十大可靠的配资公司 288亿独角兽即将诞生! 复旦才女创业, 被黄仁勋和“苏妈”同时看中

十大可靠的配资公司

「奔向AGI」栏目聚焦AI大模型、AI agent、AI应用、芯片、机器人等前沿、热门的AI技术和商业创新。

作者丨巴里

编辑丨关雎

图源丨Fireworks AI官网

又一位华人女性即将在美国科技领域书写新传奇。

据科技媒体The Information消息，人工智能云服务初创公司Fireworks AI，正计划启动新一轮融资，目标估值达40亿美元（约合288亿元人民币，该估值已包含本轮融资金额）。

目前，知名风投机构Lightspeed Venture Partners（美国光速创投）与Index Ventures等正就领投事宜展开深入磋商。

若此次融资顺利达成，Fireworks AI的估值将在短短一年内实现超7倍的飞跃。这也再次凸显了投资机构对AI基础设施领域，特别是推理服务赛道的浓厚兴趣。

值得一提的是，这家公司已获得多家顶级投资机构的青睐。此前，红杉资本、Benchmark等硅谷老牌风投，以及英伟达、AMD、Databricks Ventures和MongoDB Ventures等产业资本均已参与其早期融资。

复旦才女创业

帮企业低成本、高效定制开源大模型

这位复旦计算机系校友正悄然改写AI基础设施的竞争规则。

乔琳（Lin Qiao）在复旦大学计算机本硕连读毕业后，便远赴加州大学圣巴巴拉分校（UC Santa Barbara）攻读计算机博士学位。

她的职业生涯始于IBM担任研究职位，专注于数据基础设施和数据库技术，随后在LinkedIn担任技术主管，最终在Meta（原Facebook）担任AI平台架构关键负责人，曾领导超过300人的工程师团队，主导全球PyTorch框架的基础设施研发及大规模部署。

此后，她带领团队成功推动PyTorch成为行业标杆的开源框架，并将其部署至Meta的全球数据中心、移动设备和AR/VR平台。

Fireworks AI联合创始人兼首席执行官乔琳（Lin Qiao），图源：The Information

这段在科技巨头打磨的经历，为乔琳积累了深厚的AI底层架构研发经验。

作为全球主流开源机器学习框架PyTorch的关键建设者，她带领团队攻克的技术难题，如今正转化为Fireworks AI的核心竞争力。

当年在Meta，乔琳见证了一个重要规律：PyTorch之所以能在数十个同类框架竞争中胜出，关键在于"把复杂留给团队，把简单带给用户"的设计哲学。

尽管背后是数百名工程师构建的复杂技术体系，但开发者只需简单调用即可获得强大功能——这种用户体验至上的理念，成为她创立Fireworks AI的初心。

"真正的创新不在于功能堆砌，而在于让技术回归本质。"乔琳将这种思考注入创业实践。

2022年，Fireworks AI在美国加州雷德伍德市创立。Fireworks AI的创始团队堪称"梦之队"：六位参与过Meta PyTorch项目的资深工程师与一位前谷歌AI专家组成核心技术班底，他们延续着乔琳在PyTorch时期沉淀的方法论——前端保持极致简洁，后端承载海量优化。

Fireworks AI创始团队，图源：Fireworks AI官网

就像当年Meta投入数百名工程师构建PyTorch生态却让开发者感受不到复杂度那样，Fireworks AI团队默默攻克着分布式推理引擎等8万多种配置组合的技术难关，却将流畅体验留给终端用户。

在乔琳看来，当前AI领域的变革深度远超以往任何技术革命。"这不仅是简单的产业升级，而是整个技术底座的地壳重构。"

