Brendan Foody 19 歲時與兩位高中朋友共同創立了 Mercor，作為他其他擁有初創企業的朋友僱用海外軟件工程師的一種方式。該平台於 2023 年推出，本質上是一家人力資源機構，儘管它高度自動化。語言模型會審查簡歷並進行面試。幾個月內，Mercor 的年化收入達到了 100 萬美元（約 HK$780 萬），並實現了適度盈利。然後，在 2024 年初，Scale AI 公司向 Mercor 提出了一個大請求：他們需要 1,200 名軟件工程師。當時，Scale 是 AI 訓練數據生產這個歷史上後台業務中為數不多的知名公司之一。它通過協調全球數十萬人為自動駕駛汽車、電子商務演算法和語言模型驅動的聊天機器人標註數據，將公司發展到近 140 億美元（約 HK$1,092 億）的估值。現在，OpenAI、Anthropic 和其他公司正試圖教他們的聊天機器人編碼，Scale 需要軟件工程師來生產訓練數據。Foody 意識到，這可能預示著 AI 行業將發生更大的變化。他聽說對專業數據工作的需求不斷增長，現在 Scale 就在尋求一千名編碼員。當他招募的工程師開始抱怨工資被拖欠時（Scale 在數據工作者中因平台管理混亂而聲名狼藉，並且正在加州因盜竊工資等違規行為被起訴），Foody 決定去掉中間人。2023 年 9 月，Foody 宣布 Mercor 的年化收入達到 5 億美元（約 HK$39 億），使其成為“有史以來增長最快的公司”。之前保持這一頭銜的是製作 AI 編碼工具 Cursor 的 Anysphere。作為時代的標誌，Cursor 最近指出，其用戶產生的正是實驗室正在付費購買的訓練數據類型，而《The Information》最近報道稱，OpenAI 和 xAI 有興趣購買它。Mercor 最近一輪融資對該公司的估值為 100 億美元（約 HK$780 億）。Foody 和他的兩位聯合創始人年僅 22 歲，使他們成為最年輕的白手起家億萬富翁。他們至少有一位早期員工已經離開去創辦自己的 AI 數據公司。
雖然關於 AI 基礎設施的討論通常集中在數據中心的巨大建設上，但一個類似的競賽正在訓練數據領域展開。實驗室已經耗盡了所有容易獲得的數據，這增加了人們對通過純粹的規模擴張而實現的早期快速進展是否能持續的疑問。與此同時，大多數最近的改進來自於新的訓練技術，這些技術利用了由編程和金融等特定領域的專家量身定制的較小數據集，而 AI 公司願意為此支付高價。目前沒有關於實驗室支出情況的準確統計數據，但投資者和行業內部的粗略估計認為今年的數字超過 100 億美元（約 HK$780 億），並且還在不斷增長，其中絕大多數來自五六家左右的公司。這些公司尚未找到從 AI 中賺錢的方法，但那些向他們出售訓練數據的人已經做到了。目前，他們是為數不多的盈利的 AI 公司之一。根據 Google 研究人員 2021 年的一項研究，數據行業長期以來一直是 AI 發展中最被低估和最不吸引人的方面，被視為令人遺憾的必要雜務，要盡可能快速和廉價地完成。然而，現代機器學習離不開其數據供應商的生態系統，這兩個領域相輔相成。2010 年代初證明機器學習可行性的龐大數據集之所以成為可能，是因為幾年前 Amazon Mechanical Turk 的出現，這是一個早期的眾包平台，成千上萬的人可以為標註狗和貓的圖像而獲得幾分錢的報酬。推動開發自動駕駛汽車的需求促進了新一批公司的增長，其中包括 Scale AI，它通過一個名為 Remotasks 的專用工作平台改進了眾包方法，該平台的工人使用半自動化的註釋軟件在停車標誌和交通錐周圍畫框。ChatGPT 推出後轉向語言模型聊天機器人，啟動了行業的又一次轉型。ChatGPT 的人類般的流暢性來自一種稱為從人類反饋中進行強化學習（RLHF）的訓練方法，這涉及到付錢給承包商來評估聊天機器人回應的質量。然後，一個在這些評級上訓練的第二個模型會獎勵 ChatGPT，只要它做了這個第二個模型預測人類會喜歡的事情。提供這些評級比過去的眾包數據工作更加微妙，特別是隨著聊天機器人變得更加先進；要判斷醫療建議是否良好，需要有醫學培訓的人。Scale 提供了大部分人類評級，但一家名為 Surge AI 的新公司，由一位名叫 Edwin Chen 的數據科學家自籌資金，悄然發展成為行業的另一大主要供應商。
