Fireworks AI两位Meta老将重聚，175亿美元估值怎么来的

整理丨狮子侠

复旦学姐乔琳，把小扎手下的一员干将挖了过来。

CNBC 11月7日报道，在Meta干了14年的Fireworks AI的CFO。此人此前担任Meta的CFO，而新搭档乔琳也曾在Meta带队做

戴夫·韦纳

如今，这两位老同事又在乔琳创办的公司里碰头了。

Fireworks成立至今只有四年。今年7月，公司宣布完成15.05亿美元融资，估值达175亿美元。它干的正是乔琳在Meta就熟悉的那摊事：帮企业拿自己的数据定制AI模型，再让模型以能承受的成本稳定跑起来。

在和Canva联合创始人卡梅伦·亚当斯（Cameron Adams）的对话里，乔琳给出了一个判断：有了定制模型的一个切口。

以下是创业邦对本次对话的精编整理。

主持人：我是卡梅伦·亚当斯（Cameron Adams），Canva的联合创始人兼首席产品官。今天对话的嘉宾是Lin Qiao（乔琳），围绕AICursor、Uber、DoorDash和Shopify等企业提供

卡梅伦·亚当斯（Cameron Adams）

在创办Fireworks之前，Lin在Meta参与创建并领导了PyTorch项目，对这个全球广泛使用的机器学习框架的发展起到了关键作用。可以说，过去将近10年，她一直在参与打造AI的未来。

Lin，先问一句，能不能给不熟悉它的听众讲讲，PyTorch到底是什么？当初开发它，是想解决什么问题？

乔琳：我先澄清一点，PyTorch最初是由

主持人：一个适合做研究的工具，和一个能在生产环境里跑的工具，差别在哪？

乔琳：两者差别极大。研究关心的是创造力，以及把想法迅速验证出来的本事；生产环境则更在意优化。这本质上是两套迥异的设计思路。最初我们也拿不准二者究竟有没有重叠之处——一个便于快速迭代的研究系统，能不能顺利变成高度优化的生产系统？毕竟我们讲的生产环境，规模极其庞大。从研究系统过渡到生产系统，这一路非常折腾，什么都会被拖慢。

另外，纯研究和正式上线之间还夹着一个中间环节，叫做实验。意思就是，得把研究阶段的想法放进接近生产的环境里跑一跑。但这个“接近生产”，说白了就是真实的生产环境，只是取一小部分线上流量做A/B测试。可见研究、实验和生产三者的边界相当模糊。它们之间如何衔接，这个问题我们必须解决，没有别的路可走。

当年，这还是没人攻克过的新挑战。我们把它接了下来，而今天的结果正好印证了当初的工作。PyTorch已经成为行业里占主导地位的AI框架，尤其是在

主持人：像GPT或者Claude这样的模型，也是用PyTorch做的吗？

乔琳：我基本可以确定。说个有意思的事，大概七八年前，是我们推动

我也是在那个时候认识了其他几位联合创始人。我们合作得非常紧密。有的人和我一起搭建

主持人：你开始做PyTorch的时候，大语言模型已经出现了吗？还是后来才发展起来的？

乔琳：这两件事在时间上其实有不少重叠，只是那会儿还没真正爆发。ChatGPT引发关注是在2022年11月，我们2022年9月就把公司办起来了，比ChatGPT发布还早。当时不少人问，为什么现在就出来创业？是不是太早了？这个时代还没到，你们可能得先解决一大堆数据问题。

不过我想往回讲一点，我们这段经历挺有意思。联合创始人一共有7位，这个创始团队算很大了。大家加入Meta的时间差不多，当时公司刚完成，或者说快完成“

再往后，用户在产品里产生了大量数据，这些数据又成了后来发展AI的基础。先移动优先，再AI优先，这个顺序很重要，它也预示了后来整个行业转型的顺序。我们刚开始做的时候，没有专门的AI团队，没有AI硬件，都是在CPU上跑一些很小的机器学习算法。AI软件也没有形成体系。

