作者：Zirong、Haina
Surge AI 成立於 2020 年，是一家專注於資料標註的公司。自成立以來，主創團隊都極為低調，社交平臺上鮮有公開動態。即便如此，Surge AI 仍在短短幾年內實現了業績大爆發，併成為業內公認的“領域最大且最好的玩家”。截至 2024 年，Surge AI 的 ARR 已突破 10 億美元，超越了行業巨頭 Scale AI 的 8.7 億美元收入，成為其最大的競爭對手。
這家由前 Google 和 Meta 工程師 Edwin Chen 創立的公司，核心定位是為 AI 模型提供高質量資料標註服務，尤其在自然語言處理（NLP）、對抗性訓練（Adversarial Training）和強化學習中的人類反饋（RLHF）等方面構建了紮實的技術能力，成為支撐模型迭代與突破過程中的重要一環。
Surge AI 的客戶覆蓋 Google、OpenAI、Anthropic、Meta、Microsoft 等頂級科技公司和研究機構，公司強調“資料質量決定野心的上限”，堅決反對“規模化處理垃圾資料提煉價值” 的模式，強調高質量資料必須蘊含人類的智慧、情感與深度洞察。
2025 年 6 月 12 日，Meta 確認以 140 億美元投資 Scale AI，收購其 49% 無投票權股份，引發了行業格局劇震。Google 等 Scale AI 核心客戶因資料安全與研究獨立性考量暫停合作，轉向尋找具備更高自主控制權的替代供應商。
藉此契機，Surge AI 於 2025 年 7 月宣佈啟動首次外部融資，計劃募集最多 10 億美元，目標估值超 150 億美元，資金將重點投向運營規模擴張與資料集多樣化建設。此次融資不僅是公司發展的里程碑，更標誌著 AI 行業進入關鍵節點。
Surge AI 的押注清晰可見：高質量資料將成為 AGI 競賽的關鍵紐帶，而語義理解、基礎資料質量與人類洞察力的融合，正是突破當前瓶頸的核心所在。
本文將聚焦 Surge AI 的成長軌跡，深入探討其如何在激烈的行業競爭中嶄露頭角，並解碼這家拒絕炒作、長期未依賴外部融資的公司，憑藉硬實力成長為頭號玩家的核心邏輯。
💡 目錄 💡
01 資料標註市場
02 創立 Surge 的初衷：為優質資料而來
03 高質量交付背後的底層技術
04 客戶案例 1：為 OpenAI 構建 GSM8K 小學數學資料集
05 客戶案例 2：Anthropic 訓練 Claude 背後的資料引擎
06 創始人團隊
01.
資料標註市場
• 資料標註市場的分化
資料標註公司大致分化為兩類：一類是 BPO 的“人力中介”，如 Genpact、TaskUs、Teleperformance 等，依靠“堆人”實現規模化、標準化。另一類是 AI-native 的“加工廠”，以 Scale AI 和 Surge AI 為代表，透過提供從篩選人才、訓練資料到微調模型的全流程服務，來應對市場在快速迭代下的複雜需求。
然而，這兩類模式存在本質的差異。前者偽裝成科技公司，其實交付的本質是人。“篩選高學歷者進行標註”無法與“能夠交付優質資料”劃等號：一方面，高質量人才識別本身極具挑戰，即便是頂尖院校畢業生，也存在能力參差不齊的情況：許多計算機專業畢業生甚至不會程式設計。另一方面，藤校的優秀人才也可能作弊。比如把賬號賣給第三國的人，或者用大語言模型生成資料，各種投機取巧的方法層出不窮。因此，檢測低質量資料變得尤為困難。
後者聚焦的是“資料”本身，透過不斷革新技術來提升資料質量與產出效率。例如，透過 A/B 測試演算法或最佳化工具來提升資料質量，並不斷調整員工准入機制來篩選真正頂尖的標註人才。在相同的資源投入下，這類技術驅動的資料標註公司能夠實現 10 倍於前者的進展速度。
