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）

摘要

• 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。

精读

1. AI infra 正在变成一个紧耦合的大系统

• Stoica 的开场论点：硬件更复杂、应用更复杂、两端创新速度都在加快；加上 AI 工作负载成本极高、人人追求极致效率，“一切都是紧耦合的，一切都是集成的”——必须把整个栈当作一个大系统来一起开发。
• 关于 AI 入侵系统、网络安全的讨论，他主张退一步看：“AI 终究是一个系统、一个工具。”复杂系统以意外方式运行并非首次——互联网、大型分布式系统都如此。应尽可能理解这些攻击，据此改进安全、引导系统达成期望目标；同时别忘了，这些工具是为了提高生产力、改善生活。

2. 垂直整合巨头之外，创业公司的机会在新兴负载

• 他点出四个方向：post-training、多模态数据处理、机器人栈、跨集群数据搬运。Post-training 持续增长，是因为它能提升已有模型的能力、帮助模型在特定任务上表现更好；竞争力强的开源权重模型（很多来自中国）也为此提供了基础，提升后在某些任务上可以超过最好的专有模型。
• 机器人领域尚早，许多公司还在造模型；适用于机器人应用的开源栈可能很重要。机器人不需要构建万亿参数模型，问题“更容易处理”，因此存在机会。
• GPU 和 AI 芯片稀缺时，即便大公司也可能从多个云厂商获取资源，也可能自建数据中心。接下来要把这些资源整合起来，让训练能跨不同数据中心和集群进行，并提高可移植性。SkyPilot 正在处理这类问题，也涉及在这些地点之间高效搬运数据；训练数据可能达到数十万亿 token 甚至更多。

3. 实验室的护城河主要是资本——排名翻转是他的依据

• 他先说明自己是开源的坚定支持者，因此观点会受此影响。之后给出的判断是：最大实验室最核心的护城河是资本。对手若能匹配资本，或虽资金更少但仍足够，也能做出有竞争力的模型；因此没有实验室绝对主导，某家可能领先几个月，随后又趋于拉平。
• 他举例说，去年底最好的模型可以说是 Gemini；之后几个月是 Claude。他还提到转录中标为 Fabul [?]、Astra [?] 的名称，并称 Opus 5.5 在编程上也很好。中国模型方面，去年 2 月 DeepSeek 曾让所有人惊讶；现在 GLM 5.3 和 Qwen 3 在至少一些任务上可以说更好。
• Stoica 认为实验室尚未建立可见的技术护城河，这也是开源仍有机会的原因。他希望开源越来越普及并缩小差距，但不要求差距完全消失：每项任务都有“够用”的门槛，过了门槛后，能力强十倍未必有意义。他用汽车作比：如果只是从 Santa Clara 开到 San Francisco，时速 100 英里就够了，300 英里时速并不重要，除非任务是赛车。
• 他援引 Vercel 的说法：其 AI 路由器过去几个月出现了流量转变，几个月前约 70% 使用专有模型，现在约 70% 使用开源模型；他说明自己不记得确切数字。

4. 品味重要，但不是已显现的实验室护城河；开源有助于扩散创新

• 曹卿云引用 Steve Jobs 追问品味是否是护城河。Stoica 认可品味的重要性：同一个难概念，有人 10–15 分钟就能让你理解，有人讲 3 小时你仍然不懂。模型传达答案、回应任务、请求澄清的方式也很重要；人际问题常源于沟通不畅，系统应考虑人的需求，“在人类所在之处与人类相遇”。
• 但对于实验室是否靠更有品味的人才建立护城河，他表示若真如此，模型排名就不会每两个月左右变动。他举例说 Google 曾占优，微软也开始占优；他认为多家实验室的人才能力相近，资本的作用更大，因为资本能吸引人才，而人才会在实验室之间流动。
• 他认为开源能扩散创新，让世界各地的人参与；目前每家实验室的贡献者主要限于内部。他以 Linux 为例，希望 AI 也能越来越开放：不止开放权重，还应尽可能开放数据、训练所用软件和评估，让更多人贡献、所有人受益。

5. Arena 的赌注：人类是终极 benchmark

• Arena 的终极目标是帮助人们构建更好的 AI：更准确、更可靠、更可预测，也更具成本效益。要做到这一点，需要评估；否则很难知道哪个模型适合某项任务。
• Arena 相信，好的评估应让真实的人用真实任务解决真实问题，并对模型或智能体的表现表达隐式或显式偏好。Stoica 并未否认人工或静态 benchmark 的重要性；他的核心判断是，只要系统是为人类构建的，终极 benchmark 就是人类。