Jonathan Siddharth 谈 AI 训练数据、企业智能体与工作的未来

Harry Stebbings 采访 Turing 创始人兼 CEO Jonathan Siddharth，讨论 AI 训练数据、企业部署和工作的未来。Siddharth 销售训练及实施服务，因此他的市场预测和公司主张带有直接商业利益。

Siddharth 不赞成仅将 Turing 描述为人才平台。他说，公司帮助训练前沿模型，并与八家领先实验室中的七家合作。客户数量及他对公司角色的描述都是公司主张，并非经过独立验证的市场覆盖数据。

他看到训练中的三个变化：数据任务变得更复杂，模型越来越多地依据实际工作而非考试接受评估，开发者正训练系统使用工具并执行多步骤流程。他的例子说明了这一转变，但不能证明现有系统可以可靠地完成所有这类工作。

他将监督微调解释为从示例输入与输出中学习，将基于人类反馈的强化学习解释为利用偏好来塑造回答。他说，智能体训练还需要工具使用能力：系统在实现目标时可能调用 API 或操作软件。

一种设想中的训练环境用合成数据重建业务工具。智能体可能为销售电话做准备、查看 CRM 并更新记录；验证器随后检查结果。Siddharth 说，任务不能简单到智能体总能成功，也不能困难到它无法获得有用反馈。

他说，Turing 在不同行业、职位和工作流程中构建这类环境。Stebbings 问，广泛覆盖和质量能否同时实现。Siddharth 预计这需要时间，认为市场仍处早期；访谈没有验证公司是否覆盖每一种可能的流程。

他将 Turing 称为研究合作伙伴和数据供应商，并说企业部署帮助公司看到模型在真实场景中的失败之处。他提到了几家企业客户，并说模型训练业务大于企业业务，但没有提供经审计的收入占比或项目结果。

对于一种可能的保险流程，他描述了使用较小模型、客户专有记录和人工审查来辅助承保。他认为，专用模型可能有利于延迟、准确性或数据控制。这些是拟议设计选择，不能证明某个具体模型准确或适合保险决策。

他说，客户可能部署经过微调的模型并连接内部工具，从而将机构知识用于流程，而不与竞争对手分享。处理敏感医疗信息还依赖保障措施和监督，而访谈没有说明这些措施。

Siddharth 预计企业业务会增长，但表示仍处早期。随后他预测，所有涉及电脑和工具的数字知识工作最终都会自动化。这是来自一家销售 AI 服务公司的 CEO 的长期预测，而不是已经具备的能力或既定就业结果。

Stebbings 质疑这一速度，指出大型组织存在数据分散、采购程序和旧系统等问题。Siddharth 说，采用更好工具的竞争者可能给现有企业带来压力，但他同意后台的变革管理可能缓慢。

Siddharth 对企业能看到直接潜在收入收益的前台应用更乐观，包括金融和药物研究。这些是关于采用的假设；访谈没有证明此类应用能可靠地改善投资或临床结果。

主持人问，预算是否真的正从人力转向技术。Siddharth 指出客户支持、文案和搜索相关营销等领域变化较快。他没有提供经过测量的预算转移数据，也没有证明整个职业类别已经消失。

他引用 OpenAI 关于职业任务的 GDPval 研究，称领先模型有时能产出与专家工作相当的结果。访谈没有充分说明研究的评估设计、任务范围或不确定性，不能将其近似数字推广到所有工作，也不能据此宣称完全自主。

被问及广泛自动化之后会发生什么时，他设想个人生产率大幅提高，非技术创始人可以使用 AI 助手，而无需一开始就组建大型团队。他提出的百倍生产率和同时经营许多公司是推测性情景，而非测量结果。

Stebbings 担心收益分布不均可能扩大不平等。Siddharth 认为，以较低成本获得专业知识可以扩大机会，但讨论没有提供证据证明访问机会、质量或收益会均匀分配。他对治愈疾病及其他突破的期待只是可能性，并非已确立的结果。

当技术本身更容易复制时，Siddharth 预计数据驱动的反馈循环会成为重要优势。他以搜索为例：用户查询和互动可以帮助产品改进。这是他对机制的解释，不能证明数据单独决定竞争成败。

他认为，企业部署让客户在真实工作流程中遇到的失败形成反馈，这些信息可以指导进一步评估和训练。Turing 在这一领域提供服务，因此所提反馈循环也是其商业逻辑的描述。

实际第一步往往不像模型演示那样顺畅：公司数据可能存在电子表格和互不连接的系统中。Siddharth 说，团队必须获取并整理数据、建立评估、集成工具，并培训员工使用重新设计的流程。

他描述让 AI 系统与人并行工作一段时间，以便管理者比较输出。差异可能表明需要培训员工或补充模型数据。他说，一次错误不足以构成解雇理由；应长期使用适当指标评估表现。

