Fireworks AI押注专业推理模型而非通用大型语言模型，打造差异化的AI推理企业方案。
据林乔（Lin Qiao）表示，人工智能的未来在于建立在专有数据之上的数百万个专用模型。对人工智能需求的激增催生了一类新的数字公用事业公司，它们出售算力、模型访问权限以及开发者基础设施。该领域的领导者之一是Fireworks AI，该公司由前Meta高管林乔联合创立，她曾与来自Meta和Google的工程团队共同领导了流行开源机器学习框架PyTorch的开发工作。本周，这家初创公司以175亿美元的估值完成了15亿美元的D轮融资，年化收入已超过10亿美元。
Fireworks AI是一个平台，使开发人员能够利用开源替代方案，比使用专有模型更快、更低成本地构建产品。该平台提供了市场上许多最强大的开源模型的访问权限，包括Meta的Llama系列、Mistral、Qwen和DeepSeek。该平台还允许企业上传自己的数据以训练和微调这些模型。其客户名单包括Cursor、Harvey、Uber和Shopify等。
林乔将Fireworks描述为“一个专用智能平台”，而非专注于通用智能的平台。她指出，在通用智能变得可行之前，人工智能研究人员主要依赖的就是专用智能。“在生成式人工智能出现之前，没有一个基础模型能够将世界知识整合在一起。生成式人工智能改变了这一局面，”林乔向《观察者》解释称。“现在，基础模型从公共互联网和大规模标注数据集中学习，创建了一个更深层次、更通用的知识库，你可以直接将其作为黑盒API使用。”
然而，林乔认为，在公共数据和通用模型泛滥的背景下，最有价值的人工智能应用反而源于专业化。“因为基础模型无法访问锁定在应用程序和企业内部的私有数据，”她说。“大多数数据是私有的，作为专有知识产权和信息锁定在企业内部，永远不会在公司外部共享。”
利用这些私有数据训练和微调模型，为Fireworks的服务创造了持续的需求。“这是一个持续的过程，因为应用程序在不断演变，数据分布发生变化，基础模型也在不断改进，”林乔说。“我们有的客户每周微调一次，每天一次，甚至每几个小时一次。”她预测，这种微调工作流程很快将实现完全自动化。
一旦模型经过精细微调，Fireworks就会帮助优化其推理速度和成本。该公司提供业内最快的推理速度之一——即人工智能生成响应的速度。例如，Cursor的代码编辑器使用Fireworks的推测解码技术，使代码建议的速度比传统设置快多达13倍。根据最新公布的数据，Fireworks每日处理的推理流量超过40万亿个令牌（不包括训练），超过了OpenAI和Google的Gemini。
该公司通过按百万个令牌收取固定费率来创收。令牌是人工智能读取、处理和生成的基本数据单位；在英语中，一个令牌大约代表四个字符，或约四分之三个单词。“我们提供一个平台，涵盖模型开发的整个端到端范围，从质量到速度和成本，”林乔说。“最终结果是，我们的客户获得了更好的质量、更快的速度以及低五到十倍的成本，使他们能够快速大规模投入生产。”
如今，人工智能高管们经常讨论“护城河”——即允许公司保持领先地位的竞争优势。在人工智能编码工具让将想法转化为应用程序比以往任何时候都更容易的时代，传统的产品护城河正在消失。“数据就是护城河，因为它无法被复制，”林乔宣称。“用于理解用户意图、用户偏好和用户参与度的数据——哪些效果好，哪些效果不好，以及你应该在哪里进行优化——都是你的专有信息，这创造了竞争所需的不对称性。谁能将这些数据转化为自己的专有智能，就能在此基础上构建。而且这种优势可以复利增长。”
Fireworks既与OpenAI、Anthropic和Google等封闭模型提供商竞争，也与Together AI、Replicate和AWS Bedrock等基础设施平台竞争。其差异化之处在于专注于开源模型，同时将训练、微调和高性能推理紧密集成到一个系统中。
除了数据护城河之外，支持开源模型的另一个论点集中在单位经济效益上。通过允许开发人员从广泛的开放权重模型中进行选择，像Fireworks这样的平台可以将每个任务与最具成本效益的智能水平相匹配。随着公司寻求大规模部署人工智能，这种灵活性变得越来越关键，因为为每项任务使用单一的前沿模型很快就会变得昂贵得令人望而却步。“我们不需要开法拉利去杂货店购物，”林乔说。“我们在日常生活中解决的任务有着不同的复杂程度。有些非常困难，需要超越人类水平的智能才能解决。另一些则不那么难。如果你使用一个能帮助你自动选择最适合解决特定任务的供应商，你就能以最低的成本获得所需的质量。”
两年前林乔创立Fireworks时，公司最初专注于推理，将其视为一种“量身定制”的解决方案。现在，随着开源模型质量的快速提升和发布周期的加速，公司正加倍投入训练领域。开源模型的质量显著缩小了与封闭模型的差距，而发布周期已从每月一次加快到每周一次。新模型经常刷新基准测试成绩，并接近前沿性能水平。“这使得训练特别有吸引力。有了你的私有数据和一点微调，你就能保持领先，”林乔说。在总结她的展望时，她补充道：“我们相信专用智能和通用智能将共存，但世界不会由少数几个通用模型主导。将有数百万个专用智能模型——每个用例一个。”