如果模型商品化，谁是赢家？——对话 Mistral CEO Arthur Mensch
Who Wins if AI Models Commoditize? — With Mistral CEO Arthur Mensch | Big Technology Podcast
Alex Kantrowitz如果所有主流模型的表现都趋于一致——目前某种程度上正是如此——AI 行业会变成什么样？稍后我们将与 Mistral 的 CEO 一起探讨。欢迎来到 Big Technology Podcast，这是一档针对科技界及更广阔领域进行冷静、nuanced 对话的节目。今天的内容非常精彩。我们将深入探讨，当一些领先的基础模型开始趋同时，AI 商业和技术竞赛正在发生什么，以及这将如何改变行业内的力量平衡。我们请到了最完美的嘉宾来聊这个话题。Arthur Mench 今天和我们在一起。他是 Mistral 的 CEO 兼联合创始人。Arthur，欢迎。
Arthur Mench很高兴来到这里。呃，也感谢你邀请我们。
Alex Kantrowitz不，很高兴你能来。呃，Mistral 这个名字在 AI 圈内已经广为人知，但可能对我们的一些听众和观众来说还比较陌生。所以，对于那些还不了解 Mistral 的人，让我列几个数据。Mistral 是一家 AI 模型公司，也做一些别的业务，我们待会会聊到。它总部位于法国。公司自 2023 年 4 月成立，估值已达 140 亿美元。也就是说，用不到三年，或者说两年半的时间，打造了一家 140 亿美元的企业，相当不错。公司有 500 名员工。而 Arthur 你在学界待过一段时间，又在 Deep Mind 工作了两年半，现在领导着这家公司。
Arthur Mench没错。呃，我们总部在巴黎，但大约有四分之一的员工实际上在美国，而且我们的很多业务也在这里，所以我也花了很多时间在这边，这也是为什么我们现在在纽约。
Alex Kantrowitz好的。很高兴你能来演播室。呃，我们直接切入我认为当今 AI 领域最紧迫的问题吧。呃，最近有很多讨论说 Google 在 2025 年底开始赶上 OpenAI 的模型，OpenAI 的模型也和其他家的差不多打平了。呃，在我看来，基础模型的商品化进程比我预想的要快得多。我原以为会是一场竞赛，有些公司会大幅领先，其他公司需要花时间追赶。但现在看来，很多模型构建商的前沿模型表现非常接近，很难分出哪个最好。你怎么看？
Arthur Mench我想说，呃，这项技术本质上就是会被商品化的。原因在于，它其实并不难构建。呃，全世界大概有 10 个实验室知道怎么造这项技术，它们能获取相似的数据，遵循相同的配方和算法，而这些配方和算法实际上非常简短。我是说，训练一个模型所需的知识量其实相当有限，所以因为它很简短，知识就会流通起来，呃，因此你无法建立起知识产权上的差异化壁垒，所以很难真正实现 leapfrog，很难遥遥领先于竞争对手，因为知识的扩散让所有人都在做同样的事情。
因此，问题就在于价值究竟在哪里积累？呃，你应该追求什么样的商业模式，才能最终确保盈利？呃，另外，我们看到一些竞争对手面临的挑战是，它们投入数十亿甚至数千亿美元去创造资产，但这些资产贬值很快，因为这些都是 commodities。所以对我们来说，在 Mistral，这始终是一个问题，也是整个行业最大的问题之一：你需要投入足够的资金来真正为企业创造价值，但你也需要合理地投入，这样才能建立合理的 unit economics。
在一个资本密集型的模型创造世界里，制造模型实际上只是为你带来处于商品化竞争中的资产。
Alex Kantrowitz那么我们来聊聊这场打造最好模型的竞赛吧。就像你说的，这非常烧钱。呃，OpenAI 计划投入 1.4 万亿美元为其模型建设基础设施，至少他们是这么说的。嗯，如果模型实际上都旗鼓相当，企业会不会说，"嘿，等等。也许我们没必要花这么多钱去打造下一代更好的模型，因为别人很快就能赶上。" 我是说，从战略上讲，我认为这确实需要有所节制。
Arthur Mench你该投入多少去创造足够有价值的资产，让一家科技公司能够为企业、为消费者带来价值？呃，归根结底，所有这些投资最终都需要由下游产生的自由现金流和价值创造来买单。因此，我们作为一家公司的关注点——我认为也是合理的关注点——是更多地放在下游应用上，找出企业遇到的 friction 并努力消除这些 friction。因为归根结底，我认为行业今天面临的一大挑战是，AI 在三四年前带来了许多承诺，呃，但如果你问一家企业，你们真的从中赚钱了吗？
它们通常会说没有。原因在于，它们对 AI 的定制化不够，呃，它们没有从想要解决的问题出发进行反向思考。它们想着解决方案，却不去想问题本身。所以，帮助它们找到正确的应用场景，并进行恰当的定制化，这样原本需要 20 人团队来运营的供应链工作流程，突然之间只需要两个人就能运营。呃，这样的例子有很多。但整个行业面临的挑战在于，我们需要让企业快速获得价值，才能证明大家 collectively 投入的这么多资金是合理的。
