从Meta走出的Fireworks聊开源与闭源，谁会胜出？
作者：Silicon Valley Vector 硅谷坐标编辑：Peggy，BlockBeats原标题：硅谷坐标 x Fireworks 联创 Benny Chen：开源模型、token 增速、推理优化和模型定制编者按：在开源模型加速逼近闭源前沿模型、推理价格持续下降的背景下，行业讨论正在从「谁拥有能力最强的模型」转向「谁能以更低成本把模型投入生产」。但当模型能力趋同、Token 消耗增长成为共识，一个更底层的问题开始浮现：企业真正愿意付费的，究竟是更便宜的模型调用，还是能够稳定完成具体任务的专属智能？近日，《硅谷坐标》主持人曹卿云与 Fireworks AI 联合创始人陈宇飞进行了一场对谈。Fireworks 位于模型与企业应用之间，主要为客户提供开源模型推理、性能优化和定制服务。相比单纯讨论开源能否追平闭源，陈宇飞的观察更接近真实工作负载：Token 流向哪里、企业为何付费，以及模型从概念验证走向生产还缺少什么。在这场对谈中，陈宇飞是将「开源与闭源谁会胜出」拆解为一组更底层的结构性问题：Token 增长能否转化为收入，通用能力能否替代垂直积累，低价模型能否通过企业评测，以及推理平台如何在云厂商和应用公司之间获得价值。第一，是开源模型的使用规模与商业价值正在分化。过去，能力追赶和调用价格是判断开源竞争力的主要指标；如今，Fireworks 平台每天处理约 40 万亿至 50 万亿个 Token，开源模型的实际使用量已经快速扩大。但免费流量、促销补贴和模型价格差异，会让 Token 统计高估部分需求。客户可能大量调用低价模型，却仍把最高预算交给效果最好的闭源模型。这意味着，开源的下一阶段不再只是扩大流量，而是证明其能够在高价值任务上达到甚至超过前沿模型，并把成本优势转化为付费意愿。第二，是通用模型与垂直模型开始沿着不同方向演进。过去，每次前沿模型升级，都可能直接淘汰一批微调模型；现在，法律、医疗、编程等垂直应用正在积累更细的评测、数据和工作流，其优化目标也与前沿实验室逐渐分离。通用模型需要提高能力上限，垂直模型则要在有限场景内稳定交付结果。前者可以解决更广泛的问题，后者却更理解用户如何定义「正确」。这意味着，垂直公司的壁垒并不只是拥有一个定制模型，而是能够持续把行业需求转化为评测体系，并随着基础模型更新反复迁移。第三，是企业 AI 落地的瓶颈正在从模型供给转向评测能力。过去，企业概念验证往往依赖试用体验和主观判断；现在，当 AI 进入呼叫中心、法律检索和医疗辅助等生产环节，仅凭「看起来效果不错」已经无法支持采购决策。企业必须知道模型在哪些任务上有效、何时失效，以及从闭源切换至开源会改变多少成本和质量。评测因此不再是附属工具，而是连接采购、训练与生产部署的基础设施。谁能定义任务、建立测试分布并持续更新标准，谁才真正掌握模型选择权。第四，是推理平台的价值正在从「卖便宜算力」转向组织模型、硬件与工作流。过去，推理优化主要被理解为降低单个 Token 的成本；现在，缓存、任务拆分、模型路由和上下文管理都可能直接改变任务完成率。不同模型不必争夺同一个位置，而可以分别担任执行者和顾问。Fireworks 的商业逻辑也由此成立：不自建重资产硬件，而是通过训练、定制和持续推理，将收入与客户模型的实际使用绑定。但这条路径的主要对手并非单一新云公司，而是能够同时控制算力、软件和客户入口的大型云厂商。第五，是开源模型崛起未必削弱基础设施需求，反而可能压缩模型层溢价，并把价值进一步推向推理和算力。科技巨头持续增加资本开支，也不只是计算短期回报，而是在衡量错过 AI 周期...
