私有数据如何变成企业的专属智能Fireworks AI CEO 林巧

这里连接帕洛阿尔托演播室、硅谷与华尔街。欢迎收看 RAISE Summit 特别报道，本节目由 Solidigm 呈现，并得到 Tensordyne、d-Matrix 与 Argentum 的支持。

欢迎回到 theCUBE 在法国巴黎的直播现场。今天是 RAISE Summit 第二天。AI 基础设施的建设正在推动更多真实采用和实际用例；企业、应用开发者以及 AI 原生创业公司不断做出新产品，模型本身也在迅速演进。围绕智能的讨论很多，其中一个核心争论就是：通用智能与专用智能将如何分工。

Lin Qiao 再次来到 theCUBE。她是 Fireworks AI 的联合创始人兼 CEO。很高兴见到你，也祝贺 Fireworks 最近取得的强劲进展。

谢谢，很高兴再次来这里。

上次我们谈到企业采用时，整个市场才刚刚显出势头。编程率先打开了大门，代码生成让人们直观看见了价值；现在智能体也来了，“推理正在吞噬世界”。企业开始认真思考：怎样把 AI 和智能注入自己的组织？你们已经帮助很多客户进入生产环境。现在的采用情况如何？真实工作负载中最常见的问题是什么？

尤其从去年开始，模型质量出现了非常显著的跃升。无论开放模型还是闭源模型，都已经越过一个关键质量门槛，开箱即用就能解决相当广泛的任务。

正因如此，采用正在整个行业扩散。无论是数字原生创业公司还是大型企业，都在非常积极地投资 AI。这已经不只是做原型，而是真正开始进入生产规模。

当模型质量越过门槛后，开放模型因为几个原因变得格外有吸引力。一个质量很好的基础模型，经过调优后还能进一步提升；在特定领域或特定应用问题上，它甚至可以超过前沿实验室提供的通用现成模型。

很多客户都希望拥有并控制自己的智能。这关系到企业生存，因为智能已经是经营公司的核心知识产权。你绝不会把这样的智能交给另一家公司，更不会交给竞争对手。

这很合理。

但如果你完全建立在现成的黑箱 API 之上，实际上就把产品最关键的一部分交了出去。过去，应用本身是一道护城河：理解需求、设计产品、把它实现出来并扩展到生产规模都很难，需要一支强大的团队，以及相当数量的产品工程师和产品经理。

今天，一个人用几周时间就能做出来，而且可能一行代码都不必会写。只要有很好的想法，就可以迅速把它做出来并测试。推出一个先进新应用所需的资源和人才因此大幅减少，应用层本身也就越来越像一条很薄的护城河。

真正的护城河，是应用收集到的数据：它让你更深入地理解用户偏好、用户意图、用户为什么参与、为什么不参与，并利用这些数据持续改善产品。

这些数据最终会转化成智能。今天，全球绝大多数有价值的数据，都是锁在应用和企业内部的私有数据。智能由数据衍生而来，但这些私有数据中的大部分仍然不可见，也从未被激活去产生任何智能。

我们相信，下一个前沿是属于每个应用、每家企业的专用智能。Fireworks 是一个专用智能平台，目标是让每家公司针对每个具体用例，都能拥有自己的专用模型和专用智能。

通用智能和专用智能是两条并行路线，它们会长期共存。但未来不会只由少数几个 AGI 模型支配；我们相信，未来会有数以百万计的专用智能模型。

请具体解释一下，通用智能与专用智能到底有什么不同。

你可以把通用智能理解为：学习人类普遍会做的那些共同任务。一个类比是人出生时所具备的基础智力。通用模型从公开互联网学习了大量常见问题，因此带有一种广泛的基础能力，拿来就能处理许多通用任务。

专用智能解决的则是领域特定或产品特定的问题。这些问题往往由产品设计者创造，也依赖大量产品内部的上下文，以及产品真正想优化的目标。通用模型不可能仅凭公开数据把这些内容全部学会。

