Handshake превратилась в лидера рынка AI-обучения, генерируя 10 млрд долларов выручки за год

本文来自微信公众号：腾讯科技，作者：晓静，编辑：徐青阳，题图来自：AI生成 Handshake的主业是帮大学生找到第一份工作，但是现在，它增长最快的生意变成了教AI怎么工作，也因为激进的AI转型成为硅谷关注的创业案例。 8月31日，大学生校招平台Handshake联合创始人兼CEO Garrett Lord在最新播客中透露，公司过去一年多建立的新AI业务，已经从零增长到约10亿美元收入，而且目前“已经能看到20亿美元的预期”。相比之下，Handshake做了十多年的校园招聘业务，目前ARR（年度经常性收入）刚超过2亿美元。 10亿美元到底从何而来？ Lord在访谈里举例，今天模型公司更需要的是让AI进入一个接近真实工作的环境：它可以看到电脑里的文件、云端资料，调用行业软件和各种工具，再像真正的员工一样完成一个连续任务。他把它形容成专家在“电子游戏里工作”。 这背后反映的是大模型训练数据正在发生的结构变化。 互联网上已经存在的文字、图片和代码毫无疑问是大模型最初发展阶段最重要的养料，但是到了Agent阶段，AI还需要知道一个真实的人到底怎样完成一份工作。 图：Handshake官方现在有专门的AI Fellowship页面，展示硕士、博士、专业人士参与AI训练项目，覆盖法律、医学、金融、工程、化学等领域。 01 AI如何读懂“一个石油工程师的一天” Coding Agent过去两年进展特别快，其中一个重要原因是，软件工程可能是互联网上留下工作痕迹最完整的职业之一。 GitHub里有海量代码，Stack Overflow和技术博客保存了大量问题与解决方案；更重要的是，代码有天然的验证机制。模型可以获得输入、操作过程和结果，也容易知道自己到底做对了没有。 但绝大多数职业没有一个对应的“GitHub”。 比如一个石油工程师怎么结合井下数据、历史文件和专业软件做下一步判断，这些知识很少被完整记录在公开互联网里。即使网上存在大量会计、金融、医学教材，它们也无法还原一个专业人士真正工作时面对的复杂情况和连续决策。 Lord在访谈里提到，软件工程Agent今天已经能够连续工作很长时间，但零售、制造、油气等其他行业远没有达到同样的自动化水平。原因之一就在于，它们缺少能够直接用于训练模型的真实工作环境。 例如模型公司发现自己的Agent不会处理某类油气任务，Handshake首先需要找到真正做过这份工作的人，弄清楚这项工作每天会打开哪些文件、用哪些专业软件、在哪些步骤需要关键的判断；然后再把这些工具和环境重新实现，设计模型目前不会、但又有机会通过训练学会的任务，并给出可以判断成功与失败的评分标准。 这和几年前所谓的数据标注已经是完全不同的一门生意。过去的数据标注，主要是判断对错，或给出重要答案。 在Agent时代，更需要的数据是“这个任务发生在哪里、模型可以做什么，以及怎样判断它真的完成了工作”。 02 Handshake真正值钱的资产 Handshake能突然切进这个市场，多少带有一点偶然性。 这家公司2013年成立，原本是一家服务大学生和校招的平台，到今天职业网络已经覆盖超过3000万人和约100万家公司。一个用户从大学时期开始使用Handshake，公司往往知道他在哪里读书、什么专业，毕业后去了哪个公司以及大致从事什么职业。 之前，这些信息最大的用途是把一个学生推荐给合适的雇主。但是现在，它们突然增加了另一层价值：验证一个人是否真的拥有某种模型急需的专业经验。 Lord透露，上个月参与Handshake AI项目的专家中，89%本来就来自Handshake自己的职业网络。相比需要在TikTok、Instagram等平台投广告寻找会计师、工程师或者医学专家的竞争者，Handshake几乎天然拥有一套专家供应链。 这种优势在模型变强之后反而更加重要。 Handshake刚推出AI业务时，官方主要强调拥有50万名博士和300万名硕士研究生，可以为模型提供物理、化学、法律、金融、医学等领域的专业反馈。Lord此前总结这轮需求变化时说，“模型已经强到普通标注员越来越不够用了，它们真正需要的是各个领域的专家”。 这也是为什么最近两年AI数据行业突然出现了一批高速增长的公司。Mercor、Surge、Scale AI、Handshake等等，争夺的都是医生、律师、金融从业者、博士和资深工程师的时间。 用一句不太恰当的比喻，以成立年限来看，Handshake是一个“老登公司”，并不是什么AI-Native的独角兽，他们先花了十多年建立一个职业网络，然后敏锐地发现，这个网络恰好变成了AI后训练时代需要的基础资产。 图：Handshake CEO Garrett Lord表示，公司正在从服务大学生求职，进一步转向服务“AI经济时代”的职业网络。 03 下一代AI数据公司，越来越不像“数据公司” 但如果Handshake只是一个更高端的专家众包平台，也很难解释为什么这门业务一年多就可以做到接近10亿美元规模。这家公司确实把这种敏锐的洞察，认真地往专业化的领域拓展。 Handshake今年初收购了MIT团队创办的Cleanlab，增强在RL environments、evals、AI safety和human data上的能力。 5月，Handshake又开源了一个叫Gandalf的Agent评分器。 传统LLM-as-a-judge通常只看模型最后生成的一段文字，但Agent真正完成任务以后，结果可能散落在文件、数据库、软件状态或者工具调用里。