多数 AI 初创公司都在扩张中走向破产｜Fireworks CEO Lin Qiao
摘要
Fireworks称其每日处理超过40万亿个提示词与生成 token，其中95%来自定制模型或定制部署。 Lin Qiao表示，据 Fireworks 所知，这一规模“大于 OpenAI API 和 Gemini API”，但也承认各家的统计口径可能不同。叠加15亿美元 D轮融资和175亿美元投后估值，这一说法意味着定制化已形成规模化需求，而非边缘实验。
Qiao的核心判断是，智能将碎片化为数百万个模型——“每个应用、每个用例一个”——而不是最终落入前沿实验室双寡头格局。 最有价值的数据存在于应用和企业内部，“绝不应该被共享”，因此企业可以把客户行为和业务逻辑转化为持续更新的专有模型。Fireworks预计，专业化智能与通用智能将长期共存。
AI 产品实现产品市场匹配，并不再保证商业模式持久，因为 AI 基础设施和推理成本可能让增长看起来像“扩张走向破产”。 开源模型的标价可能便宜约10倍，但生成内容的冗长度高出1.5–2倍，按完成任务计算，实际节省幅度更接近5–6倍。Qiao认为，行业正从“token 最大化”转向“价值最大化”，尤其是在上市公司必须为投资回报仍未确定的 AI 功能辩护之际。
强化学习微调正在把模型开发变成一套围绕专有评测、奖励和反馈闭环展开的产品方法论。 Fireworks既支持研究人员控制全部参数，例如 Cursor 的 Composer 模型，也为专业程度较低的团队提供 SDK；Doximity则结合 SFT、DPO、KTO 和 RL 等方法开展医学研究。Qiao在与 Jensen 交流后形成的关键判断是：“不存在专业化的通用公司。”
编程曾是 Fireworks 去年的主导工作负载，如今已成为更广泛应用周期的赋能层。 Qiao称，过去需要强大的产品团队、跨越多个季度完成的工作，如今一个完全不懂写代码的人也可能只需几周。由此催生的产品包括通用知识工作应用，以及覆盖法律、金融、招聘、营销、销售和客服等领域的垂直产品，明年甚至可能迎来面向消费者的搜索与推荐突破。
当被问及美国企业是否应担心中国模型时，Qiao拒绝把地缘政治问题压缩成开源与闭源之争。 她更强烈的主张是，美国公司应该发布最好的模型，并明确呼吁 OpenAI 这样做；Biewald的问题也提到了 Anthropic。Lukas追问了研发投入如何变现这一显而易见的矛盾，Qiao则表示，开放必须具备可行的商业逻辑。
Fireworks认为，其护城河不在通用推理，而在围绕“一个尺寸适配一个需求”共同设计的训练与服务系统。 公司宣称训练与推理可以做到按位等价，支持全球拆分、规模最高达数万张 GPU 的训练任务，并针对每个工作负载搜索超过10万个推理选项。首日发布能力之所以重要，是因为客户不再相信公开基准，必须在下一个模型到来前测试新的基础模型。
公司的开源模型倡议并不延伸至自身的专有训练和推理引擎，这一矛盾被 Biewald 反复追问。 Qiao称，内部变化太快，社区管理会变得低效，因此她更愿意支持 vLLM 和 SGLang，而不是再造一个竞争项目。她更广泛的经营方法包括极致主人翁意识、扁平团队、坦率的事前复盘、在数据不足时快速决策，以及保持足够真实、从而维护技术可信度的营销。
精读
上游暂未提供，后续同步将继续补齐。