研究员
2 场深度对话收录
Ion Stoica
观点集合
AI 实验室的护城河只有资本｜对话 Databricks 联合创始人、伯克利教授 Ion Stoica（英文访谈）
Stoica认为头部AI实验室已显现的护城河是资本与收入，而非技术；模型排名约每两个月变化。他称Vercel流量几个月前约70%走专有模型、如今约70%走开源模型（数字不确切），而GPU紧缺及大规模跨集群训练凸显post-training与数据搬运机会。
查看摘要（6段）
- Ion Stoica 认为，头部 AI 实验室最核心、目前已被证明的护城河是资本，资本与收入共同构成强护城河；尚无可见的技术护城河。 排名每两个月左右就会变化：去年底公认最强的还是 Gemini，之后几个月是 Claude；他还说 Opus 5.5 在编程上也很好。资本能吸引人才，但他认为资本比人才更能解释实验室间的竞争。
- 开源模型不需要追平最前沿，也能赢得市场份额，因为“每个任务都有一个阈值”。 Stoica 用汽车作比：如果任务是从 Santa Clara 开到旧金山，时速 100 英里的车就够了，能跑 300 英里的车并不重要。他援引 Vercel 路由数据：几个月前约 70% 流量走专有模型，现在约 70% 走开源模型；他说明自己不记得确切数字。
- AI infra 创业的机会在新兴工作负载：post-training、多模态数据、机器人栈和跨集群数据搬运。 Post-training 能显著提升已有模型在特定任务上的能力；竞争力强的开源权重模型（许多来自中国）为此提供了基础，提升后有机会在某些任务上超过最好的专有模型。GPU 稀缺时，大公司也可能从多个云厂商获取资源、并自建数据中心；跨数据中心训练数十万亿甚至更多 token，使数据移动与可移植性成为挑战，SkyPilot 正在处理这类问题。
- Stoica 认可品味重要，但不认为它已构成实验室的护城河。 他用讲解同一概念作比：有人 10–15 分钟就能讲明白，有人讲 3 小时仍让你听不懂。他认为，如果人才品味是护城河，模型排名就不会每两个月左右变化；资本能吸引人才，而人才会在实验室之间流动。
- 他主张从攻击中学习来改进 AI 安全，并引导系统朝期望的目标发展。 互联网和大型分布式系统也会以意想不到的方式运行；但别忘了，AI 归根结底是用来提高生产力、改善生活的工具。
- Arena 的愿景是让真实的人用真实任务评估 AI。 目标是帮助人们构建更准确、可靠、可预测且更具成本效益的 AI。Stoica 不否认人工或静态基准的重要性，但认为只要系统是为人类构建的，终极评估就应来自人类对模型或智能体表现的真实偏好。
硅谷坐标 x Ion Stoica教授（Databricks、Anyscale、LMArena 联合创始人）｜开源vs闭源、基础设施创业的机会
AI基础设施的创业切口正转向后训练、多模态数据、机器人及跨云训练与数据搬运，尤其受算力稀缺和数万亿级训练数据推动。开放模型（不少来自中国）经后训练可能在特定任务超过专有模型，而模型排名每两个月左右重排，后续竞争关键在任务阈值、真实人类评估与商业化收入。
查看摘要（7段）
- AI 基础设施初创公司的机会在于锁定新兴工作负载的核心问题并做到极致。 Ion Stoica 认为硬件、应用与效率优化日益耦合，但初创公司仍可从后训练、多模态数据、机器人，以及跨云训练与数据搬运切入：“解决这些问题，并在这些方面做到卓越。”
- 后训练可能继续扩张，因为它能把现有模型针对特定任务显著增强。 大量具竞争力的开放模型——其中不少来自中国——提供了现成底座；经过后训练，它们在部分任务上甚至可能超过最好的专有模型。
- 算力稀缺正在把多云可移植性和数据传输变成基础设施机会。 即使大公司也可能需要拼接多家云厂商的 GPU 与自建数据中心；训练数据达到“数万亿甚至更多”时，SkyPilot 式的跨位置调度与数据传输都很重要。
- 闭源实验室目前最明确的竞争因素是资本，而非已经被证明的其他技术因素。 尚无公司证明自己能凭资本之外的某种因素构建这类模型；资本之外还需要收入。模型排名几个月就轮换一次：去年年底可能是 Gemini，随后又是 Claude，Ion 据此判断“还没有一个实验室完全占据主导地位”。
- 开源模型不必全面追平 Frontier Lock 模型，只需跨过具体任务的可用阈值。 Ion 用汽车作比：如果只需要一辆车在圣克拉拉和旧金山之间以每小时 100 英里的速度安全行驶，能开到 300 英里并不重要，除非任务本身是比赛；因此更多任务会被“足够好，甚至绰绰有余”的开源模型覆盖。
- 模型的“品味”确实影响使用体验，但更像 UX 与沟通质量，而非稳定的实验室护城河。 同一概念，有人 10—15 分钟就能讲懂，另一人讲 3 小时仍令人困惑；可如果实验室的差异真由少数高品味人才决定，模型排名便不应“每两个月左右”重排。
- Arena 的愿景是用来自真实任务的人类偏好帮助构建更好的 AI，而不是只依赖静态榜单。 Ion 的目标是让 AI 更准确、可靠、可预测且具成本效益；静态 benchmark 仍重要，但“只要我们为人类构建系统，最终的衡量标准就是人类本身”。