Fireworks 创始人 Lin Qiao：未来不是一个 AGI，而是百万个专用模型

▍嘉宾：乔琳（Lin Qiao）

乔琳是 Fireworks AI 联合创始人兼 CEO，AI 基础设施领域最受尊敬的工程师出身的创业者之一：

• 技术根基：第一代移民，2000 年赴美，博士攻读计算机科学分布式系统方向、专攻数据库
• 创业前夜：先后在研究院与领英（LinkedIn）构建数据系统与产品，2015 年本已准备创业，自认“带人”的能力不足而按下暂停键
• Meta 七年：加入当时如日中天的 Facebook 一待七年，成为 PyTorch 创始团队成员、负责 AI 基础设施
• 48 岁创业：2022 年与六位联合创始人在加州创立 Fireworks AI，押注当时无人关注的推理赛道
• 投资人视角：Harry 称这是其十年投资生涯最容易的决定之一——15 分钟见面即开出 1000 万美元支票

▍关于 Fireworks AI

Fireworks AI 是一家专用智能平台公司：不卖通用 API，而是帮企业在开放权重模型上做定制微调，并针对各自负载优化推理部署（“one size fits one”）。

• 规模：每天处理超 40 万亿 token，大部分流量来自定制模型；本期录制时 ARR 8 亿美元、员工约 200 人；2026 年 7 月年化营收达 10 亿美元，同月完成 15 亿美元 D 轮融资、估值 175 亿美元
• 客户：从 Cursor 等主要编码公司起家，扩展到法律、金融、客服、招聘等“协同工作”类应用，盖可、第一资本等传统企业主动上门
• 后续进展：2026 年 9 月完成员工股份出售，估值与 D 轮持平；据报道正洽谈新一轮融资，目标估值 300 亿美元

15 分钟聊出的 1000 万美元支票

Harry： 这里是 20VC，我是 Harry Stebbings。今天坐上热席的是一位我只谈了 15 分钟就开出 1000 万美元支票的创始人——乔琳（Lin Qiao），Fireworks 创始人。这是我十年投资生涯里最容易的投资决定之一。

第一，团队是世界顶级，而且他们共事多年。第二，推理市场。它正在疯狂增长，将成为全球最大的市场之一。第三，业务进展。说实话我为此挨过骂——人人都说，“Harry，别再说 triple, triple, double, double 了，那套已经过时了。”可事实就是这样，这就是残酷的现实：当你能投到一家四年做到 10 亿美元 ARR 的公司，你就该投。

第四，招人能力。最优秀的创始人能把世界上最好的人招进来。Lin 刚刚请来了乔治·胡（George Hu）——前 Salesforce 总裁。第五，上行空间。这家公司能赚多少钱？如果你相信 AI 会改变我们的生活方式，相信我们会活在一个多模型并存的世界——有通用模型也有专用模型——那么说实话，Fireworks 可以是一家 5000 亿美元的公司。我不知道你怎么想，但这趟列车正在离站。

Harry： 各位，目的地到了。Lin，我太期待这期了，听到了太多关于你的好评。我刚和你的联合创始人迪马（Dima）通过电话，还聊过林君叡（Alfred Lin）、Sonia、Matt Miller 等等。谢谢你来做客。

我听说埃里克·维什里亚（Eric Vishria）有条规矩：不投大公司出来的总监。但他在你身上破了例，这很不寻常。

Lin： 我也这么觉得。说个好玩的：我们握手敲定之后，他专门打来电话，说他跟一位顾问聊过，顾问追问他：你见过几个大公司高管创业成功的？寥寥无几。他把这个转告给我，我吓了一跳——这是要反悔吗？当然不是。但从那以后我们合作得非常紧密。Eric 是最好的投资人之一。

Harry： 你创业的时候已经 48 岁了？在这个大家追捧 15 岁创业的时代，这算很晚了。作为一个 48 岁的创始人，你怎么看这件事？

Lin： 我没认真想过这个问题。我一直想拥有一家自己的科技公司，其实 2015 年就想创业了。我是第一代移民，2000 年来的美国，博士读的是计算机科学的分布式系统方向，专攻数据库。数据库是一个非常讲究权衡的系统，要同时优化很多目标。进研究院之后，数据处理链路的每个环节我几乎都摸过。

后来我去了领英（LinkedIn），更进一步，去做能真正驱动业务影响的系统和产品。那时我觉得自己准备好了：技术都懂，知道要做什么产品，商业计划书有了，连想拉谁一起创业的名单都列好了。

但我认真想了想，还是按下了暂停——因为我觉得自己还不具备“带人”的能力。创业不只是产品和技术，归根结底是人。我决定去一个能让我学到最多“带人”本事的地方。当时最好的选择是 Facebook——硅谷正在升起的新星。我暗自计划学一年就出来自己干，结果一待就是七年。

专用智能：智能的前沿在私有数据里

Harry： 做 Fireworks 的时候，你在推理上看到了全世界还没关注的东西——当时所有人都盯着训练。先帮听众理解一下这个技术栈：你下面是英伟达（NVIDIA）这类芯片厂商，上面是模型厂商，你坐在中间。为什么这一层有价值，而不是大宗商品？

Lin： 这个问题问得好。但先反问一句：为什么要费劲做专用智能（specialized intelligence）？直接用通用智能不就行了？在前沿实验室提供的 API 上面搭东西，要操心的事少得多，不是吗？

我的论证是这样的。如果你认为智能是数据的衍生品，那么绝大多数数据其实根本没被用来训练通用智能模型。训练数据来自公开互联网和标注数据，而公开互联网只占全世界数据的一小部分。世界上大部分数据是私有的，锁在应用里、锁在企业里，永远不会与任何人共享——那是公司的专有 IP。

这么一看就有意思了：大部分数据没有被激活，没有产生任何智能。我们相信的就是激活这些数据；我们相信智能的前沿其实落在私有智能、专用智能这一侧。这就是 Fireworks 从一开始就在做的事——驱动这部分价值。

Harry： 我完全理解你说的企业私有数据的价值，也有太多问题想问。但这不正是 Anthropic 企业业务的前提吗？他们做 Claude Cowork，做各种相邻的延伸产品。达里奥·阿莫迪（Dario Amodei）不会说，这正是他们要抢的方向吗？

