Lin Qiao

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。

🔗 原始收听与视频来源： 多数 AI 初创公司都在扩张中走向破产｜Fireworks CEO Lin Qiao

Lin Qiao 的创始论点直接挑战 AGI 至上主义：如果你认为智能是数据的导数，世界上绝大多数数据都是私有的、“锁在企业内部”，永远不会被分享——因此前沿将是专业化的私有智能，终局是“每个应用、每个用例对应数百万个专业模型”，而不是一个统治一切的模型。 Fireworks 每天处理的 Token 已超过 40 万亿，其中大多数来自定制模型，而不是现成模型。

针对 Harry 提出的 OpenAI 和 Anthropic 是否估值过高的问题，Lin 将前沿实验室重新定义为“电力线路”——不可或缺的基础设施，但不会取代其上构建的一切；当开源和闭源模型都已“跨过质量门槛”，且开放权重模型用少量专有数据调优后就能在你的评测上击败通用模型时，电力线路究竟是不是好生意？ 她留下一个投资者问题：“我不希望看到的是，只有一家公司拥有智能。”

Token 成本之所以尚未下降，是因为供应链约束；但竞争将在未来 3 年带来 10 倍降本，推动使用量增长 100 倍。 Fireworks 自身的 Token 数量到明年底可能增长“20 至 100 倍”，“我们还处在 S 曲线爆发的非常早期”。Harry 推断资本开支泡沫论“很荒谬”，她表示认同，但提醒真正的瓶颈在 Jensen 五层蛋糕的底部：能源、芯片，“我们受限于小部件——晶体管”。

“扩张至破产”是推动企业转向开放权重模型的机制：PMF 与可持续业务已经脱钩，因为推理不像 SaaS 里的 CPU 那样是商品化资源——拥有巨大流量的在位企业无法让 AI 功能通过 CFO 这一关，因此必须拥有并调优自己的模型。 她对未来 3 年的非共识判断是：“每家公司都必须拥有自己的智能，这是必需品，不是可选项。”

在应用公司是否应训练自有模型的问题上，Cursor 开创了调优先例，如今几乎所有编码公司都在调优自己的模型；工具调用框架需要与驱动它的模型共同训练。 Harry 透露，Fireworks CTO Dima 曾在 Cursor 驻场数月；Lin 则介绍了跨 5 至 6 个数据中心区域、运行在分散 GPU 上的解耦式 RL 基础设施，而不是 InfiniBand 超级集群。

Fireworks 的 AR 达到 8 亿美元，预计到年底“至少翻倍”，而团队只有 200 人。 30% 至 40% 的毛利率（SaaS 为 80%）被定义为超高速增长阶段的选择，而非新常态——“约束会拖慢创新”。明确的边界是：“我们绝不会进入应用层”；数据中心“始终在考虑范围内，问题只是时机”；芯片则被排除，因为工作负载变化太快，硬件折旧模型已经失灵——“仅一家供应商在 1 年内就有 3 个 SKU”。

面对 OpenRouter 排名前六的中国开源模型，Lin 给出的答案很务实：无论开源还是闭源，每个模型都要加护栏，因为每个提供商都会把自己的判断和品味注入训练过程。 如果中国限制访问，短期内“影响会很大”，但美国“能够靠自己构建那套开源系统，而且我们应该这么做”（Nvidia 正在供应链缺口之际训练一款可能名为 Nemotron 的模型）。

🔗 原始收听与视频来源： 开源 AI 的真实图景｜Token 成本将下降 10 倍、使用量将爆发 100 倍｜Lin Qiao