我过去在 Meta 工作了很多年，推荐系统就是一个典型例子。推荐天然是个性化的：每个人的偏好都取决于兴趣、背景和所在地区。不存在一套统一规则，能够同时预测你喜欢什么、我喜欢什么。我们希望看到的视频、商品和信息流都不一样。

个性化推荐只是专用智能的一种形式。ChatGPT 或 Claude 这样的通用系统可以根据提示完成任务，也可以进行多步推理；但它没有抓取一家企业的私有数据，而这些数据仍被锁在企业内部。

所以，解锁企业私有数据就是专用智能的关键部分。工作流也不只是“做一个应用并上架”，它是企业实际运营业务的方式，背后有防火墙以内的数据和只有企业自己知道的流程。

没错。另一种非常常见的专用智能，是对工作流的编排，以及对不同 AI 模型调用方式的编排。今天人们经常把这一层称为 harness，也就是智能体或模型的“驾驭框架”。

这种 harness 是专用的、定制的、量身打造的。它背后也可能由模型驱动，但其中的逻辑服务于某一个具体应用。如何编排一家公司的流程，并不存在通用的公共知识。因此，产品设计和具体实现逻辑需要与模型协同训练，让模型真正学会企业想优化的目标。

类似的例子多得数不清。在很多场景里，通用模型远远不够。通用智能不给你充分控制权；建立在开放权重之上的专用智能，才让你拥有完整控制权。

专属智能为产品提供动力，让产品变得更好；更好的产品产生更多数据，更多数据又让模型变得更好，而更好的模型再反过来改善产品。这就形成了一个持续增强的飞轮。

harness 这个概念很像开放源代码。人们拿到开源软件，修改它，再以此构建一代又一代成功产品。开放权重同样重要：企业可以按照自己的需要修改模型，并把权重保留在公司内部。这是很强的企业价值主张。你们的客户具体怎样使用和调整开放模型？

从去年年底开始，直接使用开放模型的数量出现了巨大增长，因为它们的质量已经过线。同时，企业对定制开放模型也表现出非常强的兴趣：不是“一家公司一个模型”，而是针对许多不同任务，做到“一个任务一个模型”。整个行业正在迅速学习如何管理开放模型。

第一个优势是完整控制权。你可以改变全部权重，同时又有一个非常扎实的基线，在它之上训练自己的增量，因此调优容易得多。

第二个优势是成本。企业都在仔细看 token 用量和账单，并追问投资回报是否合理。开放模型可以在不损失质量的情况下，把成本降到原来的五分之一到十分之一。完整控制权与大幅降本叠加在一起，正在推动开放模型爆发式采用。

要做好定制，第一步是明确怎样判断调优后的模型究竟有多好，这就是 evaluation，通常简称 eval。软件工程师对这个概念并不陌生：单元测试、集成测试以及其他质量测试，本质上都是评测。

评测需要不断变得更全面。一旦你有了 eval，也有自己的数据，我们就能帮助你“爬山”，也就是针对这些评测目标不断优化模型。

一些行业领先者两年前就开始探索这条路线。Cursor 是我们的旗舰客户之一，它在采访前一天发布了 Grok 4.5。Cursor 利用自己的数据调优模型，使它既能服务编程，也能处理更广泛的知识工作。

