数商是一门有些神秘的生意。前沿实验室很少公开谈论自己的数据从哪来，也少有数商主动走到台前。但水面之下，这门生意的体量已经大得惊人。
硅谷 AI 数据公司 Mercor 就是其中增长最快的玩家之一。三位创始人 19 岁时一起创业，最早用 AI 帮美国公司从印度招聘工程师。现在，他们搭建了一个拥有 500 万人的全球人才网络，找来顶尖程序员、律师、医生和科学家，让这些专家参与构建强化学习环境和前沿评测。
过去两年，Mercor 的年化收入从 100 万美元涨到 20 亿美元，如今账上有数十亿美元现金，月营收达数亿美元。几乎所有硅谷前沿大模型实验室，以及 Cursor、Cognition、Sierra 等头部 AI 应用独角兽，背后最大的数据供应商都是它。
在最近 South Park Commons（SPC）的一场论坛对谈中，Mercor 联合创始人兼 CEO Brendan Foody 和 SPC 后训练论坛负责人 Nick Mecklenburg 聊到了接下来的重心：把过去为头部实验室搭建的技术，带给更多想训练自己模型的创业公司和企业。
按照 Brendan Foody 的判断，后训练今天只占 Token 消耗的很小一部分，5 年后会占到大头。甚至 Mercor 自己现在也在做后训练。
数据生意势头正猛，Brendan 也谈到了接下来可能的走向。如果模型未来实现 RSI，数商的生意还成立吗？人在数据链条中的角色会变成什么？为什么越来越多应用公司愿意花钱做公开评测，让实验室去刷？以及，为什么他认为下一块更难、也更值钱的数据市场在物理世界。
以下是对话全文，经 Founder Park 编译整理。
01 今天大家买的，都是专家数据
Nick Mecklenburg：我们先从 Mercor 的起点聊起吧，你们最初是怎么进入 AI 数据行业的？
Brendan Foody：我在湾区长大，14 岁上高中时认识了两位联合创始人 Adarsh 和 Surya。我们 19 岁时正式创立了 Mercor，最开始做的是跨国人才招聘。我们从印度招聘工程师，再把他们介绍给朋友的公司。筛简历、面试、决定录用谁，这些原本由人完成的招聘流程，都被我们自动化了。
后来我们从大学退学，不久后接触到了 OpenAI，也看到数据市场正在发生一次很大的变化。
过去由 Scale AI、Surge 开创的众包模式，主要是组织大量中低技能的人，为早期版本的 ChatGPT 写出基本通顺的句子。接下来，市场开始需要另一类数据，找到最好的软件工程师、机器学习工程师、律师和医生，让他们以团队形式协作，去构建前沿的评测和 RL 环境。
抓住这个拐点后，我们开始快速扩张，成了几乎所有前沿实验室，以及 Harvey、Sierra、Cognition、Cursor 等头部应用公司的数据供应商。大约 24 个月里，我们的年化收入从 100 万美元涨到超过 20 亿美元。过去一年增速还在加快，现在的规模已经高出很多。
Nick Mecklenburg：Mercor 今天最关注什么？
Brendan Foody：怎么把我们为旧金山 AI 实验室搭建的技术，带给更广泛的、正在尝试后训练自己模型的更多创业公司和企业。今天，后训练在全球 Token 消耗量中只占很小一部分。但在未来 5 年里，它将占据 Token 消耗量的绝对大头，这会是一个很大的市场。
Nick Mecklenburg：你曾经提到过，模型之间 80% 的差异来自数据。为什么会得出这个结论？剩下的 20% 来自哪里？
Brendan Foody：我后来仔细想了想，现在会说这个比例差不多是 100%。
当然有一个前提，行业里偶尔会出现像推理模型那样巨大的算法范式突破，但今天大多数团队使用的算法差不多。只要大家用的算法是一样的，最终训出来的模型就是所投入数据的直接映射。
各家实验室在如何做专家数据增强、如何榨干现有数据价值上可能会有一些不同的技巧。但归根结底，这些全都落在了数据筛选和策划上。这也是为什么前沿实验室把大量算力都砸在了怎么生成更多高质量数据上，靠数据来最终拉开模型差距。
Nick Mecklenburg：假设明天突然出现一种样本效率极高的学习方法或建模技术，席卷整个行业，对 Mercor 会有什么影响吗？
