主题 先锋 趋势 方法 作者
返回

Mistral CEO:OpenAI 与 Anthropic 为何将进军你的业务?| 中国模型真的安全吗?

·20VC

正在生成长图…

本篇主题 AI数据中心缺电与能源危机 头部模型护城河之争 开源闭源大模型对决 大模型推理成本优化 AI如何重构企业组织与流程 AI算力基建投资与尽调测算
本篇先锋 Arthur Mensch

摘要

  • Mensch 判断,欧洲发展 AI 眼下受制于资本和芯片,能源将在更晚阶段成为瓶颈。 电力约占计算系统总拥有成本的10%,法国和斯堪的纳维亚半岛电力供应过剩;“今天还不是瓶颈”。他预计到2029–2030年能源约束才会显现;与此同时,企业级应用的算力需求可能从8张 GPU 激增至1000张。
  • Mensch 的主权 AI 逻辑,核心是掌控支出、数据和技术供给。 “必须拥有技术”意味着把模型训练、与客户数据协同部署的平台,以及生产 token 的托管基础设施整合起来。这需要国际化规模:Mistral 约60%的收入来自欧洲,其余来自美国和亚太地区。
  • 本地部署并不能消除 Mensch 所说的第三方开放权重模型来源风险。 如果无法控制训练数据的输入来源,供应商就无法保证每一种输出;不过,他称恶意供应链行为“非常理论化”,并表示“我不认为现在存在这种情况”。Mistral 约80%的 token 流量使用自家模型;欧洲国防客户不会使用中国技术,金融机构则非常谨慎。
  • 推理服务可以像大宗商品一样竞争,同时也能凭服务保障获得溢价。 Mensch 表示,当前毛利率“相当高”;客户既有按需使用,也有购买预留算力、延迟保证和生成速率承诺的需求。后台智能体执行代码、调用工具并生成数据,也将支出范围扩展到 CPU、沙箱和存储。
  • Mensch 警告,AI 供应商过度集中,可能借企业活动成为客户的中间人。 两三家中心化供应商可以利用系统产生的数据,获得“巨大的杠杆”。Mistral 的业务结合企业软件授权和基础设施用量,重点覆盖制造业、金融服务、国防和公共部门。
  • AI 的经济回报,取决于能否厘清运营问题并提升实体生产。 Mensch 的判断是“需要更多产出”:更好的飞机在40年的市场生命周期内可以减少燃油消耗。企业采用 AI 仍需解决人类目标模糊的问题;他预计未来5年,软件以外技术背景的人也会凭借指挥智能体获得显著影响力。
  • 已有承诺的企业需求支撑 Mistral 的融资信心,政府担保则可能加快建设。 收入和照付不议承诺为融资提供支撑,但 Mensch 对过度杠杆保持警惕。政府为10年或15年的数据中心租约提供担保将“极其有利”;在达到商业里程碑并做好运营准备后,Mistral“某个时候”仍可能在欧洲 IPO。