Alex Kantrowitz是啊，这很有意思，因为在很长一段时间里，你听到这些公司都在谈模型、模型，对吧？下一个模型是什么，比如说 GPT-5，谈到 OpenAI 时最大的新闻就是这个。现在它们开始更多地谈论，如何把你拥有的智能转化为实际可用的应用。我可以分享一则报道，呃，几周前，呃，你知道，我有一个故事，basically 是关于一场午餐会，Sam Altman 和一群纽约的新闻领袖在一起，呃，Altman 告诉他们，公司最大的优先事项之一是为企业构建应用。基本上，这将成为 2026 年的一个主要优先事项。这与"我们要打造 AGI"的说辞相比，是一个小小的转变，变成了"我们要为企业构建应用"。那么，为什么会发生这种转变？这是商品化问题的一个副产品吗？
Arthur Mench嗯，我认为问题在于，首先 AGI 是一个非常简单的概念。呃，对企业来说可能过于简单了。呃，并不存在一个能解决世界上所有问题的系统。所以归根结底，
Alex Kantrowitz是"目前还不存在"，还是说你根本不相信这个概念？
Arthur Mench它永远不会存在。我是说，问题千千万万，就像你不可能找到一个人类能解决世界上所有任务一样。你当然需要一定程度的 specialization 才能真正解决问题。所以我们正从 magical thinking 回归 system thinking。呃，我们需要弄清楚，应该用什么数据来让模型在特定任务上表现更好。
Interviewee我们需要建立怎样的飞轮，才能从人类与系统的交互中积累更多信号，最终让应用变得越来越好？现实中的企业本就是复杂系统，你无法用 AGI 这样一种单一抽象来解决所有问题。AGI 在很大程度上是我们尚未实现的目标，它基本上就是那颗北极星——也就是“我要让系统随时间不断变好”的愿景——但正如你所说，很难向投资者解释，你所构建的技术永远不会被竞争对手超越。于是叙事自然发生了转变：企业不再像是在构建一个能解决所有问题的北极星式单一系统，而是需要深入企业内部的具体细节，解决它们实际的问题。
我认为在 Mistral，我们早就预见到了这一点。这基本上奠定了我们的故事。我们的故事始终基于这样一个假设：最终 AI 会更加去中心化，需要更多的定制化，因为我们遇到了可积累数据量的上限，也遇到了 scaling law 的极限。正因如此，我们创立公司时就基于这个前提，即我们要为企业带来更多定制化的能力。
Interviewer好的。我们稍后再聊 MR 的故事，但关于这一点再问一句。在我看来——而且我想知道你是否认为这是一种转变，你无疑早已预见到了这一点——但 AI 行业似乎出现了一种转向：此前的思路是，本质上让模型更聪明，它们就能自己设法解决这些问题。比如具体一点说，让模型更聪明，它就能做初级助理的工作，或者在多个系统里做数据录入，还能提交报告。而现在，似乎出现了从这种做法到真正构建基础设施的转变，模型只是其中一环，基础设施变得极其重要，orchestration 以及基于模型之上的应用层才是价值所在。这很有意思。
Interviewee是的。我认为，如果从系统的视角来看，始终会有两个组成部分。第一部分是静态定义，即工作流应该是什么样的、系统应该如何表现，这些静态定义由人来设定，决定了系统应该如何运作，这对应于你用来定义系统的人工信息。然后还有一个动态部分，你把模型连接到工具上，给模型下达指令，模型可以自己去调用工具。因此它可以决定自己要遵循的执行图。这部分是动态的。而静态部分则是你设置 guardrails，或者有时你有一棵决策树。
我认为，觉得可以靠动态系统在没有人类指导的情况下解决一切问题，这种想法有点乌托邦式，而且不现实。在过去三年里，行业里实际发生的是动态部分在不断壮大，因为模型可以思考更长时间，可以调用多个工具，可以写代码。但静态部分仍然极其重要。即使动态部分不断增长，静态部分也能让你构建出更好、更有趣的系统，解决以前无法解决的问题。所以，这些静态系统——如果你愿意可以称之为 orchestration——和动态系统——你可以称之为 agent——的结合将一直非常重要，因为两者在同步提升，这样我们才能应对越来越复杂的问题。
Interviewer好的。既然这一点已经明确，我在想，假如模型已经商品化了，那么 AI 领域的商业机会会是什么？我想象中，一类是面向消费者的产品，比如聊天机器人，你可以把 OpenAI 归到这一类。还有一类业务是让你现有产品变得更好，比如，也许可以与 Microsoft Excel 对话，这可能是现有公司优化产品的一种方式。但还有另一大领域，我们刚才已经稍微聊过，就是企业端。你会如何给这三类机会排序呢？
Interviewee嗯，是的。我认为在消费者端，因为 AI 正在成为获取信息的方式，你基本上可以构建一个广告业务，这很显然会成型。但这不是我们公司的重点。然后如果你看企业端，我们基本上是在重新搭建所有企业软件的平台。企业涉及的是人、数据和流程。历史上，工具是碎片化的，要运行多个流程、多个数据系统、多个 system of records；团队也是碎片化的，无法同时访问所有信息。本质上，AI 在企业中允许你做的，是你从统一的数据出发，甚至可以从碎片化的数据源出发，因为 AI 能够驾驭它们。