Brendan Foody：它最可能带来的变化，是帮大家建立更好的合成训练数据生成流程，再沿着一套评测持续优化。真到了那一步，所有的数据生产最终都会纯粹收敛到一件事上，如何建立评测。
后训练流程会越来越自动化。只要一件事有了清楚的评测，强化学习就可以很快把它刷到饱和。但在开始训练之前，你仍然需要回答：什么才算好？模型能力边界之外的目标长什么样？又该怎么衡量它？
很多人不知道，我们现在大部分工作其实是在建立评测，而不只是生产训练数据。两者的边界有些模糊，因为任务形态很像，但评测应该已经略微超过一半。而且很多时候，评测就是为了探索如何创建合成数据变体，再用非常高的样本效率沿着评测优化。
Nick Mecklenburg：前沿实验室正在向合成数据管线投入巨资，并把它们全部留在内部。未来会不会大部分数据都变成合成的？Mercor 的业务会发生什么变化？
Brendan Foody：未来很大一部分用于训练的数据会是合成的，但用于评测的数据绝对需要由人类来创造。
我们的判断一直是，实验室会把合成或接近全合成的数据管线留在内部，因为那是它们建立竞争优势的地方。如果模型 100% 是数据的映射，它们当然要在数据管线的筛选和策划上形成自己的优势。
但有一件事是所有实验室都不想在内部自己做的，而且一些团队尝试过却失败的，就是建立一个拥有 500 万人的庞大人才网络。我们每天在这个网络里发放 600 万美元报酬，累计进行了 700 万次面试，从而把整个经济体各个门类的人才组织起来。
所以，实验室会把合成数据管线放在内部，人仍然会在评测中发挥很大作用，世界大致会朝着这个方向演进。
02 能建立评测的领域，就会被模型快速吃下
Nick Mecklenburg：现在我们似乎正处在另一个拐点上，具体来说就是 RSI。如果现在可以把模型和它的 Agent Trace（运行轨迹）直接连起来，让模型自己改进自己，这对 Mercor 意味着什么？
Brendan Foody：首先，模型很难在不可验证的领域里自我学习，就像学生很难给自己的作业打分。
如果是一道数学题，再配上一个计算器，那是一个非常干净的模拟环境，验证起来就很容易。但让模型做一份 PPT，它根本识别不出自己做的 PPT 里有哪些错误。
人类教模型改进的市场有多大，取决于经济活动中还有多少事情是人能做、模型做不了的。在这个过程中，我们当然会逐步把后训练和刷榜爬坡的流程自动化。
但我认为，我们会进入这样一种范式：只要针对一个领域建立起了评测，强化学习的效果是如此强大，以至于模型几乎可以立刻把这套评测刷到饱和。
因此，要把整个经济体里的所有工作都自动化，真正的瓶颈是，怎样为每一件事都建立评测？而从定义上讲，评测永远处在模型现有能力边界之外。
Nick Mecklenburg：一个争论是，RL 环境和人类专家是不是也有保质期？如果模型在某一领域已经非常强，强到找不到足够的人类专家去标注或评判它，会发生什么？
Brendan Foody：我认为最终我们确实会迎来超级智能，到那时无论是数字世界还是物理世界，再也没有人能做、模型做不了的事。但在抵达终局之前，整条道路都要靠人来铺。我们要构建可供爬坡的评测和训练数据集，把人类智慧翻译给模型。要真正高效地做到这一点，需要花极其漫长的时间。
未来，我们会告别人类从事重复、冗余工作的旧范式。比如，让客服每天重复回复 100 张工单，或者让律师一遍遍修改合同，顾问照着麦肯锡模板工作。
人类会全面转向「如何训练一个 Agent 来完成这些事」的新范式。这种训练会以多种形式体现，有时是建立评测，有时是更新 Skills 文件。人类为经济贡献价值的整体方式，会转向教 Agent 做事，因为这是一种杠杆更高的工作方式。
Nick Mecklenburg：那在像数学这类有干净验证器的领域，人类专家是不是正在失去效用？Mercor 的重心是否也在向更难验证的领域转移？
Brendan Foody：判断这件事有一个非常好的标准，就是看看我们人类自己是怎么学习某样东西的。
比如我们想写出运行效率极高的代码，只需要在编译之后看看这段代码的运行效率就行了。它有一个非常干净的反馈闭环，我们不需要别人来评价。