在陳先生之前任職於 Google、Twitter 和 Facebook 時，他對從供應商那裡獲得的數據質量感到失望，這些數據充滿了標籤錯誤，而這些錯誤是由缺乏相關背景的人為了微薄的報酬而進行的。陳先生說，這些供應商只是「人頭公司」，只是把人們扔進問題中，試圖用數量來替代質量。相比之下，Scale 的 Remotasks 平台，Surge 擁有 Data Annotation Tech：它在招聘方面規模更小、目標更明確，並且擁有更嚴格的質量控制。它支付的報酬也更高，大約每小時 30 美元（約 HK$234），儘管和 Scale 一樣，Surge 也因錯誤分類和未支付工資而在加利福尼亞被起訴。來自 OpenAI 和其他試圖趕上的實驗室的需求是巨大的。自公司成立以來，它一直盈利，去年據報導其收入超過 10 億美元（約 HK$78 億），超過了 Scale 報導的 8.7 億美元（約 HK$67.9 億）。今年早些時候，路透社報導稱 Surge 正在考慮首次融資，尋求以 150 億美元（約 HK$1,170 億）的估值獲得 10 億美元（約 HK$78 億）的投資。據《福布斯》報導，陳先生仍然擁有其約 75% 的股份。然而，關於人們偏好哪種聊天機器人回應的數據是一個粗略的信號。模型容易學習簡單的技巧，比如「告訴用戶他們提出了一個很好的觀點」，而不是像「檢查與可靠來源的實際一致性」這樣複雜的事情。即使是領域專家在進行評估，結果也往往只是聽起來更專業，但仍然太不可靠，實際上並無用處。模型在律師考試中表現優異，但卻發明了案例法，通過了註冊會計師考試，但卻在電子表格中選錯了單元格。
今年 7 月，麻省理工學院的研究人員發表了一項研究，發現採用生成式 AI 的企業中有 95% 沒有看到任何回報。AI 公司希望通過更細粒度的標準進行強化學習來改變這一點。最近在數學和編碼方面的改進是一個概念驗證。OpenAI 的 o1 和 DeepSeek 的 R1 表明，給定一堆數學和編碼問題以及一些關於人類如何思考解決方案的逐步示例，模型可以在這些領域變得非常熟練。當它們通過試錯找到正確解決方案時，模型會權衡可能的做法，回溯，並展示開發人員所稱的「推理」等其他解決問題的技巧。問題在於，數學和編碼問題是理想化的、自我包含的任務，與軟件工程師在現實世界中可能遇到的相比，因此基準測試上的分數並不反映實際表現。
為了使模型有用，AI 公司需要更多反映工程師實際任務的數據——因此他們急於招聘軟件工程師。另一個問題是，數學和編碼可能是 AI 最容易征服的領域。為了使強化學習有效，模型需要一個明確的成功信號來進行優化。這就是為什麼這種方法對像圍棋這樣的遊戲如此有效：勝利是一個明確的、無可爭議的結果，所以模型可以嘗試一百萬種方式來實現它。同樣，程式碼要麼運行，要麼不運行。這種類比並不完美；醜陋、低效的程式碼仍然可以運行，但它提供了一些可驗證的東西來進行優化。生活中很少有其他事情是這樣的。沒有通用的測試來確定法律摘要或諮詢分析是否「好」。成功取決於上下文、目標、受眾和無數其他變量。「社區中似乎有一種信念，認為有一個單一的獎勵函數，如果我們能夠明確我們希望這些 AI 系統做什麼，那麼我們就可以訓練它們[去做]，」Cohere（一家面向企業的 AI 實驗室）的首席 AI 官 Joelle Pineau 說。但她說，現實情況更加多樣化和微妙。「[強化學習] 想要一個獎勵函數。當你有多個相互衝突的價值觀需要共存時，它並不擅長找到解決方案，所以我們可能需要一個非常不同的範式。」