選擇資料供應商時，客戶的核心關注點主要有：1）資料質量；2）處理速度與效率；3）成本；4）可擴充套件性；5）合規安全性；6）規模化能力；7）專業性。
目前，資料標註市場還呈現出一個尤為突出的特徵 —— 客戶關係的流動性極強。客戶普遍採取 “多供應商並行” 策略，避免對單一供應商的過度依賴。同時，評估週期與 AI 開發節奏深度繫結：隨著新模型釋出或微調需求的出現，客戶需要重新評估資料來源。模型效能要求、監管環境及 AI 安全標準的不斷升級也迫使客戶校驗各自供應商的適配性。在這種動態調整中，供應商的市場份額由 “適配性” 直接決定，而適配性的重要因素即為“資料質量”。若某些供應商表現突出，則會獲得更多預算傾斜，合作份額隨之提升。
• 人工資料 or 合成數據？
合成數據在部分特定場景中雖能發揮作用，但其實際價值仍被行業高估。大量實踐案例表明：依賴海量合成數據訓練的模型，在真實世界的落地應用中往往表現不盡人意，存在 “狹窄場景崩潰”、“只擅長回答合成問題” 等現象。
Surge 的多家客戶曾反饋，其提供的數千條人工資料的實際應用價值遠超千萬級規模的合成數據。更值得警惕的是，一旦向模型輸入存在偏差的合成數據，後續需耗費極高成本才能清理這些資料留下的 “隱患”。這一有趣現象的關鍵在於：合成數據受限於生成邏輯的固有侷限，難以覆蓋真實世界的複雜性，因此無法提供模型所需的泛化能力，最終導致模型在真實場景中水土不服。
因此，人工資料與合成數據的互補尤為重要。短期看，人工資料仍是剛需，尤其在高敏感場景中更具準確性和倫理適配性。長期而言，未來終將發展為 “合成數據規模化 + 人工資料深耕精細領域” 的狀態。
以下為三種資料型別的優劣勢及適用場景：
1. 人工資料
核心優勢：
1）準確性高，能減少 AI 幻覺和偏見
2）擅長捕捉語義細微差別、文化敏感性及倫理考量
3）多人協作可應對複雜場景，合規性易落地
主要痛點：
1）成本高昂、耗時久、規模化難度大
2）存在主觀偏見風險
適用場景：
1）情感識別、倫理判斷等需深度語義理解的任務
2）醫療、金融等強監管領域
3）跨文化、多模態資料標註
2.合成數據
核心優勢：
1）速度快、成本低、易規模化
2）可透過程式設計實現理論上的資料多樣性
3）適用於快速測試與預訓練，避免依賴專有資料
主要痛點：
1）難以處理語義細微差別
2）信任度相對較低，存在接受壁壘
3）透明度缺失易引發爭議
適用場景：
1）快速測試、模擬互動場景
2）AI 預訓練（避免依賴專有資料）
3）非敏感領域的規模化資料補充
3. 混合方案（人工 + 合成）
核心優勢：
1）結合合成數據的規模化優勢與人工資料的質量把控
2）醫療等領域可透過 “合成預訓練 + 人工微調” 平衡效率與合規性
主要痛點：
1）需平衡兩類資料的整合成本
2）需建立明確的分工機制（如合成負責量、人工負責質）
適用場景：
1）需兼顧效率與準確性的通用場景（如客服對話訓練）
2）醫療影像識別（合成數據擴充套件樣本量 + 人工校準關鍵病例）
• 通用資料觸頂，垂類資料成為增長點
Chinchilla 相關論文指出，訓練 LLM 時會存在規模瓶頸，當網際網路上的資料被爬取完畢，模型訓練的資料來源便會觸及上限。未來，資料標註市場的增長將更多集中於垂直領域和長尾領域。其中，醫療和金融領域是核心增長點。
例如，在醫療領域，為確保醫療資料的準確性和合規性，資料供應商需僱傭經驗豐富的醫療專家，負責評審 MRI 的 2D、3D 影像等專業內容。同時，還需聘請專業人士對醫療檔案進行細緻標註。這類工作對標註員的醫學背景、行業經驗要求極高，難以被通用模型或基礎標註服務替代。
與垂直領域形成鮮明對比的是，通用領域的標註需求增長將越來越平緩。例如，“數學計算是否正確” 、“美國總統是誰”這類基礎問題，目前已有非常成熟的基礎模型能夠生成高質量答案。
02.