Lin： 有意思。在我看来，Anthropic 是一家彻底信仰 AGI 的公司。AGI 的定义是：存在一个模型，能用最好的方式解决所有问题。照这个定义，你就不需要专用化——那一个模型足够聪明，对每个行业、每份工作都无所不知，那还折腾什么专用化呢？

所以这件事本身就证明：我们并不生活在一个由单一原则统治的世界，而是生活在一个充分多元的世界。举个例子：不同地区有不同的价值体系、不同的政策、不同的经商方式、不同的生活方式——那是品味、选择和判断的总和。

我认为这正是人之所以为人。我们不是机器人。如果未来的世界由单一标准统治、由一家公司的品味规定一切，那我们就把自己变成了一支机器人大军。那对我来说非常压抑。

把智人（Homo sapiens）和其他物种区分开的，是创造力，是追求新事物、发现新生活方式的深层渴望。这部分是无法复制的。这是我的根本信念，也是硅谷乃至全世界之所以不断有人创造新生意的原因。

Lin： GTC 主题演讲之后，我和黄仁勋（Jensen Huang）聊过一次，很有意思。其实我们还录了像。

Harry： 我看了，非常精彩。

Lin： 跟黄仁勋录像其实不叫录像。他就是开始跟我聊天，我都不知道他的团队已经开始录了，我们就一直聊，特别自然。我们聊到专用智能，他跟我说了一句话：Lin，你是对的。世界上不存在“通用的通用公司”——每家公司都建立在一种独特的做事信念之上，否则它就没有存在的理由。

这话听起来顺理成章，但我后来越想越觉得深刻。每家公司都在做某件独特的事，这件事撑起了它存在的意义，并且深深烙进它的产品设计、软件和系统架构里，烙进它的数据、它与用户的互动、它对用户意图的深层理解里。这一切是一家公司存在的根基，坐在外面的另一家公司学不会，也拿不走。

Harry： 帮我理解一下。你知道，我作为播客主持人，专长就是问基础问题，多包涵。那为什么达里奥、萨姆·奥尔特曼（Sam Altman）、拉里·佩奇（Larry Page）和谢尔盖·布林（Sergey Brin）这些人，还要把 AGI 说成必然降临的东西？

Lin： 我觉得他们做的事情很了不起——他们本质上是在铺设输电线，把高质量的智能分发出去，让所有人都能在上面建东西。这就是他们的贡献。没有这层基础设施，我们家里就不会有各种各样的电器。

我很爱我的咖啡机，它是个很特别的牌子。但没有电力，我们就没法做那些有趣的、独特的、编码着我们品味的事。所以基础设施这层非常、非常重要。但问题是：这条输电线会取代我们所做的一切吗？我不认为会。

开源时代，“输电线”还是好生意吗

Harry： 作为投资人，我的问题是：输电线是好生意吗？你刚才提到 PyTorch 和开放生态。过去——我说三个月吧——我们所有人都意识到开源加速得有多快，能力已经追到几乎可比的程度：按查马斯·帕里哈皮蒂亚（Chamath Palihapitiya）的说法，能做到九成的水准，成本效益却高出 15 倍。在开源的世界里，输电线还是好生意吗？

Lin： 说说我对开源的看法。创业早期，我们几个联创之间有过很深的争论：自己训模型，还是在开放模型之上做？当时开放模型还处在婴儿期，选那个方向是个大赌注。但因为 PyTorch 的经历，我们相信开放社区、相信开放性，这是我们行事的基本原则。

开放把控制权交给用户。想想开放模型：模型一旦发布，权重完全归你，想怎么改就怎么改，它就是你的，你可以在上面建任何东西。这和之前的做法根本不同，而我们信它，正是因为我们出身开源。于是我们押了这个方向。

这个赌注收到了回报：过去两年，开放模型和闭源模型的质量都大幅提升，大到两条线都跨过了质量门槛，能解决非常多的问题。在 Fireworks 内部，我们自己的产品 Dogfoot（译者注：原文听写存疑，指 Fireworks 内部产品）就用开放模型驱动招聘流程、候选人搜寻和反馈收集，甚至一部分内部财务流程；写代码也用开放模型帮忙调试。我们内部有一大堆智能体，而且我们非常在意成本。

第二，开放模型跨过门槛之后，驾驭它变得容易得多。能引导一个模型，本身就是智能的一部分。现在的模型智能过了某个门槛，用少量数据——一家公司独有的那一小部分数据——就能驾驭它，然后沿着你的评估指标爬坡（hill climb）。爬坡的终点往往是：用你的数据解决你的独特问题，你比通用模型做得更好。

Harry： 按你说的，九成企业工作流都能用开放模型完成——你们自己内部就这么用。那么前沿模型的用量就没那么大了。既然大头都能走开源，这些公司是不是被严重高估了？

Lin： 我觉得大家开始意识到这一点了。两年前我就在各种场合讲一个现象，这个现象在 SaaS 时代不存在。那时候，产品市场契合（product-market fit，PMF）和可持续的生意几乎是同义词：最难的是找到 PMF，找到之后就全力扩张——因为 CPU 是大宗商品，你脚下的基础设施也几乎是大宗商品，你甚至不用把它算进销货成本（COGS）里。

现在不一样了，PMF 和可持续生意是两个概念。很多创业公司有很好的 PMF，客户愿意付钱、真心喜欢产品，但它们没法扩张——因为一扩张，就可能扩张到破产（scaling to bankruptcy）。你听说过这个词吗？这是真问题。对存量大公司来说，问题更大。

那些数字原生的大公司手握巨大的流量，是十年前创业时代的赢家。一旦它们推出 AI 功能，立刻触达全部客户群——但它们承担不起。CFO 一看成本测算就知道：这笔账怎么都算不平。于是所有创新者都面临同一个困境：我们真想接入这项颠覆性技术，但用不起，必须找到用得起的替代方案。这个替代方案就是：掌控开放权重模型，部署自己的模型。

Harry： 或者看看萨姆·奥尔特曼这几天发布的东西——价格低得多的模型。具体数字我记不清了，大概是便宜一半，甚至降到三分之一。下一步会不会就是前沿模型集体大降价？

Lin： 有可能。但两者是完全不同的经营原则。开放权重模型就在那里，获取模型的成本为零——当然有公司花钱训练了这些模型并愿意开放出来，美国就有好几家在做，包括英伟达训练的 Nemotron，我们和他们合作非常紧密。模型一旦发布，用的人几乎不花一分钱。而前沿实验室必须持续投入，把研发成本收回来，这是根本性的成本结构差异。

