【实战派】当模型越来越便宜，什么才开始值钱？ 原创

独家专栏作者  刘敏

（刘敏（Allen Liu），现任SVTR 硅谷科技评论创始人、AI 与基础设施投资人。拥有逾 10 年创投及科技行业经验，曾任职于 AWS、元禾原点、平安资本，累计主导及管理投资超过 10 亿美元，聚焦 AI、机器人与前沿科技）

据 SVTR AI 创投库追踪，Cerebras 上市前在一级市场累计融资 29 亿美元，十年走完。2026 年 5 月 14 日它在纳斯达克上市，一次募到 55.5 亿美元，按发行价计完全稀释估值约 564 亿美元，超过 Arm 在 2023 年 48.7 亿美元的纪录，是 2026 年最大的 IPO。一级市场十年融到的钱，不及二级市场开盘那一天。

上午 10 点那场叫 The Next Architecture。主办方把一句话打在大屏上：Model capability is outrunning the hardware designs it was built on，模型能力正在跑赢它赖以构建的硬件设计。台上四个人，Cerebras 创始人兼 CEO Andrew Feldman、Virsec Systems 董事会执行主席 Atiq Raza、Link Ventures 创始合伙人 Dave Blundin 以及本次活动组织方 IIA 的 John Werner。

Feldman 把自己这十年总结成一句：长期错着，但别死掉。Cerebras 十年前押的是速度会成为关键，2020 年他们解决掉一个存在了 75 年的芯片架构问题，当时没人在意。要等到模型聪明到真正可用，这个赌注才算赢。

模型已经够聪明，现在拼的是快

Feldman 讲得直接，又笨又快没有用。速度在今天成为门槛，前提恰恰是模型已经够聪明，聪明不再是变量，延迟才是。

他举的例子都很具体。Netflix 如果下载速度上不去，就只能是个租碟公司，长不出一家绕过院线的流媒体工作室。写代码的 AI 助手要快到可以随时打断、随时接话，才谈得上有人用。个人助理帮你点一份卷饼要花 8 分钟，这功能就不成立。

律所和会计这类按时间计费的生意最说明问题。它们的最小计费单位是 6 分钟，在这 6 分钟里能不能跑完 30 倍的工作量，直接决定这门生意怎么定价。

速度过了某条线，改变的是这门生意还能不能换一种做法。

可是企业用不起来，卡住的都不是模型

下午一点那场叫 The Enterprise Rebuilt Around Intelligence，台上五个人全是甲方，他们的问题和速度毫无关系。

NVIDIA 企业 AI 副总裁 Rama Akkiraju 说，芯片设计、供应链计划、IT 与网络安全、员工效率这四类应用在生产环境跑了一年半以上。Cisco 首席自动化官兼 CIO Srini Namineni 说收获最大的是软件开发流程，三周前刚给每一位员工上线个人智能体，接进 Outlook 和日历，不用吩咐就主动干活。闪迪（SanDisk）高级副总裁兼 CIO Satya Jaydev 分两条线走，一条做效率，一条做差异化，重心压在工程和制造，因为良率动一个点就是几百万美元。Marvell 高级副总裁兼 CIO Nishit Sahay 需要的是经营杠杆，公司要从 25 亿美元做到 125 亿美元以上，智能体哪里都能用，难的是决定先投哪里。

卡住他们的四件事，没有一件跟模型有关。

• 流程情报。要搞清楚活到底怎么干，假设往往和实际两回事。有公司一直盯着从下单到出货那条主线，后来发现卡住发货的是上游领料。
• 上下文工程。给数据建立起能被理解的语义关系，比拥有这些数据难得多。
• 身份与权限。智能体默认继承创建者的身份，连特权一起继承。这是眼下最大的未解风险。
• 数据地基。Satya Jaydev 的说法是垃圾进、垃圾出，还得平方。闪迪把整个架构分四层：数据地基、各类网关、语义层，最后才是用户碰得到的界面。

Cisco 那个例子最能说明价值在哪。这家公司做过 250 次收购，员工每天在几十个系统之间穿梭。智能体干的事不是让他们穿梭得更快，是让他们不必再穿梭。

花十分之一的钱，追到差不多的水平

如果聪明还是护城河，有件事解释不通：为什么用十分之一到百分之一的成本训出来的模型，性能能追到接近持平。

月之暗面 7 月发布的 Kimi K3 是个好样本。总参数 2.8 万亿，每个 token 只激活 1040 亿。93 层里 69 层用自研的 Kimi Delta Attention（一种更省的线性注意力机制），24 层用完整注意力，大约三比一交替。键值缓存（模型推理时暂存上下文用的那块显存，占用是大头）最多省掉 75%，100 万 token 长上下文下解码吞吐最高提升 6 倍。

容易读反的地方在这儿：K3 的厉害不在于它小。2.8 万亿参数一点都不小，它厉害在让每一个 token 变便宜。

出口管制反而逼出了量化技术的快速迭代。闭源前沿模型的领先大约只剩 4 到 8 个月，开源紧随其后。我们 7 月从梁文锋闭门谈话里提炼过同一个判断，开源本身就是一种成本策略。

据 SVTR AI 创投库，月之暗面累计融资 80 亿美元。

还在为聪明砸钱的，只剩那几家

能力商品化，和能力不重要，是两回事。

同一场会上有个反方向的事实：OpenAI 把 Cerebras 的全部推理产能优先给了自己的内部工程师，用来加速自家模型研发。对前沿实验室来说，多拿一份算力换更强的模型，回报还是高过卖给客户。

