标签: 开源AI

  • DeepSeek 冲刺 IPO:估值一个月从 500 亿跳到 710 亿美元

    去年年初,一家叫深度求索的中国公司用极低的成本训出了能跟美国一线大模型掰手腕的模型,把整个硅谷看愣了。现在,这家公司准备把自己送上股市。

    据彭博社报道,DeepSeek 正在筹备 2027 年登陆资本市场,最早今年底就可能递交申请;与此同时,它打算新一轮融资大约 15 亿美元,估值放到 710 亿美元左右。消息出来前才一个月,DeepSeek 刚完成成立以来的第一笔外部融资——70 亿美元,估值约 500 亿美元。换句话说,它的身价在短短几周里又涨了四成多。

    一笔为上市量身定做的融资

    这轮钱跟上一轮性质不太一样。70 亿那笔是把外部投资人第一次请进股东名册,定了个 500 亿美元的基准价;这一笔 15 亿更像是上市前的”标价动作”——在真正向公众打开账本之前,先让市场知道私人资本愿意给它多少。它要的不是分散股权,而是给投行和未来的散户一个信号:这家公司值这个价。

    从 500 亿到 710 亿美元,一个月出头的工夫,估值跳了 42%。在公开市场还没给过它一个真实价格之前,这个数字更像谈判筹码,而不是定论。

    凭什么值这么多

    支撑估值的,是实打实的使用量。企业级 AI 网关 Vercel 的数据显示,今年 6 月,DeepSeek 处理的 token 占到了将近 23%,排第二;第一是 Anthropic,占 32%。一家中国开源实验室,能在一个全球开发者的入口里吃掉接近四分之一的流量,这本身就说明问题。

    更耐人寻味的是芯片。美国的出口管制卡着先进半导体,DeepSeek 的云服务却跑在华为的芯片上。它用这件事证明了一件事:即便拿不到英伟达最顶尖的货,中国团队照样能把模型能力追到美国一线实验室的几口气之内。

    DeepSeek 上市概念图
    DeepSeek 冲刺 IPO,开源模型的经济账第一次要摊开给公众看

    股东名单里站着”国家队”

    彭博社提到,DeepSeek 的投资人里已经有腾讯,以及北京的国家人工智能产业投资基金。这两家都有动力在上市前把估值推高——不管公开市场最后肯付多少钱。

    • 成立仅三年,靠”低成本训出高性能模型”出名
    • 开源权重,下载量和 token 份额都说明影响力,但收入始终没公开
    • 从幻方量化的长期支持,转向外部融资和公众披露,自由度会部分换成透明度

    当然,这个故事还有没说完的部分。DeepSeek 拒绝置评,彭博的报道也只是单方信源。等它真的披露收入、毛利、芯片投入和公司治理,710 亿美元才算接受检验。对盯着开源替代方案的人来说,DeepSeek 的估值曲线已经成了观察中国 AI 实验室怎么进公开市场的风向标。

    📎 原文来源:DeepSeek reportedly in talks to raise $1.5B, then IPO(TechCrunch / Dominic-Madori Davis)
  • Reflection 签 10 亿美元算力大单:开源模型商的弹药库焦虑

    Reflection 与 Nebius 10 亿美元算力协议
    算力正在变成 AI 公司的战略物资(图源:TechCrunch)

    开源模型公司 Reflection AI 最近像在囤弹药一样,连续签下大笔算力合同。7 月 14 日,这家估值 250 亿美元的美国初创公司宣布,和欧洲 AI 基础设施厂商 Nebius 签下一份价值 10 亿美元的算力协议。

    拿到的是英伟达最新的芯片

    Nebius 的前身是俄罗斯科技巨头 Yandex 的国际业务,这次它会把英伟达最新一代芯片的使用权交给 Reflection。有意思的是,这已经是 Reflection 几周里第二笔大型算力交易了——上一份是和 SpaceX 拿计算资源。两家公司都在抢同一件东西:训练和部署模型所需要的算力。

