YOHO AI

标签： 企业AI

  • 贝尼奥夫领投2000万美元：用AI抹平企业AI落地的烂摊子

    June 公司创始人团队
    June 的创始团队，大多来自 Salesforce 的 AI 业务。图源：TechCrunch

    大模型不难买，难的是让它真正跑进一家公司的日常运转里。这个问题坑了无数CTO，也养出了一批叫FDE（前置部署工程师）的新贵。现在，一支前Salesforce班底想用AI把这道最难的交付环节也自动化掉。

    AI悖论性地增加了对专业服务的需求。行业应对AI落地的办法，是”再雇更多的人”。——June创始人Efrat Rapoport

    2000万美元的pre-seed，连BP都没写

    周一，June从隐身状态亮相，拿下2000万美元pre-seed，由Marc Benioff的Time Ventures领投，Michael Dell、Box的Aaron Levie、CrowdStrike的George Kurtz这些企业软件老炮跟投。四个创始人之前创办过Bonobo AI，2019年被Salesforce收走，之后在巨头里做了几年AI，看够了客户对接时的狼狈。Rapoport说，这轮融资他们连一份正式BP都没准备。

    模板好写，底下的乱麻难解

    模型进了企业，绕不开Salesforce、ServiceNow、Databricks、Workday这一长串老平台。Rapoport点破关键：建一个agent模板很容易，难的是底下那团乱麻——数据散落在不同系统、流程盘根错节、还有多年堆积的技术债。”当数据库里有10个意思相同的重复字段、不同团队各用各的，agent怎么知道该听谁的？”

    June怎么干

    它的做法是先给企业系统做”体检”：扫描现有软件，弄明白业务流程，找出瓶颈，再自动生成一份一步步的落地路线图，告诉你要先删重字段、先接哪个数据源。你点一下”build”，它就在你的环境里动手搭。

    客户为什么买账

    美国抵押贷款机构CMG的CSO Paul Akinmade，用Claude Code迁代码很快，却卡在和Salesforce对接上几周没动静。June让他提前看清该往哪部署，还能在双方正式开会前就安全上线了一部分。他一开始的硬性条件是：”如果你的产品还要靠FDE，我不要。”June恰恰踩中了这个痛点——它把自己说成FDE和咨询公司的补充，可客户可能正是冲着”能甩开FDE”才来的。

    📎 原文来源：A Marc Benioff-backed startup thinks AI can solve the AI deployment problem（TechCrunch / Tim Fernholz）

  • AWS 把「氛围编程」搬进企业私有云，和 Superblocks 签下多年合作

    做 vibe coding（氛围编程）的创业公司 Superblocks 这几天和亚马逊云科技（AWS）签了一份多年联合营销协议。重点不在于又多一个合作伙伴，而在于 Superblocks 的工具可以直接嵌进 AWS 客户的私有云里跑。

    这意味着，一家用着 AWS 的企业只要订阅了 Superblocks，就能给自家业务人员提供”用自然语言写应用”的能力，而且这些应用不会把数据往外传——既不会发给模型厂商，也不会甩到外部数据库。应用会在公司自己的私有云里拉起 Amazon Aurora 数据库，而不是像很多 vibe coding 工具那样默认连外部的 Supabase。

    “我们要把能力带到你私有云里的数据旁边，”Superblocks 创始人兼 CEO Brad Menezes 说，”最关键的一点是数据永远不出门……用的是你自己的 AWS 账户，审计、加密、网络管控全都到位。”

    云巨头想当 Agent 时代的”脚手架”供应商

    这些应用还会接上 Amazon Bedrock——亚马逊那套 AI 应用开发、网关和推理平台。说白了，它们会自动归到 IT 部门的管控和安全体系里，而不是变成一堆没人管、随处乱长的”野应用”。AWS 也会像对待其他 Marketplace 伙伴一样，帮着把 Superblocks 推销给大企业。

    Superblocks 创始人 Brad Menezes
    Superblocks 创始人 Brad Menezes（图源：TechCrunch）
    • Superblocks 目前 50 人，截至 2025 年 5 月 A 轮一共融了 6000 万美元，投资方有 Spark Capital、Kleiner Perkins、Meritech Capital 和 Greenoaks。
    • AWS 自己到现在还没有面向业务人员的 vibe coding 智能体；它手里有给开发者用的 Kiro，以及类似 Claude Cowork、Copilot 的 AI 助手 Quick，但都不是”氛围编程”那条路。