精读

1. 主权 AI 保护经济控制权,也需要国际化规模

  • Mensch 将 AI 视为一种类似电力、且越来越受到出口管制影响的技术。他表示,如果欧洲不生产 AI,就很难实现所需的增长。在核心流程中使用 AI,也可能把支出从一个地区转移到另一个地区:“这是结构性的。”Mistral 于2023年创立,最初就以主权为出发点,早于2025年选举;Mensch 说,格陵兰相关讨论让这个议题带上了情绪色彩,但它本质上主要是经济问题,而非政治问题。
  • 主权 AI 技术栈需要3个组成部分:一家训练并持续改进模型的公司;部署在客户基础设施或云上的平台和数据平面;以及生产 token 的托管基础设施。Mensch 表示,Mistral 的模型工厂让公司能够承诺两年后为客户提供更好的模型,背后依靠持续训练和数十亿级投入。制造业客户希望知识产权远离分包商,但要自行采购足够的 GPU 并不容易。Mistral 将客户侧的平台和数据部署与托管算力结合起来:“我们训练模型”,部署平台,并提供基础设施。
  • 主权不意味着每个国家都要有一家独立的前沿模型公司。“市场规模必须足够大,才能打造有竞争力的模型。”Mistral 是法国公司,但服务欧洲、美国和亚洲市场;约60%的收入来自欧洲。这些市场的客户都希望业务连续、服务可用,并能掌控自己的技术。
  • 被问到限制最好的模型是否有利于社会时,Mensch 回答:“我不知道。”他担心的是,世界依赖两三家中心化供应商;这些公司可能利用企业活动产生的数据改进系统,并成为企业的中间人。他把企业内部私有模型视为权力集中的早期警讯,同时指出开放权重模型正在追赶,在一些领域已经超过闭源模型。

2. 开放权重提供选择,但不保证来源可追溯

  • Stebbings 提出的反问值得注意:有些嘉宾认为,下载中国模型权重并在本地运行是安全的;也有人警告其中可能藏有后门。Mensch 的回答是:“模型是知识的压缩形式。”如果不了解训练数据的供应链,供应商就无法保证模型输出。他说,Mistral 可以在线追踪模型,但无法排除攻击路径。他称这种威胁“非常理论化”,并表示自己不认为今天已经发生了这种情况。
  • Mistral 仍会提供其他开放模型,因为客户需要不同的模型尺寸和能力;选择更多也能提高基础设施利用率、降低成本。约80%的 token 流量使用 Mistral 自家模型,公司可以对这些模型提供更强的来源保障。各行业接受程度不同:欧洲国防客户“绝不会使用”中国技术,金融业非常谨慎,而零售和制造业的态度取决于具体用途。
  • 供应连续性是另一项风险,与当前模型的行为是否安全是两回事:“6个月后我还能拿到更新吗?”能力不断增强的模型可以执行网络攻击和其他高级任务,因此属于双重用途技术。随着各国政府考虑施加限制,Mensch 认为企业既需要保障模型知识产权的供应,也需要保障基础设施供应。

3. 欧洲首先受制于资本和芯片,而非电力

  • 电力约占计算系统总拥有成本的10%;成本大头在芯片和资本。法国和斯堪的纳维亚半岛能源供应过剩。Mensch 认为,能源问题对英国和德国“没那么重要”。随着每年部署数吉瓦的 AI 算力,他预计到2029–2030年能源约束会显现。Stebbings 指出,核电站建设周期更长,太阳能可能更快,并主张政府应推动建设、提前规划。
  • 如果资源不受限,Mensch 会“建设多得多的容量”。客户将单个应用规模做大后会发现,“他们不需要8张 GPU,而是需要1000张 GPU”。要在需求到来前建设,就得对 GPU、CPU、存储和电气设备进行产业链预测,也要考虑供应商自身的依赖关系。他认为,未来几年欧洲需求足以消化大幅增加的算力容量。
  • Stebbings 以 Cerebras 和 Cornwave 跌了40%为由,质疑短缺论。Mensch 表示,收入和照付不议承诺支撑 Mistral 融资,但过度杠杆可能让一切功亏一篑。他也不认同欧洲会成为 IPO 瓶颈:全球投资者有兴趣,Mistral 正在推进商业里程碑的同时做好运营准备。公司“某个时候”可能在欧洲上市。
  • 政府可以加快审批、协调区域利益相关方,并为预留10年或15年空间的数据中心租约提供担保。对资产负债表相对较小的公司而言,这类担保“极其有利”。Mensch 称赞法国和瑞典的协调能力;公共采购也为进一步建设提供资金,而在供应受限时提前建设有助于降低成本。