    当特朗普政府上个月施压 Anthropic 和 OpenAI 限制最强模型,业界开始担心模型访问权限可能被”一夜收回”。加上中国开源模型越来越能打,主流市场对开源 AI 的兴趣被彻底点燃。

    为什么开源模型商比谁都怕算力断供

    Reflection 由两位前 Google DeepMind 研究员在 2024 年创立,已经从英伟达、红杉、Lightspeed 手里融了近 26 亿美元。它的处境正好戳中当下最热的争论:闭源旗舰模型到底值不值那个价?当数据留存顾虑和政府干预一起涌上来,能自己掌控权重、不受制于单一厂商的开源路线,突然成了香饽饽。

    Nebius 才是幕后那个大赢家

    • 拿到英伟达 20 亿美元投资后,Nebius 转头就和 Meta 签了最高 270 亿美元、为期五年的基础设施协议。
    • 去年它跟微软也签了最高 194 亿美元的多年的协议。
    • 从 Yandex 拆分出来后,Nebius 几乎成了各大 AI 实验室的”算力二道贩子”。

    算力正在变成一种战略物资,谁先把芯片和机房锁死,谁就握住了下一代模型的命门。Reflection 连签两单,表面上是为了训练和部署,底下其实是整个行业对”算力稀缺”的集体焦虑。

  • 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)
  • 月之暗面 Kimi K3 即将发布:2-3 万亿参数,追平 Anthropic Opus 4.8

    Moonshot Kimi 大模型
    月之暗面(Moonshot AI)旗下 Kimi 系列(图源:TechCrunch / Getty Images)

    中国大模型公司月之暗面(Moonshot AI)的下一代 Kimi 模型 K3,据《金融时报》援引匿名信源,性能预计能和 Anthropic 的 Opus 4.8 打平甚至超过。如果成真,这会是迄今中国对外发布的最大开放权重模型。

    从 K2 到 K3,差距在肉眼可见地缩小

    Kimi 的 K2 系列在开源圈口碑不错,benchmark 排得上号,离最前沿的闭源模型也没差太远。K3 要走得更远——FT 说它的参数规模在 2 万亿到 3 万亿之间,会在”未来几天”放出。对一个一直被拿来和 GPT、Claude 比的中国实验室来说,这是第一次真正站到同一起跑线附近。

    估值跟着水涨船高

    趁着这股势头,Moonshot 正在新一轮融资,估值据称冲到 315 亿美元。今年五月它刚以 200 亿估值拿了 20 亿美元——不到两个月,账面上就多了一百多亿。资本用脚投票,显然相信”中国开源模型能追平前沿”这件事不是空话。

    企业要么买自己的开源模型(比如 DeepSeek、Z.ai 或 Moonshot 的),按自己的需求训一遍;要么就继续给闭源实验室交那份越来越贵的租子。

    大背景:大家开始怀疑”租 AI”值不值

    K3 的消息,撞上了一场正热的讨论——花大价钱买 OpenAI、Anthropic 的闭源模型到底值不值。纳德拉那句”付两遍钱”的警告还在发酵,行业里不少人担心,你喂给 ChatGPT、Claude 的数据,最后会被实验室悄悄吸进自家模型里。于是一些高管开始推自己的替代方案,或者干脆建议企业用便宜的开源模型,自己训练来用。


    开放权重这条路,中国走得最坚决

    Kimi K3 如果按 FT 说的规模落地,会成为迄今最大的中国开放权重模型。这背后是同一股潮流:当算力被少数闭源巨头攥着,开放权重给了企业一条不用仰人鼻息的路。月之暗面的打法很清晰——用越来越能打的开源模型,把”生产环境里真正跑业务”的那块蛋糕从闭源手里切下来。