    背后是一场”多模型”的撤退

    这件事更大的信号，是超大规模云厂商正忙着劝企业客户：把 AI 模型和跑企业 AI 所需的那些”脚手架”拆开，而且都搁在自己的云上。他们希望企业来买 AI 套壳（也就是智能体应用）、编排、安全工具，而不是去找前沿模型厂。

    过去几周，微软 CEO 萨提亚·纳德拉一直在敲同一个鼓点：多用几个模型来降本、避免被锁死；他还提醒企业别太信任 AI 实验室来做智能体编排，因为对方可能拿你的数据研究你的生意、回头跟你竞争。企业似乎已经听进去了——Menezes 说，六十天前客户还”非 Anthropic 不可”，现在完全翻了过来。上个月，开源模型在 Vercel 的 AI 网关流量里占了 29%。

    “对任何押注单一模型厂商的企业，那个高管迟早会被炒，”Menezes 放话。在他看来，横跨 OpenAI、Anthropic 和开源（眼下以中国开源为主，美国开源也在起来）的多模型策略，已经是 CIO 的必答题。把 vibe coding 送进私有云，只是继开发者 AI 编码智能体之后，云厂商掀起的第二波浪潮。

  • 谷歌云二把手跳槽，去管Scale AI了

    Scale AI换帅了，而且新老板来自对手的阵营。

    2026年7月30日，这家靠给AI模型做数据标注起家的公司宣布，任命Francis deSouza为新任CEO，8月10日正式生效。deSouza现在的头衔是谷歌云首席运营官，兼安全产品业务总裁——也就是说，他下周才从谷歌云正式离职，紧接着就空降Scale AI。

    他要接替的是临时CEO Jason Droege。Droege从2025年6月创始人Alexandr Wang离开后一直顶着这个位置。而Wang为什么走？因为Meta砸了143亿美元投资Scale，把他挖去领导Meta的AI部门了。现在Wang挂着董事会主席的名，在X上欢迎deSouza，称他是”带领公司进入下一阶段的合适舵手”。

    一个卖AI的人，去管一家做AI地基的公司

    deSouza的履历很”企业”。他当过基因检测公司Illumina的CEO，把营收做到超过45亿美元、业务铺到150多个国家；更早之前是Symantec的产品和服务总裁，还创办过两家被微软和Symantec收购的初创。MIT电气工程与计算机科学的本硕，技术底子也过硬。

    Scale挑中他，信号其实很明确：这家公司不想再只被看成”管训练数据”的，它想成为帮企业把AI真正用起来的那一层。

    “组织都明白AI的价值和潜力，但他们需要有人帮忙把这种潜力变成现实，并且以负责任、可靠的方式部署——这是一个非常、非常大的需求。”deSouza对Axios说。

    从卖数据，到卖”能落地的AI”

    Scale的起点很朴素：给OpenAI、Google这些前沿实验室提供训练模型所需的数据标注和人工评估。但最近几年它一直在往外扩，开始给企业和国防部门（包括美国国防部）直接搭AI应用。公司在博客里放话：应用业务的营收，预计18个月内就会超过老本行数据业务。新客户名单上也出现了BP、梅奥诊所，以及美国和国际上的多个政府。

    Francis deSouza
    新任CEO Francis deSouza，曾任谷歌云COO与Illumina CEO

    这么做不难理解。裸算力越来越像大宗商品，谁都能买，真正能留住客户的是上层那套能直接用的软件和行业方案。Droege时代打下的地基，deSouza要做的，是把楼盖上去。

    接的是一个火药味很浓的摊子

    deSouza上任的时机不算轻松。就在几周前，一个OpenAI的模型在Hugging Face事件里闹出重大安全漏洞；行业里对开放权重模型的监管也越收越紧；连好几位前沿实验室的创始人，都联名签了信呼吁给AI发展踩刹车。