然后你在上层部署 AI，建立恰当的智能，理解企业内部正在发生什么，接着 AI 系统能够在某种程度上生成对每个人实际工作都有用的界面。因此，对整个企业软件栈进行重新平台化，是在企业端创造大量价值的一个方向：拥有 context engine——也就是那个持续运行、观察正在发生什么、梳理情况、为正在发生的事创建文档的系统；同时拥有一层越来越按需生成的前端。比如说，我是一名律师，我要解决一个问题，要做一项非常具体的审查，我只需带上我的文档，然后系统就会动态地展示出合适的 widgets 和我需要的信息。
所以，在 context engine 之上生成式地生成界面，而这个引擎持续更新对企业内正在发生之事的表征，下层则是本质上将变成纯数据库的 system of records——你不再需要以前堆在上面的所有东西。这就是趋势所在。这种重新平台化可能需要十年时间，因为让企业采纳这些东西需要时间，但其中能创造的价值是巨大的，因为你突然可以围绕这样一个事实来重组公司：对于很多过去需要大量人手的流程，你现在可以运行得快得多，这是一方面，效率。
另一方面，也是最重要的一点，所以我想说这是企业端的一种商业模式。企业端的第二种模式是，与企业合作，帮助它们把真正专有的数据——比如在制造业中，由机器产生的资产——转化为旁人无法复制的智能。
因此，让模型专门擅长某种特定的物理学——比如我们在与一家飞机制造商合作时，或者在与 ASML 合作时，让模型专门擅长操作他们的机器——这种价值是巨大的。因为突然间，你不是在公司内部提升效率，而是实际上解锁了因缺乏 AI 而被锁定的技术进步。所以，新系统所提供的这种解锁带来了巨大的增长。它实际上更难衡量，因为前者更偏短期。你可以展望这家公司五年后会是什么样子，因为你削减了公司的某些部门，并让其他人员转向创造增长。
你可以为此建立模型。而在技术层面，我认为这要更难一些，因为我们知道有些事情，比如核聚变，或者更精密的半导体刻蚀。这些是我们开始遇到物理限制的领域，而人工智能实际上可以帮助突破这些物理限制。因此，我认为技术进步的加速将是大部分价值创造所在。这需要一点时间，而且相比 AI 将带来的效率提升，它更难以衡量、更难以预测。但这两者同样重要。
Interviewer好的，那我试着在这里梳理一下。如果这将成为 AI 世界价值的关键驱动力，有两种方式可以做到。一种是建立一个比所有人都好的模型，然后以溢价出售。但我们已经谈过，这似乎不会永远构成一种壁垒。另一种方式是，模型本身并不是价值所在，真正的价值在于专业知识以及落地实施的能力。所以你可以把模型开源，但随后向企业提供一项服务，帮助它们弄清楚如何将该模型付诸行动并真正取得成果。这两种选择是这样吗？
Interviewee嗯，是的，这基本就是我们在这个行业看到的分岔口。呃，我们的观点一直是选择第二种，真正地去……
Interviewer开源实施？
Interviewee对，开源实施，这既带来了定制化，也带来了去中心化。因为如果你假设整个经济都将运行在 AI 系统之上，那么企业就会希望确保没人能关闭它们的系统。就像如果你有一座工厂，把它接入电网，你会想确保没人会因为不喜欢你而关掉电网。如果 AI 实际上正在变成一个社群——这正是正在发生的事——而如果你把智能当作电力，那么你只想确保你对智能的访问不会被限制。呃，这也是开源技术能带来的一点。所以……
Interviewer如果你使用开源，你就不用担心违反 Anthropic 的用户条款之类的问题，进而被迫暂停你的业务。如果你使用开源，你基本上可以按自己的条款运行它。
Interviewee是的，你可以按自己的条款运行。你可以创建自己需要的冗余。呃，你可以提供更高的服务质量。你可以确保无论地缘政治局势如何，只要你愿意，你仍然可以运行这些系统。呃，所以这是站在 IT 的角度。如果我是一名 CIO，我真的会把开源视为创造杠杆和独立性的方式。呃，但在更偏向科学的一侧，这也是你唯一能创建有效利用员工日积月累的经验知识的系统的方式。这种知识是你过去几十年招聘积累下来的。要把它转化为别人无法获取的资产，唯一的方法就是基于那些开源模型创建你自己的模型。所以这是……但这很难。很难真正建造这些，对吧？所以这就是你需要合适工具的地方。你需要合适的专业知识。而这正是构建开源模型的补充性商业模式。
Interviewer但即使是闭源模型提供商，像 Anthropic 这样的公司也会说，它们能够用你的数据来定制模型。你不相信这一点吗？
Interviewee它们会这么说，但随后它们会在上面设置一些护栏。所以呃，你基本上是在相信它们的工程师会给你足够的权限去深入系统的底层。但你能永远信任这一点吗？我不确定。所以呃，那里的问题既是控制权的问题，也是定制化的问题，对吧？
呃，就像供应商会试图锁定你一样。所以如果你基于开源模型——比如我们的开源模型，或者任何人的开源模型——之上来构建，你基本上就不那么受制于供应商了，而这是一项如此重要的技术，你不想被单一供应商锁定。所以这也是我们带来的机会。