    当然,FT 的消息来自匿名信源,参数和发布时间都还没官宣。但方向已经清楚:中国大模型和美国前沿之间的那道缝,正在被 Kimi 这样的模型一点点焊上。对用得起、也想自己掌控数据的企业来说,这比又一场”谁的参数更多”的军备竞赛更有看头。

  • 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。

  • 纳德拉给用AI的公司提了个醒:你正把家底一点点喂给对手

    硅谷这阵子最让 AI 拥护者睡不着的,不是模型会不会取代人,而是另一件更微妙的事:企业天天把机密数据喂给 OpenAI、Anthropic 这些大厂的模型,会不会等于亲手养大了自己未来的对手。这话以前多是投资人和 Palantir 的老板 Alex Karp 在说,现在,微软 CEO 纳德拉也加入了这个阵营。

    让人意外的是提醒的人是他。要知道微软在 OpenAI 和 Anthropic 身上都下了重注,自家 CEO 却公开叫客户小心模型厂商,这份分量就不一样了。他把这套逻辑写进一篇叫《逆向信息悖论》的博客里,核心就一句话:你用 AI,其实付了两遍钱。

    “你实际上为智能付了两次费,一次用钱,另一次用更宝贵的东西:为了让它真正好用,你不得不交出去的专有知识。你越想让模型表现好,就得喂给它越多这样的知识。” —— 萨提亚·纳德拉

    微软CEO纳德拉警告企业使用AI的隐性成本
    纳德拉的这篇博客被看作对前沿实验室数据“双标”的一次开炮 · 图片来源:TechCrunch

    真正贵的不是 token,是你交出去的经验

    纳德拉说,token 的钱是明码标价的,你知道自己在花;可另一笔支出你根本没察觉。企业为了让模型更懂自己的业务,会一点点把经营诀窍教给它。模型从”使用痕迹”里学习——你写的提示词、智能体调用的工具,尤其是模型犯错时你给的纠正。每一次纠正,都会沉淀成一份企业级的经验。

    而这种经验,恰恰是竞争对手花再多钱也买不来的。问题就在这儿:你在用模型的过程中,主动把它送了出去。时间一长,卖方越来越懂你,你却对它一无所知,信息差只会越拉越大。这就是他说的”逆向信息悖论”——传统市场里是卖方担心白送知识,AI 时代反过来了,轮到买方在白送。

    凭什么你能爬全网,我却不能”蒸馏”你

    纳德拉还顺手点了 AI 公司的双标。这些公司一边主张自己能”合理使用”全网的公开内容来训练模型,一边又在条款里禁止别人”蒸馏”它们的模型——所谓蒸馏,就是分析一个模型的输出,摸清它怎么工作,再据此训练一个通常更便宜的新模型。他觉得很讽刺:既然你能拿全世界的数据训练,那企业反过来研究你的模型,也该是公平的。

    他最警惕的,是模型厂商在服务条款里”保留从客户使用和交互数据中学习的权利”这一条。今年 2 月 Anthropic 还指控过中国的开源模型给 Claude 发了数百万条提示词来改进自己,转头呼吁政府收紧出口管制。纳德拉的意思很直白:这事不能只许一方做。


    他开的药方,顺便也是微软的生意

    当然,作为一家云巨头的老板,纳德拉给的解法也很”云巨头”。他建议企业把数据的所有权攥在自己手里——提示词、反馈这些都算,然后在云上搭一个”专属学习环境”(数据反正大概率已经存在云上,顺理成章可以是微软的 Azure)。他还主张加一层”编排层”,让企业能在不同厂商的模型之间随时切换,别被一家锁死。

    这套话里没直接说”开源”,但潜台词很明显。很多大公司已经在把开源模型部署到自己机房里跑。做 AI 网络与安全的 Solo.io 创始人 Idit Levine 就说,她的客户试完专有模型后,开始琢磨一个问题:能不能用开源模型在本地跑,做到前沿模型近九成的活,成本还低得多。数据也在佐证这股风——上个月经 Vercel 的 AI 网关传输的流量里,已经有 29% 流向了开源模型。这早就不是小圈子的实验,而是一条正在成形的采购趋势。

