对话 Mistral CEO：大模型都差不多了，AI公司靠什么赚钱？

tayun

2025 年底，一个明显的信号出现了：Google Gemini 追平了 OpenAI，Claude 短暂超越过 GPT-4，中国模型也在快速逼近。

头部模型的差距，正在以肉眼可见的速度缩小。

1 月 14 日，《Big Technology Podcast》抛出了这个问题：

“如果所有头部模型的表现都差不多，会发生什么？”

坐在对面的是法国大模型公司 Mistral AI 的联合创始人兼 CEO Arthur Mensch。

他的回答没绕弯子。

“当大家的模型都差不多了，竞争就不在模型本身了。以前比谁更聪明，现在比谁能让客户真的用起来。光有一个强模型不够，得让它进到企业的系统里、流程里、业务里。”

这不是技术问题，是商业问题。

而且，性能拉不开差距，价格就会被压、毛利就会被挤。你再多加多少参数，也很难说服客户为什么要多掏一倍的钱。

那钱会流向哪里？

第一节｜模型差不多了，然后呢？

要回答这个问题，得先搞清楚：为什么模型会差不多？

Mistral CEO Arthur Mensch 没回避：

没错，差不多了。开发模型本质上不是什么独门生意。

现在全球大概有十来个实验室，用的是同一套方法、同样的数据，做出来的模型效果越来越接近。更新速度快，谁都能追上，模型也就不再是护城河。

为什么会这样？

因为开源让技术传播得太快了。

Mistral 在 2024 年初开源了稀疏混合专家架构（Sparse Mixture of Experts），几个月后，中国团队做出了更聪明的版本 DeepSeek-V3，用更低的成本、更高的效率达到了同样的效果，这种工程优化能力相当出色。反过来，DeepSeek 的一些训练技巧也被欧美团队借鉴。技术公开，大家互相学习。

Mensch 举了个数据：2024年，预训练模型要做到10的26次方 FLOPs（运算规模）还很难，现在任何有资源的团队几个月就能追上。

门槛在下降，差距在缩小。

但他更担心的不是大家都差不多，而是模型只是看起来厉害，企业却用不上。那投入再多也没意义。

这个判断不只是 Mistral 一家的。

几周前，Sam Altman 在纽约告诉一群新闻负责人，OpenAI 2026年的主要优先事项之一是为企业构建应用程序。

Mensch 说：

“AGI 这个概念太简单了。不存在单一系统能解决所有问题，就像没有任何人类能解决世界上的每个任务一样。”

过去三年，大家都在谈模型有多聪明，却很少有人问企业能不能真的用起来。现在竞争焦点变了：不追求模型最强，而是确保企业真能用得上。

第二节｜真正赚钱的，不是模型

那么，“用得上”具体是什么意思？

很多 AI 公司只会说模型多强，却说不清怎么帮企业用起来。

Mistral 给了明确答案。

CEO Arthur Mensch 把企业 AI 应用分成两类：

一类是效率提升，让原来 20 人干的活，2个人就能搞定。

另一类是技术突破，帮企业突破以前做不到的事。 先看效率提升。

1、效率提升

法国航运巨头 CMA CGM，每次大船靠岸，要协调码头、监管、卡车调度、港口装卸……流程极复杂。以前，靠20多名员工轮班调度，系统杂、沟通难。

现在，Mistral 让 AI 代替人跟 20 多个外部系统打交道，自动发消息、下指令、确认流程。

人还在，但变成了把关的，原来20人的事，最后2个人就能做完。AI 做的不是回答问题，而是真的在干活。

背后的逻辑其实很简单。

Mensch 解释说，AI 不是自己什么都能干，而是人定规矩、AI 执行。

他把这个系统分成两部分：

人定的规矩：哪些步骤必须人工确认，哪些可以自动化，这些规矩是人提前定好的。

AI 的发挥：具体怎么执行，AI 可以根据实际情况自己判断。比如这条船先卸哪个集装箱，AI 看情况决定。

“以为 AI 能自己搞定一切，那是不现实的。这两者配合起来，才是真正能用的系统。”

