跨国深谈← 返回←「智能是数据的派生物」：Fireworks 创始人 Lin Kuo 的专用智能宣言

「智能是数据的派生物」：Fireworks 创始人 Lin Kuo 的专用智能宣言

关联

人物 Harry Stebbings · Lin Qiao

公司 Fireworks · Cursor · NVIDIA · Anthropic

概念 专用智能 · AGI · 推理 · 开源 · 强化学习 · token · 产品市场契合

这一集聊的是一个正被整个 AI 行业激烈争论的问题：未来的智能，是被少数几家 Frontier Labs 的通用大模型垄断，还是散落在每一家企业自己手里？给出答案的人是 Lin Kuo，AI 推理与模型定制平台 Fireworks 的创始人——主持人 Harry Stebbings 只见了他 15 分钟就开出 1000 万美元的支票，并称这是他 10 年投资生涯里最容易的决定之一；Fireworks 据称四年内做到了 10 亿美元 ARR 的规模。

而 Lin 的核心主张非常反主流：AGI「一个模型解决所有问题」的世界不会到来，未来属于数百万个专门化模型。

核心主张：专用智能才是智能的前沿

Lin 的论证起点是一句判断：智能是数据的派生物。而训练通用模型的数据来自公共互联网和标注数据，公共互联网相对世界总数据量是很小的语料库——世界上的大部分数据，是被锁在应用里、锁在企业里的私有数据，永远不会被共享，因为那是公司的专有 IP。这些数据绝大多数没有被「激活」来产生任何智能，而 Fireworks 做的就是激活它们。

为什么不直接用 Anthropic、OpenAI 的 API 省心？Lin 的回答带上了价值观色彩：如果未来世界由单一标准统治、品味由某一家公司说了算，「我们就把自己变成了一支机器人军队」。

他认为把智人与其他物种区分开的是创造力，而这一部分无法被复制。 他对 Dario、Sam 这些人的贡献并不否定——他把通用大模型比作输电线：一条输送强大智能的基础设施，所有人在其上构建。

但没有电力线，就不会有各种电器；问题只是——「这条电力线会取代我们所做的一切吗？我不这么认为。」

一个佐证来自黄仁勋。Lin 在 GTC 之后与他对谈，Jensen 说了一句让他回味的话：「没有所谓的专门化的通用公司，每家公司都建立在一种做事情的特定信念之上，否则它们没有存在的理由。」这种独特性深植于产品设计、软件架构、数据和用户交互之中，外部公司学不到也共享不了——这正是企业需要自己的智能的原因。

开放权重的赌注：从「扩展到破产」说起

Fireworks 早期联合创始人之间有过一场深辩：自建模型还是在开放模型之上构建。当时开放模型还在萌芽期，这是一场巨大的赌注，但 Lin 们因为开源出身的根基押了开放——因为「开放性把控制权交给了用户」，模型权重一旦发布就完全归你，可以随意修改、在其上构建。押注的回报是：开放和闭源两条路线在过去两年都跨过了质量阈值，而开放模型跨过阈值后调优容易得多——用一家公司少量的独特数据朝它的评估指标爬坡，结果往往是用你的数据解决你的独特问题时，你比通用模型更好。

这里引出本集最有信息量的一个观察：**产品市场契合（PMF）和可持续业务，在 SaaS 时代几乎是同义词，现在裂成了两个概念。**SaaS 时代 CPU 是大宗商品、基础设施近乎免费，找到 PMF 就可以全力扩张；而现在「有很多很棒的公司拥有 PMF，客户愿意付钱，但他们无法扩展——一旦扩展，他们可能扩展到破产」。

对有巨大流量的数字原生大企业，这个问题更尖锐：一旦推出 AI 功能就会触达全部客户群，但 CFO 看一眼成本预测就会否掉。替代方案只有一条：掌控自己的开放权重模型，推出自己的模型。

对安全问题（比如 OpenRouter 上前列模型多为中国模型），Lin 的建议是：无论开放还是封闭模型，都应该自己加护栏——因为模型提供商必然把自己的判断和品味融入训练，你无法保证它与你匹配。至于中国若限制开放模型出口，他承认短期冲击很大，但开放生态的美妙就在于它不止一个提供商，以美国的人才密度和资源，能够也应该自建开放系统。

和 Cursor 一起造 RL 基础设施

本集最「硬核」的一段是 Fireworks 与 Cursor 的合作细节。训练是资本密集型活动，大厂买昂贵集群互联，不必太操心效率；但两家创业公司都极其在意资本，要在不拖慢研究创新的前提下求高效。

