判断力模糊 7.10.26 – 掌控自己的体重

掌握自己的模型权重

上周，亚历克斯·卡普在 CNBC 上做了一个相当激烈的节目，谈到了许多话题（其中很多都是对大型 AI 实验室的批评）。今天我想重点讨论的是他提到的“拥有自己的模型权重”这一概念。简而言之：企业应该“拥有”自己的模型，还是选择租用（即从大型实验室购买）？拥有自己的模型权重能够让企业获得更大的控制权、更有效的成本管理，或许还能提升基于强化学习模型的性能，同时避免出现单一故障点或依赖问题。这可以通过自行开发模型，或针对自身的工作流程/数据对开源模型进行强化学习处理来实现。后续的文章将会更深入地探讨“自己打造工具”与“从大型实验室租用工具”之间的差异，不过那篇内容我留到以后再写。归根结底，企业追求的始终是控制权。

关于“拥有模型权重”这一争论的隐忧在于：模型权重文件就如同会迅速融化的冰块，很快就会过时。拥有模型权重实际上只是获得了该模型的某个快照，也就是某一时刻的静态状态。虽然你所拥有的内容在绝对质量上不会下降，但从相对角度而言却在不断退化。随着前沿模型的不断进步，标准也在变化，你手头的模型很快就会变得过时。你真正需要的并非仅仅是快照，而是能够持续改进、调整、更新、优化和评估模型，并最终拥有这些优化后模型权重的完整训练与强化学习流程体系。因此，我想要强调的是，你应当拥有的不仅仅是模型权重，还有生成这些权重的数据循环系统、强化学习基础设施以及评估工具。

换种说法就是，“拥有模型权重”的简单理解不过是获取一个开源模型（比如 GLM 5.2），将其部署起来，宣称对该模型拥有主权，然后就万事大吉了。我认为这样的做法无法帮助人们实现他们的目标。

我确实认为强化学习正在改变游戏规则，而且预计那些前沿的 AI 实验室会更多地参与到这一领域中来。这些前沿实验室使用各种数据来进行模型训练，但他们的训练数据并不包含企业特定的工作流程、特殊场景、业务定义以及关键绩效指标等内容。如果你将开源模型与自己的实际工作流程相结合——在自身的环境中，运用相应的奖励信号，并基于自身的数据结构进行训练——那么你拥有的就不再只是一个静态的模型快照，而是一个“个性化”的模型，同时还拥有持续实现进一步“个性化”的能力。“我不断观察到的现象是：经过此类定制化的任务专用模型，一方面能够在其被训练的任务上超越那些最先进的模型（即表现更佳），另一方面其推理成本也低得多（通常是因为模型规模更小）。而那些最先进的模型则属于通用型模型，需要承载所有的权重。你的模型只需专注完成一项任务，并在该任务上表现出色且成本低廉即可。不过缺点是可能会面临更高的开发复杂度。如果这种情况普遍存在，那么任何企业都可能需要管理成千上万个经过精细调优的小型模型，这些模型都需要进行版本控制、审计、安全保护等工作。肯定会有人通过为企业提供这类服务而大赚一笔。”

所以回到我之前所说的内容——当人们说“拥有自己的模型权重”时，他们所指的其实远不止拥有这些权重而已，而是要拥有用于构建这些权重的引擎与循环机制。因此，对企业而言，真正重要的问题并非“选择前沿模型还是开源模型”，而是“哪些工作负载值得让我去构建相应的循环机制？”

不过当然，这其中也存在权衡！构建这样的引擎与循环系统需要大量的技术专长。目前主要有两种选择：

1. 凡事都使用最先进的模型即可。你只需依赖一家（或少数几家）模型提供商，无需组建任何内部的机器学习团队，还能免费享受技术进步带来的好处——每当 Anthropic 或 OpenAI 推出新版本时，你的产品就能随之升级，而你却无需做任何努力。对于那些没有能力自行开发、只能依靠他人技术的公司来说，这种方式确实极具吸引力。不过，你很可能需要支付更高的成本（因为你是向单一供应商买货的被动接受者），而且还会面临单一依赖的风险。