第二，通用模型你没法定制，只能通过 API 原样使用，毫无控制权。开放模型则完全在你手里：想怎么调就怎么调，想怎么用就怎么用。Fireworks 更进一步——我们是专用智能平台，提供一整套工具，让你轻松为某个具体场景定制模型；调好之后再针对推理部署做优化。

在 Fireworks，我们把每一次模型部署都看作“一对一”（one size fits one）：只为你的负载而生，从质量、速度、成本三个维度只为你的负载优化。当你想到生产环境要触达几百万、几千万乃至几十亿用户时，5% 的成本下降都是一笔巨款——何况我们过去常见的是 5 到 10 倍的成本下降。

中国开源模型与国家安全之辩

Harry： 有个问题我必须问：企业的顾虑里有国家安全这一条。你看 OpenRouter，今天排名前六的模型我记得都是中国模型，质量惊人，迭代速度惊人——但它们是中国模型。面对中国开源的力量，我们要不要严肃对待国家安全问题？

Lin： 这是眼下全行业的大辩论。我的看法是：模型一旦开放，你可以围绕它加上专属于你业务的护栏。其实对任何模型——不管开放还是闭源——都应该加自己的护栏。根本原因在于：模型提供方会把自己的判断、自己的品味注入训练过程，你无法保证它和你的一致。

回到黄仁勋那句话：没有“通用的通用公司”。每家公司都独特，有自己的设计原则、自己的品味、自己要服务的目标人群。正因为这种独特性，一家公司的判断、品味和设计原则，注定和你这家解决特定问题的公司不匹配、不对齐。所以你需要把这些模型调成你的样子。

我真心相信，未来不会是少数几个 AGI 模型统治世界。我真心相信未来是——说出来也许有点吓人，但我认为这是真的——百万个专用模型，每个应用、每个场景一个。

Harry： 上周有报道说，中国在考虑限制外界获取他们的开放模型，因为他们看到自己的进展太快、太好了。在美国缺乏自有开放模型的情况下，如果中国真的开始限制，会发生什么？

Lin： 短期冲击会很大。但开放生态的美妙之处在于它不属于单一提供方——所以才叫开放，它总会吸引非常多利益相关方参与进来。从人才密度和资源上看，我相信美国有能力、也应该建起自己的开放体系。我见过这一幕重演：开放系统里百花齐放，这正是它的美。

要不要自研模型：Harvey 与 Legora 的分岔

Harry： 说到企业内的智能专用化，举个最典型的例子——我其实不太想举这个，因为我是 Legora 的投资人，而且我大概猜得到你站哪边。法律赛道有两家竞争的公司，Harvey 和 Legora。Harvey 下决心自研模型，Legora 没有。一年前，不自研的公司看起来是对的，因为前沿模型能力涨得太快；现在看起来他们错了。Harvey 和 Legora 这样的公司应该自研模型吗？如果不做，会怎样？

Lin： 我的一个观察是：软件开发、尤其是 SaaS 领域，已经被编码的通用智能显著颠覆了。应用开发的生命周期——从想法到实现再到生产规模——所需的时间和资源大幅坍缩。过去，这需要几十位很强的产品工程师和产品经理，投入好几个季度甚至数年，那是很深的护城河。

今天，一个人、几周时间，就可能把想法做成产品并快速上规模。这是史无前例的。这也重新定义了竞争的位置：单靠应用创意本身很难竞争，因为想法人人都差不多，而实现不再是高门槛。

Harry： 但放到企业部署的真实场景里，真是这样吗？如果你服务的是全球最大的律所，企业销售周期至少是数年级别，要靠多年关系积累；部署又高度定制。这跟 ElevenLabs 那种拿来即用的产品完全是两回事。

Lin： 法律行业尤其难啃，律师通常更保守，对错误零容忍——律师的高薪正来自这里：你必须把案子办得滴水不漏，模型一旦幻觉、给出错误判断，麻烦就大了。所以法律是个很有意思、也很难渗透的领域，这两家公司都做得不错。

但反过来看，两家公司都握有专有知识和信息：怎么构建助手去做案例研究、怎么深入开展法律检索。我对法律的理解很浅，但案件的类型和流派实在太多了。它们处在独特的位置，能把这种深层理解转化为优势——而且它们手里有数据。

这不只是业务防御性的问题。很多时候，这些助手背后有一个编排层（harness），负责决定调用哪个 AI 工具、调什么——这是定制的，调用哪些工具、调得准不准至关重要，甚至这个编排层本身都需要和驱动它的模型协同训练。在工作流层面拥有自己的智能、把业务做到极致——这样的例子比比皆是。

Harry： 也许关键在于时机。拿编码来说，Cursor 大概是最早开始微调自有模型的先锋之一，现在几乎所有编码公司都在调自己的模型。那模型迭代的速度会慢下来吗？现在几乎每天都有新模型带着新能力出现——Cursor 的新模型很厉害，转眼 Mistral 的新模型又很厉害，然后 Gemini 的新模型又来了。三年后，模型迭代还会这么快吗？模型优势还会这么转瞬即逝吗——今天这家称王，明天那家登顶？

Lin： 模型进展有好几个层次。底层是通用 IQ 的进步，那是阶跃式的——所以发布才有大版本和小版本之分。大版本就是阶跃。比如去年年初的“思考”（thinking）能力：模型不再直接吐答案，而是先自己思考再回答，效果好得多。这是一个阶跃。我们见过很多这样的阶跃，大概每年或每三个季度来一次大跃进。

但与此同时，在这些最好的基座模型之上，我看到专用化正在加速。这很像一棵树：树干上可以长出无数枝叶。基座模型每次阶跃式提升，我们能做的专用化就更多。所以我判断，这个世界的专用化速度会远远超过通用智能的进步速度。

智能会国有化吗？路由层值钱吗

Harry： 聊通用智能这部分——在我们往多模态等更深层话题走之前，先问一个：萨姆提出把 OpenAI 等公司 5% 的股权赠予政府。你觉得模型的发展会不会已经到了对社会太重要的阶段，以至于政府或行政部门会部分持有它们？

Lin： 这个问题很有意思，历史上是有先例的。如果把通用智能模型的基础层看作整个经济运转所依赖的基础设施，那先例就是太平洋煤气电力（PG&E）这类公司拥有电力和天然气网络。