創立 Surge的初衷：為優質資料而來
Surge 的創始人 Edwin Chen 曾在大廠做 Machine Learning 工程師時遇到最大的困難就是：無法獲得模型訓練所需要的資料。他在 Twitter 任職時，試圖利用廣告系統構建情感分類器，該分類器僅需 10,000 條標註資料，卻因人力資料系統低效導致交付週期長達數月，且標註質量堪憂，存在俚語誤判、標籤理解偏差等現象。彼時正值 GPT-3 釋出，各行業對優質資料的需求爆發式增長。
基於上述痛點，Edwin 的構想是：組建由哲學家、工程師、常春藤盟校畢業生等構成的標註團隊，滿足模型對高質量資料的需求。同時，開發任務分配軟體，結合標準化培訓，確保標註員掌握統一標準，從而提升標註效率與質量。於是，Edwin 創辦了 Surge AI。
Surge 走出了一條與矽谷普遍創業邏輯截然不同的道路。矽谷文化中，“先籌錢建立身份、再推進創業專案” 是常見做法，而 Edwin 反其道而行之，他選擇跳出融資遊戲，在創業初期 Bootstrap 並專注於打造最小可行性產品（MVP），快速測試市場需求，再依靠產品實力留存使用者。這種策略成效顯著，在 Surge 成立一個月後，就已經實現了盈利。
Surge 的 moat 源於 Edwin 這份對資料質量的執著：不急於競逐，堅守“質量大於一切”的原則。相比於大規模營銷、快速搶佔市場的策略，Surge 注重早期客戶的質量與價值共鳴，致力於為少數“真正認同資料價值”的客戶交付解決方案，再借助客戶的真實反饋最佳化產品。Edwin 曾強調：即便需要推遲進度，也不會為了趕時間而犧牲質量。
正因此，客戶在與 Surge 合作後，便能即刻感受到天壤之別。優質體驗已成為 Surge 的核心競爭力標籤，並逐漸發展為業內公認的“領域最大且最好的玩家”。Edwin 曾在訪談中驕傲的談論到：每當客戶釋出下一個大模型時，他們最先做的事情之一就是聯絡我並告訴我，“嘿，只想告訴你，我們沒有你就做不到這一點。”
03.