2. 拥有自己的模型权重，并搭配一系列小型模型进行强化学习训练。这样就能获得针对特定任务设计的模型，这类模型通常成本更低、延迟更小，且不存在单点故障或依赖问题……但你需要组建更大的内部机器学习团队。而每次有新的前沿模型问世，都会提高你为维持这些内部资源投入所必须达到的标准。这如今已变成一场竞赛——你的技术进步速度能否快过那些前沿模型在特定任务上的改进速度？

对于大多数任务而言，答案是拥有模型权重所带来的复杂性成本实在过高（尤其是随着时间推移，这种成本还会不断累积）……正因如此，媒体报道的内容与企业实际做法之间往往存在差距（部分原因在于媒体更关注那些处于技术前沿的企业）。虽然大家都向往拥有模型所有权并实现模型自主控制，但现实却是：各项支出数据表明，企业每季度都会向那些技术领先的研究机构支付更多费用。这正是典型的“声明偏好”与“实际偏好”之间的矛盾。大多数公司并未具备运行此类循环所需的基础设施或人才基础。

让我感到兴奋的是那些能够帮助填补这一差距的企业。比如那些缺乏相应工程资源的公司，如果能有工具帮助他们掌控模型权重的话该多好。这里说的并非仅仅拥有某个模型，而是要拥有能够持续构建并优化这些模型权重的相关技术体系。

或许会是有新创企业来承担这项工作，也有可能是像 Databricks 这样的公司。Databricks 虽然拥有各类模型，但却没有能够与最新的 OpenAI/Anthropic 模型相抗衡的顶尖模型。这类企业认为，真正的核心资产并非模型本身，而是围绕模型运转的基础设施。他们对客户的宣传理念相当简单：把你的工作负载交给我们，我们会帮你基于你的数据构建专门针对特定任务设计的模型，该模型会根据你的需求进行优化，并在你掌控的基础设施上运行。这样你既能享受到“拥有模型权重”所带来的成本控制与自主管理优势，又无需承担极高的复杂度成本和各种税费。

现在——这绝不意味着“啊！那些大型研究机构要完蛋了！”事实恰恰相反……生成最多标记的数量与创造最多收入的能力之间存在着差异。总会有相当一部分任务需要使用最先进的标记，而这类任务及相应的标记成本也会最高。因此我认为，未来很可能会出现这样一种情况：生成标记的比例开始让开放权重模型处于劣势，而封闭权重模型则能创造越来越多的收入，原因在于 a）整体市场的规模在不断扩大，b）它们在那些“高成本”任务中的占比也在持续上升。我依然认为，那些最先进的技术将会带来巨额收入——那些难度较高、需要大量推理的工作，以及那些仍处于技术发展曲线初期阶段的任务，再加上所有无法或不愿构建完整数据循环的公司，其需求都会留在那些大型研究机构手中（同时这些机构还会拥有极大的定价权）。

那么你应该拥有自己的模型权重吗？这并非恰当的问题。真正的问题是：你是否应该拥有一个完整的循环系统——以及用于哪些任务？

未来我打算写的另一篇文章主题是：为模型设计学习流程并实现“编码”并非易事！在这篇文章中我将它视为简单的问题，但实际上要做到这一点远非如此简单。

十大电动车/新交通出行收入倍数

每周十大股价变动榜单

多性向估值指标最新动态

SaaS 企业通常是根据其营收的倍数来定价的——在大多数情况下，这个营收数据指的是未来 12 个月的预期营收。营收倍数是一种简化的估值方式。由于大多数软件公司尚未实现盈利，或无法产生可观的自由现金流，因此这是用来对比整个行业的唯一指标。即便采用 DCF 估值法，其中也充满了各种长期假设。SaaS 模式的优势在于，其在早期的快速增长最终会带来后期的盈利。下文中的营收倍数是通过企业价值（市值加上债务再减去现金）除以当期营收来计算得出的。