我不愿看到的是只有一家公司拥有智能。这说不通，因为智能有不同的风味：既有普惠每个人的通用智能，也有真正推动历史前进的专用智能——它让我们换种方式思考，创造新的生活方式和商业范式、重塑行业。我不希望这部分死掉，只因为只剩一家公司能做这件事。这没有道理。

Harry： 在多模型百花齐放的图景里，有一个思路是按任务路由：根据模型各自擅长的领域分配任务。照这个逻辑，你会不会自己做一个“全世界的开放路由器”？

Lin： 会。甚至可以说，最好的路由器建造者就是业务方自己，因为他们最懂自己的场景、手里有评估体系。再说一次，我对“前沿”的理解不只是一个模型——前沿可以是你业务专属的路由机制。

你可以按任务拆解：完成这个任务需要一层高智能，那就用最贵的闭源模型来判断最复杂的部分；剩下的子问题交给子智能体，用更小的开放模型解决，而这些小模型还可以进一步定制，贴合你的设计。今天已经有很多人在这么做了。

我们还认为，这里有一个做自动路由系统的空间——它能自我学习，再和自动微调系统复合起来。我们觉得这些都应该是自动的。最终你会看到一个自进化系统：它基于流经你产品的数据持续演化，而产品是活的——你不断部署新功能、和用户互动，整个系统就这样全自动地自我进化。

Harry： 那你认为栈里的路由层有价值吗？如果它能自动化、或者企业自己能建，这层还值钱吗？

Lin： 我绝对认为值钱。

Harry： 你是认真的？如果它能被自动化、公司能自建，那为什么还需要 Requesty 或 OpenRouter 这样的路由产品？

Lin： 可能确实不需要了。但我们还没到那一步。我确信这会是一个创新活跃的地带。

与 Cursor 共建：强化学习也能分布式

Harry： 你说 Cursor 是最具创新力的先锋，我完全同意。我录节目之前做了很多功课——听说你们的 CTO 迪马曾在 Cursor 驻场好几个月，帮他们搭强化学习的基础设施。事情必须这么做吗？这种方式能规模化吗？

Lin： 事情是这样的：新技术采纳曲线的早期，尝鲜者都是黑客——黑客在这里不是贬义，他们在某个领域有很深的专业能力，并且想掌控一切。到了采纳曲线后期，技术开始触达大得多的人群，他们没有深厚背景，也不需要那么多控制。所以总是先深控制、后轻控制。我们明确把后期作为终极目标，但理解“如何走到那一步”极其重要。

这就是我们和 Cursor 深度合作的原因。他们是尝试这些想法的先锋，有来自前沿实验室的研究员，想掌控每一个细节。而我们也在一起推边界，做的事情前所未有。

独特之处在哪里？通常训练是资本极密集的事，只有大公司玩得起：砸钱买昂贵的训练集群，芯片全部互联，贵得离谱。有了昂贵的集群，你通常不用太操心效率，专心做研究就行。Cursor 和我们一样是创业公司，两家都对资本极度敏感：既要效率，又不能拖慢研究创新。

于是一起想出了聪明的办法。他们做大规模后训练（post-training），基于强化学习。我们把强化学习拆成两半：一半是训练器（trainer），负责调整模型权重、不断产出新版本；另一半叫强化学习 rollout——把新版本部署出去，让它与合成的或真实的编码环境互动，拿回奖励信号，判断这个版本是好是坏。

过去在大厂，这两半跑在一起：一万、十万张卡用 InfiniBand 互联，极贵、极难找，但跑得快。我们设计了一套全分布式系统，跑在全球五六个数据中心区域，利用分散的 GPU 跑大规模强化学习任务。难点是要在这些区域之间同步模型权重——权重的传输延迟决定奖励信号的新鲜度，太旧就失真，这是个平衡。我们创新出一种快速分发新鲜权重的方法，数值上依然严谨，又不必受昂贵 GPU 集群部署的限制。这些就是我们和 Cursor 一起推边界的成果，支撑了他们最近的模型发布。我们非常自豪。

Harry： Cursor 是了不起的客户，跟你们一起做出了惊人的进展，也是你们的大客户。SpaceX 收购之后，你怎么看 Cursor 流失的风险？

Lin： 是的，所有人都在担心。从应用创新的角度看，整个行业的格局是：极少数公司真正跑出来了，达到了逃逸速度，但也就那么几家。去年 Cursor 是其中之一。可以说所有模型公司的收入都集中在 Cursor 身上，我们也集中在同一批应用公司身上。

但此后情况变了。我们现在有非常健康、多元的客户基础。去年是编码之年，所有主流编码公司都在我们平台上；今年是协同工作（co-work）之年。协同工作天然比编码更分散：有通用的深度研究类——比如你问“两年后英伟达 GPU 什么价”；更有无数垂直品类——法律（刚聊的两家）、金融、客服、招聘、销售、市场、医疗。这片协同工作的创新应用天地非常广阔，这些公司都做得很好，都是我们的客户。

更有意思的是，消费级公司也开始纷纷研究生成式 AI（GenAI）——比如怎么用新技术改造他们传统的推荐业务。这对我特别有吸引力：我们就在 Meta 干过——全球最大的推荐系统之一，非常期待看到它转化成一种新经济。

Harry： 恕我天真：在推理这个领域，客户是只用你们一家，还是同时用你们和 Together 之类的多家？

Lin： 这个领域的人更倾向于多供应商策略——因为看不清未来，多家分摊更安全。但我们不把自己定位成推理供应商。再说一次，我们交付的是专用智能：帮企业把模型调成自己的。给你个数字：今天我们每天处理超过 40 万亿 token，其中大部分来自定制模型，而不是现成的货架模型。

token 经济学：三年降 10 倍，用量涨 100 倍

Harry： 到明年年底，这个 token 数会是多少？

Lin： 20 到 100 倍都有可能。我们正处在爆发 S 曲线的极早期。

Harry： 20 到 100 倍。如果真是这个量级，那“我们身处资本开支泡沫”的说法就太荒谬了——我们需要的资本开支远比现在讨论的多得多。对吗？

Lin： 对。不过黄仁勋有个“五层 AI 蛋糕”的说法：从上到下依次是应用、模型、基础设施、芯片、能源。卡我们脖子的是蛋糕的下层——供应链，也就是能源和芯片，是物理世界里的制造速度。历史上这些产业都不是为大规模扩张设计的，没人按 100 倍扩张设计过。