    • 诊断值得每个 CTO 认真对待:先盘一下哪些系统在把原始客户数据、定价逻辑、运营手册喂给第三方模型;
    • 在生产环境的 AI 前面加一层网关,保证随时能换供应商;
    • 别再把”我们用了 Claude/GPT”当成战略,它更像一件带着数据泄露面的租来的商品。

    纳德拉的诊断和药方,一个偏公心,一个偏私利——Azure 依然是把数据留在云上、只换模型这套逻辑的赢家。但诊断本身没毛病,值得任何一家正在大规模用 AI 的公司拿去对照一遍。

  • Mira Murati交出首款模型Inkling:开放权重,还大方承认自己不是最强

    前 OpenAI 首席技术官 Mira Murati 憋了一年半,终于交出了第一份答卷。她创办的 Thinking Machines Lab 在周三上午发布了首款模型 Inkling,最扎眼的一点是:它是开放权重的。跟 OpenAI、Anthropic、谷歌那些锁在服务器里的旗舰模型不一样,外面的开发者和公司可以直接把它下载下来,拆开、改、跑在自己的机器上。

    Mira Murati与Thinking Machines
    Mira Murati 创办的 Thinking Machines 发布首款开放权重模型 Inkling|图源 TechCrunch

    Inkling 是个混合专家(MoE)模型,总参数 9750 亿,但每次干活只调用其中一小部分,大约 410 亿——这套设计能让超大模型跑起来又快又省。它从零训练,喂进去 45 万亿 token 的文本、图像、音频和视频,而且是原生跨这几种模态推理,不是后面硬接一个视觉模块。这也是这家公司闷头搞了一年半基础设施之后,第一次拿出能公开检验的东西。

    开局不吹牛,反而承认自己不是最强

    最反常规的是它的姿态。大部分模型发布都是先甩一张跑分图出来,Inkling 却在材料里白纸黑字写着:这不是当下最强的模型,无论开源还是闭源。它主打的是均衡好用,能给出带”把握程度”的回答,遇到没底的地方会直接标出不确定,而不是硬猜;用户还能自己调”思考强度”,想快就牺牲点质量换速度。官方说在某个编程基准上,它达到英伟达 Nemotron 3 Ultra 同等水平时,只用了大约三分之一的 token。

    “我认为模型选择很重要,但它不是消耗大部分精力的地方。”这句话来自另一家公司,却恰好点中了 Thinking Machines 的核心赌注——模型本身正在变成”配料”,怎么用才是关键。

    那问题来了,这东西到底卖给谁?答案很明确,是企业。但 Thinking Machines 没把它当成品来卖,而是当”起点”——让企业拿去,用自家的模型定制平台 Tinker 在自己的数据上微调。代价是,客户得自己保证微调后的模型安全,而且微调这活儿本身就需要真本事的机器学习人才。

    赌的是”人人同款”终将败给”自己定制”

    Thinking Machines 上周专门发了篇文章给这次发布铺垫:一个模型被某家公司集中训练好、然后定死不动,表现会输给企业自己去塑造的模型,因为太多专业知识是攥在具体的人手里的。说白了,中心化的大厂在给所有人卖同一件产品,反复由自己打磨;而愿意拥有并定制自家模型的企业,能从里面榨出多得多的价值。

    这个论调正在变响。微软 CEO 纳德拉——他家在 OpenAI 和 Anthropic 都砸了几十亿——上周日发博客警告说,企业用闭源 AI 其实付了两遍钱:一遍是订阅费,另一遍是把上千条提示词和纠正里藏着的业务知识,白白交给了模型,最后被吸收进下一代版本。Hugging Face 的 CEO 也有类似判断,觉得前沿模型以后多半只用来做实验和高价值任务,真正的生产活会转向私有或开源方案。