高質量交付背後的底層技術
客戶評價中存在一個普遍共識：在對語意理解的精準度要求較高時，Surge 是首選方案。Surge 聚合了各垂直領域的頂尖標註專家，並藉助 ML 和 RLFH 技術來讓 AI 捕捉專家們的決策邏輯，從而迭代 AI 自身的標註能力。最終實現“專家帶教 AI –> AI 批次複製專家–>專家聚焦解決困難問題”的閉環。
Surge 認為，構建模型的本質是對語言的理解和處理，涉及到對意圖的準確識別和執行。尤其在特定垂直領域（如醫療、金融、STEM 等），看似簡單的命令實際上承載了複雜的意圖。
金融領域中一句 “優先處理這筆轉賬”，可能隱含對客戶信用等級、即時市場波動的綜合判斷。醫療場景中 “調整用藥劑量” 的指令需要評估病情階段和藥物的相互作用，理解這些意圖是實現有效溝通和操作的關鍵。因此，為了提供更優質的資料，Surge 在語言理解方面下了很多功夫，在 text-based areas 表現尤為出色。
• 母語級的標註團隊：捕捉語言細微差別
LLM 的安全合規問題日益嚴重，主流毒性檢測模型（如 Google Jigsaw 的 Perspective API）的侷限性逐步顯現，這些模型如同只會查詞典的質檢員。由於過度依賴 “褻瀆詞匹配”的機械邏輯，而非對完整語境的理解，導致大量誤判行為出現。明明是中性表達卻因個別詞彙被標記為毒性內容，真實的語境情緒被粗暴曲解，偏見與檢測標準漂移等問題隨之而來。
Surge AI 則擅長辨識語言中的 nuance ，透過針對性測試篩選標註員，並組建了以本土英語母語者為核心的標註團隊（Surgers）。例如，某道測試題要求標註員準確理解 “Yay， cold McDonald's。 My favorite.” 這類看似褒義、實則反諷的表達。標註團隊還需要在社交媒體、論壇等多元場景中積累經驗，確保團隊具備解讀 sarcasm（諷刺）、slang（俚語）、idiom（習語）、文化梗的能力，做到從源頭降低誤標風險。
與單一 “毒性評分” 模式不同，Surge AI 在標註過程中還引入了 “情感傾向”、“意圖判斷”、“受眾影響” 等多維度進行評估，其目的是精準區分 “非毒性 profanity”（如粉絲對偶像的熱情表達）與 “毒性 profanity”（如惡意攻擊）。
Surge 的標註團隊能結合社群語境解讀專業黑話（如健身社群中 “traps” 指斜方肌）和 meme 文化（常用反諷、隱喻、諧音等語氣），對文字進行穿透理解。以文字 “his traps hide the fucking sun” 為例，這句話用極端誇張、粗獷的語氣形容肌肉的壯碩，本質與中文裡誇讚健身達人“塊頭大到遮天蔽日” 異曲同工，絕非貶義表達。對比之下，在 Google GoEmotions 資料集在處理同類文字時，將其機械誤標為 “中性” 或 “憤怒”，暴露出傳統標註模式在複雜語言場景中的侷限性。
• 人機協同只為打造無偏資料集
Surge AI 針對 LLM 需求設計了專屬工具鏈。先透過 AI 預測工具自動篩選高風險樣本（如情感傾向模糊的文字），再觸發人工稽核進行二次識別。這種機制能有效過濾低質量資料，避免因資料問題導致模型訓練倒退。一位谷歌資深軟體工程師曾說：一旦向模型輸入劣質資料，後續需要付出多得多的努力才能彌補。
在一個實際案例中， Surge AI 將“how dare you” 歸屬為 mock anger 語氣（為了特定目的如調侃、誇張表達、營造幽默效果等而非真的憤怒），隨後系統自動將其標記為高風險，並分配 2 名人工標註員進行交叉驗證。最終，原本可能被誤標為 “憤怒” 的資料被修正為了“調侃”，避免了因語氣誤讀導致的標註偏差。