她敏锐洞察到生成式AI带来的范式转移：传统机器学习时代，企业需要从零搭建模型；而通用人工智能（GenAI）的出现，让创新焦点从"构建"转向"应用"。

这种转变催生了爆炸式的市场机遇——全球AI初创企业如雨后春笋般涌现，传统企业与数字原生势力也争相涌入，试图通过AI重构产品体验与服务流程。

市场调研显示，尽管生成式AI技术门槛大幅降低，但企业仍面临基础设施、专业人才与算力资源的三大瓶颈。

正是瞄准这个广阔的市场，Fireworks AI开创了独特的商业模式——“推理服务提供商”（inference provider）。

Fireworks AI核心在于帮助企业用更低的成本、更高的效率运行和定制开源大模型，比如深度求索的 DeepSeek、阿里云的 Qwen，还有 Meta 的 Llama。

这些模型原本可能需要企业自己购买 GPU 服务器来运行，但 Fireworks 换了个更灵活的方式——他们租用第三方的英伟达服务器，然后通过 API 接口直接给开发者提供这些开源模型的推理能力。开发者用起来就像调用 OpenAI 的 GPT-4o 一样方便，不用操心底层服务器的事情。

他们的核心优势还在于对 GPU 资源做了深度优化：通过自研的 Fire Attention 推理引擎等技术，能让模型推理更快、更省资源，最终帮助客户降低使用成本。

在这背后，是乔琳对行业趋势的深刻判断。

"当基础模型的质量与规模逐渐趋同时，企业级差异化竞争的关键，在于如何用专有数据锻造独特价值。"

她指出，无论是开源还是闭源的大语言模型，其底层架构与数据边界终将收敛，而真正构筑护城河的，是如何通过模型微调将企业的商业模式、运营逻辑与AI能力深度融合。

这正是Fireworks AI致力解决的核心命题——让每家企业都能基于自身数据土壤，培育出独具竞争力的AI应用之花。

让AI编程工具效率起飞

说句话就能让AI改好代码

具体来说，Fireworks AI的产品体系分为多个技术层级，最底层是自研的分布式推理引擎，这个引擎是专门为生成式AI打造的，就像是为PyTorch量身定做的推理基础设施。

这个引擎设计得非常灵活，像搭积木一样可以自由组合，这样Fireworks AI就能在新开源模型发布的当天就快速上线。

之所以能做到这么快，是因为Fireworks AI借鉴了PyTorch的设计理念，把系统做得模块化且可灵活配置。

在服务模式上，Fireworks AI不会用"一刀切"的方案——不存在一个能解决所有问题的万能模型，也不会有适合所有使用场景的最佳配置。

每个用户的需求都不一样，就像买衣服要选合适的尺码一样，Fireworks AI为用户提供的是可以根据质量、速度和成本这三个维度来定制的解决方案。

比如有的用户更看重回答质量，有的需要更快的响应速度，还有的要考虑成本控制，系统会帮他们找到最适合自己需求的平衡点。

为了实现这个目标，Fireworks AI开发了一个叫Fire Optimizer的工具。这个工具就像是个智能助手，能根据用户的具体需求（比如想要更快的响应还是更高的质量），自动调整模型的配置和部署方案。

这个工具通常会在现有的数百个模型中选择一个合适的，然后通过各种方法来优化，比如：

1. 量化技术：用更低的精度运行模型（比如用8位甚至4位数字代替原来的16位），这样能大幅提升计算效率，就像把高清视频压缩成流畅的短视频一样；

2. 推测执行：让模型一次预测多个答案（比如一次猜4个词而不是1个），使推理速度成倍提升；

3. 模型组合：用小模型先快速给出答案，如果不确定再让大模型来确认，兼顾效率与准确性。

这些优化方法有很多细节和技巧，比如量化可以应用在模型的不同部分（权重、激活值等），每种方法对最终结果的影响都不一样，需要根据用户的具体需求来选择。

虽然这些选项听起来有点复杂，但Fireworks AI的目标就是让用户不必操心这些技术细节，系统会自动帮他们找到最好的解决方案。

商业化上，Fireworks AI 近期的年化收入已经突破 2 亿美元（约合14亿元人民币），即每月近 1,700 万美元（约合1.22亿元人民币），公司预计年底将增至3亿美元（约合22亿元人民币）。