Gandalf因此直接运行在与Agent相同的环境里，可以自己决定检查哪些文件和工具结果。Handshake公布的实验中，其最低成本配置约花42美元，F1达到0.633；最强的非Gandalf基线成本约422美元，F1只有0.604。 从专家、任务、环境一直做到verifier，意味着所谓“训练数据”的边界正在迅速扩大。 对于Agent训练来说，一条数据越来越不像一句prompt加一个答案，而更像一个完整的模拟世界：有用户，有文件，有软件工具，有连续动作，还有一个最终能够判断模型到底有没有把事情做成的评分器。 这也是Handshake最新访谈里反复使用“RL environment”和“reward”的原因。 Lord认为，模型公司已经在这些能够提升经济价值的专业领域投入“数百亿美元”规模的资金。他同时提到，顶尖实验室的数据需求越来越集中在科学、药物发现、材料科学和真实职业任务，而这些领域“不存在一个Reddit或者GitHub等价物”。 这句话其实解释了Handshake的机会。互联网本身曾经是大模型最大的免费数据集；到了Agent阶段，很多最值钱的训练数据必须重新生产。 04 后训练正在和预训练抢同样多的算力 Handshake的收入从外部证明了模型公司正在大量采购后训练能力，主要模型团队内部的资源配置，也出现了同样的变化。 小米大模型团队负责人罗福莉也曾给过一个很少见的量化判断。 她提到，在Chatbot时代，如果把模型研发用卡分为研究、正式预训练和正式后训练，用卡比例可能非常悬殊，大致可以达到3:5:1；进入Agent阶段，她认为一个“非常合理”的比例已经变成3:1:1。 也就是说，正式后训练所需要的算力，已经可以与一次正式预训练相当。她进一步判断，“顶尖团队应该都是1:1了”。 过去外界讨论大模型军备竞赛，最直观的指标是训练一个基座模型需要多少张卡，Post-training常常被理解成训练完成后的一轮“调教”。 Agent改变了这套比例。 罗福莉在访谈中直言，“Agent范式很吃后训练”。她认为，模型真正进入长程Agent任务以后，需要大量实验去学习怎么理解Context、怎么调用工具、怎么处理连续反馈，预训练和后训练的资源重要性正在重新平衡。 模型公司内部，Post-train开始获得接近Pre-train的正式算力资源；模型公司外部，Handshake、Mercor、Surge等提供专家、eval、RL environment和verifier的公司，正在高速增长。 这意味着AI训练产业链的重心正在移动。 Pre-training时代最重要的供应链是GPU、数据中心和海量互联网数据；Agent时代，GPU仍然重要，但还有另一套价值越来越高的基础设施： 专家、工作环境、任务、reward和verifier。 05 不是传统SaaS意义上的10亿美元ARR 不过，Lord在最新采访里直接说，Handshake的AI业务“一年多一点从0做到10亿美元revenue”。今年4月，他接受Notable Capital采访时的口径是，AI业务在不到18个月内已经达到“接近10亿美元run rate”，此前8个月从零增长到5亿美元以上。 但这不是传统SaaS意义上的10亿美元ARR。 The Information今年4月获得的Handshake财务数据显示，Handshake AI当时的年化总收入接近10亿美元，但在支付参与训练模型的专家和承包商后，年化净收入接近3亿美元。旧校园招聘业务另外贡献接近1.5亿美元的年化总收入。 第三方研究机构Sacra的估算略高：它估计Handshake今年4月全公司年化总收入约11亿美元，其中AI训练业务约9.5亿美元；扣除contractor payouts（扣除专家及外包人员报酬后）以后，公司年化净收入约4.5亿美元，其中AI业务净收入约3亿美元。 两套数据虽然细节有差距，但却能看出：Handshake的10亿美元，超过一半甚至接近七成需要继续支付给提供专业知识的人。 这让它和高毛利软件公司的10亿美元收入有完全不同的含义。 同行Mercor也存在类似结构。The Information称，他们超过10亿美元的年化总收入中，约60%—70%需要支付给承包商。 所以把这批公司简单称为“新一代数据标注公司”已经不太准确，它们更像是在搭建一条把人类专业能力转化成机器可训练资产的供应链。 06 模型公司最终会不会把这条供应链也自动化？ 如果AI公司的目标就是让模型学会会计师、程序员、医生和工程师的工作，那么Handshake每教会模型一种能力，理论上都在消耗自己未来的一部分需求。 Lord并不认同这种判断。他认为Coding Agent能力越强，对更困难软件任务的数据需求反而越大；模型每提升一代，实验室就需要继续寻找新的失败边界和更复杂的任务。 目前的数据也确实支持需求仍在快速增长。 但这不代表今天的增长速度会永久持续。全球真正有能力每年投入数十亿美元训练前沿模型的实验室数量并不多，Handshake的客户天然高度集中；与此同时，synthetic data、self-play以及自动verifier也一直在尝试减少对人工反馈的依赖。 Handshake自己推出Gandalf，本质上也在自动化过去需要大量人工完成的一部分评分。 这形成了AI数据行业一个很有意思的循环：一群公司通过组织人类训练AI高速增长，同时又在努力训练AI替代这批人类训练者。 最终留下来的价值，可能是“谁还能拥有模型还无法自己生成的东西”。 这句话，可能不仅仅关乎一家公司，我们每个碳基生命都面临着同样的问题，未来，什么还能逃逸出模型越来越强的生成能力，拥有真正稀缺的价值？ 本文来自微信公众号：腾讯科技，作者：晓静，编辑：徐青阳