同時，Surge AI 摒棄了 “孤立文字標註” 的傳統模式，強調結合上下文（context）標註。其關鍵在於為標註員提供豐富的元資料支援，包括社交網路中評論的子版塊資訊、父帖內容（parent post）及圖片連結等，只為更精準的捕捉語言在不同場景下的特定情緒。
這一設計效果顯著，例如處理文字 “We SERIOUSLY NEED to have Jail Time based on a person's race” 時，標註員透過結合 “奇幻世界構建” 子版塊的上下文，可以判斷文字其實是虛構討論而非種族歧視，從而避免了脫離場景的誤判。
Surge AI 還引入了紅隊測試（Red-teaming）機制，主動挖掘模型的安全漏洞。標註員不斷模擬 “攻擊” 場景，來幫助客戶提前識別潛在風險、修補安全防禦。這一服務拓展了 Surge AI 的價值邊界，成為客戶認可的差異化壁壘。
• 偏見非敵人，但需管控
Surge 將偏見（model bias）管控作為重點投入之一，以確保資料集的高完整性與透明度。
在與客戶合作中，Surge 會先建立一個深度覆蓋的樣本庫。對於樣本庫裡涉及敏感問題的專案，將確保其覆蓋所有群體，而非僅主流群體。例如，團隊在幫助客戶處理全美人口敏感問題時，能夠精細到各個小塊區域的群體特徵，避免因覆蓋不全導致的偏見問題。
另一個偏見緩解措施是設立專家稽核員，實施 “動態調整稽核比例” 策略。初期階段，稽核比例較高，需要確保覆蓋更多潛在偏見，隨著專案的推進，稽核比例逐步下降至最終的 2%。針對高風險場景，Surge 會啟動強化監控，結合統計資料分析與持續稽核，主動預防有害偏見的產生。
對於模型偏見問題，Surge 認為其並非絕對負面。在特定場景下，可控的偏見可能產生積極作用，增強模型的謹慎性或進取心。基於此，團隊結合具體場景靈活地判斷偏見的適當性，再透過專家介入實現針對性糾正，既避免有害偏見，又充分利用偏見的正向價值，形成適配不同需求的解決方案。
• 速度即護城河
在 “時間即競爭力” 的 AI 賽道，資料交付效率會轉化為市場份額與定價權。大模型公司需快速設計並啟動新任務，而非耗費數月編寫指南。
Surge 的快速交付能力體現在兩方面：其一，API 與 RLHF 介面具備高度適應性，可快速整合至客戶現有工具鏈，既能穩定支撐長期任務，又能實現新任務的即時啟動。其二，通用任務中搭載的 AI 準確性校驗工具，大幅縮短了質量稽核週期，滿足前沿實驗室 “每週迭代新專案” 的速度需求，推動測試結果交付速度領先同行。
某個客戶的合作案例直觀體現了交付速度的重要性：在 5000 條多輪對話情感標註任務中，客戶採用 “200 條 / 批” 的漸進式分配策略，僅向透過質量稽核的供應商續發任務。首批完成交付的供應商，將會獲得更多的合作機會。反之，將逐步被客戶淘汰。
• 隱私剛需時代：開啟溢價空間
在資料合規性的橫向比較中，Scale AI 的風險敞口相對突出。其核心短板源於：許多客戶因資料隱私問題減少了與之合作的比例。
當前，從歐盟 GDPR 對資料最小化的要求，到美國各州對使用者資料控制權的強化。大規模的資料採集、儲存與使用正面臨前所未有的審視。
相比之下，Surge 的合規優勢源於成立之初的戰略前瞻性：從架構設計階段即錨定 GDPR、HIPAA 等規則的嚴苛標準。這種 “合規先行” 的要求更加適配高敏感場景，成功了吸引對資料隱私有極致要求的客戶（如 Anthropic）。
Surge 產品與增長負責人 Bradley 明確將資料隱私列為業務擴張的前提，這種長期主義正在轉化為競爭壁壘。尤其在強監管的行業，合規資質已成為進入門檻。而隨著全球 AI 法案（如歐盟 AI Act）陸續落地，早期合規投入不僅降低了監管風險，更在 “隱私成為剛需” 的市場中打開了溢價空間。
04.