在沒有新範式的情況下，AI 公司正試圖通過支付——通過像 Mercor 和 Surge 這樣的公司——成千上萬的律師、顧問和其他專業人士來詳細列出在每個可以想像的情境中什麼才算是一份好工作的標準。這些列表通常被稱為評分標準，希望它們能讓模型像開始對軟件工程所做的那樣，通過強化學習來達到能力。評分標準的製作非常耗時。從事這項工作的人說，花 10 個小時或更多時間來完善單一的評分標準並不少見，這可能包括十幾個不同的標準。公司對其訓練方法的細節保密，但 OpenAI 為其最近的醫學基準發布的一個例子很好地表明了它們的樣子。
當被問及一個沒有反應的鄰居時，如果模型的回應包括檢查脈搏、尋找除顫器、進行心肺復甦（CPR）以及另外 16 個標準，該模型就會獲得獎勵。在這個基準測試中，幾乎有 50,000 個這樣的標準，不同的提示適用於不同的標準。據數據行業的人士透露，實驗室在每次訓練運行中會訂購數萬到數十萬份評分標準，這些標準總共包含數百萬個條件。Mercor 的 Foody 表示，這些評分標準需要「超級細緻」。Foody 說，製作諮詢評分標準首先需要創建一個諮詢公司運營的所有行業的分類，然後是這些行業中每個行業的諮詢類型，然後是顧問可能產生的所有類型的報告和分析。在這些類別中執行這些任務通常需要在電腦上執行各種操作，而每個操作也需要一個評分標準。發送電子郵件需要很多步驟——打開瀏覽器、開始新郵件、打字等等。但如果你的唯一驗證標準是郵件是否已發送或接收呢？Scale 的工程副總裁 Aakash Sabharwal 表示，除了僅檢查一個動作之外，還需要檢查更多動作。模型在稱為強化學習環境的軟件簡化版本中學習執行這些任務，這些環境通常被描述為 AI「健身房」，在這些環境中，模型可以摸索，直到它們弄清楚如何進行點擊和拖動，以在評分標準上獲得高分。這些環境的市場也在蓬勃發展。就像評分標準一樣，每個環境都需要根據其用途進行定制。Snorkel AI 的聯合創始人兼首席執行官 Alex Ratner 說：「有時候它是 DoorDash 或 Salesforce 的克隆體，但大多數時候它只是一個企業特定的環境。」Snorkel 製作註釋軟件，但最近推出了自己的人類數據服務。Ratner 提到了 AI 開發中的一個反復出現的諷刺現象，稱為 Moravec 悖論，這個名稱來自於一位在 1980 年代從事計算機視覺研究的研究員，他觀察到對人類來說最容易的事情對機器來說往往是最困難的。當時，普遍的看法是，機器視覺將在國際象棋之前被解決；畢竟，只有少數人擁有成為大師的天賦和訓練，而即使是兒童也能看見。現在，模型可以解決複雜的一次性編碼挑戰，但它們在沒有密切人類監督的情況下，在更基本的現實世界工程任務上卻會陷入困境，誤用工具並犯下明顯的錯誤。Ratner 說：「這種真實的工作，有著模糊的中間成功指標，看起來遠比編碼競賽更為平凡，這就是模型掙扎的地方。這是反直覺的前沿，也是人們試圖投入的地方，我們自己也包括在內，通過構建更複雜的環境、更細緻的評分標準。」據供應商稱，最受歡迎的領域是那些處於可驗證性和經濟價值最佳點的領域。軟件工程仍然是最大的，其次是金融和諮詢。法律也很受歡迎，儘管到目前為止，它被證明是較難驗證的，因此不太適合強化學習。物理、化學、數學都很受歡迎。實際上，這幾乎是你能想像到的任何事情。有關於核工程師和動物訓練師的廣告。Ratner 說：「從臨床醫院環境到法律深度研究——我們最近收到了木工的要求。」這涵蓋了人類專業知識的每一個角落和縫隙。將人類所有的技能和知識編碼成檢查清單是一項巨大的、可能是堂吉訶德式的任務，但前沿實驗室有數十億美元可以花費，他們的需求規模正在重組數據行業。新進入者似乎每天都在出現，每個人都在吹噓越來越有名望的專家獲得越來越高的報酬。Surge 吹噓其擁有菲爾茲獎得主數學家、最高法院訴訟律師和哈佛歷史學家。Mercor 宣傳其高盛分析師和麥肯錫顧問。另一家快速增長的專家供應商 Handshake AI 則聲稱其擁有來自伯克利和斯坦福的物理學家，並且能夠從 1000 多所大學中招募校友。Handshake 的首席執行官兼聯合創始人 Garrett Lord 去年開始感受到數據市場變化的信號，當時現有的數據提供商開始詢問專家。Handshake 擁有專家。Lord 在 2014 年創立了這家公司，作為一種面向尋找實習和第一份工作的大學生和應屆畢業生的 LinkedIn 和 Glassdoor 的結合體。超過一千個大學職業中心付費使用，尋求從 Handshake 的 2000 萬校友、研究生、碩士和博士中招聘的公司也是如此。今年年初，Lord 自己進入了 AI 數據市場，在現有公司內部基本上啟動了第二家公司，名為 Handshake AI。
