本期 Iconic Partners 的 Matt Jacobson 对话 Surge AI 创始人 Edwin Chen。Surge 在不引入外部资本、团队仅数百人的情况下做到远超十亿美元营收（SemiAnalysis 估约 30 亿美元），为前沿模型提供人类数据、环境与评测。对话从”质量”这一核心理念讲起，谈到 Raymond Bench 上数学的惊人突破与 Handbook MD 上日常办公的 70% 失败率、RL 环境的兴起、真实数据与合成数据之争、低调反 hype 的经营方式，以及网络安全与后训练研究。
一、幕后最具影响力的 AI 公司之一
Matt Jacobson 开场介绍：Edwin Chen 在幕后建起了 AI 领域最有影响力的公司之一。Surge 没有走传统风险投资剧本，在没有外部资本、团队不足百人的阶段就把营收做到远超十亿美元，SemiAnalysis 甚至给到约 30 亿美元。公司为许多驱动前沿的模型提供人类数据、环境与评测，让 Edwin 拥有独特视角：他既看到顶尖实验室在要什么，也比外界更早看到它们卡在哪里。Edwin 还持续发表许多客户从未要求他做的实验与研究，观点常常与共识不同。
二、质量起点：从计算机视觉框框到语言与行为
Edwin 回忆创立 Surge 时，行业里几乎所有公司都聚焦计算机视觉：给人看一张图，问是猫是狗，或给车画边界框。他对这类问题始终提不起兴趣，因为答案非黑即白、过于简单。他的背景来自语言与行为，曾在 Google 做搜索排序：面对一个想理解”反弹假说”的用户，如何判断该把哪条结果放在最顶部？这与画框不同，需要专门的数学知识，而且”什么是好”不止于正确性——解释是否充分、语言是否匹配用户背景、有没有直观的可视化，这些都围绕专业能力与”品味”（taste）。
把这一逻辑平移到今天：让 Claude 写代码，你不只希望它通过单元测试，还希望代码优雅到能被另外五十人维护；做产品不只要功能可用，还要有趣、美观、直觉好用。Edwin 强调今天模型能力越强，质量的天花板越是无限：不能只给黑白答案，还要推动模型走向那些更主观、更依赖个人判断的维度。
三、前沿有多不均衡：数学飞跃 vs 日常办公翻车
Edwin 指出前沿最鲜明的特点是”不均衡”。今年早些时候 Surge 创建 Raymond Bench，方法是请常春藤教授做自己的日常科研，提出模型解不出的问题；当时模型只能解 5%。短短几个月，最新的 Claude 与 OpenAI 模型已经能解百年老问题，连许多优秀数学家反复思考过的难题也被攻克。他坦言这有点令人不安——数学是试图理解宇宙本质的深刻科学，模型在某些方面比人更懂宇宙。
但与此同时，模型在普通日常工作上频频失败。另一个基准 Handbook MD 把一本 100 页的公司手册（HR 政策、报销政策、安全政策）交给智能体，把它投进公司环境去”替人上班”，模型仍有超过 70% 的时间失败。于是出现悖论：模型可能胜过 95% 的数学竞赛选手、解开菲尔兹奖级难题，却做不好普通白领的日常工作。
四、下一个问题：能不能在办公室过完一个周二
Edwin 判断，下一阶段趋势不再是攻克极难的研究问题（模型已在路上），而是”模型能不能在办公室独立过完一个周二、连续工作十二小时而不失败、自主完成”。实验室预算也正从静态数据集转向 RL 环境，他估计现在约有 50 家 YC 公司在做 RL 环境。
五、什么是 RL 环境：从零搭建一家创业公司
Edwin 解释，RL 环境就是智能体可以在其中行动的一个世界或公司。Surge 的一个 RL 环境是从零搭建的创业公司：里面有软件工程师、会计、律师、产品经理，有一套每天迭代的代码库，接入 Slack、Jira、Salesforce 等工具；系统给模型出题——这里有 10 个用户报的 bug 去修好，或做一份月度财务报告。环境的价值在于：模型已很会产出静态答案，却不擅长长时程操作——写一段需要十小时的代码、扛过整个工作日，并在出错时自己意识到、回溯、修正、再前进。
Surge 在健康、金融、咨询、法律等每个有经济价值的领域都有成千上万个环境，相当于”搭建一个摩根大通分析师的一天，然后让 AI 替他做”，从而解锁更长篇、更协同的智能体工作流。
六、长时程自主：模型缺的是自我纠错
核心短板是长时程（long horizon）：模型需要独立工作、意识到自己犯错、回溯、修复并继续。环境给模型一个可以行动的游乐场，让它在真实复杂度里练习这套闭环，而不是一次性给出标准答案。
七、真实数据 vs 合成数据
被问到真实公司数据与合成数据哪个更成功，Edwin 说行业还在摸索。真实公司数据的好处是保留现实世界真正的混乱；缺点是往往对模型过于简单。而模型并不擅长生成合成数据：要么太干净，要么会无意中给模型留下解题提示。两种各有利弊，Surge 两者都大量使用，未来几个月会看清哪种更有价值。
八、低调反 hype：赢在产品而不是噪声
Edwin 解释 Surge 从一开始就有意识地选择靠出色产品取胜，而不是制造噪声与炒作。原因有二：一是他一直反感硅谷的身份游戏——许多创始人不停发推、拉票、制造烟雾，剥开看往往没有实质；二是要对齐正确激励：当激励变成每几个月翻倍估值，就会走很多捷径，让行业和模型本身变差。第一激励应只是”有意义地实现 AGI”，所以 Surge 更像研究实验室而非传统硅谷创业公司。
代价是过去六年走了”困难模式”。今年他很高兴看到研究团队更公开、更可见，发表的自研基准（如 GDP PDF、Chartography）被产业实验室采用，甚至出现在 Claude 的模型卡上，这种可见性能真实地塑造领域。
九、后训练研究：网络安全与数据漏洞
Edwin 最兴奋的是后训练研究：数据价值如何与算力权衡、高质量数据如何减少奖励黑客，甚至与最近频发的网络安全事件相关。他提出一个假设：模型之所以越来越擅长网络安全，可能因为训练数据本身留有漏洞，或制作数据集的公司以各种方式奖励黑客式地”刷”数据，这些原则以微妙方式泄漏进模型、产生长期后果。
许多人以为 Surge 做的是低技能的标注苦工，实际上平台上聚集的是各领域最聪明的人：网络安全工程师、菲尔兹奖得主、常春藤教授。安全方向上，他们让顶尖安全人才不断提出模型要解的 hack，或教模型用 AI 预防攻击。
十、为什么还这么小：质量是数据科学问题
关于为何团队相对小，Edwin 说历史上很多公司把数据当纯人力问题，堆人而不思考技术；Surge 把质量当成数据科学问题——测量人是否优秀、有什么技能、有没有品味，并建立大量测量，而不是找十个人平均答案。另一方面，他警惕为增长而增长：许多创业公司招了大厂 VP，后者的目标变成”招五百人来美化自己的简历”，形成与公司目标错位的负激励。
十一、客户亲密：公司被创始人塑造
谈到贴近客户、甚至领先于客户自我认知，Edwin 说这源于自己喜欢和客户聊他们想建什么、想如何塑造模型——每个实验室创始人有不同目标、个性、基准与能力诉求，团队据此定制数据。他也承认公司在很多方面被自己塑造，而最好的公司往往由创始人的愿景所定义，Surge 正是如此。对话在感谢中结束。