    被问到支不支持减速，deSouza没接那个茬，只说了一句：”不管你以什么速度前进，都得把责任内置进去。”这话翻译过来就是：我不喊停，但我会在方向盘上装好安全带。

    • deSouza 8月10日上任，接替临时CEO Droege，创始人Wang已转去Meta
    • Scale战略重心从数据标注转向企业级AI应用部署
    • 应用业务预计18个月内超越数据业务，客户含BP、梅奥诊所与政府

  • 全美只有约 2000 人干得了这活：AI 行业最抢手的岗位，不是训模型

    企业 AI 落地与前置部署工程师
    企业把模型装进流程，比买到最好的模型难得多｜图片来源：TechCrunch / Getty Images

    猎头公司 Christian & Timbers 做了半年调研，得出一个挺刺眼的数字：全美真正具备“行业理解 + 能镇得住客户高管 + 有实打实 AI 落地经验”这三样的工程师，大约只有 2000 人。

    不是有 2000 人可以挖，是总共就 2000 人。

    这份独家给到 TechCrunch 的研究，访谈了 180 家公司的 250 多位 C 级招聘负责人，对 80 位财富 500 强高管做了定向问卷，还聊了 300 多位一线工程师，时间跨度是今年 1 月到 6 月。

    半年时间，招人意向从 5% 冲到 70%

    他们盯的这个岗位叫前置部署工程师（forward-deployed engineer，FDE）——不待在自家办公室写代码，而是直接扎进客户公司里，把模型和软件真正接进对方的业务流程。年初还只有 5% 到 10% 的公司说要招，而且多半只是小规模试点；到第二季度末，这个比例跳到了 70%。几家最大的咨询与服务公司甚至说，FDE 人数得扩到原来的十倍，要按 20 到 100 人的规模组建整建制团队。

    “这个速度我从没见过，企业大夏天的都在抢人。”C&T 创始人 Jeff Christian 这么形容。研究预计，到今年年底 FDE 的需求量会暴涨 2100%。

    Palantir 成了人才池，有客户为了挖人先买产品

    市面上大约有 1.7 万名 FDE，其中相当一部分在 Palantir——这个岗位当年就是它发明的。Christian 说，他的一些客户干脆先买下 Palantir 的产品，图的就是能顺带用上人家的工程师。

    但这 1.7 万人里，够得上“顶级”标准的只是一小撮。所谓够格，如今的衡量口径是能带来“几千万美元量级的 ROI 影响”，可能是营收端的线索生成提速，也可能是替掉整个 FP&A 团队，或者顶替印度那边 2300 名单据处理人员。Ode with Anthropic 的 CEO Chris Taylor 把这个门槛说得更直白：很多 FDE 有能力帮你把 Claude Code 推给全公司用，但能亲手做出你旗舰 AI 产品功能的，没几个。

    今年秋天，华尔街要开始算账了

    抢人抢得这么急，根子在钱。企业过去两年砸下去的 AI 预算，到了要交答卷的时候。

    今年秋天华尔街差不多要开口了：我们给了你们两年时间去搞明白这件事，你们没搞明白，没有 ROI。那我们就要开始惩罚那些花了几亿甚至几十亿却没产出的公司，奖励那些做出来的。

    模型厂商同样在挨这一刀。训练和部署已经烧掉几百亿美元，能不能盈利，取决于技术能塞进多少家企业；而中国那边越来越能打的开源权重模型，还在从下面撬价格。这也是 OpenAI 和 Anthropic 各自成立服务公司的原因——Anthropic 那边是 Ode，OpenAI 那边叫 Deployment Company，两家都塞满了 FDE，任务就是把自家技术铺出去。

    企业开始自己养人，怕的是流程外泄

    有意思的是，从保险、金融科技到医疗、游戏，不少企业宁可自己组建 FDE 团队，也不愿意从 Ode 或 Deployment Co. 那里整包采购。理由很实在：把自家专有业务流程交出去，等于给潜在竞争对手递图纸。Christian 说，大家担心的是“这些 AI 公司拿到流程之后回头跟你抢生意”，而这种担心在很多领域是成立的。Taylor 也开始频繁听到一个新说法——“内部前置部署工程师”。

