年入3亿美元，斯坦福毕业生靠给OpenAI喂数据赚翻了

3月19日，OpenAI在其开发人员API上推出了o1-pro——o1推理AI模型更强大的版本。

所向披靡的Open AI，正在“创飞”一部分创业公司，只要Open AI想做某个业务，就会有一批初创公司宣告倒闭。不过，也有另一批小公司，正在OpenAI的生态之下生长。

Turing原本专注于远程的开发人才招聘，现在成为AI代码服务商——即组织工程师团队为OpenAI等公司提供代码支持。今年3月，Turing完成1.11亿美元的E轮融资，公司估值翻倍达到22亿美元，在数据标注领域仅次于Scale AI。

业绩方面，Turing创始人兼CEO Jonathan Siddharth 在社交平台高调宣布：公司2024年收入增长3倍，ARR（年度经常性收入）突破3亿美元，并成为“全球增长最快且盈利的AGI基础设施公司”。

我们试图从Turing的成长故事，挖掘大模型时代下，小企业的生存指南——在做原来业务的过程中，发现了新的机会，迅速切入AI，瞄准垂直而细分的市场。

Turing：从人才中介到AI“数据矿场”

Siddharth的创业故事，充满硅谷式传奇色彩。

2017年，Siddharth与斯坦福校友Vijay Krishnan创立的机器学习公司Rover被收购，这是一家利用机器学习进行深度个性化兴趣分析的公司。第二年，Siddharth就创立了Turing，利用AI技术为其客户优化人才匹配。

2020年的疫情期间，Turing获得迅速发展。因为疫情让许多公司不得不居家办公，同时也需要在线上招聘人才和管理团队，由此对Turing产生旺盛的需求。当时，Turing平台上有上百万的工程师和开发人员。对于雇主而言，使用Turing招聘可以节省50多个小时的面试时间，匹配成功率高达97%。

转折点发生在2022年。

当时Siddharth被邀请到OpenAI开会，他本来以为是去讨论招募工程师，去了之后才发现是要谈合作。OpenAI的研究人员发现，将代码添加到训练数据集中有助于提高模型的推理能力。比如，用Python代码解释“如何设计桥梁”，模型更易抽象出工程学原理。

为什么添加代码这么有用？因为代码有着严密的语法和逻辑结构，同时包含了大量的算法、数据结构等知识，有助于AI大模型学习到更抽象的语言规律。

在OpenAI眼中，Turing凭借庞大的工程师资源成为理想的“代码矿场”。OpenAI方面询问Siddharth是否可以组建一支程序员队伍完成特定的软件工程任务，以便推动OpenAI的下一个项目：GPT-4。

“我清楚地记得，他们当时的雄心壮志有多大，”Siddharth在接受 Semafor采访时说道。“他们对我们的要求非常高，想在短时间内获得大量数据。”

后来Siddharth接受了OpenAI提出的合作，一位知情的OpenAI前员工透露，Turing在帮助OpenAI提升性能方面发挥了重要作用。

当然，这场合作也为Turing开启了全新的业务方向。与 OpenAI合作以来的近三年里，许多基础模型提供商以及AI模型公司都成为了Turing的客户，而且其数据标注的能力范围已超越了编程代码领域，逐渐涉及各行业的专业数据。

比如，谷歌就从2023年下半年开始跟Turing合作。从编程代码任务开始，二者达成了价值数百万美元的合作。

目前，Turing大约60%的收入来自希望训练及提升AI模型能力的客户，40%的收入来自为利用AI升级业务的客户提供咨询服务。

“资源-效率-社区”三板斧，筑牢护城河

随着Turing跟AI公司的合作逐渐深入，资本也对其产生了兴趣。

Turing的E轮融资，由马来西亚主权财富基金 Khazanah Nasional Berhad领投，其他参投方包括 WestBridge Capital、Sozo Ventures、UpHonest Capital威诚资本、AltaIR Capital、Amino Capital丰元创投、Plug and Play、MVP Ventures、Fortius Ventures、Gaingels 和 Mastodon Capital Management。