    最有说服力的证据,来自一家对冲基金

    支撑这套逻辑最硬的一个案例,来自和全球最大对冲基金桥水的合作(顺带说明,桥水并不是 Thinking Machines 的投资方)。两边研究员拿一个现成的开源模型,用桥水自己的金融专长继续训练,结果在金融推理测试上拿到 84.7%,压过了顶尖闭源模型,运行成本大约只有十四分之一——当然,这是两家自己评的,不是第三方独立测试。

    • 速度是另一张牌:OpenAI 从技术到有收入大概花了五年,Anthropic 约三年,Thinking Machines 说自己九个月就做到了;
    • 2025 年它拿下约 20 亿美元种子轮,估值 120 亿美元,当时是史上最大种子轮,Inkling 是这笔钱换来的第一份实打实的成果;
    • 它也坦承 Inkling 部分用到了别家开源模型(包括月之暗面的 Kimi K2)的输出,也就是业内争议不小的”蒸馏”做法。

    悬念还是那个老问题:企业到底想不想要一个得自己动手调的模型,而不是开箱即用的?微调要占用的工程时间,很多公司根本挤不出来。但如果 Thinking Machines 赌对了,前沿模型这场比赛一直在为错的东西较劲,那 Inkling 就不必在排行榜上赢过 GPT 或 Gemini,它只要有足够多的开发者愿意在它上面搭东西,而不是继续租别人的黑箱,就够了。

  • 14个人服务890万开发者:Ollama拿下6500万美元B轮,押注开源模型随处跑

    先说个数字:14个人,撑起890万开发者每月都在用的工具。这不是哪家巨头的内部团队,而是开源AI工具Ollama的全部家当。就在这周,这家公司拿到了6500万美元的B轮融资,领投方是Theory Ventures。

    Ollama开源AI工具融资示意图
    Ollama让开源模型在任何地方都能跑起来

    算上之前Benchmark领投的1500万美元A轮,Ollama目前累计融资8800万美元。当年领投A轮的Peter Fenton这次也进了董事会。创始人兼CEO的Jeff Morgan把话说得很直白:开源模型就该好跑、好用、随处可用——你自己的电脑上、云端,或者两头都用。

    从Docker到开源模型,这俩人干的是同一件事

    Ollama是2023年上线的,干的活很简单:帮开发者在自己的PC上跑开源权重模型,几分钟就能装好用起来。GitHub上攒了17.6万颗星、近1.7万个fork,各种教程、视频、博客里都在夸它。

    这种”把复杂的东西变简单”的路数,Morgan和联合创始人Michael Chiang早就玩过一遍。他们之前做的Kitematic被Docker收购,两人随后帮着做出了Docker Desktop——那个如今每天有一千多万开发者在用的工具。Docker当年把云应用从繁琐的硬件配置里解放出来,Ollama现在对开源AI做的是同一件事。

    “2023年开源模型开始冒出来,但真的很难用。它们当时是给研究员准备的,不是给程序员的,想跑起来特别费劲。”——Jeff Morgan

    免费工具怎么变成生意

    现在Ollama每月有890万开发者在用,比今年1月翻了差不多一倍,每周还新增将近100万次安装,社区做出来的集成超过6.7万个,覆盖了《财富》500强里85%的公司,连医疗、金融、政府这些强监管行业都在用。而这一切,团队只有14个人。

    光靠免费的本地工具当然赚不了钱。Ollama的商业化藏在云端:本地机器扛不住更大的模型时,可以直接切到它的云上跑,同一套操作,按GPU时长计费而不是按token。这套逻辑跟主流按token收费的做法明显不一样。

    • 免费版:本地运行 + 一定的云端GPU时长
    • Pro版:每月20美元,可同时跑3个云端模型,云用量是免费版的50倍
    • Max版:每月100美元,可同时跑10个云端模型