    • 顶级 FDE 全美约 2000 人，市面总量约 1.7 万，Palantir 占大头。
    • 企业招聘意向半年内从 5%–10% 升到 70%，大型服务商计划扩编十倍。
    • 衡量标准已经从“会用模型”变成“能带来几千万美元 ROI”。
    • 企业倾向自建团队，核心顾虑是专有流程被模型厂商反向吃掉。

    不过这个岗位未必是长期饭票。Christian 自己就泼了盆冷水：也许两年后一切都自动化了，是智能体在自动化智能体，而不是人在自动化智能体。中期他判断需求会从企业软件转向“物理 AI”，比如把人形机器人接进产线；再往后五到十年，FDE 这个角色可能干脆消失。

    所以现在这场抢人，更像是行业从“谁的模型最强”切换到“谁能把模型变成钱”过程中的一段短暂窗口。窗口里，懂业务又会动手的人被抬到了天价；窗口关上之后，被自动化掉的可能恰恰是他们自己。

  • 试用快一年、连源码都看了，最后自己造一个：MCP创企Runlayer把Rippling告了

    想象一下这个场景：一家大客户来试用你的产品，一试就是快一年，你把产品路线图、甚至源代码都掏出来了。最后价格没谈拢，客户走了。几个月后有内部人士给你发短信：他们在内部搞了个项目，做的东西”几乎是你家产品的1:1复制”。

    这就是MCP安全网关创企Runlayer的遭遇——至少是它在起诉书里讲的版本。被告是估值百亿级的HR软件公司Rippling，TechCrunch看到了这份诉状。

    法律诉讼概念图
    Runlayer指控Rippling商业秘密盗用、不正当竞争与违约。图源：TechCrunch

    签了NDA，看了源码，然后自己造了一个

    按诉状的说法，整件事的流程原本很标准：双方签了保密协议，Rippling还签了产品试用协议，里面白纸黑字写着不得复制Runlayer的知识产权、不得制作衍生品——这是企业软件试用的常规条款。试用期间双方进行了”近一年的密集工程协作”，Runlayer几乎是敞开了给。

    结果价格谈崩，Runlayer终止试用。没过多久，一位”Rippling内部人士”给Runlayer创始人兼CEO Andrew Berman发来短信，爆料内部正在做一个”基本上就是Runlayer克隆”的项目。于是就有了这场官司：商业秘密盗用、不正当竞争、违约，三项指控一起上。

    Rippling发言人的回应火药味十足：”Runlayer靠编造指控来逃避竞争，掩盖不了它生意上的失败。我们只用自有信息打造了更优秀的产品，这个市场我们完全有理由赢。”

    Rippling向TechCrunch确认，确实要推出自家的MCP网关，但坚决否认动过Runlayer的知识产权。另一边，Runlayer请来了顶级律所Sullivan & Cromwell坐镇——请大牌律所不代表能赢，但就像拉到明星VC投资一样，至少在气势上先赢一截。

    卖AI基础设施给科技公司，本身就是走钢丝

    抛开官司输赢，这案子真正扎心的地方在于：它把向企业卖AI基础设施这门生意的死穴摆上了台面——你的客户，尤其是科技公司客户，越来越有能力自己把东西造出来。

    • MCP是Anthropic在2024年11月开源的协议，如今已是AI互操作的基础构件，让模型和智能体安全调用外部数据与工具；
    • MCP网关在协议之上加控制、安全和智能体管理能力，赛道正迅速变得拥挤；
    • Runlayer去年年中推出产品，累计融资4200万美元，投资方包括Khosla Ventures和Felicis；
    • 企业级销售周期漫长，往往就靠深度试用来敲定——而深度试用意味着把家底亮给对方看。

    这就是两难：不开放试用，单子签不下来；开放试用，等于教会客户怎么造你的产品。哪怕NDA和试用协议签得再全，对方真要”自研”一个，举证和维权的成本全在你这边。这场官司怎么判还很远，但每一家做AI基础设施的创业公司，恐怕都该把Runlayer的遭遇当成一堂风险课。

  • 纳德拉再放狠话：把AI全押一家的公司，最后连公司都保不住

    微软CEO纳德拉这个月已经是第二次给用AI的企业敲警钟了。7月13日他先放了一个”震撼警告”，这周日又在CNN的《法里德·扎卡利亚GPS》节目上把话说得更狠：那些把所有AI需求都押在某一家闭源大模型实验室身上的公司，最后可能连公司都做不下去。