所以在数学、代码效率，甚至后训练中的一部分问题都属于这一类，你可以直接看评测得分。因为环境定义得非常清晰，这些领域很大一部分工作不再需要太多人类专家。
但经济活动中的多数事情不一样。比如，怎么和候选人聊天，让他愿意加入公司、怎么进行销售对话、怎么回答法律问题、怎么制定商业策略。对于同一个问题，可能有十种方式能做出世界一流的商业策略，也有一百种犯错的方式，这和干净的验证闭环完全相反。
你不可能对一个人说，「把这些商业策略都执行一遍，十年以后再看看哪个有效。」中间必须有奖励和反馈，要有导师告诉你哪些做得好、哪些没做好。
反思人类自己的学习过程就会发现，大部分时候都依赖别人给出的反馈，只有一部分问题拥有像计算器那样干净的反馈闭环。
从一开始，关注非可验证领域就是我们的重点。推理模型刚出现时，我们招过一批 IMO（国际数学奥林匹克）奖牌得主，现在已经不太需要他们了。但同一时期，我们也招了大量管理咨询顾问、银行家和律师，今天仍然非常需要这些人。
只要在数字世界或物理世界里，还有一件事是专家能做、模型不能做的，我们就需要靠人类专家去教会模型怎么做。尤其是那些高度依赖品味或者极具人性温度的能力，比如怎么和别人进行一场真正有感染力的对话，或者怎么表达共情。
Nick Mecklenburg：市面上也有一些公司，比如斯坦福学者 Joon Sung Park 和 Percy Liang 创立的 Simile 在押注另一个假设。他们认为基础模型内部其实已经包含了人类的各种偏好和品味，可以直接用来模拟人类反馈。这和你们的叙事冲突吗？
Brendan Foody：我觉得预训练模型里确实包含了一部分人类偏好。我很喜欢 Simile，早期就投资了他们，Joon 和 Percy 非常优秀。预训练阶段当然可能已经嵌入了一些有价值的能力，尤其适合他们为消费产品做市场探索的场景。
但在专业能力演进和审美判断上，那个结构性问题始终存在，一个模型怎么可能去可靠地衡量一件它自己根本不知道怎么做好的事？这些评测仍然要由人来建立，因为它们测的就是模型边界之外的东西。
03 值钱的数据都长什么样？
Nick Mecklenburg：每次在论坛活动上，我感觉几乎都会被问到同一个问题，如果我们是创始人，手里刚好能拿到一些自己觉得很有价值的数据，我们该怎么办？
Brendan Foody：很大程度上取决于那是什么类型的数据。
在最极端的情况下，如果你手里有一份价值连城的数据集，足以针对某项特定能力训练一个前沿模型，那你完全可以自己建一个实验室、提供模型服务。
如果你手头只是一家倒闭的初创公司留下的企业数据集，那就可以把它卖掉。我们已经买过数百家公司的数据集，如果你手里有现成的 RL 任务，我们同样非常乐意收购。
你可以用这些数据训练自己需要的模型，也可以找到买家，市场上对不同数据都有需求。
Nick Mecklenburg：你们怎么判断一份数据或一个评测到底有多大的科学价值与商业价值？
Brendan Foody：第一是真实性。它和真实经济活动、以及广大 AI 用户真正关心的任务有多接近？
第二是难度与通过率。如果一个任务所有模型都能完成，那它就毫无价值。如果一个任务没有任何模型能完成，它的价值就会高很多。
第三是有没有好的验证方式。在评估一份数据到底有多大价值时，人们普遍存在一个巨大的误区，模型根本无法靠把你们公司的 Slack 聊天记录和所有内部文档通读一遍，就学会怎么干活。
道理跟人类一模一样，如果只让我埋头看几百份别人做好的 PPT 案例，我依然不知道怎么做出一份完美无瑕的 PPT。我真正需要的是反馈闭环，在这份 PPT 里，我哪部分做得好、哪部分做得不好？我该如何衡量这些好坏，从而让我能多尝试几次、不断迭代和改进？
正因如此，带有反馈闭环的 RL 任务，价值比单纯记录「过去发生了什么」的静态数据要高出好几个数量级。这也是为什么领域专家在创建这些任务时扮演着极其庞大的角色，目前我们每个月有大约 100 万个小时的专家工时投入在构建这些 RL 任务上。
Nick Mecklenburg：做验证器最难的是什么？