PyTorch主要用于研究，还有一些零散的软件，比如移动端的

主持人：给不太懂技术的听众解释一下，训练和推理到底差在哪？训练大模型，比如GPT、Claude，大家可能多少听过；推理则是Fireworks主要在做的事。

乔琳：训练就是让模型去学东西。这里说的主要是神经网络。它的学习方式是这样：先做一遍前向计算，得出损失值，再依据这个损失做反向传播，把权重一路调下去，然后又是前向计算、又是反向传播。这么反复来回，就构成了训练的核心。也正因为要从零学起、吸收海量信息，训练天然离不开数据。另外，训练是分阶段的，比如

乔琳

主持人：也就是说，它拿到一个很大的数据集，从里面找出各种联系，通过学习这些联系，获得某种能力，对吧？

乔琳：对。但训练开始之前，得先设计出一个层数很多的模型架构。所谓学习，就是让这个架构里的权重一点点定下来。权重说白了就是一堆数值。最终拿到手的，是模型架构加上整套权重，把它部署到生产环境，产品就能把信息送进模型了。

提示词进来，模型跑一次前向计算，产出预测结果，再回传给产品，这就是推理。换句话说，推理只做前向计算；训练则要一遍遍重复前向计算加反向传播。两者对系统设计的要求差别很大。训练要复杂得多，可它们也有相通的地方——训练里的一部分，其实可以看作推理。正因如此，让训练和推理跑在同一个平台上、保持高度一致，才格外关键。

这种一致性直接关系到质量。两边对不齐，质量就可能下滑，精度也会损失。所以Fireworks把训练和推理放进同一个平台，来支撑应用。上面是比较粗线条的说法。从算法演进看，行业也走过几个阶段。我眼里最大的转折，是生成式AI出现前后。在那之前没有基础模型这回事，每个团队都得自己收拾数据、从零训练。如今有了基础模型，它们从公开互联网、数据标注公司提供的数据，还有大量合成数据中学习，从而具备通用能力。

大家也经常听到AGI这个词，期待这种通用模型解决各种问题，然后通过一个

比起从头训一整个模型，后训练要省力得多。AI的生产力就这样被大规模释放出来。从2023年起，AI的采用速度进入指数级增长。尤其去年年底以来，我感觉我们迈过了一个拐点。闭源也好，开放也好，模型质量都跨过了一道门槛。许多过去靠人做的日常工作，现在可以交给模型自动完成。这也是生成式AI应用快速增长的原因。

主持人：所以对全球大多数并非研究人员的人来说，接触AI基本都发生在推理这一层。用AI助手，你敲进提示词，拿回结果，这个环节就是推理。

乔琳：对，就是这样。

主持人：那你觉得，推理最值得改进的地方是什么？如果推理变得更好了，对我这样一个AI助手或者模型的普通用户，会有什么影响？

乔琳：我认为推理最关键的是质量。对产品开发者而言，这才是它能带来的最大价值。一个产品能否在市场上站住，取决于它给普通用户或专业用户带来的体验和价值。而这又要求它调用的模型达到前沿水平的质量。

怎么获得这种质量？现在有两条路。一条已经很成熟，就是使用前沿实验室提供的通用大模型，把精力放在

可过去一年，行业里出了件挺有意思的事：软件开发的门槛越来越低。从冒出一个应用的想法，到做出来，再到上线、规模化跑起来，这个流程已经快得不能再快。搁以前，可能要几十名优秀工程师耗上好几个季度。

如今一个人，甚至不必是工程师，花几周、哪怕几天就能搞定。结果就是，应用本身已经算不上多深的壁垒。有想法的人都能做应用，哪怕一行代码不会写。而且应用很容易被抄。

你截几张图，让Claude Code生成一个差不多的应用都行。那真正的壁垒在哪？什么是别人抄不走的？是那些体现用户偏好、用户意图和用户互动的数据。最关键的是，企业得真把这些数据用起来。放眼全球的数据，90%到95%都是私有数据，锁在应用和企业内部。

主持人：对，而且这些数据还没有被真正用起来。

乔琳：这些数据确实还没被充分用起来。她认为，如果相信智能来自数据，那真正的智能前沿还远没有被打开。前沿实验室拿不到这些数据，数据拥有者又缺技术，没法基于数据构建模型。这正是Fireworks要切入的地方。

乔琳说，公司的使命就是充分释放私有数据的价值，打造面向具体应用的前沿模型。换成直白的话，就是私有数据加上开放模型，等于你自己的前沿模型。他们想让每个人都能拥有自己的前沿实验室。落地方式，是把Fireworks的训练和推理平台与用户自己的数据结合，从中得到最适合的模型。