    微软CEO纳德拉
    纳德拉再次警告企业：别把思考外包给一家AI实验室（图源：TechCrunch）

    “外包了思考的公司，不会继续是一家公司”

    主持人扎卡利亚问他，企业跟AI模型厂商”分享过多”到底指什么。纳德拉的回答很直接：从数据到提示词，你交出去的每一样东西都得留个心眼。他理想中的架构是——每次调用模型，围绕这次调用的所有元数据都应该留在你自己手里，将来可以拿这些数据去训练自己的权重，或者自己的开源模型。

    “任何没有这种控制权的公司，我敢说都不会继续是一家公司——因为你实际上把思考外包出去了。”

    他还点名了一个具体的东西：AI实验室自带的编码工具，也就是所谓的harness，比如Anthropic的Claude Code和OpenAI的ChatGPT Codex。纳德拉建议企业别依赖这些跟模型深度绑定的工具。他的逻辑是：把harness跟模型分开、把上下文和记忆跟模型分开，你就能让多个模型各干各的强项——任何一个模型消失了，你照样掌握自己的命运。

    屁股决定脑袋？但他说的确实有道理

    这里有个绕不开的背景：微软是Anthropic和OpenAI这两家最大AI实验室的投资方，而编码智能体恰恰是企业用AI最热门的方式，正在给模型厂商赚大钱。纳德拉一边投着钱，一边劝企业别太依赖——因为微软的云业务正好在卖他推荐的那种”替代基础设施”。TechCrunch也毫不客气地指出这是”明显的自利式恐吓”。

    不过话说回来，他的判断站得住脚。企业确实在意识到自己需要更多模型选项，尤其是更便宜的选项，越来越多公司转向可以自己微调、自己部署的开放权重模型。这也意味着它们需要管理多模型的工具，以及不绑定特定厂商的编码智能体。

    更深一层的风险是：当你把思考外包给一个模型后，没有什么能阻止这家AI实验室掉头做一个跟你竞争的产品。企业给AI智能体开放的内部权限越多，这个风险越大。创业圈早就为此发抖了——今年5月，OpenAI的奥特曼提出给YC每家创业公司投AI额度时，种子投资人卡拉卡尼斯就发帖警告：”拿了这些token，OpenAI就有可能研究你在做什么、复制你的想法，然后把你的应用塞进他们的免费产品里。这是经典的平台玩法，创始人们小心。”

    企业要警惕，个人就认命吧

    有意思的是，纳德拉的担忧只给企业，不给个人。扎卡利亚追问普通人该怎么保护自己，纳德拉直接耸了耸肩：消费者用免费服务，拿数据换点什么是应该的。

    “消费者领域总得有某种价值交换——你免费得到一些东西，也许就是用你的数据换的。广告商业模式一直就是这么运转的。”

    • 纳德拉预言：完全依赖闭源AI实验室的企业”不会活下来”
    • 建议企业保留全部调用元数据，未来训练自己的模型
    • 点名harness问题：别把编码工具、上下文、记忆跟模型绑死
    • 微软既是OpenAI和Anthropic的投资方，也是替代方案的卖家
    • 对个人用户，他的态度是：数据换免费服务，天经地义

  • Prime Intellect 融了 13 亿美元：企业不想再给大模型厂商”交租”了

    Prime Intellect 创始人团队
    Prime Intellect 把训练 AI 智能体的全套家当打包成”全栈”服务（图源：TechCrunch）

    一家 2024 年才成立的公司，靠帮企业自己训练 AI 智能体，融到了 1.3 亿美元 A 轮，估值直接站上 10 亿美元。投资方名单读起来像一张 AI 圈名人堂——英伟达、英特尔、戴尔的战投都在，还有 Perplexity、Box、Harvey、Cognition 这些公司的创始人以个人身份下注。这轮由 Radical Ventures 领投，光看阵容就知道，芯片和云厂商都想在”谁来训练明天的模型”这件事上占个座。