Brendan Foody：问题空间很大时，怎么避免误报和漏报。
数学相对简单，直接核对答案就行。代码也有单元测试，但即使这样，我们仍然会看到大量的 Reward Hacking。比如，模型可能会把整个代码库直接删光，然后重新写一套代码来通过所有单元测试，或者在代码里疯狂生成成堆的注释。在其他没有单元测试、也没有量化答案的领域，建立一个能避免误报和漏报的验证器，难度高得难以置信。
我们要让模型跑出大量轨迹，对每条轨迹打分，再检查这些分数中有没有误报和漏报。通过「人类专家 + Agent」相结合的方式，来完成这一整套闭环。
只跑十几条轨迹时，验证器看起来可能没有问题。等你跑了几百条，Reward Hacking 可能才会显现出来。这几乎是 RL 训练里最难解决的问题。我们每个月要跨上百万个小时生产数十万个任务，验证器里的噪声一直是最需要关注的事情。
Nick Mecklenburg：如果一家应用公司手里有真实的用户反馈信号呢？还拿你举的 PPT 来说，假设我是一家像 Gamma 这样的 AI PPT 生成工具公司，在生成 PPT 的时候，用户接受了其中一部分，拒绝了另一部分，这种信号能作为训练信号或评测信号吗？
Brendan Foody：它是一个很有用的指示器，能帮你挑出哪些提示词值得进一步建立评分标准。但它不是一个足够好的训练信号，因为它没有回答一个核心问题，这份 PPT 到底错在了哪些地方，以及真正重要的评判标准是什么？
训练模型时，你可能会跑出 100 条轨迹，需要对每条轨迹都给出一个能反映好坏程度的分数。不可能仅凭用户随手点的一个赞或踩，就反推出那份 PPT 里所有做对的细节和所有犯错的维度。
不过，用户点踩的数据至少能帮你识别出模型常见的失败模式，让你把建立评分标准和任务的精力，放到杠杆最高的环节。
Nick Mecklenburg：模型能力边界一直在移动。怎么保证今天收集的数据明天不会过时？
Brendan Foody：第一，你把问题做得越难，保质期就越长。
如果一项 RL 任务发布时，模型通过率已经有 60%，那可能两个月甚至更短时间内，模型就能刷到 80% 或 90%，这种任务就没多少寿命。但如果你去寻找难度极高、模型在结构上表现极其糟糕的那些事情，发布时通过率低于 10% 或 25%，它的保质期就会长得多。
第二，前沿数据从定义上就是高度定制化的。我们一直在推动能力边界，能力边界指的本来就是新东西。
所以我们思考得非常多的是，怎么让我们生产前沿数据的这台「引擎」产生复利？我们知道自己永远需要拥有更大规模的人才网络，需要能快速搭建工具模板和做质量控制的基础设施，也需要一流的研究文化，来不断推出新的评测。
我们可以把所有这些要素复利叠加起来，打造出一台极其强大的前沿数据生产引擎，哪怕前沿本身在不断演进。
04 Benchmark 是应用公司制衡模厂的一种杠杆
Nick Mecklenburg：你们有数据，也有专家网络，Mercor 未来会直接下场做模型吗？
Brendan Foody：我们已经在做大量后训练。
我们聘请了 Edward Hu，他是 LoRA 的第一作者，发明了目前最主流的一种微调技术，后来也是 OpenAI o1 的核心贡献者。现在他负责 Mercor 的后训练团队，我们内部正在做规模庞大的定制化 Post-Training。
要知道一份数据集到底有没有用，最终我们必须真的拿它去训练。所以 Post-Training 是我们接下来会持续投入锻炼的一块核心肌肉。
同时，我们也是很多「RL 即服务」公司的重要客户，其中不少公司的第一个客户就是我们。客户有时会希望我们直接提供端到端的模型后训练交付，同时我们也搭建了一个整合所有「RL 即服务」供应商的市场平台，可以把各类工作流外包分发出去。
我们会以各种形态帮客户做模型 Post-Training，并与所有做后训练的 AI 初创公司和企业保持紧密合作。但这一切始终是围绕如何帮客户最大化发挥数据价值与合作 IP 的竞争优势展开的。长期来看，我们希望在选择与谁竞争、不与谁竞争这个问题上，保持足够的策略性与分寸感。
Nick Mecklenburg：在过去一两年里，你对这件事的心态发生过变化吗？