    Morgan说,Ollama作为一门生意的转折点大概在今年1月,OpenClaw火起来那阵子——更大的开源模型突然能干agentic的活了,比如写代码。这也踩中了整个行业的大趋势:据Grand View Research,AI推理市场2024年约970亿美元,到2030年预计冲到2540亿美元,年复合增速约17.5%。随着Meta、Mistral、DeepSeek这些开源模型和闭源系统的差距越缩越小,越来越多的钱正流向”开发者选择在哪里跑模型”这件事上,而这正是Ollama想占的位置。


    当然,这条赛道并不空。Hugging Face融了超过3.95亿美元,主要做模型仓库;Together AI最近以83亿美元估值拿了8亿美元,扩云端训练和推理。Ollama和Morgan都没透露这轮的估值和收入。但14个人对890万开发者这个比例本身,可能才是这轮融资背后最值得琢磨的故事。

  • OpenAI搞了个「修补地球」计划,用AI帮开源项目抓bug

    OpenAI Patch the Planet 开源安全计划
    OpenAI与Trail of Bits合作,推出「Patch the Planet」开源安全计划 | 图源:OpenAI

    上世纪90年代有一部电影叫《Hackers》,里面有一句经典台词「Hack the Planet」(攻陷地球)。上周OpenAI启动了一个新项目,名字叫「Patch the Planet」——把「hack」换成了「patch」(修补),意思很直白:我们不来搞破坏,我们来帮你补漏洞。

    这个计划是OpenAI跟安全公司Trail of Bits一起做的。具体怎么做呢?Trail of Bits的安全工程师会直接跟开源项目的维护者对接,帮他们审查代码里可能有问题的地方,OpenAI自己的安全工具(比如Codex Security)会在过程中帮忙。

    「很多维护者已经被要求用更有限的时间和资源,更快地处理更多的报告。Patch the Planet的设计是为了减轻这个负担,而不是增加它:安全工程师会在发现到达维护者之前先审查,跟项目合作开发补丁和测试,并建立可复用的工作流,帮助团队在首批修复落地后继续改进安全性。」

    开源的「公地悲剧」

    这个计划针对的问题其实由来已久。开源软件是现代软件产业的基石——几乎每一家商业软件公司,背后都在用无数开源项目搭起来的轮子。但这个生态有个老问题:它是去中心化的,没有人真的「拥有」它,也就没有人真的为它的安全负责。

    几年前的log4j漏洞事件就是一个典型例子。一个几乎无处不在的开源工具里发现了严重漏洞,结果整个互联网都慌了,大家忙着排查自己有没有用这个库。这种事情反复发生,说明开源生态的安全状况确实令人担忧。

    OpenAI这次出手,等于是给开源社区派了一支「代码急救队」。Trail of Bits的工程师扮演的角色有点像 EMT(紧急医疗技术员)——哪里有需要,就去哪里帮忙评估和分类潜在问题,而且背后还有OpenAI的软件工具提供支持。

    一石二鸟?

    这个项目还有一个值得玩味的背景。最近这段时间,AI用于网络安全的话题一直很敏感——尤其是Anthropic的Mythos工具(一个高度宣传的安全工具)让很多人担心,因为AI现在可以自动识别代码里的漏洞,然后还可能被用来生成攻击利用代码。

    虽然网络攻击的自动化并不是什么新鲜事,但这些新工具确实让坏人干坏事变得容易多了。在这种氛围下,OpenAI反过来用AI帮开源社区提升防御能力,这个举动很难不让人觉得是在跟Anthropic「打对台」。

    当然,OpenAI也说这个计划的出发点是开源社区真正需要的。两相并立,倒也不一定是坏事——只要最后是开源项目的安全性真的提高了,谁「赢」了这场公关战其实并不重要。

    能走多远?