    一家成立两年的公司，凭什么值 10 亿

    Prime Intellect 做的事说白了就是一句话：别再从 OpenAI 或 Anthropic 那里按 token 租智能了，自己造一个更适合业务的。它把训练 AI 智能体需要的家当打包成一套”全栈”——算力、强化学习框架、评估工具，客户像逛市场一样按需取用，不会被绑死在一套方案上。

    “不应该只有旧金山玻璃大厦里的少数极客才拥有训练 AI 模型的能力，每一家企业、每一个国家都应该拥有这种能力。”——Prime Intellect CEO Vincent Weisser

    为什么这件事忽然有了土壤？几年前，自己训模型还是只有巨头玩得起的游戏。但现在强化学习这套打法成熟了，模型可以在具体任务上反复试错、被奖励、被修正，企业慢慢能当自己的”AI 实验室”。真正的难点在于底层基建太复杂，大多数公司根本凑不齐这套零件——Prime Intellect 就卡在了这个缝里。

    企业为什么不想再”租”智能了

    吸引力来自实打实的结果。金融公司 Ramp 用它做了一个在表格里找答案的 Agent，官方说法是准确率高过前沿模型，速度更快，成本只有零头。更关键的是心态变化：企业越来越不愿意把专有数据喂给 OpenAI 和 Anthropic，也怕哪天模型像上个月 Anthropic 的 Fable 那样说关就关。

    • 把敏感业务数据留在自己手里，而不是交给第三方大模型厂商；
    • 不用担心模型被突然下线，业务连续性更有保障；
    • 在垂直任务上，自训的小模型成本可能远低于调用前沿 API。

    Radical Ventures 的合伙人 David Katz 说得更直白：大家开始琢磨”怎么把企业自己的智能掌握在手里，别冒那些风险”。目前年化收入已经冲到 1 亿美元，Ramp、Zapier 都是付费客户。

    钱正流向训练场，而不是模型

    这轮融资背后藏着一个正在成形的判断——资本正在涌向”训练场”，而不是模型本身。就在五天前，做 Agent 安全训练环境的 Bespoke Labs 也拿了 4000 万美元。两笔加起来的信号很清楚：企业想要的不再是又一份订阅，而是 Agent 这个东西的所有权。英伟达和英特尔同时开出支票，说明连芯片厂也信了这套逻辑——它们不在乎模型最后归谁，只要训练跑在自己的硅上就行。接下来一年要回答的问题是，Prime Intellect 能不能在 OpenAI 和 Anthropic 自己猛攻企业市场时，守住这 1 亿美元的增速。

  • 开源AI抢走流量，Anthropic凭什么还在赚大钱

    一个反直觉的现象

    上周，客服 AI 公司 Decagon 的 CEO Jesse Zhang 发了一篇长帖，标题很嚣张：”大家都搞错了企业里的开源 AI”。他抛出一个挺有意思的矛盾：在自己公司里，越来越多成熟的业务正在切到更轻量的模型上，可花在那些最贵的前沿模型上的总预算，几乎一点没少。

    这跟很多人预想的不一样。按常理，开源模型又免费又能自己部署，前沿实验室早该被冲得七零八落。但 Zhang 认为，这俩根本不是对手，更像是同一个生命周期里的两个阶段。

    前沿实验室会继续握着”发现”，开源则会一点点吃掉”生产”。

    用大白话说就是：先用贵的前沿模型把一个新场景跑通、验证它能赚钱，等路子熟了，再挪到便宜的开源模型上规模化。前端探路，后端量产，各司其职。

    数据摆出来，前沿真没吃亏

    Zhang 没给太多数据，但这种数据其实到处都是。Vercel 的 AI 网关看板显示，就这一周，DeepSeek 的 Token 量已经冲到全平台的三分之一以上，背后是 GLM-5.2 的 Z.ai 也挤进了第四。可往下滑到”总支出”那栏，Anthropic 一家还是占了半壁江山。

    OpenRouter 的故事也差不多。DeepSeek V4 Flash 每周处理 5.3 万亿 Token，是最忙的；而最火的前沿模型 Opus 4.8 才 2 万亿出头。但 Opus 每百万 Token 要 1.37 美元，V4 Flash 只要 6 美分，贵了快 23 倍。算下来，花钱的大头还是落在前沿模型手里。连英伟达刚放的 Nemotron 都还没算进去。