客戶案例 1：為 OpenAI 構建 GSM8K 小學數學資料集
OpenAI 的強化學習團隊為訓練 LLM 需要一個高質量的小學數學問題資料集，用於模型訓練與推理能力評估。該資料集需覆蓋多樣化的場景，且能精準反映 “多步驟推理” 過程。
為滿足 OpenAI 的需求，Surge 從團隊組建、流程設計、質量管控三個維度制定了系統性方案。這一資料集最終被命名為 “GSM8K”（Grade School Math 8K），計劃包含 8500 道小學數學應用題及對應解題步驟。
Surge 優先選擇具備數學或 STEM 學位的標註員，如來自 MIT 等藤校的大學生。這類人才不僅能降低計算錯誤率，還能創造多元化的問題場景。所有標註員需提交 5 道試寫題目，經另一名資深標註員稽核通過後才可加入團隊。
Surge 制定了明確的資料集標準，具體包含以下要求：
1. 所有題目在解答過程中都應包含 2-8 個步驟。
2. 所有計算都要簡單到不用計算器就能心算得出（例如 7×8、36+110）。
3. 答案應為單一整數。題目中需明確任何單位（例如 “羅伯特有多少美元？”) . 題目中的中間步驟可以出現簡單小數（如 3.25），但最終答案必須是整數。
4. 如果是透過 8/2 的計算得出傑森有 4 個蘋果，那麼寫成 “傑森有 8/2=4 個蘋果” 比寫成 “傑森有 4 個蘋果” 更合適。
5. 僅使用基本算術運算：加、減、乘、除。
6. 不能重複使用題目場景。如果剛寫了一道關於薩曼莎去動物園的題目，就不要再寫另一道以該場景為前提的題目。
對於資料集的質量管控，Surge 針對可能存在歧義的問題，要求由兩名標註員獨立解題，若答案不一致則判定為 “歧義問題” 並要求修改。同時，透過 “句子嵌入 + 餘弦相似度” 計算過濾場景相似的問題，例如兩道均為 “購買物品計算總價” 的題目，如果只是問法不同，也會因相似度超閾值被剔除。
最終，專案交付的 GSM8K 資料集包含 8500 道題，每道題均通過了 “試寫稽核→歧義檢測→重複過濾” 三層校驗。這一資料集不僅被 OpenAI 用於 GPT-3 訓練，還被 Google 等機構採納，成為 LLM 推理能力評估的標杆資料集，廣泛應用於 PaLM 模型（5400 億引數）和 Chain of Thought 相關研究。
05.
客戶案例 2：Anthropic 訓練 Claude 背後的資料引擎
Anthropic 是由前 OpenAI 和 Google Brain 研究人員創立的全球領先 AI 公司，核心產品為安全且高效能的大語言模型 Claude，致力於透過 RLHF 訓練 “有益且無害” 的通用語言助手。
然而，隨著訓練難度的升級，Anthropic 面臨的挑戰包括三方面：
1. 高質量規模化人類反饋資料獲取困難，現有平臺難以滿足複雜場景（如專業領域對話、道德判斷）的精準需求。
2. 搭建 robust 的質量控制體系難度大，低質量資料會嚴重影響大語言模型效能。
3. 開發專屬標註工具需佔用核心研究資源，導致效率低下。
為此，Surge 為 Anthropic 提供解決方案，幫助 Claude 實現效能突破。其中，最具差異化的特點包括：
1. 由科學家團隊打造專有質控技術，可精準過濾低質量資料。
2. 領域專家標註團隊，覆蓋法律、醫學、STEM 等多領域。
3. 快速實驗介面，支援任務快速啟動，<1-2 周即可完成資料質量評估。
4. 基於數百次內部實驗的 RLHF 專業經驗，確保資料質量穩定可靠。
這次強強聯手印證了 RLHF 對 LLM 升級的核心價值，也凸顯了 Surge 在 “人類反饋 + 技術支撐” 領域的優勢。Anthropic 的 co-founder Jared Kaplan 曾說：“Surge AI 的人類資料標註平臺經過量身定製，能夠提供前沿 AI 研究所需的獨特、高質量反饋。在支援我們的 AI 技術對齊研究方面，Surge AI 是我們的絕佳合作伙伴。”
06.