被问及企业业务的利润率和定价时，Siddharth 说两者各不相同，公司仍在学习如何定价。他说目前按时间收费，最终可能转向基于价值的定价；访谈没有提供经审计的单位经济数据。

Stebbings 问，行业宣传数字究竟是收入还是平台交易总额。Siddharth 拒绝评价竞争对手，并说 Turing 按公认会计准则考虑收入。他补充说，即使客户需求反复出现，项目也会开始和结束，因此这与传统 SaaS 年经常性收入不同。

他说，客户会与几家值得信赖的数据合作伙伴合作，以增强韧性并促进价格竞争；他还描述了项目之间的保密隔离。这些是他所呈现的公司做法和市场观察，访谈没有独立审计相关控制措施或供应商收入。

Siddharth 称赞 Scale AI 创始人 Alexandr Wang，并说 Scale 发生变化后 Turing 的需求上升。他拒绝评判竞争对手的当前业务。他对需求变化的叙述来自 Turing 高管，没有披露合同层面的证据。

被问到模型实验室客户集中于少数机构时，他说自己并不特别担心，并将这种情况与半导体客户集中作比较。他还预计政府会投资本地模型能力。比较和未来需求都是他的观点；他没有披露 Turing 的客户集中度。

Stebbings 提出 AI 投资泡沫和近期收入不及预期的可能性。Siddharth 引用当前模型能力及可能的改进，表示自己没有看到泡沫。但技术有用本身不能证明每一项投资定价或未来收入预测都合理。

他把模型潜在能力与用户目前实际获得的能力之间的差距称为“能力悬置”。更好的上下文、工具集成、评估和人机协作可能缩小部分差距。他举例设想自动化 Stebbings 的部分片段筛选流程；现场没有展示已部署的结果。

对于企业试点，他再次强调数据准备、适当的支撑框架和评估。他将人与模型并肩工作的部分自主模式描述为某些任务的中间设计。系统能否在没有审查的情况下安全行动，取决于具体任务和证据，不能一概而论。

他预计，一些熟悉的任务，例如某些客服流程，可能需要较少的中间人工介入，而专业法律工作可能需要私有数据和微调。这些只是可能的设计例子，不能证明当前系统可以独立处理所有客服或法律决策。

谈到循环投资和基础设施交易，Siddharth 认为，期待先进通用 AI 的公司可能把大规模前期投入视为竞争所需。他相信潜在回报巨大。这是他的理由和推测性展望，并非对交易财务可持续性的评估。

Siddharth 预测，随着应用更容易构建、模型供应商进入应用市场，以及智能体通过界面或工具操作软件，传统 SaaS 将受到冲击。他将这些视为现有产品可能面临的风险，而不是所有 SaaS 已经终结的证明。

Stebbings 不同意。他认为，企业使用许多需要维护和保障安全的应用，高度专业化的垂直产品也可能保有优势。他明确指出自己作为此类公司投资人的偏向；两人没有解决最终竞争结果。

Siddharth 建议比较主持人投资组合的软件使用情况如何随时间变化。他还预测，如果 AI 让非传统工程师能够创建产品，更多人将成为软件构建者。这扩大了“构建者”的定义，并非对传统软件工程岗位数量的预测。

他说，软件增多可能让发现合适工具更困难，并设想智能体代表用户寻找工具或与其他智能体交流。他举出的投资智能体同时进行许多对话，是对未来工作流程的推测。

被问到手机是否会继续成为主要界面时，Siddharth 设想将摄像头、音频和记忆结合的常开设备，可能采用眼镜或耳机形式。他说，具体形态尚不确定。这类设备也会处理周围环境中的敏感信息，但访谈没有讨论隐私或同意机制的设计。

他预计，寻求韧性和竞争的实验室会由少数数据训练供应商服务，并认为机器人与具身 AI 是相对早期的机会。他认为供应商需要适应不断变化的模态、语言和学习方法；这些是市场参与者的预测。

在快问快答中，他重申自己更倾向于 AI 渐进发展，而不是突然起飞。他希望这能让机构有时间准备教育和劳动力，但进步较慢并不保证能够避免岗位替代。

他称赞中国模型开发者取得的进展，并说企业可能基于成本、定制能力和易用性混合使用开放与封闭模型。他主张谨慎释放某些强大的前沿能力；这些是他的政策判断，而非对所有模型风险的比较。

Siddharth 说，他的管理观点已从招聘领导者后退居幕后，转向与团队及客户密切合作。他认为直接了解客户问题和工程细节有助于决策，但不同组织可能选择不同的运营方式。

他描述了 Turing 从分布式结构转向旧金山和帕洛阿尔托办公室，并计划在伦敦设点。这一变化不受部分员工欢迎，他说有些人因此离开。访谈没有衡量新安排是否改善了留任或产出。

展望未来，他对 AI 辅助发现、自动化 AI 研究以及扩大个人能力的工具感到兴奋。他用虚构的自主战衣作类比，表达的是未来技术愿景，不能证明超级智能或医疗突破即将到来。