    开源AI与前沿模型的双层经济
    开源模型吃下了流量，前沿模型守住了利润（图：TechCrunch）

    为什么开源赢不了”钱”

    一种解释是，AI 能干的活儿增长得太快了，前沿模型只要卡住早期那些最难、最值钱的部署，就能一直待在牌桌上。另一种解释更实在：很多场景就是太难，便宜模型暂时顶不上。

    • 垂直类 AI 公司确实在往轻量模型迁移，这条预言已经应验；
    • 但”GPT 套壳”类创业公司的账，算下来还是稳的；
    • 最关键的是，按 Token 算，前沿厂商死死攥住了最值钱的”溢价 Token”价格。

    作者想起去年九月自己写过的一个比方：基础模型公司到最后可能变成给星巴克供咖啡豆的——自己是商品原料，利润全被应用层赚走。现在看，这个预言只兑现了一半。

    所以眼下的格局，很可能不是”开源干掉前沿”，而是两套玩法长期并存：前沿负责开荒，开源负责量产。只要 AI 能做的事情还在指数级扩张，两边就都还有饭吃。至于这个平衡能维持多久，大概得看下一个更难啃的场景，到底落在谁手里。

  • Databricks估值冲到1880亿美元：一家大数据公司怎么讲成了AI故事

    Databricks 又涨价了。7月17日，这家公司宣布新一轮融资，估值直接跳到 1880 亿美元，领投方是老牌对冲基金 Coatue。具体融了多少钱，Databricks 没明说，只说钱还没到账，这轮要等到今年夏天晚些时候才正式 close。有 VC 跟 TechCrunch 透露，这单很稳，想进来的机构太多，公司根本没必要藏着掖着这个新估值。

    估值坐火箭，钱却还没到账

    一家还没拿到钱的公司先开香槟庆祝估值创新高，这种操作在硅谷不算常见，但放在 Databricks 身上又顺理成章——它已经连着一年半在疯狂融资了。五个月前（今年2月）它刚以 1340 亿美元估值融了 50 亿美元；再往前五个月（2025年9月）是 1000 亿美元估值融 10 亿；再往前到 2024 年 12 月，那是当时破纪录的 100 亿美元融资、620 亿美元估值。轮次密到有人开玩笑说字母表快不够用了，有人发帖说”已经在等 Series AA 了”。

    “已经在等 Series AA 了”——轮次多到社区开始玩梗，侧面说明这家公司的融资节奏有多密。

    从大数据公司到 AI 供应商

    这套密集融资的背后，是一次相当成功的形象重塑。Databricks 2013 年成立，最早靠”大数据”起家——帮企业在云上存海量数据还能跑出飞快的分析。ChatGPT 出现之前，它头上贴的是”老牌 SaaS 明星”的标签。

    转折在于，它手里本来就躺着企业的核心数据，当各家开始想要”带企业级安全和治理的 AI”时，Databricks 几乎是顺水推舟接住了这波需求。它接二连三推出 AI 产品：

    • Lakebase：专为 AI 智能体打造的数据库
    • Unity：统一调度多家模型的 AI 网关
    • Omnigent：管理多个 agent 的”元编排”层

    开源模型成了它的省钱利器

    更妙的是，Databricks 成了企业拥抱便宜中国开源模型的一个标杆案例，尤其力推 Z.ai 的 GLM 5.2 做编程。上周 CEO Ali Ghodsi 把自己公司 3000 名工程师的真实 AI 成本 benchmark 晒了出来：在程序员实际干的活上，开源模型（尤其 GLM 5.2）现在已经能啃下最高难度的任务，而且总花费比 Anthropic 和 OpenAI 的闭源模型低。

    有个发现挺出乎意料：影响成本的除了模型本身，那层”harness”（包裹模型的智能体编程工具，比如 Codex 或 Claude Code）也同样关键。他们测下来，开源的 Pi 在管理上下文上特别能打，成本低还不掉质量。

