本期《World of DAAS》由 Oren 主持，对话嘉宾是估值约 22 亿美元的 AI 数据公司 Turing 联合创始人兼 CEO Jonathan Sadar。Turing 为 OpenAI、Google、Meta、Anthropic 等前沿实验室提供编码与推理数据，同时服务大型金融、媒体等企业构建”专有智能”。这场 55 分钟的长谈围绕一个核心判断展开：通往超级智能的瓶颈已经从算力转向人类智能，而 Turing 要做的是一座规模化数据工厂，去自动化一张覆盖 30 万亿美元数字知识工作的”四维矩阵”。
一、开场：瓶颈从算力、数据转向人类智能
主持人 Oren 开场点出一个行业共识的迁移：过去 AGI 与 AI 进步的瓶颈先是算力，再是数据，而如今瓶颈变成了人类智能（human intelligence）。Jonathan 认同这一判断，并给出通往超级智能的三大支柱：其一是算法与模型架构的创新，这是前沿实验室做得极为出色的部分；其二是算力、规模与能源侧的创新；其三就是数据侧的创新与规模化。Turing 正是为第三根支柱供能，使命是”以驱动真实经济进步的方式加速超级智能”，具体通过两条腿走路：一边与所有前沿 AI 实验室合作，构建高质量数据帮助模型完成各类认知任务；一边与全球最大的金融机构、媒体公司合作，帮助它们端到端构建解决真实企业问题的”专有智能”（proprietary intelligence），把企业流程自动化。
二、四维矩阵：30 万亿美元数字知识工作
Jonathan 用一个”四维矩阵”来框定可被自动化的知识工作。第一维是每一个行业：金融服务、生命科学、医疗、零售等；第二维是组织里的每一个职能：软件工程、产品管理、销售、市场等；第三维是该职能组织架构里的每一个岗位，例如在财务里有 CFO、FP&A 总监、会计主管；第四维是人类完成的每一个工作流，例如 CFO 准备董事会材料、准备月度报表的完整流程。
他估算这张矩阵覆盖的数字知识工作高达 30 万亿美元——这是”我的工作、你的工作、每个坐在电脑前的人的工作”；若再加上机器人，市场规模约 110 万亿美元。人坐在电脑前，看屏幕、分析数据、使用不同工具、用键盘鼠标驱动动作。他把底层积木归纳为四项：多模态（处理音频、视频、图像、文本输入）、推理、工具使用、编码。他的假设是：只要掌握这四项，就能完成电脑前的任何事。Turing 正在大规模扩建”数据工厂”，为矩阵里的每一个格子生成数据，为模仿学习（imitation learning）与强化学习（RL）两种范式供能。
三、数据工厂：雇佣投行家、医生、律师复刻真实工作环境
为了给模型供数，Turing 会雇佣投资银行家、医生、律师等专家，复刻他们完整的工作环境，搭建一套系统来采集数据。Jonathan 解释，模型今天之所以”数据饥渴”，是因为互联网、人类已写就的书籍这些”容易吃到的知识”已经吃完、已经进入模型；新的数据必须由这些专家在拟真工作环境里产生。公司先建人才平台，再在其上建数据生成平台，服务模仿学习与 RL，覆盖矩阵的每一格。
四、模型如何训练：预训练、SFT、RL 与可验证域
在解释”为什么今天模型还做不到”之前，Jonathan 先高层梳理了训练流程。第一步是预训练：模型被喂入整个互联网，学会自动补全，建立对世界的丰富表征；随后是后训练，先做监督微调（SFT），再做强化学习——公司雇佣人类承包商教模型如何进行单轮、多轮对话，人类再生成数据训练奖励模型，让模型知道人类偏好哪种完成方式。而在代码、数学这类可验证域，模型可以自己做 RL：自己探索哪些路径通向奖励、哪些不通。
五、”帮我买双鞋”：智能体今天为什么掉链子
主持人举了一个朴素例子：让 AI 去买鞋，即便说清买哪双，模型也拿不到鞋——它不知道信用卡、不会登录、不会走完流程。Jonathan 拆解了其中隐含的人类知识：理想的 EA（执行助理）要先知道 Oren 的鞋码（这就是记忆的重要性）、偏好品牌（Nike 还是 Adidas）、预算、多久要；然后要会用工具，打开浏览器去 Amazon，识别评分低、两星、可疑的卖家，选更可信的卖家，甚至装 Honey 浏览器扩展找折扣码，还要知道收货地址、与卖家沟通是否临近促销。
这一切又回到四根支柱：多模态（看鞋图、理解屏幕、与人对话）、推理（先问清鞋码、品牌、预算、时效，先补上下文再行动）、工具使用、编码（比如写一段 Python，用类似 Yelp 评分斜率的复杂算法判断该选哪个卖家）。模型之所以做不到，是因为互联网 token 里根本不存在这条推理链——除非真有 EA 写过一篇”如何给 Oren 买鞋”的博客。
六、智能即 API：一种”复合智能”的异类
Jonathan 提出一个有趣视角：智能是一种 API，但它是一种与人类不同的”异类智能”，是不同领域不同人类的复合。普通人招一个设计师，设计师只在设计上突出；而调用前沿模型这一个 API，你同时得到了最好的设计师、最好的 UX 前端开发者，甚至心理学家、营销说服专家的智能，全部烘焙进同一组权重。这种”复合智能即 API”非常惊人。
七、被低估的模型能力余量，与企业的 10% 利用率
