专有小模型与通用大模型

10月22日

No Priors 新一代顶级掠食者：CrowdStrike CEO George Kurtz 谈手握 AI 智能体的对手

• George Kurtz CrowdStrike的模型策略建立在专有数据、更低执行成本和客户控制权之上。 Kurtz举例称，使用领先的网络安全前沿模型，成本可能约为10美元；用CrowdStrike自研模型则约为3美分。他强调，公司积累了十多年的安全数据，而客户不愿把敏感信息交给模型实验室：“Reddit上没有CrowdStrike的安全数据。”

10月21日

All-In Arvind Krishna 与 Nikesh Arora：量子威胁、开放模型与前沿 AI 之争、AI 网络战与 SaaS 崩塌

• Nikesh Arora Arora 认为，紧急情况下前沿模型的能力值得其价格，但日常安全任务应使用更便宜的模型。 端点检测每年约需 20–40 美元，而一次安全漏洞可能造成数十亿美元损失，因此在这种情况下使用前沿模型和智能体集群有其合理性。日常任务则「没必要每件事都开法拉利」。他看好用专有数据训练的开放权重模型应用于许多商业场景，并认为自行管理权重有助于审计和解释。

10月20日

The a16z Show 你该相信 ChatGPT 处理你的健康问题吗？

• Karan Singhal Singhal结合自己开发专用模型的经验，主张在通用模型中进行专门训练：纯医疗模型“很快就会落后于前沿”。 过去一年推出的各版 ChatGPT 模型，都在每个训练阶段加入专门的医疗数据；这就是“在通用模型中做专门训练……两全其美”，也就是“搭上规模化前沿的顺风车”。

10月19日

硅谷坐标 Silicon Valley Vector 从算力到规模 AI基础设施的未来｜对话 Google 工程副总裁 Bill Jia

• Bill Jia 几个关键判断：TPU 与英伟达不是“全面竞争”，而是不同商业模式下的相互学习；训推一体目前还早，pre-training、post-training 和 inference 全部做成一体没有必要且技术不成熟。 模型格局则会是 frontier 大模型与垂直模型并行、百花齐放。

硅谷坐标 Silicon Valley Vector 模型能力终将普及，AI 的终局是能力与成本之比｜对话 Google DeepMind 研究副总裁 Ed Chi

• Ed H. Chi DeepMind 近期发表的小模型主要服务应用，大模型仍在开发；Google 放弃模型开发“完全不可能发生”。 用户期望 Google 拥有自己的技术，有一种技术 sovereignty 的意味；大小模型的资源分配“连大厂内部都是难题”。他提到湾区 “AGI-pilled” tech bro 对 ultra-size model 的热爱——他们相信 software took over …

硅谷坐标 Silicon Valley Vector 有 PMF 也会破产：AI 生意和 SaaS 完全不同｜对话 Fireworks AI CEO 乔琳

• 乔琳 专用智能的经济价值在于降本和掌控供应链。 曹卿云称，客户可将成本降低 5—10 倍；闭源供应商控制升级与容量，也可能既是 vendor 又是 competitor。基于开源模型并用自有数据定制，是控制供应链的一种有效方式。

10月18日

硅谷坐标 Silicon Valley Vector 硅谷坐标 x 谷歌DeepMind研究副总裁 Ed H. Chi（纪怀新）：个性化通用助理的未来

• Ed H. Chi（纪怀新） 关于模型竞争力，他认为 Google 不可能放弃模型开发，理由是用户期待 Google 拥有自己的模型技术。 近几个月发布偏小模型是刻意为之——通用助理和个人化应用需要小模型；更大的模型也在开发中。他还提到湾区一些 AGI-pilled tech bros 信奉 software took over the world，因此热衷 ultra-size model；他个人不希望手机应用都跑 …

10月17日

All-In CoreWeave暴跌、AI交易裂痕、Anthropic IPO警讯、Bill Gates末日论

• Ben Horowitz PSYOP时间：Sacks称，Anthropic在博客中警告自我复制的AI蠕虫“几个月内”就可能感染物联网设备，是针对小模型的一场恐慌宣传。 他指出，时机颇耐人寻味：就在Brian Armstrong发帖称Coinbase微调了Qwen 3.5（90亿参数模型）之后1天；该模型速度更快、成本更低，同时将欺诈减少了约30%。Anthropic另一篇博客则称，公司已拦截90–99%的蒸馏行为；Sacks认为，这恰好证明了模 …

10月15日

硅谷坐标 Silicon Valley Vector 硅谷坐标 x Datadog首席产品官｜HYSTA主席李严冰: AI 落地进入 ROI 时代

• 李严冰 面对OpenAI等前沿模型可能自行完成更多任务，李严冰把运营复杂度、领域经验、专有数据与垂直模型视为Datadog的护城河。 她以自动驾驶作对比：车辆只有加速、减速、转向三个控制点，而大规模软硬件基础设施叠加AI代理后复杂得多；她表示，Datadog的专用模型质量接近顶级前沿模型，成本则“至少降低了一个数量级”。
• 未来不会由单一前沿模型包办所有场景，post-training与企业数据将成为差异化来源。 一家顶尖AI实验室甚至询问Datadog能否标注并出售运营数据，反映通用模型在专业场景中的积累仍不足；Datadog也于去年收购强化学习公司AdaptiveML，加速内部模型投资。