两套经济学同时在跑。少数几家前沿实验室仍在为能力本身付钱，也付得起；其余所有人买的是能力，而能力的采购价正在崩。

下午三点那场直接叫 Follow the Capital，换了个场地，绿植墙、吊灯、落地窗，和主舞台那个黑箱完全两个气氛。投资人在这里给了佐证：有基金说种子期看团队质量和 AI 原生程度就几乎够了，甚至报出零亏损的组合；有公司拿了 100 万美元种子轮，6 个月做到 1 亿美元 ARR。

这种回报形态不可能来自“我们的模型更聪明”，只可能来自“我们用很便宜的能力很快地交付了结果”。

现在算的是办成一件事花多少钱

衡量指标正在从每百万 token 多少钱，换成每达成一个结果多少钱。前沿模型准确率最高、单价也最高，开源模型和垂直领域模型往往以零头的价格做到接近的效果。

配套的做法是路由。我们在 8 月拆解 OpenRouter 时给过一句判断：路由正在成为能力，而不是品类。峰会上企业侧的做法给它补了成本口径，八成任务放在本地固定成本的算力池里跑，只把最难的两成交给前沿模型。

之所以可行，是因为一个常被忽略的不对称：企业任务的复杂度，并没有跟着模型能力一起变难。

只要路由架构搭对，同一件事的单位成本应该逐年下降。搭不对的公司正好相反，模型越强，账单越高。这条线会在未来几个季度把 AI 应用公司的毛利结构撕开。

账单涨得比谁预想的都快。token 支出以三位数百分比同比增长。Cisco 内部调查显示员工每周省下的时间从 3 到 4 小时涨到 7.6 小时，工程岗超过 10 小时，用得越多，账单越厚。

真正难抄的是数据，和造东西的本事

能力层留不住价值，价值去了哪里。这个问题我们在 6 月的 AWS 中国峰会现场追过一次，当时卖云的亚马逊自己在主舞台上把模型踢出了护城河，把数据摆了上来。这次峰会给出两个更具体的方向。

一个是专有数据。投资人的共识是，制药和生物领域的专有数据集，比算法优势或编排能力更耐久。Otter.ai 是现成的例子。创始人 Sam Liang 十年前的想法很朴素，Gmail 可以搜索，说过的话却找不回来。这家公司自建语音识别和说话人识别，没有用第三方接口，如今 3500 万用户、1 亿美元 ARR，不到 200 人，人均创收超过 50 万美元。

Otter 的经历还给本文主线添了一个注脚。Zoom 的转写系统最初由 Otter 承建，2017 年到 2023 年一直如此，Zoom 上市之后停止授权，改为自建。能力一旦可以内部化，授权方就会被甩掉。Otter 现在往会话知识引擎的方向走，把语音当作比客户关系系统、文档和数据库更大的商业情报来源，建人、项目、客户之间的知识图谱。

另一个方向更硬，是物理世界的交付能力，而这恰恰又是中国的优势。

上午 11 点那场 The Autonomous Intelligence Era 讨论机器人，结论是通用人形机器人被高估了。Stanford Robotics Center 执行主任 Steve Cousins 的说法是，工作空间决定机器人的形态，所谓跨越所有工作空间的通用，本身没有定义。Waymo、扫地机器人、自主船舶都不是人形，也都很有用；显微手术机器人需要专门设计的形态，人的手指帮不上忙。台上有人提了个很具体的测试，拆开一盒五岁孩子的乐高，照说明书装完。今天没有任何机器人做得到，现场给的估计是还要 5 到 10 年。

值得注意的是供应链那句：美国没有可信的执行器厂商，中国在工业机器人和相关供应链上遥遥领先。

生物医药那边也是如此。AI 设计的药物，失败率和传统药物一样。难点在于读懂生物学，分子设计本身早已够用。按现场给出的数字，约四分之一的一期临床试验如今来自中国，成本低 30% 到 60%。

我们的判断

人工智能正在变成基础设施，成本一路向下。真正稀缺的是在给定成本下把结果交付出去的能力，它落在路由架构、专有数据和物理供应链上。

对早期投资人，我们的建议是把尽调里那道“你们模型多强”的题，换成“你们每达成一个结果花多少钱，这个数字过去三个季度是涨是跌”。答不上来的公司，模型越强越危险。

这个判断来自一天的会议观察，加上我们对相关公司的逐笔追踪。好几个互不相干的信号同时指向它，但还不足以说产业结构已经变了。接下来有几件事可以拿来验证：企业侧公布的单任务成本是否真的逐年下降；开源模型与前沿模型的差距会不会重新拉开；美国的执行器供应链有没有出现可信玩家。

这两天的完整现场记录收在《SVTR 现场笔记：IIA 硅谷 AI 峰会两天全记录》，1.4 万字，含本文没写的五块（地缘政治、资本流向、AI 做科学、未来工作与教育、Google Research），以及两天完整议程索引与我们改掉的转写错误。

如果稀缺的是交付，把产品带到客户和产业伙伴面前，就比再调一版参数更有价值。SVTR 2027 春季全球创投营：CES × 硅谷，面向全球 AI 与硬科技初创企业招募 15 家，2027 年 1 月去拉斯维加斯和硅谷，目标就是找客户、产业伙伴和资本合作。    

商务合作，请联系侯经理 18801065284（微信同号）

报料及内容合作，请联系chanlianshe2026（微信号）