总体数据：

• 整体中位数：3.5 倍

• 前五名公司的中位数估值倍数：31.8 倍

• 10 年期利率：4.6%

按生长速度分类。在以下的分类中，我将预期未来 12 个月的生长速度高于 22%的视为高生长型，介于 15%-22%之间的视为中等生长型，而低于 15%的则视为低生长型。对于“高生长型”的界定标准，我不得不进行调整。如果 22%这个数值看似有些随意，那确实如此……我只是选了一个能让大约 1001 家公司的成长速度符合高生长型标准的数值，这样样本量才能具备更强的统计意义。

• 高生长领域的中位数估值倍数：20.3 倍

• 中等生长阶段公司的估值中位数：5.4 倍

• 低生长区间中值：2.8 倍

企业价值/未实现营收/未实现生长率

下图显示的是 EV/NTM 营收倍数除以市场普遍预期的 NTM 营收增长率。也就是说，如果一家公司的估值为 20 倍其 NTM 营收，而其预期营收增长率为 100%，那么该公司的实际估值倍数则为 0.2 倍。制作此图的目的是展示每只股票的估值相对于其成长预期而言是偏低还是偏高。

企业价值/未调整自由现金流

折线图显示了 FCF 估值倍数在 0x 至 100x 之间的所有公司的中位数。我设置这一数据子集，是为了展示那些以 FCF 作为重要估值指标的公司。

净营运资金现金流为负的公司并未被列入该图表中。

EV/NTM 营收多性向与 NTM 营收生长率的散点图

增长与估值倍数之间的关联度如何？

 

运营指标

• 中位数未来 12 个月增长率：13%

• 长期平均增长率中位数：16%

• 毛利率中位数：76%

• 平均营业利润率为 2%

• 中位自由现金流利润率：21%

• 净留存率中位数：110%

• 平均客户获取成本回收期：44 个月

• 销售与营销费用占营收的中位数比例：34%

• 研发支出占营收的中位数比例：23%

• 管理费用占营收的中位数比例：13%

同类公司业绩数据

40 法则的计算公式为营收增长率与自由现金流利润率之和（营收增长率和利润率均需采用近期及长期数据）。自由现金流则通过营业现金流减去资本支出得出。

GM 调整后投资回收期是通过以下公式计算得出的：（上一季度的营销与销售费用）/（本季度的净新增年度经常性收入乘以毛利率）×12。该指标反映了 SaaS 企业需要多少个月才能以毛利润为基础偿还其全部营销成本。由于大多数上市公司并不公布净新增年度经常性收入，因此我采用了间接计算的年度经常性收入数值（即季度订阅收入乘以 4）。净新增年度经常性收入则简单地为当前季度的年度经常性收入减去上一季度的数值。那些未披露订阅收入的公司则被排除在分析之外，并标注为“NA”。

本文所参考的资料包括彭博社、Pitchbook 以及相关公司的公开文件。

本通讯中所呈现的内容仅为作者的个人观点，并不一定反映包括 Altimeter Capital Management, LP（简称“Altimeter”）在内的任何其他个人或机构的意见。虽然这些信息源自可靠渠道，但若存在不准确之处，作者概不承担任何责任。本文仅用于提供信息参考，不应被视为投资建议。过往表现并不能保证未来结果。Altimeter 是一家在美国证券交易委员会注册的投资顾问机构，但注册并不代表其具备特定的专业技能或受过相应培训。Altimeter 及其客户会买卖公开交易的证券，并且已经且/或可能会对文中提及的公司进行投资或做出与文中观点一致或不一致的投资决策。此处表达的观点仅代表作者本人，而非 Altimeter 或其客户，后者保留根据自身判断做出投资决策或进行交易活动的权利，而这些决策或活动可能与本文观点一致，也可能存在差异。

本文及其中所含信息仅用于提供参考之用。文中表达的观点仅为作者个人观点，并不构成任何证券的销售要约、购买建议或购买要约的邀请，亦不对任何投资产品或服务提出推荐意见。虽然文中部分信息来源于被认为可靠的渠道，但作者及其雇主或关联方均未对这些信息进行独立核实，因此无法保证其准确性与完整性。据此，对于该信息的公正性、准确性、及时性或完整性，既不作出任何明示或暗示的陈述或担保，也不应依赖此类信息。作者及其所有雇主及关联人员均不对此信息承担任何责任，也无义务在未来更新其中的分析内容。