創始人團隊
Edwin Chen
創始人兼 CEO，前 Google、Facebook、Twitter 機器學習和內容稽核團隊負責人，畢業於麻省理工學院，擁有數學、計算機科學與語言學複合學科背景。讀書期間，他參與了 MIT 計算機科學與人工智慧實驗室（CSAIL）的研究工作，專注於演算法交易、理論計算等領域。
Edwin 的職業生涯跨越了多個頂級科技公司：早年以研究實習生身份參與了微軟多項技術研究，轉戰 Twitter 期間，作為廣告質量團隊成員聚焦廣告投放效果的最佳化。隨後在 Google 和 Facebook 深度參與了搜尋演算法研究與資料分析等工作。
他憑藉在 NLP 和 data labeling 領域的技術積累屢有突破性發現：他曾發現 Google 的 "GoEmotions" 資料集存在約三分之一的標籤錯誤，這一發現引爆了業界對資料質量的關注。他還深入探討了困惑度（perplexity）等評估指標在語言模型中的應用，為 AI 模型的效能評估提供了新的視角。
Edwin 曾是 Medium 上活躍的 blogger，但自從建立 Surge AI，他的賬號鮮有更新。隨著公司逐步躋身行業領先梯隊，他更是在主流社交媒體中消失，將重心全然投入到公司運營和戰略增長之中，成為矽谷圈中難得的清流。
儘管他始終保持低調，卻仍被圈內人熟識。他所堅持的經營理念是：Surge AI 立志透過優質服務與硬核成果贏得市場聲譽，而非依賴流量宣傳或話題炒作。客戶評價中： “Edwin 從不上網，哪兒都找不到他，但我們就喜歡這樣”，恰恰印證了這一理念的市場共鳴：在資料服務領域，沉默的實幹遠比喧囂的營銷更具說服力。
Andrew Mauboussin
工程團隊負責人，前 Twitter 機器學習工程師（領導垃圾郵件和內容稽核的機器學習專案），畢業於哈佛大學計算機科學專業。在團隊中，他負責即時人類計算 API 和 30+ 語言的國際化資料收集，推動了公司技術架構、ML 和平臺 infra 層面的進步。
Andrew 是 Surge AI “對外發言人”，在官網的 blog 中發表了多篇重磅級文章，深入探討了模型效能評估、資料集質量分析和 AI 安全性等主題。
Bradley Webb
產品與增長負責人，前 Facebook 資料運營負責人，達特茅斯學院 Tuck 商學院 MBA 畢業，聖地亞哥州立大學國際貿易與商業經濟學學士。在 Surge 領導產品開發和增長戰略。
Bradley 的職業生涯跨越多個行業和領域，從技術到產品，從初創公司到大企業。作為 Facebook 的前高階產品經理，Bradley 曾親眼見證了公司從最初的 8,000 名員工快速擴張至 64,000 人的龐大體量，深度參與了超大規模組織的成長曆程。
在此之後，他於房地產技術公司 AppFolio 進一步歷練，擔任中型市場業務部門負責人，掌舵年銷售額達 8,000 萬美元的核心業務線。豐富的跨場景實踐，讓 Bradley 在公司運營管理與規模化增長領域積累了全面的經驗。
隨著 AI 正向 AGI 的目標不斷突破，資料標註行業亟需具備兩重特質的合作伙伴：既有穿越技術迭代週期的長遠視野，又有將資料價值落地為模型核心優勢的執行力。Surge 證明了其價值交付恰恰立足於此：不追逐概念風口，而是透過高質量資料供給、耐心傾聽客戶需求，踏實完善技術迭代，成為客戶從資料積累到 AGI 演進中的 “基礎設施”。
在行業充斥流量思維的階段，Surge 的 “反炒作” 基因反而容易建立深度繫結的客戶關係。畢竟，AGI 的競賽終點，從來不是曝光度，而是誰能真正為客戶構建起護城河。
排版：夏悅涵
延伸閱讀