我和很多制造商聊过，瓶颈往往卡在最小的零部件上——晶体管。这些不起眼的小零件，能拖住整条服务器产线，而这些服务器是要部署进数据中心、用来生产 token 的。

Harry： 顺着黄仁勋的五层蛋糕问：你必须全栈通吃才能赢、才能减少依赖吗？我们看到 OpenAI 搞出了 Jalapeno（译者注：OpenAI 芯片项目代号，原文听写存疑）——这名字真不怎么样；Anthropic 在跟三星谈自研芯片；DeepSeek 在造自己的芯片；扎克伯格的 Meta 也在造。你必须什么都做吗？

Lin： 这取决于公司哲学。对我们来说，敏捷就是一切，而且做任何东西的权利都要靠自己挣来。专注对我们就是一切——我们要专注在基于自身优势、创造价值最大的地方，同时站在别人的优势之上。

具体来说，我们想在全世界所有可能的 AI 芯片上跑，不想被“自己的数据中心能装多少卡”限制——不管自建还是租用。当然，生意做到足够大之后逻辑会变。我记得 Meta 年轻的时候也不是什么都是自建，等体量大了，自建就合理了——你得先有巨头级的流量，才挣得到自建的权利。如果能省五倍成本，那就该去做。

回到编码行业的例子：Cursor 是第一家很早就决定跟我们合作的公司。我记得他们当时年收入只有几百万美元——那只是两年前，两年里他们涨了一百倍、一千倍。他们很早就选择我们，因为想清楚了：只聚焦产品创新和后来的研究创新，不想碰平台这层。他们知道我们把全部研发都押在这一层，想赢就要找最强的伙伴。这种“专用化”的心态是对的，我们也一样——我们的目标不是拥有整个栈。

Harry： 我再追问一句：为什么黄仁勋的蛋糕跳过了你这一层？他自己在做 Nemotron 模型，为什么不来蚕食你的生意？

Lin： 黄仁勋也没建云啊。照理说他最有资格建一个英伟达云，但他不做云基础设施——别人问过他这个问题，他也说过。他的原则是专注于自己有资格做的事。为什么做模型？纯粹是供应链问题：美国如果没有本土的开放模型，就是个供应链缺口，他去就是为了补上这个缺口。如果有我们这样的公司提供专用智能平台层、不存在缺口，他就不用操心。他只想确保五层蛋糕整个转起来，哪里堵了，他就有兴趣去疏通。

Harry： 你们新一轮的投资人之一马克·贝尼奥夫（Marc Benioff）说过——这期节目播出时这轮应该已经官宣了——Salesforce 花在 Anthropic 和 Claude Code 上的钱，大约相当于开发者薪资的 3.8%。这个类比很有用：如果这就是编码工具的花销占比，它描绘了市场的一边；但如果是 20%，那我们远远低估了这些公司能长多大。往前看一两年，你觉得这个比例会到多少？会因为工具变便宜而下降，还是因为越来越好用而上升？

Lin： 我确实认为 token 成本会大幅下降。迄今为止还没降，原因是供应链约束。但我们活在自由经济里：哪里有短缺，哪里价格就高；价格高就会吸引大批人进场解决问题、带来竞争；竞争拉低成本，最终出现非常经济的解决方案。

这对所有人都是好事：便宜得多的基础设施会召唤更多用量。所以我的预测是：基础设施成本下降，用量因此爆发——这就是我判断明年图景的依据。

Harry： 对。等你不再把它当回事、像用水电一样用它的时候。那 token 成本到底会降多少？直说——是砍半，还是降到百分之一？

Lin： 有几种思考方式。首先，不是所有 token 都等价。我们应该建立一个最佳实践：按任务评估 token 经济。不同模型吐 token 的方式不同，有的啰嗦得多。一个模型比另一个便宜两倍，但解决同一个任务要多吐两倍的 token，那成本其实一样。

随着模型质量提升，“精确”会成为优化目标之一。第一层优化：解决一个任务应该用更少的 token——办法就是定制模型，让它更准地解你的问题，这就是模型微调。第二层：对模型吐出和处理的每一个 token，我们平台专门优化单位经济。第三层：底层基础设施——GPU、显存等等——今天受供应链硬约束，情况会好转。未来一年到一年半我不认为会大变，但拉长到两三年，会变的，成本会被压缩。

总体上，我能想象未来三年成本降 10 倍——而这 10 倍成本下降会驱动 100 倍的用量增长。

质量即溢价：零 KLD 的执念

Harry： 你刚才说到 token 效率、怎么帮客户提效。效率上去了，你们收费也更高。我做功课时对比过竞争对手——Together 是价格杀手，我这话没有贬义：图便宜就去他们那儿。说句尊重双方的实话：要更好的产品质量就来你们这儿，但更贵。这个评价公允吗？

Lin： 我觉得这不是同类相比（apples to apples）。回到我们的业务：大部分流量来自定制模型，我们永远把质量放第一位——模型质量是冲着你的应用、你的具体业务和场景去的。推理交付时同样讲质量。我们在乎质量到什么程度？会做很极端的事。比如训练时有个极难做到的指标叫零 KLD。

KLD 是衡量质量的指标：模型从训练系统搬到推理系统时，我们做到比特级等价——数值完全一致，一个比特的精度都不丢。这非常难。我们之所以死磕，就是因为主业是模型定制加定制模型推理：客户在训练上投的每一美元都要足额兑现。如果训练和推理的边界做不到比特等价，质量就掉了，等于你的训练投资被打了折——为什么要接受这个？质量第一，质量带来溢价。所以我们对大宗商品化、一个模型所有人同样部署的生意不感兴趣。我们只做定制模型、只为你的特定负载做独特部署。

Harry： 两个问题。第一，要让定制模型高效落地，是不是必须配前置部署工程师（FDE）模式？

Lin： 事实上我们确实有 FDE 团队，叫应用机器学习工程团队（Applied Machine Learning Engineering），主责就是加速定制部署。而且我们还在做一个智能体，把大量部署工作自动化。

毛利率、折旧与自建数据中心的权衡

Harry： 第二个问题。处在栈的这个位置，复杂度高，毛利结构和传统 SaaS 的 80% 不一样。我不知道你们的确切数字，但你们这一层传统上在 30% 到 40% 区间。这就是新常态吗？