更关键的是，这件事不是一锤子买卖。乔琳提到，并不是说Uber训练一个“Uber模型”、Shopify训练一个“Shopify模型”，就能一直用下去。应用在变，基础模型也在进步，所以必须持续做。差不多每两周，就会有一个新模型冲上排行榜前列。

这就像软件开发要不断跟进新的基础版本，模型训练同样得持续进行。乔琳还提到，现在已经进入智能体时代，这个过程应该尽量简单、尽量自动化。在她看来，要获得打造产品最重要的前沿质量，目前有两种策略，而且她相信这两种策略会长期共存。

不过乔琳并不相信，未来的世界会被少数几个基础模型主导。她的判断是，未来会出现数百万个定制模型，每个应用、每个使用场景都有自己的模型。

主持人：这个未来很有意思。你刚才说，应用开发已经变得人人都能做，很大程度上是因为

乔琳：当然。她坚定看好AI的发展速度，一个重要原因是，用AI工具的不只是软件工程师。公司的会计负责人也在用AI工具，还会用Fireworks管理账务、处理电子表格。她会定义各种技能，让团队反复调用。

这省下了原本可能要好几名Python工程师才能完成的工作，让她的效率提升了很多。变化不只发生在财务，很多部门都是如此。比如，他们自己做了一个

人才质量对Fireworks非常重要，但筛选这么多申请，工作量也确实很大。乔琳说，他们的数据团队和营收运营团队也会用AI工具搭建各种仪表盘，更快看清业务情况，不必等整套数据管道都准备好才能看到结果。

在乔琳看来，AI开始进入职业生活的方方面面，这是一个很强的信号：模型质量已经跨过了那道门槛。一旦跨过去，用自己的数据定制模型、再把质量往上推一个台阶，就容易多了。所以，他们坚信定制模型这个方向是对的。现在，Fireworks上95%的流量都来自定制模型。

主持人：你刚才说 Fireworks 有 7 位联合创始人。我有个感觉，这好像是 AI 创业公司的一个共性——联合创始人的人数比过去那些创业公司多不少。你也看到这个趋势了吗？为什么会这样？

乔琳：她不确定这是不是一个趋势，他们只是刚好如此。但这样确实有很多好处。她觉得，只要团队合作得好，创始团队大一点是件好事。大家讨论问题很坦诚，也能从非常全面的角度思考产品、业务、该押注哪里、该聚焦什么，又该放下什么。这些不同的视角非常重要。

与此同时，他们从来不会因为分析太多，反而迟迟做不了决定。不管创始团队有多大，决策速度都很重要。公司越做越大，参与的人肯定会越来越多，所以决策的速度、判断的准确性和质量都非常关键。当团队开始超出创始团队的规模时，他们也特别关注人才密度和人员素质。乔琳说，很幸运后来又有很多优秀的人加入，一起把公司做成了今天的样子。他们也在继续招募优秀人才。

主持人：你有没有注意到，AI 现在参与决策的方式更主动了，不再只是当分析师、把数据递给你？你们做决定的路子，是不是真被它改掉了？

乔琳：还没有到那个程度。目前，很多判断和决策仍然由团队里的每个人来做。但AI确实帮他们接手了很多日常琐碎的工作。它很擅长执行指令，只要把要求说清楚，它就能自己去做。这让他们腾出了时间，去做更重要的战略思考、创意工作和实验。

乔琳认为，探索、创造、人与人之间的互动，这些才是人之所以为人的重要部分。AI让他们有更多时间去做这些事情，这很重要。不然，每天都被各种重复性工作占满。如果这些工作能交给AI，就可以把注意力放到真正值得做的事情上，这当然更好。

主持人：回到推理优化，想把推理做到最好，数据中心在里面扮演什么角色？你们会直接跟数据中心合作，把推理效率做到极致吗？

乔琳：他们直接适配的是具体的硬件。目前，他们支持8种不同的

于是，现在出现了一种很有意思的局面：模型过时得特别快，差不多每两周就冒出一个新模型；硬件也差不多每4-6个月就有新品。更有意思的是，新模型放到新硬件上，往往能跑出更好的性价比。乔琳说，他们总想把最好的东西带给客户，所以策略就是速度优先。这里说的速度，最终是客户的速度。他们希望客户能尽快用上最好的模型，获得最好的质量、最快的响应和最高的效率。这就是他们一直专注创造的核心价值。