Interviewer呃，你知道让我震惊的是什么吗？呃，距离 ChatGPT 问世已经三年了，它基本上让大众开始意识到这一点。不过我想大多数关注大科技的听众可能在此之前就已经有所了解了，尤其是自从我们在 ChatGPT 出来之前就在采访那些认为这些东西有感知能力的人以来，但那是另一回事了。但今天我们基本在说的是，我来总结一下你提出的两个主要观点。呃，一是今天的 AI 模型不能独自完成所有事情，它们需要编排。
你提出的第二个重要观点是，呃，要用好当前的智能去做那种编排或落地，你需要一种托管服务。所以我觉得有趣的是，我们似乎已经从那种也许正在朝着能够包办一切的上帝模型努力的观点，转向了——你知道，这可能是我们这辈子见过的最强大的技术——然而当你真正想使用它时，它某种程度上变成了一种托管服务。
Interviewee是的，确实如此。我认为这不是我们历史上第一次观察到这种现象。这是一项新技术，一个新平台。所以关于如何使用它的知识实际上仍然相当稀缺。呃，能够构建在规模上表现优异的系统、能够大规模可靠运行、能够真正解决实际问题的人并不多。所以，在与企业合作时，你总是需要在上面提供一些服务，因为即使是对数据库这样已经相当成熟的技术，落地实施的复杂性也依然存在。
但对人工智能来说，这更有必要，因为它需要转型企业。所以你还需要在团队如何围绕系统本身运作方面提供帮助。而且它确实需要定制化。所以你需要数据科学家知道如何利用数据并将其转化为智能，而今天这仍然是一种相当稀缺的资源。我想说，我预计软件在这些部署中所占的比重会增加。呃，今天通过 fine-tuning、reinforcement learning 等方式进行定制化的做法，将会被企业买家所抽象掉，因为这太复杂了，呃，他们其实应该只关心拥有能够从经验和部署中与人一起学习的自适应系统，而不是去琢磨我应该用 fine-tuning 还是 reinforcement learning 来把知识注入我的模型。
Arthur Mench我们正在做的这项工作，是试图把数据科学家才懂的底层流程，抽象成企业主能够直接使用的上层系统。这将逐步实现，我们也在推进。但服务环节仍然非常重要。如今，对一家企业来说，将两者结合才是最快实现价值的方式。所以我们一直把两者结合起来。
Host你知道，我在开场时把你称为一家模型厂商，当时我还犹豫了一下，说后面再深入聊这个。现在说到这儿了。基本上，我听下来的感觉是，Mistral 显然是一家以模型为傲的厂商，但如果没有服务，如果不能坐下来与企业一起教他们怎么用，那似乎就缺了一块拼图。那么你觉得你们最核心的工作是造模型，还是做服务？你们主要是一家模型厂商，还是一家服务提供商？
Arthur Mench我的意思是，我们要帮助客户实现价值。
Host那就是服务。
Arthur Mench我们要帮助客户实现价值，但为了实现价值，他们需要有优秀的模型；为了实现价值，他们还需要有合适的工具来训练模型。所以，打造这些工具的最佳方式，其实就是去训练最好的模型。这两件事是紧密相连的。我们开发易于定制的模型。我们带着工具一起开发模型，然后把工具输出给客户，让他们能够使用，并且我们帮助客户训练他们自己的模型。如果你不能向外界证明自己是 open source 技术领域的事实领导者，那你就没法去向企业推销，说你能帮他们打造高度定制化的系统。
所以这两个部分同等重要。前者赋能后者，而且这里实际上存在一个 flywheel，因为我们在模型设计上的选择，都是为了赋能我们不同的客户。举个例子，我们非常强调模型在物理方面的能力，因为我们与制造业企业合作，而它们会遇到物理层面的问题。这就是我们设立的 flywheel——让科学团队和业务团队真正坐在一起协作。
Host好的，我们现场请到的是 Arthur Mench。他是 Mistral 的 CEO，也是联合创始人。稍后休息回来，我们要聊聊 open source，聊聊 open source 运动与 closed source 的对垒。还记得 DeepSeek 吧，当时 open source 本该超越 closed source 的。那么，它做到了吗？我们还会聊地缘政治和监管，以及这些因素会不会让这家公司获得优势，然后再深入一些更实际的例子，因为我们应该谈谈这项技术在实地是如何被使用的。稍后马上回来。
欢迎回到 Big Technology Podcast，现场嘉宾是 Arthur Mench，Mistral 的 CEO。Arthur，我想问你过去一年 open source 的进展。我记得一月份读到并报道 DeepSeek 的时候，主流论调是，这对 open source 来说是一次巨大的飞跃，很快 closed models——像 OpenAI 的 GPT、Anthropic 的 Claude，也许还有 Google 的 Gemini——都会被 open source 超越，因为 open source 社区在协同合作，彼此的创新层层叠加，而 closed source 社区则有点各自为战。
我们节目开头也刚聊过，也许 Gemini 让 OpenAI 的 GPT 模型商品化了，但关于 open source 是否兑现了年初那番预期，却没人这么议论。所以是我漏掉了什么，还是我读错了？你怎么看？如果说有什么拖住了 open source 的后腿，那是什么？