Lin： 我不认为这是新常态——至少对我们是这样，别家我不知道。它反映的是我们处在超高速增长期。这个阶段你有选择：毛利率优化本质是个约束问题——假设我们要做到 70%、80% 的毛利，然后倒推，给业务加各种约束来保证这个数字。而约束通常会拖慢创新。

举个例子：系统开发处在高速扩张期时，我们不想过度建设，因为在大量试错，在验证什么会留下来、什么不会。这个阶段做优化没有意义。等确定了某个系统一定要建、而且要放大一千倍，那时候再往死里优化。

生意也是一样。我们在超高速增长期，如果一心只优化毛利率，绝对做得到，但代价是牺牲增长速度——我们要进更多地域、打更多场景、不断开新产品线，这些都不是做优化的时候。这是我的看法。

Harry： 所以不靠往栈的其他层走，你们也能提升毛利？

Lin： 我们绝对、明确地不会进应用层。至于往下自建数据中心这类事，永远可以摆上桌——问题是时机。

Harry： 不是有句话说：要么早死，要么活得够久、久到自建数据中心？马斯克或扎克伯格现在就在砸钱建最新的数据中心，我记得在加拿大那个是 100 亿美元级别。你想自建数据中心吗？

Lin： 我在 Meta 建过数据中心。那里也有很多创新空间，同样没有放之四海皆准的做法，建 GPU 原生的数据中心很有意思。这是个权衡：从运营角度看，同构部署好得多——同样的芯片、同样的型号（SKU），规模越大越好，上面跑多种负载，可互换、好管理，一套原则一套流程做运维。这又是优化逻辑：体量足够大之后，任何优化都能带来巨大经济回报。

比如英伟达最近收购了一家叫 Groq 的公司——基于大容量 SRAM 的 ASIC 加速器。

Harry： 这期之前我刚好和乔纳森·罗斯（Jonathan Ross）聊过，他非常出色，说是你的铁杆粉丝。

Lin： 我也是他的粉丝。这是绝佳的组合：算力密集（FLOPS-intense）的 GPU 配 SRAM 密集的 ASIC。算力密集适合大模型处理的前半段——预填充（prefill），也就是处理提示词那一段；SRAM 密集适合生成阶段，这是模型架构的天性。两者结合，比在同一种芯片上同构运行要好得多。

但这需要非常独特的系统设计和数据中心部署——注意，这其实是异构的，我刚才说反了：同构才对运营友好，而这是异构。怎么运营好异构设计，需要在数据中心部署上做独特的创新。

Harry： 所以数据中心不是大宗商品：你可以在数据中心部署上做出专长，一家数据中心可以比另一家强，部署有好坏之分？

Lin： 数据中心太复杂了。从头算起：建设、电力接入——得有合规的电力进来——光纤通道、散热，新芯片还需要液冷。把所有这些做对，零件还会坏，坏了怎么换。全是非常深的专业知识，不是开玩笑，不是明天我就能当数据中心运营商——我当不了。

Harry： 恕我直言，这不正是该看多中国的理由吗？尤其在美国，数据中心部署最大的障碍之一是政策、是地方上的法律掣肘。在中国这些都不存在，部署快得多。

Lin： 总体上，中国的实体基础设施建设确实快得惊人。我真的见过一座人行天桥一周内建成，速度非常、非常高。而我家附近一条高速修了一年还没完——两边真是对照鲜明。中国可能得益于人口密度，也确实专攻这类工程。但我们也有这样的专才，只是缺口太大——我听说连电工都严重短缺。这是全球性的供应链约束。

Harry： 那如果进军数据中心这层，毛利会怎么变？能从 30% 提到 50% 吗？还是没那么大影响？

Lin： 现在毛利率怎么算本身就是个有意思的问题，因为硬件的折旧年限发生了巨变。过去稳稳是六年，硬件三年一换代已经算快。现在，单是一家厂商一年内就发三个型号（SKU）。

新模型通常在最新硬件上跑得最好，模型的折旧也很快：每周都有新模型发布，老模型在下一个模型出来之前就到价值顶峰，而新模型喜欢新硬件。把这个节奏推演两年：什么模型会跑在两年前的硬件上？两年前的模型。那些模型还有价值吗？这是我们面对的真实局面——而硬件明明还能用六年。

Harry： 但你的意思是，模型迭代的速度远远甩开了芯片和硬件的速度。

Lin： 模型迭代的速度确实是最快的，但硬件创新本身也在空前加速。每年发三个硬件型号，三年就是九代。你还愿意用落后九代的硬件跑三年前的模型吗？存疑。也许打起仗来它还有价值，但按这个创新节奏，真不好说。折旧周期一变，“自建还是购买”的经济账就变了。又回到我原来的论点：你到底优化增长，还是优化毛利率？全看时机。

市场终局与主权模型

Harry： 你自己怎么想这个问题？周日下午坐在扶手椅里琢磨：我们现在优化增长，什么时候转去优化毛利率？

Lin： 我会说两者都要。优化增长需要大量商业规划，前提是 PMF 成立；优化毛利率本质是优化差异化。我想避免的是过度优化毛利率，但持续优化是应该的——也就是持续优化产品差异化，这没有疑问。我们要的是持续走向一个健康的毛利率，让它支撑高速增长。这是个权衡，我们不做妥协——所谓妥协，就是为了毛利率牺牲增长。最极端的“优化”方式就是不增长、闷头把毛利率刷到高位。我知道我们能刷上去，但那是最灾难的结局。

Harry： 有意思。那换个狠的：如果把毛利率从 30% 主动压到 10%，这是个赢家通吃的市场吗？能不能先把所有人的午餐都吃掉，之后再回头优化毛利？

Lin： 赢家不是某个时间点的快照，而是长期状态。我们确实看到一个行业会震荡几轮，然后收敛到几家好公司。拿法律行业来说，我在一个饭局上听到件有意思的事：两年前这个赛道公司一大把，现在基本只剩两家了。这是场长期游戏。

Harry： 那你怎么看你们这个市场成熟后的形态？是像云市场那样——Azure、AWS、GCP 三家并立？还是像 Uber 和 Lyft，一家拿走九成，剩下的抢残羹？

Lin： 我们正处在采纳曲线的一个阶段：越来越多公司开始认真考虑转向专用智能，开始认真想“拥有智能”是不是比“租用智能”更好。回到刚才的优化问题——什么时机合适？我们自己回答的是自建还是外购（build vs. buy），客户回答的是自建还是租用、拥有还是租用。