主持人：随着越来越多公司部署AI，成本、性能、效率都成了大问题，尤其是成本。你看到大家现在面临哪些取舍？又是怎么处理的？

乔琳：成本的确是个问题。有意思的是，到了 AI 时代，产品找到市场是一回事，做成一门能长久经营的生意又是另一回事。产品可能很受欢迎，客户喜欢，也愿意掏钱，可你就是不敢扩大规模，只能卡着不放量。因为你清楚，一旦放量，钱很快就烧光了。根子在于，基于 GPU 的 AI 基础设施，

算力供应如今这么紧张，效率的分量就更重了——它直接牵扯到机会成本。同样的硬件如果能多处理10倍的任务，差别就出来了。

效率上我们确实能带来不小的价值。不过跟这么多客户打交道下来，我们发现一件事：就算他们一开始盯的是效率和成本，质量这条线也不能松。所谓达标，就是前沿实验室拿出来的模型质量。聊到后面，话题总会绕回这里。所以我不觉得拿质量去换效率是个靠谱的办法。

我们要做的，是一边保住质量一边把效率做上去，同时把控制权还给应用开发者，别让他们把身家性命押在一个黑盒API上。开发者要进哪个市场，就得在那个市场里做出竞争优势、做出差异化。最好的路子，是拥有自己的定制模型，让它在质量上达到前沿水平，速度要快，运行效率也要尽可能高。这就是我们给客户提供的价值。

主持人：现在常见的玩法是，公司推出质量更高的模型，用户体验是好了，可成本也直接甩给了用户。想用更好的模型，就得多烧token、多掏钱、订更贵的套餐。你觉得AI的商业模式会一直这么走下去吗？还是说这层关系会变？

乔琳：成本转嫁是一回事，但没建起护城河，才是更大的麻烦。你基于某个基础模型做产品，自己又很容易被替掉，这个位置就不妙，也很难做成能长期做下去的生意。做产品最要紧的，是建一门能持续经营的生意。而这往往意味着，那些关键的依赖环节，你得牢牢攥在自己手里。

在我看来，模型提供的智能就是产品所依赖的关键部分，它的控制权该回到产品团队手上。把真正反映产品特点的数据，变成产品专属、应用专属的智能，这才是该走的路。

主持人：你身处驱动AI发展的核心技术领域，应该很懂怎么用AI把日常工作变轻松。我特别想知道，Lin平时是怎么用AI的？拿它做什么？它真正改变了她工作的哪些部分？

乔琳：我每天事情很多，其中经常做的一项就是市场分析。我觉得AI工具做这个挺拿手。我们公司有一条价值观，也是文化的一部分，就是全面拥抱AI。不管主要负责什么工作，每个人都该用AI工具，这很重要。但这不是说谁消耗的token多谁就厉害，不是这个意思。真正关键的是速度，是在这样一个变化飞快的环境里，把决策和产品开发的速度提上去。

速度比什么都重要。我们本身就是一家工具平台公司，帮应用拥有自己的定制模型和智能能力。同时我们自己也在深度使用AI工具，让团队跑得更快、效率更高。

主持人：你刚才说要做深入的市场调研——AI 在广撒网找信息这方面确实有一手，找完还能归拢、汇总。问题是，怎么核实它找回来的东西准不准？再往深了说，拿一个超大数据库跑出来的结论，真能信吗？

乔琳：验证的办法不少。我一般会找多个来源，从不同角度做研究，再看它们能不能对得上。对不上，就说明信息之间有出入。同一件事可以从不同角度去看，但各个角度看到的东西，应该能相互印证。

还有个办法，就是把同一个问题丢给多个AI工具，看它们给的答案是否一致。不过我通常还是会换个角度来问。这本来就是研究的一部分：从多个视角看一个问题，再看最后拼出来的整体图景是否一致。

主持人：如果5年后回过头看，你希望Fireworks AI在塑造AI未来这件事上，发挥了什么作用？

乔琳：押注推理这件事，我们动手很早。这个判断我认为没毛病。就算重新来过，定位也照旧。我们盯的就是前沿推理，就是前沿水准的推理，这条路走得对。所以回头看看，我没什么想改的。