方法是把强化学习（RL，让模型通过试错拿奖励来改进的训练方式）的后训练拆成两块：一块是训练器，不断调整权重、产出新的模型版本；另一块是 RL rollout——把新版本部署出去，与合成或真实的编码环境交互，拿回奖励来判断版本好坏。大厂把这两块在同一个超级集群上一起跑，而 Fireworks 设计了完全分布式的系统：跨全球五、六个数据中心区域运行，调用分散的 GPU 跑大规模 RL 作业。

难点在于跨区域同步模型权重——权重分发太慢，奖励就太陈旧，训练就偏了。他们创新了一种快速分发全新权重的方法，数值上仍然可靠，又不受限于昂贵的 GPU 集群。这套合作直接促成了 Cursor 近期的模型发布。

为什么 CTO Dima 要驻场几个月？Lin 的解释是新技术采纳曲线的规律：早期采用者都是黑客——想要深度控制、有深厚专业能力的人；后期才是要更少控制的大众用户。Fireworks 瞄准的是后期，但理解前期需要什么极其有价值。

token 经济学：三年降 10 倍，用量涨 100 倍

Lin 给出几个关键数字：Fireworks 每天处理超过 40 万亿 token，其中大部分来自定制化模型而非现成模型；他预计到明年底这个量可能是 20 到 100 倍。由此他给出预测：**未来三年 token 成本降 10 倍，这 10 倍的降本将驱动 100 倍的使用量。

**降本的路径有三层：一、模型质量提升后，解决同一任务需要的 token 更少（有些模型便宜 2 倍但要 2 倍的量才能完成同一任务，所以应该按任务评估 token 经济学，而不是只看单价）；二、通过模型定制让每个 token 更精确；三、GPU 和内存等底层基础设施目前处于严峻的供应链约束之下，未来两三年会缓解。至于 capex 泡沫论，他的回应是：如果是 20 到 100 倍的用量增长，「说我们处于 capex 泡沫就很荒谬」——但瓶颈在黄仁勋「五层 AI 蛋糕」的下层：芯片、能源、物理世界的制造速度，甚至小到一个晶体管。

关于质量，他举了一个极端例子：0KLD——训练系统和推理系统之间做到比特级等价，不损失哪怕一个比特的精度。这极难做到，但客户投入训练的每一美元都应该被最大化；跨过训练-推理边界时质量打折，等于训练投资按折扣兑现。这也是为什么他对「商品化的一刀切」生意不感兴趣：Fireworks 把每一次模型部署都视为「一人适配」，只针对你的工作负载，从质量、速度、成本三个维度优化——在数百万用户的生产规模下，5% 的成本降低都是巨款，更别说他们见过的 5 到 10 倍降本。

不进军应用层，建数据中心可以谈

战略边界上 Lin 说得非常清楚：「我们绝对不会进军应用层。」至于向下自建数据中心，可以放在桌面上，但取决于时机。

他的通用判据是：使用量过某个阈值后，自建底层供应才在经济上说得通——Meta 年轻时也不什么都自建。Cursor 最早与他合作时只有几百万美元规模，正因为他们认清自己只想专注产品和研究的创新，把平台创新交给把全部研发押在这上面的 Fireworks。

「专精才是赢大局的正确心态。」

至于为什么黄仁勋「跳过」他这一层去做 Nemotron 模型，Lin 的解读很冷静：那是纯粹的供应链问题——美国没有本土开放模型是个问题，NVIDIA 在补这个缺口；而如果 Fireworks 这样的公司把专用智能平台层补上了，这个堵塞就不存在。

毛利率 30-40% 不是新常态，是超高速增长的代价

面对「你们利润率 30-40%，而传统 SaaS 是 80%，这是不是新常态」的追问，Lin 的回答是公司哲学级的：**「你是为增长优化，还是为毛利率优化？」**毛利率优化本质是约束问题——先定目标再倒推施加约束，而约束会拖慢创新。

在高度实验期就过度优化毫无意义；一旦确定一个系统要百分百构建、要放大一千倍，再「拼命优化它」。他明确说要避免过度优化毛利导致增长缓慢——「完全不增长、拼命优化，那绝对是灾难性的结果」。

硬件折旧问题也让「自建 vs 购买」的账变了：过去硬件折旧六年、三年一发布；现在光一家供应商一年就有三个 SKU，模型每周都在发布、在下一代模型出来前就达到价值峰值。三年后你还会想回到落后九代的硬件上跑三年前的模型吗？以这个创新速度看，这是存疑的。