    这个项目目前来看野心不小,但也有一些悬而未决的问题。比如,这个模式怎么规模化?Trail of Bits的工程师团队规模有限,能服务的开源项目数量自然也有限。OpenAI说他们会建立「可复用的工作流」,让项目团队在首批修复之后能够自己继续改进安全性,这可能是他们想到的规模化路径。

    另一个问题是,这个计划会覆盖哪些开源项目?是只针对那些影响力特别大的,还是也会照顾到中小型项目?OpenAI目前还没有公布具体的筛选标准。

    不管怎样,这件事对整个开源生态来说是个好消息。有这么大体量的公司愿意投入资源来做这件事,总比大家各自为战要好。接下来就看执行得怎么样了。


    📎 原文来源:OpenAI官方博客 – Patch the Planet | 亦见于 TechCrunch
  • SpaceX与开源AI实验室Reflection AI签下63亿美元算力大单

    SpaceX与开源AI实验室Reflection AI签下63亿美元算力大单

    马斯克的算力生意,又拿下一家AI实验室

    SpaceX最近签了一笔新合同:向开源AI实验室Reflection AI提供算力,从2026年7月1日开始,每个月收1.5亿美元,一直签到2029年。合同总价值最高63亿美元。

    这个数字听起来吓人,但放在SpaceX的算力出租生意里,其实不算最大。Anthropic给SpaceX每个月交12.5亿美元,Google每个月交9.2亿美元,Reflection的1.5亿只是同一个模式里的第三单。

    SpaceX数据中心与AI算力
    SpaceX孟菲斯数据中心成为AI算力新热点

    Reflection AI是谁

    Reflection AI是一家2024年才成立的公司,创始人是两名前Google DeepMind研究员。它做的事情跟Anthropic、OpenAI不一样——它做开源权重模型,把自己的训练参数公开发布,任何人可以下载、修改、部署。

    这个路线最近在美国政府把Anthropic的闭源模型(Fable和Mythos)禁了之后,突然变得很应景。很多企业和政府机构开始认真考虑:如果某天自己用的闭源模型被禁了怎么办?开源权重模型成了一个”自主可控”的选项。

    “最近发生的事件凸显了开源对AI生态系统的重要性,越来越多的国家和企业意识到只依赖闭源模型的风险和成本。”——Reflection AI发言人

    Colossus数据中心的故事

    这笔交易里用的算力,放在SpaceX在田纳西州孟菲斯附近的Colossus 2数据中心。这个地方原本是马斯克做xAI的时候建的,用来跑Grok大模型。后来xAI并进SpaceX,数据中心也就归了后者,但Grok的表现一直不尽如人意。

    SpaceX的算盘很清晰:与其让这些H100、GB300芯片空转,不如租给最有钱的AI实验室。Anthropic、Google、现在又加了Reflection,三家公司加起来,每个月给SpaceX贡献的租金超过20亿美元。

    合同里还有一个细节:任何一方在头三个月之后,提前90天通知就可以终止合同。这意味着Reflection如果后面融不到钱或者战略有变,可以抽身走人。当然SpaceX也可以。

    开源权重模型能走多远

    Reflection把自己定位为”美国开源前沿AI实验室”,直接对标DeepSeek。它在融资和知名度上目前还远不如Anthropic和OpenAI,但开源权重这个赛道在美国政府的监管风向变化下,可能会迎来一波意想不到的助推。

    这笔算力合同是Reflection第一次对外披露的大规模基础设施承诺。它在声明里说,合同证明了”Reflection在前沿AI生态系统中的战略重要性”,更多算力意味着”有更多跑道去大规模训练世界上最好的开源模型”。


    站在更远处看,这件事其实是关于算力集中化的又一个注脚。全世界最稀缺的AI芯片,越来越多地聚在少数几个超大规模数据中心里,然后以租赁的方式流向AI实验室。SpaceX做火箭起家,现在最赚钱的生意之一,可能是在地上建机房收租金。

    Reflection能不能用这63亿美元的算力跑出跟Anthropic、OpenAI不一样的路线,是接下来两年AI开源社区最值得看的故事之一。