与消费者”每天期望涨得比能力快”的落差相反，Jonathan 在企业侧看到的是显著的”模型能力余量”：模型实际能做的远多于企业今天榨取的。以保险公司核保员为例，把非结构化信息转成高/中/低风险评分、定保费，仅靠好的系统提示词与用户提示就能做很多；下一步是教模型用工具，再下一步是好的 RAG 系统让模型自行组织上下文，再往上是 SFT，再往上是 RL 后训练。即便所有前沿实验室今天停下进步，仍有巨大的经济生产力可释放；而最前沿的企业用户也只用了现有能力的不到 10%，因为一切太新，公司与流程还没来得及重构。
八、数据飞轮：前沿实验室与企业 AI 互相喂养
谈到如何在疯狂竞争中避免同质化，Jonathan 引用 Peter Thiel”竞争是给失败者的”，并说 Turing 刻意构建复利循环。与其他数据标注公司不同，Turing 自我定位为”超级智能加速器”，类似 Nvidia：既服务前沿实验室，又服务企业 AI。服务前沿实验室让它知道前沿在哪，成为企业 AI 的优秀伙伴；服务企业又让它看到模型在真实场景哪里崩——比如读跨页表格的 PDF、调用某个工具出错、看仪表盘取数出错、做 DCF 估值算错——这些失败模式被抽象成数据集，反过来告诉前沿实验室该补什么数据。一边强化另一边，形成由人才平台与数据平台放大的数据循环。竞争的方式是拥有极高的学习率，比任何人学得都快。
九、SaaS 已死：两层含义与中间层红海
Jonathan 提出”SaaS 已死”，包含两层。其一，过去复杂软件、AI 应用都很难自建，公司要挖斯坦福 NLP 博士、花六个月采数据、做特征工程、主动学习，研发成本被摊薄给客户；如今智能下沉到基座模型层，定制软件成本趋近于零，公司工程师会自己建大量内部定制工具，购买第三方软件的需求下降。其二，传统 SaaS 是为人点菜单、点 GUI 设计的，而在计算机使用智能体、工具调用智能体时代，软件并不是为被 agent 调用而设计的，未来会有更多工具调用智能体直接调 API 行动。
他判断：模型层会”闪电式”吃掉一部分；另一边，企业会用自己专有数据微调小模型、蒸馏自己的人类智能，建内部版 ChatGPT；夹在中间、为单个自动化点方案做 agent 的”点解”层则是红海——路上随处可见”自动化销售/自动化 SDR”的广告牌。他借 Thiel 的口吻说，一个写着”面向 X 的 AI agent”的路演大概会被直接过滤掉。
十、掌握数据层：绕过 SaaS 直连源数据
他以沙特公司 Humane One 为例说明另一种路径：传统 SaaS 应用大多只是包在数据库外的一层 UI；如果自己掌控 ground truth 数据层，就可以让一组 agent 直接与人交互，不需要中间的 SaaS。以招聘为例：未来你直接对 agent 说”我要招一名 RL 工程师”，它会查 Turing 知识库、写定制 JD、更新官网、扫描邮箱、把职位发到 LinkedIn，收到申请自动归档、安排初筛、约面试、排日历——全程不依赖 Greenhouse 这类 ATS，只要维护好候选人数据库与数据模式。这套逻辑可迁移到销售、Jira 项目管理等一切领域：谁控制数据层，谁就不需要中间的 SaaS。
十一、为什么主动盈利：造一家能活几十年的公司
主持人披露自己是 Turing 的投资人，并问为何选择盈利运营。Jonathan 说公司早前已实现盈利，用来向自己证明这门生意有极好的单位经济模型；如今重新踩油门加速。他的目标不是”融下一轮再卖”，而是造一家能持续几十年的长青、世代公司，对标 Google、SpaceX、Tesla、Apple。行业太新、变化太快，必须先验证单位经济成立，才敢全力加速。
十二、品牌命名：Alan Turing 与图灵测试的双重含义
谈到品牌，Jonathan 说 Turing 一名刻意取自计算机科学之父、AI 之父 Alan Turing，”图灵测试”暗示未来你分不清对面是人还是 AI；同时 Turing 也是一个动词式的名字，两音节、六个字母、简单易记，类似 Tesla。他回忆在 Palo Alto 的 Page Mill Road 上开车时定名，第一候选与第二名差距悬殊。他还预判未来 AI 会让人变得更好、人也通过持续微调循环让 AI 更好，二者相互交织。
十三、快问快答：反阴谋论与”微观管理是坏建议”之辩
被问到相信的阴谋论，他给出一个”反阴谋论”：AI 不会把人全部自动化出局，30 万亿美元知识工作最终都会是 human-in-the-loop 系统，人始终需要——人们常把超级智能等同于完全无人驾驶，但二者不同。被问”通常被当作坏建议的常识”，他反驳”微观管理是坏的”这一流行说法：领导者必须深入细节、贴近写代码的人和客户，应打造优秀团队、强力推动，但保持贴地、扁平操作；CEO 不需要深入一切，而要像 Elon 那样每周挑出最关键的那个瓶颈，带着团队深挖解决。
十四、领导能量与第五阶段文化
最后 Jonathan 分享个人心法：他如今不只优化结果，也优化内心的享受度，每天做”能量审计”，记录今天的享受分、峰值时刻与最耗神的环节，据此好奇并修正。他引用 Phil Jackson《11 Rings》的五阶段文化：从”人生糟透了”的帮派文化、”我很惨”的冷漠文化、”我强你弱”的孤胆英雄文化、”我们强你弱”的团队文化，到罕见的第五阶段——天真的惊奇感与”人生很棒”，不被竞争定义，可以与对手击掌，却仍在战场上享受战胜对方。他希望 Turing 成为第五阶段文化的公司。对话在主持人与嘉宾的轻松交流中结束。