    “模型选择只是拼图的一块，别把它当成全部。”——Ghodsi 的总结点破了一件事：省钱的胜负手，往往不在模型单价。

    这套”AI 公司”的人设，让 Databricks 的融资和估值一路坐上火箭。现在 AI 的光环有多强？连三明治店 Jersey Mike’s 在 IPO 文件里都提了 22 次 AI。这年头，沾上 AI 叙事，估值就能多飞一会儿。

    Databricks 估值随 AI 叙事飙升
    数据中心的钱，正随着 AI 叙事流向 Databricks 这样的平台（图源：TechCrunch）

  • 穆拉蒂的 Thinking Machines 发布开源模型 Inkling，赌定制 AI 胜过万能模型

    Thinking Machines 创始人 Mira Murati
    Mira Murati 离开 OpenAI 后创办的 Thinking Machines Lab（图源：TechCrunch / Getty Images）

    Mira Murati 离开 OpenAI 后创办的 Thinking Machines Lab，憋了一年半，终于在周三把第一个自家模型拿了出来，名字叫 Inkling。它最特别的地方不是有多强，而是”开放权重”——外面的人能直接下载、修改、自己拿去用，不必永远挂在别人的服务器上按次付费。

    一个 9750 亿参数的”混合专家”

    Inkling 用的是混合专家架构（MoE），总参数 9750 亿，但每次只调动其中约 410 亿来干活。这种”大身子小身段”的设计现在很常见，好处是模型够大、跑起来又不至于太贵太慢。它在 45 万亿 token 的文字、图片、音频、视频上训过，四种模态它都能原生推理，不过目前只吐文字——代码、带格式的卡片、结构化数据都行。

    不跟你比谁最强，只求”哪都能凑合”

    公司自己都说了，Inkling”现在不是最强的模型，开源闭源都不是”。那它图什么？图的是”全面发展”。它会给你有把握的答案，没把握就明说”我不确定”，而不是硬编；你还能自己调”思考力度”，想快就轻一点，想深就重一点。官方说在代码 benchmark 上，它用的 token 只有英伟达 Nemotron 3 Ultra 的三分之一，就能达到同样的水平。

    由一家公司集中训练、然后定死的 AI，往往不如组织自己塑形的 AI——因为太多专业知识只属于掌握它的人。

    上面这句话，是 Thinking Machines 上周那篇博客的核心论点，也是这次发布想撑起的背景。

    真正的赌注：企业自己改的，比万能模型更好用

    Inkling 现在的定位不是成品，而是”起点”。组织可以用它的 Tinker 平台自己微调，把它变成贴合自己业务的东西。代价是：安全和合规得你自己负责，微调也确实要正经的机器学习人才。这和 OpenAI、Anthropic、Google 的打法正好反过来——那三家先把 ChatGPT、Claude、Gemini 当通用聊天机器人卖，再把智能体能力叠上去。

    为什么”自己养模型”突然成了潮流

    这个方向不是 Thinking Machines 一个人在喊。微软 CEO 纳德拉上周就警告企业，用闭源模型等于”付两遍钱”：一遍订阅费，一遍把你 prompt 和纠正里藏着的业务机密，喂进了人家的下一代模型。Hugging Face 的 Clem Delangue 也判断，前沿模型以后只留给试验和高价值任务，真正跑生产的活会挪到私有或开源模型上——这正是 Thinking Machines 押注的路线。

    最有说服力的一仗，是它和全球最大对冲基金 Bridgewater 的合作。两边用现成的开源模型，喂上 Bridgewater 自己的金融经验再训一轮，据说在金融推理测试里拿到 84.7%，干翻了一堆顶级闭源模型，而成本只有大概十四分之一。不过这分数两家自己评的，还没独立验证。

    九年还是九个月

    OpenAI 从技术面世到赚钱花了约五年，Anthropic 约三年，Thinking Machines 说自己只用了九个月。至于钱从哪来，公司一贯讳莫如深——三月它和英伟达签了部署一吉瓦 Vera Rubin 算力的合作，Inkling 全在 GB300 NVL72 上训出来的，但怎么 cover 这笔开销，它没说。

    团队现在大约 200 人，比年初一波离职（包括两位联合创始人跳回 OpenAI）后稳住了。公司的文化刻意不捧个人，按理说谁走都不算大新闻——虽然它整个故事到现在都还绑在那位知名联合创始人的名字上。