这些投资机构之所以押注Turing，在于它的几大优势。

首先，AI大模型的整个训练和运行，其实都非常依赖数据标记和数据投喂。

数据标记，其实就是对图像、文本、语音等数据进行标注，以便机器学习模型能够识别和分类这些数据。尽管自动化工具涌现，但数据标注仍高度依赖人类。目前，Scale AI已经成为头部的数据标注服务商。其拥有庞大的数据标记师团队，大多是来自非洲、印度和菲律宾的廉价劳动力。根据The information报道，Scale AI的年化收入至2024年5月已经突破10亿美元，估值突破138亿美元。

不过，人类对大模型推理能力要求在不断提高。大模型除了需要传统的数据标注，还需要代码输入，说白了就是从“体力劳动”转向“脑力协作”。Bloomberg Research指出预计到2032年模型训练市场价值2470亿美元，模型推理市场价值2970亿美元，总价值超过5000亿美元。Turing就是处在在这一趋势上，即通过代码生成优化大模型的推理能力，资本自然对其抱有期望。

另外，Turing自身的“资源-效率-社区”特性，也筑牢了发展的护城河，提升了资本的信心。

资源领域，Turing拥有覆盖140个国家、超400万程序员贡献的代码，涵盖金融、生物、制造等垂直领域，能够形成差异化语料库。效率领域，在庞大资源的基础上，Turing凭借算法能够提升客户跟工程师的匹配效率，降低撮合成本。社区领域，工程师通过贡献代码获得高薪和成长，形成“贡献越多→技能越强→收入越高→吸引更多工程师”的正循环，从而推动Turing平台的壮大。

随着大模型的加速发展，资本认为Turing凭借这三板斧能够开拓更广阔的成长空间。更何况，AI基建赛道是个极为烧钱的领域，但Turing罕见地实现盈利，这也是吸引资本的重要一点。

DeepSeek时代：数据标记会消失吗？

虽然Turing发展地如火如荼，但很多人质疑其未来的发展空间。

他们认为越来越多的AI大模型能自动标技数据和生成代码，比如DeepSeek就能对数据进行自动标记和整理，还能通过自然语言描述生成代码。这意味着，Scale AI旗下的数据标记师、Turing旗下众多的程序员会面临淘汰风险。

事实上，完全抛开人类实现大模型的迭代是不现实的。

因为模型越复杂，越需要人类进行精准且高效的“数据指导”。比如，自动驾驶模型需要标注极端场景数据，医疗模型需专家验证病理特征，这些都无法完全依靠自动化的机器。另外，AI生成的代码仍需人类审核与优化。最优秀的AI代码生成器，一定由人类编写的代码训练而成。

Siddharth就描绘了一幅人类和AI共同推动大模型发展的图景，比如如果要求大模型分析顶级风险投资公司，它首先会利用金融专业人士的知识了解要寻找哪种数据，然后利用人类的编码知识编写一个脚本，访问相关数据并将其转换为正确的格式，接着做出深度的分析。

Siddharth表示，OpenAI的最新模型是给程序员的礼物，而不是生存威胁。

事实上，AI不是取代人类，而是放大人类的智慧。人类跟AI是可以共同协作的——人类进行数据标注和提供专业知识，AI将其转化为数据和逻辑，二者共同喂养更强大的模型。

数据就是数字化时代的原料，是21世纪的石油。当资本疯狂涌入大模型时，Turing的崛起揭示了一个趋势：

AI的“灵魂”不止于数据和算法，还在于数据背后的人类痕迹。工程师的每一行代码、医生的每一次诊断，都能成为喂养AI的养料。人类和AI之间是共生关系，而不是零和博弈。

*:not([class*=”icon”]):not([class*=”fa”]):not([class*=”logo”]):not([class*=”mi”]):not([class*=”code”]):not(i){font-family:PingFang SC,Arial,”Material Icons Extended”,stonefont,iknow-qb_share_icons,review-iconfont,mui-act-font,fontAwesome,tm-detail-font,office365icons,MWF-MDL2,global-iconfont,”Bowtie” !important;}[class*=”code”]{font-family: Consolas !important}