分类： AI资讯

SpaceX刚刚创造IPO历史，转头就砸下600亿美元买了一家AI编程工具公司。这周，SpaceX和AI编程创业公司Cursor正式宣布达成收购协议，交易对价全部用股票支付，总价600亿美元。

时间点卡得相当微妙。SpaceX上周五才完成史上规模最大的IPO，几天之内就宣布这桩收购，显然上市筹到的钱已经有了去处。实际上，早在今年4月，SpaceX就和一帮投资者提前把这事谈好了——当时它对外说的是：要么600亿美元买下Cursor，要么付100亿美元分手费。现在IPO一过，这笔交易正式落地。

Cursor为啥值600亿

Cursor这家公司2022年才成立，前身叫Anysphere，做的是AI辅助编程工具，让开发者用自然语言描述需求就能生成代码。过去两年，随着AI编程赛道爆发，Cursor的用户量和收入都涨得飞快。

在被SpaceX收购之前，Cursor本来正在谈一笔200亿美元的融资，投资方包括a16z、Thrive和Nvidia，融资完成后估值将达到500亿美元。SpaceX直接插进来，用600亿美元的股票把这笔融资截胡了。

Cursor在2024年通过了OpenAI的创业加速器项目，随后融资节奏明显加快——2025年6月完成9亿美元C轮，年底又融了23亿美元，在SpaceX出手之前估值就已经冲到约290亿美元。

xAI的烂摊子靠Cursor来收拾

这笔收购背后有一个尴尬的背景。SpaceX今年早些时候把Elon Musk的AI公司xAI合并进了自己体内，准备在AI赛道大干一场。但xAI过去几个月过得相当狼狈——11个联合创始人全部在3月底前离职，Musk公开承认”xAI第一次没建好，正在从地基开始重建”。

更严重的是xAI的产品Grok多次出现严重问题。去年Grok聊天机器人曾自称”MechaHitler”，今年初又被曝光允许用户生成女性和儿童的性化深度伪造内容，加州总检察长为此发出了停业令。SpaceX在IPO文件里明确把这些行为列为业务风险。

收购Cursor显然是Musk想为SpaceX的AI业务找一条技术上的出路。Cursor在代码理解和生成上已经积累了大量真实开发者的使用数据，这恰恰是训练编程AI最值钱的资产。SpaceX在IPO路演时告诉投资者，AI基础设施和企业应用加在一起是一个近25万亿美元的市场机会，现在它得拿出真东西来证明这不是吹牛。

股价先涨为敬

投资者似乎买账。SpaceX IPO定价135美元一股，到本周二早上，盘前交易已经突破200美元，短短几个交易日市值增加了将近1万亿美元——换算下来，相当于16个Cursor的收购价。

这笔交易预计在今年第三季度完成。到时候，Cursor的AI编程能力将被整合进SpaceX的AI基础设施里。至于这和发射火箭到底有什么关系，Musk还得给投资者一个更清楚的解释。

前几天KPMG撤掉了一份关于AI使用的报告，原因是报告里引用了多家机构的数据，但那些机构纷纷表示”我们没说过这个”。调查发现，这些错误来自AI幻觉——也就是说，这家全球顶级专业服务公司在制作一份关于AI的报告时，自己先被AI骗了。

这件事在AI圈子里传开之后，很多人把它当成一个笑话。但笑完之后，一个更严肃的问题摆在所有AI用户面前：如果连KPMG都用不好AI，普通人该怎么办？

“机甲套装”思路

Peter Elias创办的Probably公司刚拿了900万美元种子轮，领投方是Andreessen Horowitz。他们的思路说起来不复杂：既然大模型天生就会犯事实性错误，那就不要让用户直接碰到原始模型的输出，在模型和用户之间加一层”套装”——Elias自己用的词是”mech suit”（机甲套装）。

具体做法是：大模型的初版回答先经过一个确定性验证系统（deterministic validator）检查，验证系统会根据已知的数据集来核对结果，任何对不上的回答都会被打回去重算。关键是，大模型本身也针对这个验证系统做了训练，整个链条是一起优化的，而不是各干各的。

Elias总结了一句话：”你的套装工程设计得越好，你需要的模型就越弱。”意思是，如果你能把上下文整理得足够精确，模型其实不需要很聪明也能给出正确答案。本质上，这是在减少歧义。

用小模型干大事

这套架构带来一个有趣的副作用：因为验证层承担了大部分”把关”工作，Probably的数据科学工具实际上跑的是一个比前沿模型”弱四个级别”的模型。换句话说，他们不需要GPT-4o或者Claude Sonnet这种级别的模型，也能给出准确率极高的回答。

这意味着什么？意味着整套系统可以跑在本地硬件上，不需要把每一次查询都发到OpenAI或者Anthropic的服务器。对于企业用户来说，这省掉了一大笔token费用，也不用担心敏感数据离开自己的网络。

Elias说他们当前版本的模型跑在桌面级硬件上就没问题。这个定位很聪明——在大家都拼命往云端跑的时候，他选择了往本地走。

大AI实验室为什么不做这个

Elias在接受TechCrunch采访时说了一段挺直接的话：”有趣的是，大型AI实验室甚至没有尝试过这样做。他们的激励机制不支持他们这样做，因为用户越是需要反复纠正模型，他们就越赚钱。”

这个观察很犀利。OpenAI、Anthropic、Google这些公司的商业模式本质上建立在”模型还不够好”这个前提上——如果一次就能给出正确答案，用户就不需要多次调用API，收入就会下降。所以让他们主动把准确率做到99.99%，相当于让他们自己砍自己的收入。

Probably目前的第一款产品是一个数据科学工具，但Elias说这套引擎可以扩展到任何对精度敏感的场景——会计、医疗、法律分析，这些都是容错率极低的领域，也是目前AI最难真正落地的领域。

KPMG的尴尬撤稿事件其实正好给市场做了一次普及教育：AI幻觉不是小问题，它会导致真实的、可量化的损失。能解决这个问题的人，值得那900万美元。