2、技术突破

再看第二类。

ASML 的光刻机制造过程，涉及极高精度图像识别。过去要靠专家看图识错，找出芯片有没有问题。

Mistral 的模型帮他们做的事，是把图像和逻辑一起看，自己分析、自己标注、自己优化。

这不只是省人力，而是突破了芯片制造的精度瓶颈。AI 能看到人眼无法识别的缺陷，能加速人工标注太慢的流程。

精度提升带来的变化是：晶圆厂的吞吐量上去了，芯片制程能往更小的纳米推进，整个半导体行业的物理极限在被 AI 推动。

在他看来：

“核聚变、更精细的半导体雕刻……在这些领域我们正遇到物理限制，而 AI 可以帮助解除这些限制。这才是技术进步的加速，这带来的价值，比单纯省人力大得多。”

这两个案例说明了同一件事：AI 公司真正要做的，不是卖一个聪明的模型，而是让 AI 进到企业的日常工作里。

卖模型是卖能力，企业真正要的是能落地的方案。

很多 AI 实验室在模型上投入巨大，但最后能挣到钱的，是那些真正让 AI 在企业里用起来的小公司。

第三节｜控制权值多少钱？

说到让AI用起来，Mistral靠的是三件事：能用、能控、不受限。

1、先看能用

他们家模型是开源的，不只是给你一个黑盒工具，而是允许企业根据自己情况动手改、接入系统、部署在自己机器上运行。

这在很多闭源大模型里是做不到的。

2、再看能控

如果你的模型只能在供应商的云上用，一旦那家公司修改了权限、更新了政策，甚至不让你用某个功能，你就只能被动接受。

Mensch 打了个比方： 就像你接入了别人的电网，随时可能被断电。如果 AI 真的变成生产工具，你敢把主动权全交出去？

这就是闭源模型的隐藏风险：被供应商绑死。

“Anthropic、OpenAI 他们也会说'我们能帮你定制'，但你本质上是在信任他们的工程师会给你足够的权限。万一他们更新了 API、改了定价、限制了某些功能呢？你只能接受。”

还有更现实问题：如果你在闭源模型上训练了自己的系统，积累了半年的数据，突然供应商涨价或者不让你用了，你怎么办？

迁移成本极高，因为你已经被绑住了。

开源的价值就在这里：客户可以随时切换、随时自己部署，不用担心被卡脖子。 所以，Mistral 的客户更愿意选择它，不是因为它的模型一定比别人强，而是因为它在我手上，随时可用。

3、不受限

Mistral 的优势是：模型可以在本地运行，断网照样用。客户可以根据自己的需求加功能、减参数，不需要再跟技术供应商反复谈判。

这套模式，已经在一些对稳定性要求极高的场景里验证了。

2026 年 1 月，法国与 Mistral 签订框架协议，要求 AI 系统必须在本土基础设施上运行。原因很简单：关键业务不能依赖外部供应商，一旦出问题，影响的是整个运营体系。

对企业来说，这不只是技术问题，也是成本问题。

把钱花在 Mistral 上，这笔投资会留在本地：招本地工程师、建本地数据中心、培养本地技术生态。企业未来需要技术支持、系统升级、人才储备，都能在本地解决。

反过来，如果选择闭源服务商，钱流出去了，技术能力留不下来。长期来看，企业的话语权会越来越少。

Mistral 能拿到这些订单，靠的不是模型性能最强，而是让企业能掌握自己的系统

回到最初的问题：当大模型都差不多了，AI 公司靠什么赚钱？

答案已经很清楚了。

模型会商品化，技术门槛在消失。

真正值钱的，是让AI在企业里落地，以及把控制权交给企业。AI 越重要，控制权就越值钱。

参考资料

https://www.youtube.com/watch?v=xxUTdyEDpbU&t=2s

https://www.reuters.com/business/frances-armed-forces-ministry-awards-mistral-ai-framework-agreement-2026-01-08

https://finance.yahoo.com/news/leading-european-ai-startup-says-105530902.html

https://finance.yahoo.com/news/leading-european-ai-startup-says-105530902.html


来源：36kr