最近我看到英伟达和Mercor之间的关系又往前走了一步：英伟达正在讨论投资这家AI数据公司，新一轮融资可能把Mercor估值推到200亿美元。

这笔交易还在讨论阶段，投资金额和融资总规模都没有公开。更有意思的是双方已经存在一层很深的业务关系。英伟达上一季度向Mercor支付了数千万美元，采购专家生产的数据，用于开发两款新的Nemotron模型。

一边采购，一边考虑入股。英伟达对Mercor的兴趣落在一个非常具体的产品环节：当基础模型进入后训练和智能体阶段，科学、法律、金融、工程等领域的专业判断，正在成为决定模型能不能处理复杂任务的新约束。

AI产业早期争夺的是网页文本和GPU。现在模型要进入专业工作流，稀缺性开始转向专家判断、评测环境和可验证反馈。

200亿美元买的，是专业判断的入口

Mercor在2023年成立，最初做AI招聘，随后把能力转向前沿模型的数据生产。它组织律师、医生、科学家、工程师、金融从业者和软件开发者，让这些人设计任务、撰写答案、审阅模型输出，并搭建更接近真实工作的评测环境。

这里和传统数据标注已经有明显区别。给图片画框、给文本贴标签，主要解决模型能不能识别；专家数据解决的是模型能不能在高价值任务里做出可靠判断。法律先例怎么权衡，工程方案如何取舍，复杂财务信息怎样交叉验证，都需要掌握行业语境的人来定义什么算好答案。

Mercor官方披露，它连接顶级AI实验室和大型科技公司，业务覆盖训练数据、模型评测、基准测试和强化学习环境。这个位置卡在模型能力提升的反馈回路里：专家先把任务和标准写清楚，模型完成后再被评价，新的反馈继续进入后训练。

Nemotron需要的，不是更多网页文本

Nemotron是英伟达面向智能体推出的开放模型家族。英伟达对它的定位很明确：模型需要长时间运行、调用工具、处理多步骤任务，还要在速度、准确率和推理成本之间找到平衡。

这种能力很难只靠扩大预训练语料获得。公开网页能提供广度，专业任务需要更细的评价标准。模型写出一份合同、诊断建议或工程方案后，质量往往取决于遗漏了什么、权重怎么分配、边界条件有没有处理。答案可能读起来流畅，专业人士仍能迅速发现它在关键步骤上失真。

合成数据可以降低成本、扩大规模，但复杂任务仍需要人来设定边界和验收标准。越靠近法律、医疗、金融和工业系统，错误成本越高，反馈数据越不能只看数量。英伟达采购Mercor的服务，等于承认开放模型的竞争力需要持续补充高质量后训练材料。

芯片决定模型能跑多快，专家数据决定模型在复杂任务上往哪个方向改。英伟达把两端放进同一个生态，Nemotron才有机会从开放权重走到可用的企业智能体。

收入翻倍很快，估值还要拆开看

Mercor的增长速度解释了资本为何愿意给出高价格。公司在2025年10月完成3.5亿美元C轮融资，估值100亿美元。现在讨论中的价格达到200亿美元，十个月左右再翻一倍。

2026年6月，Mercor年化总收入的市场口径已经超过20亿美元，约为年初两倍。这个数字很强，但不能直接套用软件公司的收入倍数。Mercor要把大量款项支付给参与项目的专家，总收入、净收入和毛利之间可能存在明显差距。

估值能不能站稳，我会按四个变量排序。第一是扣除专家支出后的净收入和毛利；第二是头部实验室的客户集中度；第三是同一批专家和评测环境能否被重复使用；第四是项目能否从一次性数据生产变成持续的模型改进合同。

如果每个新模型都要重新招人、重新设计流程，业务规模很大，利润率仍可能受限。若Mercor能把专家网络、任务设计和评测基础设施沉淀为可复用平台，200亿美元对应的才是一条持续扩张的AI数据层。

英伟达开始锁定模型的知识供应链

英伟达过去擅长锁定先进封装、HBM、网络和整机系统。Mercor代表的是另一条供应链：谁能组织最合适的专家，谁能设计更接近真实工作的任务，谁能更快把模型缺陷变成下一轮训练数据。

对英伟达来说，投资供应商有三层价值。它能提高Nemotron所需数据的可获得性；能让开放模型的训练、评测和反馈节奏更稳定；还能把芯片、模型、工具链和数据伙伴连接成一套更完整的企业AI方案。

这条路线也会改变AI产业的分账。GPU继续拿走大额资本开支，模型公司承担研发和推理成本，专家数据平台则在模型进入专业场景时收取知识组织费。模型越接近真实岗位，后一项支出的占比越可能上升。

后续验证并不复杂：看英伟达对Mercor的采购能否持续，看双方是否把合作扩展到更多Nemotron模型，看Mercor的净收入和毛利能否跟上总收入，也看它能不能降低对少数前沿实验室的依赖。

英伟达看中的，是Mercor把分散的专家判断组织成可持续、可验证训练信号的能力。AI下一阶段最重要的稀缺资源，是能够进入专业工作流、定义好答案并反复校验模型的人类知识反馈。