我们也一直与 Harvey 合作。Harvey 建立了自己的法律基准，把它作为 eval；我们帮助他们不断向这个基准的高点攀升。

去年可以说是“编程之年”。今年，我们看到大量“AI 同事”类应用出现：既有通用型，也有专用型，覆盖医疗、保险、法律、招聘、市场营销、销售和客户支持等各个领域。

这些公司都有内部评测。只要你真的想围绕 AI 建立一家公司，eval 就是第一步；没有 eval，就根本无法进行有方向的“爬山”。

“爬山”具体是什么意思？建立评测之后，下一步是什么？

我们提供多种工具和算法，其中最广为人知的一类就是强化学习。我们的理念是以当前质量最好的基础模型为锚点，然后围绕目标评测进行调优。

爬山就像真的去爬一座山。评测就是山顶，训练过程先设定一个明确目标，然后不断前进、后退、再前进，持续优化，直到尽可能接近那个目标。

有时训练到不了山顶，过程会崩掉。那就重新站起来，改变若干条件，再试一次。

当训练得到一个好模型后，我们会立刻针对推理进行优化。Fireworks 的平台把训练和推理放在一起协同设计、协同优化。

训练绝不是终点。模型最终必须部署到推理环境，让真实产品使用。接下来，团队会做 A/B 测试，对比有无新模型时的产品表现，观察用户是否喜欢这次变化。

A/B 测试是实验的一部分。当团队看到强烈、积极的产品反馈后，才会把模型扩展到更大规模。Fireworks 用一个平台把整个流程连在一起。

我们的工作，就是让每个人都能轻松拥有专用智能模型。我们的愿景是，未来会出现数以百万计的这类模型。每一家应用公司、每一家企业，都值得拥有自己的专用模型。

有些公司想快速前进，有些公司想把一切都自己造。Fireworks 已经与 Cursor、Harvey 等知名 AI 公司合作。它们为什么选择 Fireworks，而不是自己搭建所有工具？

我在 Jensen Huang 的 GTC 主题演讲之后和他聊过一次。他说，世界上并不存在所谓“通用公司”。每家公司之所以存在，都是因为它在生态中提供了非凡价值，并且在某个维度上做得极其专业。

这是一个产品设计原则，对智能同样适用。在我们看来，今天的产品和智能已经不能彼此分离，它们就是同一件事。所以，每家公司都需要专用智能。

Fireworks 从第一天开始就在为这个目标优化，因此企业与你们合作，会比后来才自行追赶快得多。

我们认为，产品团队或企业拥有数据，也拥有大脑；Fireworks 是双手，负责把大脑的意图实现出来。要构建和运行这样的智能，既需要深厚的 AI 知识，也需要深厚的 AI 系统知识，而这类人才非常稀缺。

我们可以把这层系统能力建好。客户在 Fireworks 之上构建，把精力集中在自己最大的差异化上，其余的加速、部署和规模化工作由我们协助完成。

Fireworks 今年最重要的工作重点是什么？

第一，是让产品更容易使用。我们已经进入智能体时代，所以正在自动化大量环节，让客户能够更快使用产品、更快向前推进。

第二，是服务更多有需求的人。市场需求很强，我们需要扩充并规模化公司，让更多客户能够接触和使用产品。我们相信，让每个人都能部署专用智能，这条方向是正确的。

行业内还有一场很大的争论：所有智能是否应该由一家公司拥有，还是应该分布在各处、实现民主化？AI 是如此重要的技术，不应该只被一家公司拥有；那样感觉就是不对。

你们是在帮助企业启动自己的“公司大脑”。因为路线是开放的，企业不会感到被威胁，同时还能更快扩展人的能力。

完全正确。

ChatGPT 刚出现时，Dave Vellante 和我画过一张颇具争议的图，叫作“AI 模型的幂律”。我们当时预测，市场会出现大量专用模型。

现在你们正在开拓这条新前沿。企业数据中，可能只有大约 1% 真正被解锁。这意味着每家公司都坐在一个数据宝库之上；这些数据可以被激活、被连接，并最终成为全球智能网络的一部分。

这正是这个时代美妙的地方。这里的机会非常巨大，我们也非常兴奋，能帮助所有人抵达那个未来。

很高兴在巴黎现场见到你。祝贺你们取得的成绩，请继续向前。

谢谢邀请。

专用模型和专用智能将真正解锁企业。编程只是第一步，代码生成已经让价值变得无可否认。当企业的实际数据被结构化，并能被 AI 应用调用时，“大脑”就会启动，AI 开始工作，收益也会随之出现。随着 AI 基础设施继续建设，企业技术栈中会有越来越多环节获得这种能力。

这里是 RAISE Summit，感谢收看 theCUBE 的现场报道。