然後，在六月，Meta 挖走了 Scale 的 CEO 並且取得了該公司 49% 的股份。競爭對手的實驗室紛紛撤離，因為他們擔心 Scale 不再是一個中立的提供商——現在由一個半 Meta 子公司提供數據，他們還能信任這些數據嗎？這就像是在所有數據初創公司頭上砸碎了一個價值十億美元的 piñata。Handshake 發現需求在一夜之間增長了三倍。到了十一月，Handshake 的營收率超過了 1.5 億美元（約 HK$11.7 億），超出了這個有十年歷史的原有業務。Lord 表示，需求超出了公司的供應能力。「我們在五個月內從三人發展到了一百五十人，」Lord 說。「我們有十八個人在週一開始上班。我們的辦公桌都快用完了。」AI 模型構建者們的貪婪需求正在將任何可能有數據可提供的公司拉入其引力場。Turing 最初是一家人力資源機構，但在 2022 年 OpenAI 接洽該公司後轉向訓練數據，在 Scale 交易後也看到了需求的激增。Labelbox 也是如此，該公司製作註釋軟件，但去年推出了自己的專家註釋服務，稱為 Alignerr，買家可以在這裡搜尋由 Labelbox 的 AI 面試官 Zara 審查過的專家，稱為「Alignerrs」。人力資源機構、內容審核分包商和其他相關業務也在圍繞實驗室重新定位。Invisible Technologies 始於 10 年前作為一個個人助理機器人，將任務分配給海外工人，但在 AI 實驗室僱用這些工人來生產數據後，其收入開始增長了二十倍。今年，它聘請了一位前麥肯錫高管擔任 CEO，獲得了風險投資，並正在將自己定位為一家 AI 訓練公司。Pareto 公司也經歷了同樣的軌跡，該公司於 2020 年成立，最初提供位於菲律賓的高管助理，現在則銷售 AI 訓練數據服務。Micro1 公司始於 2022 年，最初是一家為僱用經 AI 審查的軟件工程師而設立的人力資源機構，但現在它也是一家數據標註公司。今年七月，路透社報道稱，該公司今年的年化收入從 1000 萬美元（約 HK$7,800 萬）增長到了 1 億美元（約 HK$7.8 億），並正在完成一輪估值為 5 億美元（約 HK$39 億）的 A 輪融資。就連 Uber 也在尋求分一杯羹。十月，它收購了一家比利時數據標註初創公司，並正在向美國工人推出註釋平台，這樣司機在不用開車時就可以進行標註。然後還有一長串較小的、利基市場的參與者。Sapien 公司正在用加密貨幣支付數據標註員的薪水。Sapien 的 CEO Rowan Stone 在七月告訴 The Verge，這家專注於僅專注於一件事的垂直模型的數據標註公司——其顧問委員會上有 Scale 的聯合創始人 Lucy Guo——正在「吸收人類的集體知識」。他們甚至不是唯一一家用加密代幣支付的人類數據初創公司。Stellar、Aligned、FlexiBench、Revelo、Deccan AI——每個人都在吹捧他們的人才網絡、他們的專家參與、他們的數據豐富管道。Mechanize 公司在四月宣布其目標是「所有工作的完全自動化」，在這一波病毒式憤怒中脫穎而出。它將如何實現這一挑戰性的目標？通過銷售訓練數據和環境，就像其他人一樣。像 Nvidia 這樣主導 AI 晶片設計的公司一樣，這些公司銷售 AI 淘金熱的鎬和鏟，從前沿實驗室流出來的數十億債務融資支出中獲取收益。這是一項比探礦更安全的業務，而且開始銷售數據比設計新晶片容易得多，因此初創公司正在激增。