10月13日

硅谷坐标 Silicon Valley Vector 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

• Ion Stoica 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。

10月12日

20VC Atlassian CEO Mike Cannon-Brookes：代理不会取代界面

• Mike Cannon-Brookes 多数专用模型能否在快速进步的通用模型之上持续保持优势，仍没有定论。 专有数据，以及机器人、世界模型等高度专门化的应用，可能足以支撑专用化；但许多所谓的专有模型，不过是花费10亿美元打造的基础模型，再用约100万美元做定制。真正的证伪标准很明确：随着通用模型前沿推进，它们必须持续实现“指数级”的每瓦价格性能提升。

42章经 一个 Personal Agent 创业者的思考｜对谈 Ambi 创始人子皓

• 莫子皓 模型能力仍在进步，但训练模型主要是做帕累托取舍；端侧大模型不适合 Ambi 的形态。 他修正了去年“智能已经足够”的说法：模型升级后，调整 harness 和 system prompt，同样任务仍有明显提升。训练模型更多是在成本、速度和智能之间找更合适的点；Ambi 不做端侧大模型，主要考虑电池、重量和佩戴体验。Computer Use 在模型能力的延长线上，他 …

10月9日

No Priors Beam：伟大的美国开放模型——对话 ReflectionAI 联合创始人兼 CEO Misha Laskin

• Misha Laskin Reflection AI 预计，当企业年度支出达到战略意义上的规模后，企业采用路径会从租用闭源模型智能转向拥有开放模型系统。 当闭源模型年支出达到约1亿美元以上，企业就会开始考虑开放部署、本地基础设施以及对全栈的控制。Laskin 的关键区分是，大多数企业最初会定制模型周围的代理框架，而不是模型权重本身，因为“必须先经历租赁阶段，才能成为所有者”。

10月8日

The a16z Show 为 AI 智能体构建云基础设施 | AWS CEO Matt Garman

• Matt Garman AWS围绕企业数据托管来定位Bedrock，同时保留专有模型和开放权重模型两条路径。 Garman表示，提示词和数据都留在客户的VPC内，永远不会回到模型提供商手中；拥有真正专有数据的客户可以对开放权重模型进行后训练或微调，甚至蒸馏，以更低成本获得更好表现。前提是必须建立评估体系，证明这种优势，而不是想当然。

10月3日

The a16z Show 为什么每家公司都需要拥有自己的智能

• Amjad Masad Erik 提出企业需要“拥有自己的智能”，Amjad Masad 则进一步指出，基础模型厂商正越来越多地把每一层应用都视为潜在市场。 他援引 SpaceX S-1 中据称“30万亿美元”的机会空间，对比约100万亿美元的全球 GDP，说明这种野心的规模。Replit 因此正把自己定位为横跨模型和云的独立性层，覆盖 AWS、Azure、Databricks 和 Snowflake。
• Alex Atallah 专用决策模型可能同时成为智能体系统的经济层和安全层。 OpenRouter 正在测试一种便宜、快速的模型，用来根据政策检查工具调用；Atallah 则设想，由通用模型按需训练更窄的替代模型，避免在任何地方都调用前沿智能的“用核弹轰蝴蝶”式浪费。结构化输出也能显著收窄模型作恶的空间。
• The a16z Show 专用模型周期可能重演软件从动态语言转向类型系统、编译器和 Rust 的过程。 Masad 已经在用 Replit 数据训练 Qwen 8B 分类器，包括一个提示词成本估算器；Atallah 则认为，定制分类器的“模型债务”低于非结构化微调，后者每两个月就可能因模型过时而被迫重做。多模型融合提供了另一条路径：嘉宾称其以约40–50%的成本实现了接近前沿模型的 …

10月2日

Latent Space 递归语言模型——Alex Zhang，MIT 博士

• Alex Zhang 规模较小的实验室应该通过不同的模型架构和输出架构竞争，而不是复制头部实验室的自回归解码器。 Zhang 最喜欢的例子是 JEPA：它复用从语言中学到的信息，却改变模型的输出空间，从而为二元分类等任务实现快速推理；如果调用完整生成模型，成本可能高出“400倍”。他认为，延迟敏感型系统存在更大的机会：这类系统需要智能，但不需要完整生成文本。

9月27日

Moonshots Jensen 回击末日论者，Xi 与 Trump 谈 AI，“AI”换了个名字 | #294 MOONSHOTS Live

• Emad Mostaque DrivingBench 用物理世界给出了苦涩教训：一个通用版 GPT-6 Astra 仅凭一句自然语言指令，就让 Toyota Corolla 通过130米的锥桶赛道，并在第二次尝试中100%完成。 Boris Power 称这是专用模型“棺材上的最后一颗钉子”，Alec 则认为，机器人很快可能只需要一个装进机器人身体的通用模型。Dave 的保留意见很关键：测试没有披露算力成本，瓶颈正从模型转向算力，再转向能源。HBM内存价格已涨至原来的5倍，嘉宾估计未来2年能源缺口约为60 …

9月21日

20VC Daniel Dines谈UiPath：AI不能取代人，工作流更值钱

• Daniel Dines 企业模型流量应集中到低成本模型，战略价值则会归属于工作流所有者、开源模型基础设施和上下文数据系统。 Dines 预计90%的运营流量会使用高性价比模型，负责任的企业还会保留开源备选方案。如果 Fireworks 能拿到大规模推理所需的算力，他“可能会”在其150亿美元估值时投资，但这可能需要数百亿美元资本。在法律 AI 中，模型调用和有价值的公司之间的差别，在于后者是否绘制并运 …