AI 采纳之旅已经走到这一步：很多公司有了有意义的流量，在把 AI 部署进生产环境，在扩规模——这正是优化登场的时刻。要优化就得有控制权，没有控制权就没有优化的空间；要有控制权，就得基于开放模型构建，把你的数据变成你的智能。这就是我们看到的路线——整个行业很多公司得出了相同结论，都在往这个方向走。

Harry： 说到拥有智能还是租用智能，这个逻辑放到国家层面也成立。我们看到某些前沿模型曾被政府短暂封禁 19 天（译者注：原文为“Fable”，疑为误听，确指不明）。尤其欧洲突然意识到：天哪，我们不能把命脉交到 OpenAI 和 Anthropic 手里——我们的医疗服务架在一个政府说关就关的基础设施上。未来会不会出现主权模型——大国或国家集团各自拥有自己的模型？

Lin： 我确实看到这种可能。把通用智能模型看作电力层、输电线，那每个国家都应该拥有自己的输电线。想想看，输电线被切断、日常的一切停摆——那是非常可怕的时刻。我家里停电我都会抓狂，连不上 Wi-Fi 我都会焦虑。一个国家的运转建立在这条基线之上，重要性不言而喻。

公司也一样：不只是国家要有主权独立，每一家公司都应该有自己的独立性——你不会想让任何单一方有能力切断你。那是极度可怕的时刻。

为什么不碰芯片

Harry： 那我再问个直白的：为什么你愿意考虑进数据中心这层，却不碰芯片？我知道造芯片极难。但怎么突然间人人都像做普通产品一样在造芯？OpenAI、Anthropic、DeepSeek、Meta，全都在自研芯片。

Lin： Meta 造芯已经超过五年了，远不止五年——MTIA 项目 2018 年就启动了，可能更早。Meta 投资 AI 由来已久，早于生成式 AI 时代，他们有巨大的 AI 负载，主攻排序和推荐，过去也造过其他硬件。

规律是：用量过了某个阈值，自建底层供给就在经济账上成立，而且可以冲着你的负载做专用化——把逻辑固化进硬件，这本身就是另一种专用化。这颗芯片为你的特定负载而生。但你最好确定这个负载不会变：硬件一旦流片（tape out），想回头改极难，就算能改也极其昂贵。所以负载稳定了、业务稳定了，才轮到考虑造芯。

我看到的现实是：整个 AI 世界，尤其模型和定制，还高度动态，负载模式高度动态。看看应用层有多少能量——大家在试各种东西，你不知道哪个会起飞，而起飞就是一瞬间的事；起飞之后哪个能持续？只有少数。到那一刻你才看清：哦，这是个稳定模式，可以把它固化进硬件、搬进数据中心。这是一级级往下传导的。

所以对我来说，这是个漏斗问题：我们处在负载成熟度漏斗（maturity funnel）的哪一段？现在还在很早期，早到撑不起一颗耐用的芯片。回头看那些成功的加速器公司——有些非常成功——别忘了，这些 ASIC 公司在生成式 AI 之前就创立了，起初是冲着优化某个负载的论点去的，后来全部转向 AI、想办法适配 AI 负载。

等于说你在 AI 负载浮现之前就下了注，剩下的是运气问题：够不够走运，恰好押中。有人确实押中了——在芯片上放大量 SRAM 的基础设计恰好适合 AI 模型，因为模型吃显存，这真能加速推理执行。所以有些成功了，有些没有。

Harry： 今天最大的瓶颈是什么？我记得 Groq 的乔纳森上节目时说，高带宽内存（HBM）是最大瓶颈，所以价格涨了五倍。你觉得哪个瓶颈被大家谈论得太少？

Lin： 我仍然认为，我们还没有为超大模型准备好的系统。我坚信底层基础设施成本会降，解决任务所需的 token 数也会降——合起来成本会显著下降，未来我们可以到处跑最高智能的模型。但今天没有为这个设计的系统。

比如，今天没有为 10 万亿参数模型设计的好系统。这需要从模型、到定制服务平台层、一直到芯片层——不是单颗芯片，而是芯片集合成的整个系统、作为一个整体包——做非常聪明的协同设计。我觉得这里还有大量创新可做。

8 亿美元 ARR 与超线性需求曲线

Harry： 你们最近宣布 ARR 到了 8 亿美元，了不起的成就，增长快得吓人。今年年底会到多少？

Lin： 我们认为至少能翻倍，到今年年底。

Harry： 哇。你知道我作为风险投资人觉得什么最有意思吗？我投了十年。当年 Slack 是黄金男孩：18 个月从 100 万做到 1000 万美元收入，惊为天人。现在你们这样的公司，几年内冲到 8 亿；你提到的 Cursor，几年内冲到几十亿。公司收入增长的速度完全不可同日而语。

Lin： 我认为根源在于：这项技术是一次根本性的颠覆，它是普惠赋能的——它触达每一个人，让每个人都有创造力，释放了大量过去无从释放的创造力。所以我们才看到这种极端高速的增长——背后是需求。

请来乔治·胡：把组织规模化

Harry： 快问快答之前最后一个问题。你请了乔治·胡——前 Salesforce 总裁。他非常出色，是我见过最直接、最不废话的操盘手之一。但你一年前就见过他，当时你说“我们还没准备好请你”。为什么这么说？又为什么现在到时候了？

Lin： 一年前我们大概只有 50 人。今天我们是 200 人，也不算大。

Harry： 哇，那人均 400 万美元 ARR 啊。

Lin： 50 人的时候，我想的是先把产品规模化，而不是把组织规模化。我们聊了，我非常敬重他——他是硅谷传奇的操盘手。但我直觉我们对他来说还太小了，于是直说：我们可能对你来说太小了，不过我希望以某种方式跟你合作。于是他真的帮了我很多：搭团队、面试高管，他的反馈永远均衡、深思熟虑。我们就以这种方式合作了起来。

到去年底，我们增长得非常快，他看在眼里，开始认真谈。早期的缘分兑现了。他这个人很妙：成就等身，商业视野的站位很高，但又极其好奇、不做预设。他不是那种“我全懂、所有电影我都看过、不过是同一部、我按老办法执导就行”的人——他没有这种姿态。他知道 AI 的节奏快得疯狂，一路学习，同时全面拥抱 AI。