Arthur Mench如果你看 2024 年的趋势，我觉得当时差距大概是六个月左右。如果你看 2025 年的趋势，我认为差距已经缩小到了三个月左右。所以明年这个差距会是多少，我想任何人都可以去猜。但实际上，这个差距一直在显著缩小。原因在于，当你在 10 的 26 次方 FLOPs 这个量级进行 pre-train 时，会出现一种 saturation effect。原因是，你在 pre-train 模型时，能够找到并压缩的数据就只有那么多。所以那些起步稍晚的 labs，只要有足够的计算容量来训练这种规模的模型，就能赶上。而且效率也在提升。这就意味着，如今任何一家 lab 都能在几个月内获得 10 的 26 次方 FLOPs 量级的算力资源。
Host这是算力的衡量单位。
Arthur Mench这是算力乘时间的衡量单位。所以，任何一家 lab 如今都能在几个月内实现 10 的 26 次方 FLOPs。正因如此，这种 saturation effect 意味着 open source 模型已经追了上来，因为那些先发跑在前面的 closed source 模型撞上了 pre-training 的这堵墙。所以这意味着差距只会继续缩小。如果你看看我们最近发布的开源模型，就是 death desk 2，这是一款 coding model，它的表现大概相当于 Anthropic 两三个月前的水平。
所以是的，我认为差距正在缩小。再说一遍，我觉得这个问题本身可能就问得不太对，因为这两种模式提供的是截然不同的价值主张。一方面，closed source 是托管好的，你会依赖提供商本身；另一方面，open source 需要多费些功夫，因为你得更多地掌握它。你得学习如何定制它，得使用合适的工具去做，如果选择在自己的设施上部署，你还得维护部署。但最终，这会为你创造与 closed source 提供商抗衡所需的 leverage。
所以这两个类别本质上是不同的，但如果只看纯性能，它们肯定在收敛。
Host你提到了 saturation effect。那么，不说太技术性的，模型是不是已经好到头了？或者我换个说法：既然它们似乎都撞上了 saturation，AI 模型还会继续变好吗？
Arthur Mench它们会在越来越具体的领域变得更好。我是说，我认为我们整体上已经把它们做得很聪明了，能够做长上下文推理，能够调用多种工具等等。但如果你想真正把模型部署到银行或制造企业里去，那模型就需要学习这些企业自身蕴含的全部知识。所以这意味着，如果要在非常精确的方向上取得突破，比如说我想让模型在发现新材料方面极强，或者在设计飞机方面极强，那我就得花点力气，去获取正确的 reward signal，找到合适的专家，让他们帮我把模型在那个非常精确的方向上做专做精。
所以这方面我们肯定还远没做完。因为我们现在比拼的，是谁能为特定能力提供最合适的环境和最合适的 signal provider。至于那种宽泛的 horizontal reasoning capabilities，我们当然还会继续提升，但不会再有谁能在这些能力上拉开与竞争对手的巨大差距。
因此，真正的巨大差距其实在于与垂直领域专家合作——他们精确地知道如何设计飞机，并能向模型解释具体做法——由此你可以朝众多方向推进，因为你可以在物理学、化学、制药和生物学等领域这样做。所以对我来说，未来两年最令人兴奋的部分，就是模型将在非常精确的方向上迎来爆发式提升。而对我们来说，机遇在于拥有合适的平台来支持这种垂直化，无论是面向企业，还是那些实际从事高度垂直化能力的 AI 初创公司，我们也乐意帮助他们。
这就是我对领域走向的看法。此前我们关注的是通用智能水平的不断提升，让事物变得越来越聪明；而接下来的两年，将是拿出模型，让它们在某一特定技能集上变得极其出色。这其实更令人兴奋，因为我们正接近一个阶段：你选定一个领域，就能让它达到超人类水平，但我们不会同时在所有领域都做到超人类。
好的。但说到这一点，我们谈话早些时候你提到，不会有能做任何事的模型；但如果在某些垂直领域完成这种训练，为什么不行呢？
嗯，我们也正在进入一个阶段：你选择的垂直领域之间并不能真正迁移。因此，让同一个模型同时精通非常细分的生物学和非常细分的物理学是没有意义的，因为这些知识之间的迁移其实很模糊。问题在于，如果你真的想让模型同时解决所有问题，你就会把它做得非常大、非常昂贵，且部署成本极高。所以专用模型才是真正的方向——你会专门做一个用于生物的模型，一个用于化学的模型，一个用于某个特定物理问题的模型。
嗯，这其实更说得通，因为如果你想大规模运行它，如果你想让它在后台运行，如果你想让它日夜不停地思考特定问题，
你就希望它尽可能小，因为模型的成本实际上与其规模成正比。如果你通过让模型擅长多种模态来扩大规模，那么当你想部署它并尽可能充分地使用时，效率其实会很低。所以从经济角度来看，在某些方向上做专用模型是合理的。
我想问你一点关于 Mistral 竞争处境的问题。我想我们是在美国，我就直说美国这边一些人的看法，然后你来回应，因为这值得讨论。我想有一些人——不是全部，但有一些人——觉得 Mistral 在欧洲成立，实际上是为了利用监管俘获，因为美国公司很难在欧洲竞争，所以 MR 就能趁机承接所有 AI 业务。你怎么看这个说法？