Brendan Foody：顶尖研究员一直都非常难招，这一点从来没变。变化在于，公司现在账上有数十亿美元现金、每月有数亿美元营收，终于拥有了雄厚的资本，去正面投入前沿 Post-Training 研发。
另一个变化在于，定制化 Post-Training 正在成为一个真正的市场，12 个月前还完全不是这样的。
背后的原因有三点。一是对于经济体中的相当一部分工作流来说，模型能力已经跨过了「能力够用」的门槛。不是每个场景都需要最前沿、最庞大的模型。针对特定工作流，用超大前沿模型蒸馏出一个定制的小模型，在成本结构上更合理。其次，企业的推理支出已经足够大，定制带来的成本节省开始有意义。第三，开源模型也在接近前沿闭源模型。
所有这些因素共同创造了一个非常好的市场条件，让人觉得在未来 5 年里，每一家初创公司和企业都需要对模型进行 Post-Training 才能保持自身的竞争力。
Nick Mecklenburg：你之前在推特上预测说，未来 3 个月内，会有前沿实验室推出或重启微调产品，直接下场与 RL-as-a-Service（强化学习即服务）公司竞争。但趋势似乎是反过来的，OpenAI 之前明明有微调产品，后来反而把它废弃了。为什么这次会不同？
Brendan Foody：当时的 SFT（监督微调）效果不太行，RFT（强化微调）也没真正跑通，几乎没人用起来。想用的人发现底层 Infra 很不好用，而前沿实验室没有投入精力去修，因为当时模型本身进步得太快了，市场上还没有足够的定制化微调需求。
现在，一个围绕后训练、RL 即服务及其配套产品的创业生态正在形成。三个月这个时间可能有些夸张，但如果市场继续按目前的趋势快速扩大，那么实验室最终一定会亲自下场做微调和后训练产品。
特别是在客户已经达到「够用阈值」的场景里，前沿实验室自己来帮客户从大基座蒸馏和训练小模型，身位优势无人能及。
Nick Mecklenburg：前沿实验室帮客户蒸馏更小、更便宜的模型，这难道不是在拿石头砸自己的脚、拉低自己的营收吗？
Brendan Foody：倒也不一定。从某些方面看，这确实会拉低他们的总收入，因为客户可能换成了更小的模型，或者单 Token 收费变低了。但这总比眼睁睁看着竞争对手靠成本优势把客户抢走，彻底丢掉这段客户关系和业务场景要好得多。
Nick Mecklenburg：你们也和 Ramp、Harvey、Sierra、Cognition 很多头部应用层独角兽联合推出了一系列垂直评测。为什么越来越多应用公司会参与建立评测？
Brendan Foody：这些应用层公司最独特的，是他们真正了解自己的用户怎么使用产品，哪些任务既真实，又有很高的经济价值。
至于他们为什么有极强的动力把这些核心场景贡献出来共建公开评测，还有一个战略原因。一家应用层公司赖以生存的根基，或者说他们在面对底层前沿模型时的防御力，很大程度上取决于他们能把前沿模型商品化到什么程度。
举个例子，如果 Claude 在编程上远远好于其他所有模型，应用层编程公司就很难和 Claude Code 竞争。
反过来，如果一家应用层公司向全世界发布一个贴合自身业务场景的公开评测，其他所有前沿实验室都会投入重兵去刷这个榜。这样一来，不同模型在这项能力上的差距缩小，整个生态都会在应用公司真正关心的任务上变得更强，单一前沿模型对应用公司的控制力也会下降。
未来会有越来越多创业公司和企业建立公开评测。从投入产出比来看，你只需要花 100 万美元就能造出一个公开评测，各大前沿实验室会砸下几亿美元去帮你刷这个榜。对应用公司来说，这是推动所有模型补齐自己所需能力的一种高杠杆方式。
Nick Mecklenburg：那应用公司为什么不能利用自己独特的洞察和优势，直接在内部拿来做 Post-Training 刷模型呢？
Brendan Foody：在某些情况下确实如此。所以实际上，他们手里既有对外发布的公开评测，同时也保留了一批私有的内部评测，并且在一些时候会直接拿来做内部 Post-Training。
这非常取决于具体语境，要判断业务里的哪些环节应该成为自己的竞争优势，哪些环节更希望被商品化。每一家应用公司都要做这个战略选择。
05 物理世界是数据采集的下一步