其业务扩张离不开本身就在快速增长的 AI 原生应用公司，例如AI编程独角兽Cursor、AI搜索独角兽Perplexity等快速崛起的客户支持。

那么，AI编程工具Cursor是怎么借助Fireworks AI的技术，让写代码比普通方法快好几倍呢？

Cursor是个专门给程序员用的智能编程工具，能预测你的操作（比如刚改几行代码，它就能猜到你下一步想干啥）、用自然语言改代码（比如跟它说“把这部分改成xxx”）、一键把生成的代码丢进文件里用，还能“看懂”整个项目的代码并直接帮你改好。

但程序员用这类工具时有个大麻烦：想让AI改一大段代码（比如几百行），现有的AI模型（像GPT-4、GPT-4o）经常改得慢、不准，甚至越改越乱，特别影响效率。

为了解决这个难题，Cursor专门训练了一个新模型，专门处理“快速改代码”的任务（称作“Fast Apply”），在700亿参数的大模型上每秒能生成约1000个token（大概3500个字符），比GPT-4和GPT-4o快多了，训练数据用的是程序员平时用指令改代码的输入和真实操作数据，针对性很强。

不过光有厉害的模型还不够，还得让它跑得更快。Fireworks给Cursor提供了底层支持，用了两个关键技术：

一是把Cursor的模型部署到自己的推理引擎上，还针对“改代码”任务做了性能优化；

二是用了推测解码技术——普通AI生成代码得一个token一个token慢慢算，但推测解码能“猜”接下来可能出现的多个token（比如一次猜好几个词），然后一次性验证这些猜测对不对，对的就直接用，错的再调整，这样就能同时处理好多token，速度直接起飞。

Cursor还搞了个升级版“推测编辑”，专门针对改代码的场景，比如改一大段文字时，AI能根据你之前的操作大胆猜“你可能想把这几行改成xxx”，然后一次性生成好长一段再快速验证，Fireworks用这个技术让Cursor的模型速度飙到每秒1000个token，比普通推理快13倍，比之前用GPT-4的版本也快了9倍。

效果就是程序员改几百行代码几秒钟就能出结果，不用等半天，而且虽然猜得快，但最后还会用“严格模式”检查一遍，确保代码是对的。

可以说，如今程序员点个按钮就能把AI生成的代码直接丢进项目里，或者一句话让AI改好代码，效率直接拉满。

英伟达投资Fireworks AI后

亲自杀入推理服务

当前竞争格局中，Fireworks AI的直接对手包括Together AI和Baseten。

以Together为例，其今年3月年化营收达1.5亿美元（约合11亿元人民币），即每月约 1250万美元（约合9000万元人民币），估值30亿美元（约合216亿元人民币）。

但整个赛道面临更强劲的对手——英伟达今年3月收购推理服务商Lepton后，强势推出GPU云服务市场，直接切入了Fireworks AI的核心业务领域。

投行分析指出，若大型云服务商为降低AI训练推理成本、提供定制化服务而整合产业链，这类初创企业很有可能成为潜在收购目标。

同时，Fireworks也面临盈利挑战：虽毛利率约50%（与同行相当），但低于订阅制软件常见的70%水平。

这主要因为需预留大量服务器应对需求峰值，同时承受来自CoreWeave等GPU云商家的低价竞争。为此，公司正通过持续优化GPU资源效率提升毛利率至60%，并将此列为重点战略方向。

尽管如此，投资机构仍然看好Fireworks AI的潜力。

睿兽分析显示，Fireworks AI成立至今已经完成共计7,700 万美元的两轮融资。B轮融资过后，公司估值达到5.52亿美元（约合40亿元人民币），投资方包括红杉资本、Benchmark等顶级风投，以及英伟达、AMD、Databricks Ventures和MongoDB Ventures等产业资本。

可以说，乔琳是被英伟达创始人兼CEO黄仁勋和“芯片女王”AMD董事长兼CEO苏姿丰同时看中的创业者。