环境是未来的场景。单轮对话是练习题，多轮任务才是实战。

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，大多数模型在训练的不是做对，而是说得像对的。

你在 ChatGPT 里问一个问题，它会微笑回应：你是对的，而且你太棒了。再顺手送上五种彩色 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点出了这个行业真相：

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LM Arena为例，它本意是让用户评比不同模型的回答好坏，结果变成了幻觉加粗体加表情包大赛：

模型 A 逻辑严谨但输出干净，

模型 B 胡说八道但字体大、排版花、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，是人类选择。