4. 推理服务正在成为更广泛的云业务

  • Mistral 有两条相互关联的收入来源:用于构建业务应用的平台授权,以及来自 GPU 或 token 服务的用量收入。客户买下平台后,往往会发现算力不足。Mistral 用了约18个月转向自建推理基础设施。Mensch 主张,完全在欧洲生产 token 可以避免受美国法律的域外管辖;Mistral“没有计划”设计自有芯片。
  • 推理“非常像大宗商品市场”,但目前“毛利率相当高”。按需购买的客户更关注价格;成熟客户还会采购服务等级协议、预留实体算力、延迟保证和生成速率承诺。客户越能准确描述需求,Mistral 就越能匹配基础设施并为服务定价。
  • 智能体让基础设施需求不再局限于对话式 GPU 推理。后台系统会调用工具、编译并执行代码、创建数据;强化学习和并行智能体还需要可扩展的沙箱。Mensch 预计,CPU 和存储用量也会随 GPU 一起增长。不断扩大的收入机会来自智能体“执行任务的运行环境”,编排和执行将成为云服务。

5. 企业市场决定 Mistral 打造什么产品

  • Mistral 专注于制造业、金融服务、国防和公共部门。Mensch 庆幸公司没有更深入地押注消费市场:这个市场已经饱和,他认为它正在变成广告生意。“人工智能的问题在于它什么都能做”;公司因此要靠自己选择的市场来确定重点。
  • 工业应用十分具体:帮助 ASML 制造和运营更好的机器,帮助 Airbus 开发更好的飞机。Mistral 提供推理模型和能够定量理解现实世界的物理模型。在金融领域,公司为市场和定量时间序列开发模型,为应用团队提供适合具体决策的能力。
  • 早期客户项目表明,提升个人生产力“还不够”。Mistral 的客户团队与管理者和业务部门负责人合作,识别核心流程,再构建由智能体端到端管理工作流的应用。这段经验推动公司打造通用基础组件,包括可靠的流程执行、智能体编排、沙箱管理和部署监督。
  • 从去年起,Mistral 通过 Accenture 和 TCS 等合作伙伴分发工具并提供培训。自有员工仍深度参与交付,系统集成商则提供实施规模和维护能力。“我们不可能有数万名全职员工为我们工作。”因此,直接服务客户与合作伙伴分销并行。

6. 更好的研究必须转化为更好的物理系统

  • 单纯增加训练预算解决不了研究问题。芯片设计和工业工程需要合适的训练环境、“技能和品味”,以及足够的高质量数据。被问到“1000亿次训练运行”时,Mensch 说“显然不是明天就能做到”,但仍希望获得更多算力。研究也需要韧性:模型运行可能失败,团队不得不调整方向,再花2个月让它跑通。Mensch 表示,Mistral 最新发布的模型很受欢迎,在开放权重模型中,编程和网络安全能力都处于领先水平;他将其归功于团队过去3–4个月的工作。
  • 自我改进适用于定义明确的任务,但企业目标往往模糊,还涉及人的因素。Mensch 认为,这种模糊性是 AI 落地和经济增长的一大障碍。“问题定义错了。”模型必须与人互动才能处理这类问题,前线工程师则能帮助把问题界定清楚;对于定义明确的任务,Mistral 也在大力投入改进闭环。
  • 被问到 AI 能否让 GDP 年增长率提高超过2%时,Mensch 把话题转向生产:“你不需要更多智能,需要更多产出。”(“You need more production.”)更好的工厂、能源系统和工程产品,才是实现这一点的路径。一架改进后的飞机可以在市场上运营40年,因此设计进步带来的燃油消耗下降会长期体现在现实生产中。
  • Mensch 预计,未来5年,软件开发者已经经历的智能体驱动变革将扩散到工程及其他技术领域。具备技术背景的人将指挥智能体,更自主地开发和迭代产品。他也看好智能体运行大规模物理模拟,包括来自收购团队 Emmy 的工作,从而在科学认知仍不完整的领域取得发现。