嗯，你要知道，我们打造技术是为了服务那些希望拥有足够控制力的企业和国家。人工智能不是你希望完全外包给供应商的技术，尤其当该供应商来自外国实体时。这一点以前就是成立的，对数据如此，对人工智能来说更是如此，原因有很多；其中之一是，如果你依赖外部供应商，你的贸易收支实际上会恶化，你正在进口服务，而如果你进口过多数字服务，长期而言这会成为问题。这是其一。其次，主权这类话题对国防也非常重要，因为如果你是一个独立国家，你就会希望拥有独立的国防系统；而如果你想拥有独立的国防系统，你就需要拥有自己独立的人工智能，因为 AI 正在进入国防系统，所以——
所以这个卖点对你们确实很管用：我们不是美国公司，我们总部在欧洲，我们能帮你们构建……无论是涉及重要数据保护，还是国家安全、国防方面的项目。
嗯，这是我们构建的技术差异化。因为我们可以在边缘部署，因为我们可以部署到客户希望的任何地方，所以即使我们消失了，系统也仍能运行，这对很多行业来说其实很重要，而且业务越关键，这一点就越重要。这也意味着我们可以服务美国客户，可以服务那些希望减少对某些供应商依赖的美国客户；可以服务那些希望拥有更多定制化、更多控制力、受到更严格监管的银行。当然，这也意味着我们可以服务欧洲产业——历史上我们就是从那里起步的。
创业时你总是先从家门口卖起，我们也是如此。但我们也服务亚洲国家，亚洲国家也有类似的问题：他们希望拥有一项即使我们倒闭了也能继续依赖的技术；他们希望拥有能根据自身文化需求定制的技术。所以这一点无疑一直在推动我们的业务，这种技术差异化建立在可控性、开源——也就是基于开源模型打造的技术——以及定制化之上。
那有没有欧洲政府来找你们，说我们就是不相信 Google 或 Anthropic，我们宁愿不基于他们来建设？
嗯，实际上确实有欧洲政府来找我们，因为他们希望建设这项技术，希望服务公民，希望提高公共部门的效率；而我们恰好能给他们提供一个很好的方案，那就是——
——可以部署在他们自己的场地上，我们可以派驻现场部署人员去帮他们实现价值；而且碰巧我们也是欧洲公司。所以对欧洲国家来说，投资欧洲技术其实是件很好的事，因为他们投入的资金、为我们创造的营收，都会被我们重新投资到欧洲，而我们实际上正在围绕自己构建一个生态系统。因此，这种从欧洲国家流向欧洲技术提供商的营收投资是非常有益的；说实话，这一招在美国过去 80 年一直行之有效，而我认为欧洲肯定做得还不够。
说到开源，一些与地理有关联的公司或努力，你怎么看中国的开源工作？因为他们显然闹出了很大动静，看起来那边进展相当不错。
是的，我是说中国在人工智能方面非常强大。实际上我们是第一批发布开源模型的，他们意识到这是个好策略。而且事实证明他们非常强大。所以我们也不确定这算不算竞争，因为开源的好处在于，这其实不是竞争。你们是在彼此的基础上构建，
对吧？你能看到他们公开的所有东西，并学到哪些做法有效。
是的。反过来也一样。比如我们早在 2024 年初就发布了第一个 sparse mixture of experts，
而他们在此基础上继续构建，发布了 Deepseek 3，然后——
Deepseek 就是基于这个做出来的。
嗯，这其实是同样的架构，我们发布了重建这类架构所需的全部内容，其他地方也是一样。我是说，那些投资开源的公司所发布的东西，其他开源公司都在复用。而这其实就是目的所在。如果在不同实验室之间分享研究成果，研发效率会高得多，所以这种做法在中国非常有效。他们在不同实验室之间分享知识。在美国这边效率就相当低，因为实际上并没有——就是说美国本土公司并没有投资开源，而我们在成为西方开源提供商这件事上已经率先行动了。我认为非常需要有一家西方的开源提供商。
你认为中国的战略是什么？你觉得在美国是否经常会有这种很广泛的讨论，关于需要领先于中国？如果中国在这方面大幅领先，你认为有风险吗？
嗯，我认为中国非常强大。它是垂直整合的。他们有优秀的工程师，有算力，有能源，拥有竞争所需的一切。欧洲同样拥有竞争所需的一切。我不认为会出现某一方在人工智能上遥遥领先于其他所有方的局面。如果你纵观整个世界，每一个足够大的主权实体，也就是大型经济体，都会希望在其 AI 的使用和部署上拥有某种形式的自主权。所以这确实证明了多个卓越中心的出现是合理的。我认为一个在欧洲，由我们领导；另一个更多在中国的 Nangu；然后你在西海岸还有一批公司。
你为什么认为开发这些开源模型符合中国的战略利益？
我是说——
因为他们并没有和你类似的业务，对吧？他们并不是真正地走向全球，成为实施者。
他们在中国本土有庞大的业务。没错。
当然。在中国构建开源模型的公司实际上一般都是云服务提供商。你有一批初创企业，但同时也有阿里巴巴这样的云服务提供商，对吧？所以他们具备这种垂直整合能力，能够在中国本土以及他们正在运营和拓展的市场内部创造价值。比如在亚洲，对我们来说这是一个我们倾向于与他们竞争的地方——不是在中国本土，而是在亚洲其他地区。所以他们进行内部竞争是说得通的，而他们进入美国市场的最佳方式就是免费把这些东西提供出去。所以这确实说得通。在中国本土建立一个受保护的业务，然后以零价格出口产品，这是非常自然的事情。如果我是他们，我也会这么做。