Nick Mecklenburg：前面聊的很多是数字世界里的后训练。到了物理世界或者机器人领域，故事会发生改变吗？
Brendan Foody：我非常认同英伟达的 Jim Fan 在一次演讲里提到的，在大语言模型早期，我们先是收集了大量的行为克隆数据来做 SFT 和 RLHF，就像今天机器人领域在大规模采集第一视角数据一样。而 LLM 之后走向了 RL 范式，也就是通过海量 Rollout 并给它们打分。Jim Fan 认为，这也将是机器人领域的终局。
我们在世界模型上也做了大量工作。因为数字世界和物理世界天然地高度交融在一起，我们为评测和 RL 构建的许多数据集，也非常适用于世界模型，我们也和很多做世界模型的公司合作。
Nick Mecklenburg：在物理世界里准备数据或构建评测，有什么独特的挑战？
Brendan Foody：我认为物理世界会成为数据采集的下一个大前沿，因为我们最终必须去衡量模型在物理世界里能做好什么、会搞砸什么。不仅包括大家常聊的低技能体力劳动，还包括电工、机械师、科学家等高技能领域。
举一个我们最近投入了大量精力思考和推进的物理世界场景，湿实验（Wet Labs，生物与化学实验室实验）。
客户找我们做这件事，是因为我自己根本不懂怎么做生化湿实验，AI 研究员们也不懂。我们需要三件事，一是找到真正懂化学、生物学、能亲手操作实验的专业人才。第二，在实验室里配齐相关的专业实验设备。第三，确保这些专家在所有合适的时间窗口都能到位并开展实验。如何把这一切协调好，在调度与物流上是一个极难的问题。
很有意思的一点是，我和像 NeoLabs 这样正在把物理世界自动化的头部公司聊过，他们当中的许多公司融了数亿甚至数十亿美元，并且计划把超过一半的资金花在数据上。因为数据就是限制他们提升模型能力的头号瓶颈。
除了重度依赖线下调度，物理世界在结构上还有两个数字世界没有的硬约束。
一方面，迭代速度慢。写代码可以快速运行和测试，但在物理世界里你没法用同样的速度去焊接修补一块电路板。这意味着，你很难直接套用「自动尝试—自动打分」的高频 RL 循环。
另一方面，物理世界的容错率极低。在软件编程里，你可以尽情地 Vibe Coding，写出来的东西跑不通直接扔掉重写就行，或者做个 A/B 测试看看效果。但为什么自动驾驶汽车聚集了全世界那么多绝顶聪明的大脑，还是熬了这么多年才落地？因为在物理世界里，哪怕 99.99% 的可靠性门槛依然不够。
电工、机械师，甚至让机器人洗碗都一样。你不可能容忍它有 40% 的概率搞砸，因为那可能会把所有盘子打碎，或者把厨房彻底弄得一团糟。
所以，物理世界所需要的极高可靠性门槛，正是我怀疑物理世界实现超级智能还需要好几十年的重要原因。
Nick Mecklenburg：在这种物理世界场景下，你会认为合成数据和环境反而重要得多吗？
Brendan Foody：不完全是合成数据，我会说「模拟」才是真正重要的东西。
比如有一个顶级的科学编程基准测试叫 SciCode，它收集了物理学博士们手里最难的科学问题。我们正在继续构建它，一个核心方向就是如何构建出能够预测湿实验运行效果的模拟器，从而把它转化为可以用于 RL 训练的环境。
只要我们能在代码里把物理实验模拟出来，哪怕只是一个粗略的近似模拟，就能把它变成前沿实验室可以顺着爬坡的可解问题。
Nick Mecklenburg：Sim-to-Real Gap 对你们来说是多大的问题？
Brendan Foody：极其关键。
所以刚才谈到如何把数据变现时，我说的第一点就是「真实度」。一份数据只有在能够预测经济体中某一部分的实际表现、并且人们愿意为此赋予价值时，它才真正重要。
Sim-to-Real Gap 非常关键，我们做的很大一部分工作，就是找出人们可能忽视的反常识缺口。
比如，我经常喜欢问别人，在他们的日常工作里，有多大比例的任务是需要和其他人打交道的？仔细想想，大多数工作都超过 50%。但今天的基准测试对此覆盖了多少？几乎是 0%。虽然有一些多轮交互，但并不包括和不同同事协作的场景。
所以，我们会研究各种可能的方法，在物理和数字世界的每个维度上衡量这种差距，再想办法弥合它。