实际上，他的团队——我们的 GTM（市场进入）团队——在用各种 AI 智能体，互相分享技能，把生产力拉满。他清楚我们面对的是超线性需求曲线，GTM 团队的建设速度有上限：要追上这条曲线，团队既要扩，人效也必须同步提升。这就是他在解的题。能跟他合作我感到很幸运。

总的来说，我发现 AI 行业对人有独特要求：需要一些看似矛盾的特质组合。比如，经验极其丰富，但又在陡峭的学习曲线上保持超级好奇。或者迪马——前面聊到他——才华横溢、智力马力十足，却又极度谦逊。这种组合很奇怪：他几乎带着东欧式的愤世嫉俗，同时又非常谦卑。

快问快答：只招移民、极致担当与黄仁勋的一课

Harry： 来一轮快问快答吧。第一个：过去 12 个月，你在哪件事上改变最大？

Lin： 我想是增长速度。我之前很担心团队过早变大——所以当初见乔治才说“我们对你来说太小了”，因为我本来不打算在人员上激进扩张，我太怕失去敏捷和速度。但此后我们非常激进地用 AI 工具，也形成了自己独特的方法，专门招某一类人：我们确信他们会带着极强的主人翁意识高速冲锋，善于沟通，永不接受“不行”这个答案。我们学会了怎么找到这些人。现在我对高速扩张（scaling）安心多了。

Harry： 你们要的是哪一类人？

Lin： 我知道这听起来奇怪，但我们的人选画像非常具体：几乎只招移民。

Harry： 英国人确实不太努力。抱歉。

Lin： 还要科学严谨，几乎所有事都用数据说话。我其实认为创造力往往来自数据、被数据启发。以及毫不动摇的担当和主人翁意识——没有任何事是别人的错，全是我的错，哪怕真是别人的错。

Harry： 这就是 20VC 想要的人。那你呢？你自己是哪一类？

Lin： 说来奇怪，不是能力——我们当然要能力强的，但更能预示一个人在这波浪潮里、尤其在 Fireworks 能不能做好的指标，是他是不是为极致担当（extreme ownership）而生。

极致担当的意思是：我们不把任何人放进任何格子里，也不会把格子叠成金字塔。有人会自动站出来：这是一个端到端的问题，我要从头看到尾，跟一帮人一起把它做成，无论如何我都要交付。这种人走得最远，成长曲线也惊人。

Harry： 跟黄仁勋共事，你学到的最大一课是什么？他为什么这么特别？

Lin： 他无处不在。我认真怀疑他有好几百个分身。比如我给他发邮件，他一分钟内就回。我不理解他怎么做到永远泡在细节里。但现在我自己经营公司四年，懂了：这就是速度的定义。

领导力是什么？不是特权，是判断——判断需要正确的上下文，你要替团队做出对的判断。在高速迭代的领域，如果你不知道一线在发生什么、什么有效什么无效、缺口在哪，你就会下错判断。慢行业可以等信息层层传递再做决定，快行业等不起——信息在层层传递中必然失真。

不知道真实发生了什么，判断就没有精度，这就是坏的领导力。他用自己做了示范——早在 AI 这波疯狂之前他就是这么经营的。过去我只是佩服他做到的体量，现在我懂了背后的智慧，因为我也这么干：我必须知道地面上在发生什么，才能替公司做判断。

Harry： 在 Fireworks 的旅程里，有什么事你等太久、后悔没早点做？

Lin： 市场（marketing）。我们经常聊这件事。我们在这点上有点书呆子气：创业早期，没讨论过但都默认“产品自己会说话”——产品最后站在那里就算数。我们把全部精力放在做产品、服务客户、验证 PMF 上，几乎没在市场营销上花时间，也没有优先去教育客户：该怎么看趋势、价值在哪。但我现在认为这很重要。市场营销不是搞花活，是教育，是把事情讲清楚。我们正在补课。

Harry： 你觉得今天 AI 里哪个领域投资不足？你提到冷却、服务器之类的。哪个方向被低估了？

Lin： AI 性感的一面是：这是如此创新、有创造力的技术，所有人的焦点都是在它上面建东西。但监控 ROI——我觉得行业开始注意到了，而这才是最终要紧的。不是花了多少，是回报多少、成本多少、归因到哪。接下来几年，随着 AI 越来越深入生产环境，会有大量注意力放在把这笔账算清楚、把这种纪律建立起来。token 堆量（token maxing）只是一时的风潮，我们正快速转向 ROI 最大化（ROI maxing）——这才是经营生意的本质。

Harry： 哪家大客户是你还没有、但最想拿下的？

Lin： 我们没在传统大企业客群上花太多时间，因为之前太小了。现在随着公司成形，我发现即使不主动投入，像盖可（Geico）、第一资本（Capital One）这样的公司也找上门来。我们没有刻意追求传统企业，他们自己来了。但我确实认为那是个非常大的市场。

Harry： 今年年底之前必须发生什么，你才会觉得今年是个好年？

Lin： 我对我们驱动业务的能力有信心。对我来说，今年要证明的是：我们能在保持同样速度的情况下快速规模化。这对我非常重要。如果做到了，就有了一个证明点，明年我会更有信心继续极其激进地扩张。今年我只想确保把这件事做对。

Harry： 最后一个问题：未来三年，有什么是你看得非常清楚——会发生或不会发生——而别人都没看到的？

Lin： 我清楚看到：每一家公司都会拥有自己的智能——不是可选项，是必需品。这是正在发生的趋势。类比软件：每家公司都自建自己的软件栈是有原因的——不存在拿来就能解决你问题的标准化成品软件，因为每家公司在解决独特的问题，而建软件是为了完全掌控。当然，他们会挑：栈的哪部分自己建，哪部分是公共知识、没必要建。但每家公司都拥有自己的软件栈——这是 SaaS 时代就在发生的事。我认为同样的逻辑会重演：到某个时点，每家公司都应该拥有自己的智能。

尾声

Harry： Lin，最初是 Matt 介绍我们认识的。很开心一路了解你，当然还有乔治。怎么也谢不完你今天的到来，谢谢你专程来现场。能面对面做这期太好了，你今天棒极了。

Lin： 演播室太赞了。你问了很多有意思的问题，我聊得非常开心。

Harry： 我们确实做了很多功课，对吧？