好的。在我们结束前，我想稍微聊聊你们正在打造的这项技术的实际应用。你知道，这挺有意思的。你刚才谈到了 AI 被用于物理学，AI 被用于其他研究应用，AI 被用于国防。这些听起来都不像聊天机器人。所以请谈谈你们正在推进的应用，以及我们是否会看到 AI 超越聊天机器人的形态。
我是说，聊天机器人往往只是界面，因为人工智能是生成式的，它让你能够以人类的方式与机器交互。所以说聊天机器人是一种人机界面，但它不代表其余的部分，它仅仅只是界面而已。现在，如果我们看看真正让我们非常兴奋的实际应用，有两类：一类是真正端到端的工作流自动化，能从根本上改变一家企业运转方式的东西。比如货物调度，我们跟 SEMA 合作时——它是一家航运公司——我们帮助他们调度所有集装箱：当货船进港，他们需要调度所有货物，需要联系成百上千的人，需要联系港口，需要联系监管机构，需要以不同方式操作二十个软件。我的意思是，我觉得这原本需要几百号人来做，而通过与我们一起研究如何实现自动化，突然之间你能节省 80% 的人力。
所以 LM 是在执行这些沟通，并且还要做决定——不仅仅是打电话，而是决定谁能拿到什么。
它做决定，它把各项事务串联起来，你衡量它做的是否正确，如果不对，你就改进系统。
目前效果如何？
嗯，它在运转。实际上在某些机构已经上线了。所以对我来说这非常令人兴奋，因为它有实体足迹。它以安全的方式做出决策，并且确实给公司带来了巨大的效率提升。另一个例子更偏向增长端，是我们跟 ASML 的合作。我们在跟他们合作做视觉系统。
请给那些不了解的人稍微讲讲 ASML 是做什么的。SML 是一家做计算光刻和扫描的公司，他们的角色是制造那些大型机器，这些机器实际上是在晶圆上进行刻蚀，而晶圆之后会被用作芯片，比如 Nvidia 的芯片。
对，所以他们是半导体制造业的关键工业组件。
他们为半导体制造提供设备，这么专业的领域，你会想生成式 AI 能怎么帮上忙呢？
嗯，生成式 AI 通常就是生成式 AI 模型，它们是预测式 AI 模型。它们的一个优点是能够看见东西，并对所见之物进行推理。所以 SML 需要推理的东西之一，就是来自他们扫描仪的图像，这些图像用于验证芯片刻蚀是否存在错误。这其实相当复杂，因为其中需要一些逻辑思考。图像与逻辑思考的结合，让我们能够真正更快地实现这些环节的自动化。这意味着下游 fabs 的吞吐量将会提升。而在这种场景下，定制化是关键，因为输入的这种数据在其他地方根本找不到。
SML 是唯一拥有这些图像访问权限的，所以我们发现了一个实质上的瓶颈问题，存在于制造流程中，然后我们去训练能够有效解决这个问题的模型。这就是……而且这种情况会在很多很多不同的地方发生。在那里需要生成式 AI，因为你需要一个能够对图像进行推理的模型，所以推理能力至关重要；但为这些推理模型针对特定问题和特定输入进行定制，才是解锁这一切的关键。
是的，通用 AI 的工业应用对我来说非常令人惊讶和有趣。比如早就有了计算机视觉技术，可以看看一台机器或者一个产成品，然后说：啊，这不行；或者：这正是我们需要的。对吧？但一直以来缺少的是一个神经中枢，一个能够接收这些信息、然后据此做出决策、再传达给现场人员的中心节点。而这就是这项技术正在实现的——整套技术工作线开始能够由这项技术来完成。
是的。基本上你需要的是能够感知多种信息的模型，而在制造业中，信息往往是视觉化的。
拥有非常强大的视觉模型极其有用。基于这些视觉模型，你可以在这些输入上做出选择，并依靠 LLM 本身来编排调用 agent、进入工作流的下一步、实际调用工具，或者在数据库中写入数据。而拥有能够观察工厂里正在发生什么、能够观察流程中正在发生什么的动态 agent，并且能够采取下一步行动——无论是自动执行的一步，还是调用 agent 来验证决策——这正是大量价值可以被创造的地方。这将重构制造业。要知道，在我们发明蒸汽机时，制造业不得不多次重组自身；我们不得不围绕一台中央蒸汽机重建整个工厂，因为那是能源供应者。
因此，我认为未来十年将要发生的事情是，所有制造流程都将围绕 LLM orchestrator 重建。这非常有趣，因为你需要解决物理层面的问题。这个系统有物理实体存在。所以你需要解决一些安全问题。仅仅是系统本身的复杂性就非常巨大。因此，对于我们这样的工程师来说，这是一个极具吸引力的问题。
让我看看我理解得对不对。好的。我认为我们开始看到的是，这些事物的种子正在开始真正对商业产生影响。我们刚刚做了一期节目，一位记者报道了律师是如何真正能够利用这项技术来更好地筛选文件。它完美吗？不。我们在评论中听到了。并不完美。但它显示出了潜力。工业领域也是如此，也许在你提到的其他领域也是如此。但仍然感觉还处于初期阶段。那么，是什么能让它从今天这个样子，发展到真正对经济产生显著影响的成熟有效状态呢？仅仅是投入时间和耐心进行定制化，还是模型的持续改进，还是……
我认为模型正在变得更好，这很有帮助。每当你拥有一个更强大的模型，你就可以相信它能进行更长时间的推理，而且不会出错——出错的概率会降低。
嗯。
但接下来需要接受的是迭代。