本集带走

• 判断一个模型不能只看单价：有的模型便宜 2 倍但要用 2 倍的量才能完成同一任务——应该按任务建立评估 token 经济学的最佳实践。
• 「扩展到破产」是这个时代的真问题：有 PMF 不等于有可持续业务；当 AI 成本压垮单位经济时，掌控自己的开放权重模型是企业的替代出路。
• 拥有智能要等时机：企业走向「拥有而非租用」智能的触发点是规模化阶段——优化开始起作用时，你必须有控制权才有优化空间，而控制权来自构建在开放模型之上。
• 自建芯片/数据中心的判据是工作负载成熟度：使用量过阈值、业务稳定不再剧变，才值得把逻辑固化进硬件——一旦流片，回头修改代价极高。
• 领导力是判断力，不是特权：Lin 从黄仁勋身上学到的——在高速度领域，信息层层传递必有损失，领导者必须掌握一线的真实上下文才能做对判断。
• 招人的第一指标不是能力：Fireworks 最看重「极致所有权」——没人给你划框，你自己认领端到端的问题、无论如何交付；Lin 最大的悔恨则是等太久才做市场营销——营销不是流量，是教育和清晰。

我不想看到的是只有一家公司拥有智能。
What I don’t want to see is there’s only one company owns intelligence.
—— Lin Qiao · [00:00]

我确实认为 token 的成本会大幅下降，未来三年内成本降低 10 倍，而这 10 倍的成本降低将驱动 100 倍的使用量。
I do think the cost of token will go down drastically, 10x cost reduction in the next three years, and this 10x cost reduction will drive 100x usage.
—— Lin Qiao · [00:12]

如果你认为智能是数据的派生物，那么大部分数据其实并没有被用于训练通用智能模型。
If you think intelligence is a derivative of data, then majority of the data is actually not used for training a general intelligence model.
—— Lin Qiao · [07:32]

如果我们未来的世界要由单一标准统治、品味由某一家公司 dictate，那我们就把自己变成了一支机器人军队。
If our future world is going to be ruled by one standard, a taste dictated by one company, we turn ourselves into an army of robots.
—— Lin Qiao · [09:47]

一旦模型发布，你就拥有对权重的完全控制。你可以随意修改它。它是你的。
Once the model is released, you have the full control of the weights. You can change it however you want. It’s yours.
—— Lin Qiao · [13:52]

客户愿意付钱给他们，也非常看重他们的产品，但他们无法扩展，因为一旦扩展，他们可能会扩展到破产。
Customers want to pay them, and they really value their product, but they cannot scale because once they scale, they could scale into bankruptcy.
—— Lin Qiao · [16:27]

而且通常，爬坡的最终结果是：用你的数据解决你的独特问题，你会比通用模型更好。
And often time, the end result of heel climbing is to solve your unique problem with your data, you are better than a general purpose model.
—— Lin Qiao · [15:21]

我真的相信，未来会是——这可能很可怕，但我认为这是真的——数百万个专门化模型，每个应用、每个用例一个。
I really believe the future will be, it may be scary, but I think that’s true, it will be millions of specialized models, one per application per use case.
—— Lin Qiao · [20:58]

我们把每一次模型部署都视为「一人适配」。它只对你的工作负载是独特的。
We think about every single model deployment as one size fits one. It’s unique for your workload only.
—— Lin Qiao · [18:59]

如今我们每天处理超过 40 万亿个 token。
Today we process more than 40 trillion tokens a day.
—— Lin Qiao · [37:01]

而且通常约束会拖慢创新。
And usually constraints slow down innovation.
—— Lin Qiao · [48:12]

如果我们的焦点只是优化增长毛利率，我们绝对可以做到。但那样我们会牺牲增长的速度。
If our focus is only optimize growth margin, we absolutely can do that. But we are sacrificing the speed of growth.
—— Lin Qiao · [48:46]

我知道我们可以干掉竞争、爬到一个很高的数字，但那绝对是一个灾难性的结果。
I know we can kill climb to a high number, but that’s absolutely a disaster outcome.
—— Lin Qiao · [55:44]

领导力就是判断力。不是特权。是判断力。
Leadership is just judgment. It’s not privilege. It’s judgment.
—— Lin Qiao · [69:27]

市场营销不是关于流量。它更多是关于教育。它更多是关于清晰。
Marketing is not about flows. It’s more about education. It’s more about clarity.
—— Lin Qiao · [71:19]

我真的看到，每一家公司都会把拥有自己的智能视为一种必需品。这不是可选项。
I really see people will own their, every single company will own their own intelligence as a must-have. It’s not optional.
—— Lin Qiao · [73:21]