先拚營收再拿錢：從教室走入董事會的前數學老師

相較於多數新創急著尋找創投救命錢，Poindexter Labs 的故事有個耐人尋味的開端。創辦人 Jocelyn D'Arcy 過去曾是一名數學老師，她在引進任何外部機構資金之前，就憑藉著產品本身的力量，將公司營收「自舉」（Bootstrap）到 160 萬英鎊 。

一家 AI 基礎設施新創在種子輪前就能創造七位數英鎊的營收，這在當前的融資環境中極為罕見，也暗示了市場對於「高品質專家資料」的迫切需求。D'Arcy 將既有的 AI 資料供應鏈稱之為「破碎的」管線 ，而她的解法並非創造更多資料，而是創造「更聰明」的資料。

專家推理：新時代的資料瓶頸

為什麼傳統的資料標註模式失效了？因為訓練一個能解複雜微積分、建構法律論點，或進行多步驟物理證明的模型，需要的不只是一個「正確答案」。模型必須學習專家的「思考過程」——也就是所謂的思維鏈（Chain-of-Thought）。傳統的標註平台多半設計給線性、單人單次判斷的工作流程，難以捕捉這種非線性的深層邏輯脈絡 。

Poindexter Labs 的核心使命，就是生產它們所謂的「高擬真訓練與評測資料集」。這些資料集不僅涵蓋科學、技術、工程、數學（STEM）領域，更擴及法律、醫學、金融與工程等高度專業的範疇。資料內容包含完整的證明過程、跳躍式推論（Multi-hop）、思維軌跡與詳細的解題步驟日誌 。

Syncronus：把標註生產線變成頂尖期刊的審查室

Poindexter Labs 的技術護城河來自於其平台「Syncronus」。有別於將工作發包給孤立個體的傳統眾包模式，Syncronus 採用了結構化的「協作式同儕審查」機制 。

在這個封閉且經過嚴格審查的網路中，參與者並非一般的標註工，而是奧林匹亞獎牌得主、博士與大學教授 。平台上一個典型的任務流程是這樣的：某位專家先原創一道電腦科學難題，並附上包含手稿推理、步驟紀錄與 LaTeX 修改紀錄的完整解題過程證據；隨後，這份解題內容會交由另一位獨立專家進行正確性與清晰度的審查 。

這樣產出的並非死板的問答對，而是專家認知過程的完整「紙本軌跡」。這些資料能直接被用來進行 AI 模型的指令微調（Instruction-tuning）、建構推理課程，或執行中小規模的模型微調（Fine-tunes）。Poindexter 除了將 Syncronus 平台授權給想自行策展資料的企業與政府單位外，也直接提供「一站式」的內部資料標註服務，交付經過同儕審查的成品資料集給前端 AI 實驗室 。

資金到位後的下一步

獲得這筆 200 萬英鎊資金後，Poindexter Labs 將雙軌加速布局。一方面，公司將投入更多資源在 Syncronus 平台的技術開發上，讓專家協作流程更加流暢；另一方面，隨著前端 AI 實驗室對「推理級」訓練與評測資料的需求持續升溫，該公司也將大舉擴張其專家貢獻者網路的規模 。

在 AI 模型追求通用人工智慧的狂潮下，Poindexter Labs 這類「以人為本」的精英資料網路，正逐漸成為決定模型推理能力的關鍵軍火庫。

先拚營收再拿錢：從教室走入董事會的前數學老師

相較於多數新創急著尋找創投救命錢，Poindexter Labs 的故事有個耐人尋味的開端。創辦人 Jocelyn D'Arcy 過去曾是一名數學老師，她在引進任何外部機構資金之前，就憑藉著產品本身的力量，將公司營收「自舉」（Bootstrap）到 160 萬英鎊 。

一家 AI 基礎設施新創在種子輪前就能創造七位數英鎊的營收，這在當前的融資環境中極為罕見，也暗示了市場對於「高品質專家資料」的迫切需求。D'Arcy 將既有的 AI 資料供應鏈稱之為「破碎的」管線 ，而她的解法並非創造更多資料，而是創造「更聰明」的資料。

專家推理：新時代的資料瓶頸

為什麼傳統的資料標註模式失效了？因為訓練一個能解複雜微積分、建構法律論點，或進行多步驟物理證明的模型，需要的不只是一個「正確答案」。模型必須學習專家的「思考過程」——也就是所謂的思維鏈（Chain-of-Thought）。傳統的標註平台多半設計給線性、單人單次判斷的工作流程，難以捕捉這種非線性的深層邏輯脈絡 。

Poindexter Labs 的核心使命，就是生產它們所謂的「高擬真訓練與評測資料集」。這些資料集不僅涵蓋科學、技術、工程、數學（STEM）領域，更擴及法律、醫學、金融與工程等高度專業的範疇。資料內容包含完整的證明過程、跳躍式推論（Multi-hop）、思維軌跡與詳細的解題步驟日誌 。

Syncronus：把標註生產線變成頂尖期刊的審查室

Poindexter Labs 的技術護城河來自於其平台「Syncronus」。有別於將工作發包給孤立個體的傳統眾包模式，Syncronus 採用了結構化的「協作式同儕審查」機制 。

在這個封閉且經過嚴格審查的網路中，參與者並非一般的標註工，而是奧林匹亞獎牌得主、博士與大學教授 。平台上一個典型的任務流程是這樣的：某位專家先原創一道電腦科學難題，並附上包含手稿推理、步驟紀錄與 LaTeX 修改紀錄的完整解題過程證據；隨後，這份解題內容會交由另一位獨立專家進行正確性與清晰度的審查 。

這樣產出的並非死板的問答對，而是專家認知過程的完整「紙本軌跡」。這些資料能直接被用來進行 AI 模型的指令微調（Instruction-tuning）、建構推理課程，或執行中小規模的模型微調（Fine-tunes）。Poindexter 除了將 Syncronus 平台授權給想自行策展資料的企業與政府單位外，也直接提供「一站式」的內部資料標註服務，交付經過同儕審查的成品資料集給前端 AI 實驗室 。

資金到位後的下一步

獲得這筆 200 萬英鎊資金後，Poindexter Labs 將雙軌加速布局。一方面，公司將投入更多資源在 Syncronus 平台的技術開發上，讓專家協作流程更加流暢；另一方面，隨著前端 AI 實驗室對「推理級」訓練與評測資料的需求持續升溫，該公司也將大舉擴張其專家貢獻者網路的規模 。

在 AI 模型追求通用人工智慧的狂潮下，Poindexter Labs 這類「以人為本」的精英資料網路，正逐漸成為決定模型推理能力的關鍵軍火庫。