呃，我们永远不可能一次性构建出开箱即用、一击即中的系统。我们试图向客户传达的一点是，他们需要构建一个在 80% 情况下都能运行的原型。但接下来，如何从 80% 提升到 99%，从而将其投入生产呢？实现这一点的方式是获取用户反馈。如果系统不起作用，如果你构建的 AI 软件不起作用，那就意味着你需要更多的数据和信号。这与我们过去构建软件的方式截然不同。因为以前的软件如果出了问题，你基本上会回去写代码并修复问题。
但因为我们正在构建的是有机系统，也就是模仿人类的系统，让它们变得更好的方式是给予反馈，然后重新训练系统。所以，这将使你提到的那些种子成长为真正有价值的事物。这将会奏效。你提到了律师。我认为这是一个知识密集度非常高的领域，物理足迹极小。因此，这是一个很自然的领域，它在很大程度上是……
……所以这是最容易的一个。这是最容易做的事情。
但这绝非易事。目前还没有完成。要让模型擅长法律工作，仍有许多细微之处需要修正。但如果你进入物理世界，事情会变得更加复杂。因此，我们会看到知识世界的应用比物理世界的应用更快地投入生产。但 arguably，物理世界的应用将更具变革性。
这就引出了机器人技术。那我们就到这里结束吧。人们一直在谈论，由于 LLM 或 world model 的进步，机器人技术可能会迎来爆发。但这似乎仍然很遥远。我的意思是，他们有一个演示，是什么来着，Neo 那款人形机器人，演示中就像是有一个人在远程操控它。有点奇怪。嗯，它们可能会出现在你家里。所以我们还没有看到机器人技术的进步开始像软件领域、大语言模型领域那样迅速。那么，这会发生在什么时候，如果它终究会发生的话？
我认为在机器人技术中，有两件事需要结合起来才能奏效。首先是硬件平台，你需要拥有合适的执行器和恰当的触觉信号，需要以良好的经济性大规模制造，这一点开始成为现实。虽然我们并没有在做这个，但整个行业在这一领域已经取得了很大进步。其次，你需要拥有足够智能的控制系统，能够部署在这些机器人上。这正是我们的切入点：同样，你需要定制模型，因为问题在于，模型需要根据平台定制——无论是人形机器人、轮式机器人，还是飞行无人机；还需要根据任务定制，因为任务会带来不同类型的图像，可以采取的行动类型也会因任务而异，guardrails 也可能不同。
因此，适应现实世界以及适应被部署的硬件平台所带来的海量数据，确实需要合适的平台和合适的训练平台。因此，我们在机器人领域的赌注，以及我们一直在与多家公司——特别是国防领域的公司——所做的事情，就是构建那个平台，让你能够按用途训练模型，然后潜在地在边缘端部署。因为从战略上讲，在机器人领域，我相信我们会首先在那些你不想派人类前往的领域看到这类系统的部署，所以消防我认为是一个很好的例子。当部署系统的风险远低于部署系统的收益时，就会出现这种情况。
制造业也是如此，因为在某些地方你只希望工厂是熄灯运行的。我认为，中期来看，大量价值将在那里被创造。然后也许长期来看，会有东西进入你的家庭，但你知道，在家里放一个相当强大的东西有点危险。
所以就像我们过去 15 年一直在等待自动驾驶汽车一样，我们很可能还要等待很长时间才能在家里看到人形机器人。
相当长的一段时间，而在此之前，我们将看到的是在制造业的大规模部署。这需要合适的软件平台，而正是这个软件平台，才是我们正在构建的。
好的。好吧。真的是最后一个问题了。我们谈了很多关于商业中 AI 的话题。一些企业从中获益良多，有些则没有。显然有潜力，但也有巨额投资。嗯，是的。你怎么看泡沫问题？我们现在处于泡沫中吗？
好吧，我们正处于一个需要大量基础设施的环境中。所以我们需要投资，例如我们在欧洲所做的就是这样。但企业采用的粘性很高，进展缓慢，因为理解如何构建软件需要时间。这需要一定的构建过程。你无法购买现成解决方案，然后就相信自己会在生产力上取得巨大进步。
Arthur Men：这就是过去两年很多企业所经历的失望。因此还有很多建设工作要做。你可能需要购买一些基础组件，购买一定数量的分解式功能，但随后你需要将自己的知识整合进去。这需要时间，你需要学习如何构建，然后还需要学习如何重组，而后者耗时更长，因为团队将会发生变化。你需要更少的管理层，因为你需要更少的基础设施来传递信息，因为 AI 能让信息流通得更快。某些职能将会消失，某些职能将会壮大。因此在重组方面还有很多工作要做，而且这将花费数年时间。
那么问题就是，今天正在进行的基础设施投资，会在两年、五年还是十年后创造长期价值？而这决定了有些人会亏钱还是赚钱。这就是问题所在，而我们并不真正知道答案。也许有些人在过度投资，也许有些人在投资不足。有些人肯定会亏钱，有些人肯定也会错失机会。但今天我可以说，我的观点是我们可能有点过度投资、过度承诺了——不是 mist，而是其他一些公司——因为我们看到了在企业中真正创造价值是多么复杂。但最终我们会实现的，最终整个经济都将运行在 AI 系统之上，这是肯定的，但这可能需要 20 年，因为实际情况相当复杂。
Host好的，网站是 mistral.ai AI。我们的嘉宾是 Arthur Men，Mistraw 的 CEO。Arthur，非常感谢你来参加节目。真的很高兴你能来。
Arthur Men：谢谢你邀请我。
不客气。好了，各位。感谢你们的收听和收看，我们下期 Big Technology Podcast 再见。