「這就像每個人和他們的母親都意識到，『嘿，我正在做一個人類數據初創公司』，」前 Scale 員工 Adam J. Gramling 說，他表示當他在 Scale 最近一輪裁員中宣布離職時，他在 LinkedIn 上收到了大約 300 條招聘消息。「這種寒武紀大爆發發生了，現在讓我們看看誰能生存下來。」數據行業可能正在快速增長，但這是一個歷史上動盪的業務。這個行業到處都是因訓練技術突然改變或客戶離開而倒下的昔日巨頭。2020 年 8 月，澳大利亞數據註釋公司 Appen 的市值超過了相當於 43 億美元（約 HK$335 億）；現在，它不到 1.3 億美元（約 HK$10.1 億），下降了 97%。對於 Appen 來說，80% 的收入來自僅僅五個客戶——Microsoft、Apple、Meta、Google 和 Amazon——這使得即使是單一客戶的離開也是一個生存問題。如今的市場也高度集中。在最近的一個播客中，Foody 將 Mercor 的客戶集中度與 Nvidia 進行了比較，後者有四個客戶佔其收入的 61%。如果投資者對給模型構建者錢感到厭倦，或者實驗室採取不同的訓練方法，影響可能是毀滅性的。
所有 AI 開發者已經在使用多個數據供應商，而正如 Scale 的人才流失所顯示，他們很快就會將資金轉移到其他地方。這一切都造就了一個競爭激烈的環境。在播客和採訪中，CEO 們會抨擊對手的商業模式。Chen 仍然認為他大多數競爭對手都是「人力外包公司」。Foody 將 Surge 和 Scale 稱為在這個高薪專家時代的傳統眾包平台。Handshake 的 Lord 說，他的競爭對手在 TikTok 上花費數千美元招聘物理治療師，但他們都已經在他的平台上。每當這些尖銳言論被報導時，Scale 的發言人總會反擊，指責 Foody 尋求曝光或嘲笑 Chen 的長時間籌款活動。Scale 目前還在起訴 Mercor，聲稱其挖走了一名員工，這名員工在離職時帶走了客戶。目前為止，來自實驗室的資金足以讓每個人分一杯羹。他們需要規則、環境、各種類型的專家，但他們仍然在購買舊類型的數據。「這一直在增加，」Surge 的 Chen 說。「這些不斷增加的新型訓練方式，它們幾乎是相輔相成的。」即使在 Meta 投資後遭遇挫折，Scale 也在增長，主要客戶至少在某些方面已經回歸。臨時 CEO Jason Droege 在 9 月的一次舞台採訪中表示，公司仍在與 Google、Microsoft、OpenAI 和 xAI 合作。為了更好地在企業 AI 領域競爭，Scale 還啟動了一個名為「Human Frontier Collective」的項目，針對計算機科學、工程、數學和認知科學等 STEM 領域的白領專業人士。Scale 告訴 The Verge，其數據和應用業務各自產生了數億美元的收入，其數據業務自 Meta 投資以來每個月都在增長，其應用業務從 2025 年上半年到下半年翻了一番。它還表示，2025 年第三季度是其公共部門業務自 2020 年以來表現最好的一個季度，部分原因是政府合同。據報導，Scale 還預計今年的收入將增長一倍以上，達到 20 億美元（約 HK$156 億）。（該公司拒絕對這一數字發表評論。）它還開始銷售評估，這是 AI 開發者用來查看他們的模型在哪裡薄弱以及需要更多訓練數據的測試，根據 Scale 研究負責人 Bing Liu 的說法。商業策略：公司理想地使用評估來查看他們自己的模型在哪裡缺乏數據——然後，理想地，從 Scale 購買這些類型的數據。
剛剛推出的數據公司的 11 位數估值可能被視為 AI 泡沫的跡象，但它們也可能代表著對 AI 發展軌跡的某種賭注。（兩者也可以同時成立。）AI 實驗室在證明其巨額支出時所持的目標是即將實現的人工通用智能，這是一種，用 OpenAI 憲章中的定義來說，是「高度自主的」並且能夠「在經濟上最有價值的工作上超越人類」。這個術語是模糊且有爭議的，但人工通用智能應該能夠做到的一件事就是，概括。如果你訓練它做數學和會計，它應該能夠處理你的稅務，而不需要進一步的強化學習來學習稅法、州特定的稅則、最新版的 TurboTax 等。一個普遍有能力的代理應該不需要大量新數據來處理每個領域中的各種任務。「AI 實驗室正確的未來是一個隨著性能提升，對人類數據的需求減少，直到你可以完全將人類排除在循環之外的未來，」伊利諾伊大學厄巴納-香檳分校計算與數據科學助理教授 Daniel Kang 說，他曾撰寫過對訓練數據需求的文章。相反，似乎相反的情況正在發生。實驗室在數據上的支出比以往任何時候都要多，改進來自於針對日益具體應用的定制數據集。鑑於當前的訓練趨勢，Kang 預測，在每個離散領域獲得高質量的人類數據將是未來 AI 進展的主要瓶頸。在這種情況下，AI 看起來更像是「普通技術」，Kang 說。這裡的普通技術是指像蒸汽機或互聯網這樣的東西——可能有變革性，但也並非電腦之神。（他還假設，這就是為什麼公司不太願意宣傳他們在數據上的支出，而更願意宣傳他們在數據中心的支出：這與他們的籌資敘事相悖。）在 AI 作為普通技術的未來，公司將需要在他們想要自動化特定任務時購買新數據，並隨著工作流程的變化繼續購買數據。數據公司也在賭這一點。
「實驗室非常希望盡快聲稱我們將擁有能夠廣泛應用的超級智能，」Foody 說。「實際情況是，強化學習的泛化半徑有限，因此他們需要在所有他們想要優化的領域建立評估系統，而他們在這方面的投資正在迅速增長。」其他公司預測，前沿模型不會「剛好達到一個泛化點，然後就變得神奇無比，無所不能」，SignalFire 的 AI 基礎設施投資經理 Ryan Wexler 這樣說道。這些公司正在定位自己，以迎合那些需要調整模型以適應其特定需求的眾多公司。SignalFire 投資了醫療和科學數據公司 Centaur AI。與前沿實驗室不同，Centaur AI 的客戶大多是像紀念斯隆-凱特琳癌症中心或美敦力這樣的醫療機構，這些機構的應用場景非常具體，且容錯率很低。去年，智能床墊公司 Eight Sleep 希望在其床墊的功能套件中添加「打鼾檢測」功能。由於現有模型表現不佳，該公司聘請了 Centaur AI，並招募了超過 50,000 人來標註打鼾數據。「對於製造全能模型的努力，我不知道會發生什麼，但我非常確信其他所有人的需求將持續增長，」Centaur AI 的創始人兼首席執行官 Erik Duhaime 說。「每個人都被灌輸了一種夢想，認為這將是一件容易的、即插即用的事情，」Duhaime 說。「現在他們意識到，『哦，我們需要為我們的用例定制這個東西。』」Invisible 的首席執行官 Matt Fitzpatrick 也專注於其企業服務。他說，如果你看看「隨時間變化的支出曲線」，企業是「很多這類工作將會轉移的地方」。自今年一月以來，該公司徹底改造了其業務，更多地專注於吸引企業客戶，其數據標註池中約有 30% 的人是擁有博士和碩士學位的人。Fitzpatrick 將該公司描述為一個「數字裝配線」，來自「地球上任何地方」的專家都可以被召喚來生成數據。Invisible 目前經常被要求提供軟件開發和聯絡中心所需的環境，他說。如果通用人工智能（AGI）要通過一次又一次的聯絡中心培訓規範來實現，那麼對於數據供應商來說，未來看起來是光明的，這或許就是為什麼 CEO 們的語言中出現了一種新的宏大。Turing 的首席執行官預測，在未來幾年內，AI 數據標註員將成為地球上最常見的工作，數十億人將評估和訓練模型。Handshake 的 Lord 認為，一種新類型的工作正在萌芽，他將其與十年前的 Uber 司機相比較。「我們將需要在經濟的每個行業中大規模建設數據和評估系統，」Foody 說。在 Mercor，他說，客戶支持團隊會回應 AI 代理無法處理的票務，但也會更新其規範，以便下次能夠處理這些問題。「如果你放大來看，」他說，「整個經濟將變成一個強化學習環境。」如果投資者不認為這個願景像 Anthropic 的 Dario Amodei 所描述的那樣迷人，即一個充滿天才的數據中心，他們至少可以安慰自己，有人已經找到了一種從 AI 中賺錢的方法。