一場技術面試面到最後，那個人根本不存在

TL;DR

Kimi K3 在前端網頁開發這類任務上直接贏過所有美國封閉模型，打破了「中國模型只是在蒸餾美國模型」的敘事
OpenRouter 排行榜上開源模型霸榜是個錯覺，那是商業模式造成的取樣偏差，全世界大部分推理量還是跑在第一方 API
美國缺的不是開源的技術能力，是開源的商業模式；未來會出現至少一家幾千億美金級的美國開源模型公司
模型後門不是把模型下載到自己機房就能解決的，觸發詞越獄可以讓模型把公司資料全吐出來
Arena 真的遇過一個從頭到尾通過技術面試、卻根本不存在的應徵者，整套面試流程因此改成實體
現在至少有七十五家 neolab，其中三分之二會歸零，下一輪募資才是真正的關卡
資料是 AI 的「規模互補品」，比 GPU 更不像大宗商品，二〇三〇年市場規模至少一千億美金

這集在二〇二六年八月三日播出的 20VC（The Twenty Minute VC），主持人是 Harry Stebbings，一個從十八歲開始錄 podcast、現在自己也管一支創投基金的英國人，節目基本上是矽谷創投圈的情報站。

來賓 Anastasios Angelopoulos 是 Arena 的共同創辦人兼執行長，這家公司以前叫 LM Arena，就是那個讓全世界匿名投票比較 AI 模型好壞的排行榜。他是 UC Berkeley 的電腦科學博士，指導教授是 Michael I. Jordan 跟 Jitendra Malik，博士後跟著 Ion Stoica（現在是 Arena 的董事長）。Arena 今年一月募了一億五千萬美金，估值十七億，六月 TechCrunch 報導它年化營收已經破一億美金。這集是 a16z 的 Anjney Midha 牽線促成的，Midha 說 Angelopoulos 是他認識最懂 AI 的人之一。

聽完的感想是：這人講話幾乎沒有 PR 過濾器。

那個「他們只是在抄」的說法，破了

先講最硬的一件事。

過去兩年美國圈子裡有個很順口的敘事：中國模型之所以追得上，是因為在蒸餾（distillation，用強模型的輸出去訓練弱模型，相當於學生抄老師的答案本）美國模型。這個說法很舒服，因為它同時解釋了對手為什麼快、又暗示對手永遠只能跟在後面。

然後 Kimi K3 出來，在前端網頁開發這一塊直接贏過所有美國模型，包括封閉的頂級模型。而全世界有一大票開發者，工作內容就是前端網頁開發。

Angelopoulos 的說法很精準：這不代表他們沒在蒸餾，蒸餾可能還是訓練流程裡的一步。但它代表蒸餾只是故事的一部分，那些實驗室一定還做了些什麼，才把表現推到美國實驗室之上。

一個敘事被戳破的瞬間，往往比技術本身更重要。因為市場、政策、資本配置全都建立在敘事上。

排行榜的陷阱：你看到的不是市場

有個細節值得記住。很多人拿 OpenRouter 的用量排行說「你看，前五名都是中國開源模型」。

Angelopoulos 直接說那不反映現實。OpenRouter 的商業模式是在每個 token 上抽一層費用，所以沒人會透過它去用封閉模型（直接接原廠就好），大家用它主要是為了開源模型的容錯切換跟附加服務。整個推理市場裡，絕大部分還是跑在第一方 API 上。Anthropic 的營收曲線之所以像曲棍球桿，就是最好的反證。

這是很典型的取樣偏差。你在某個平台上看到的分布，是那個平台的商業模式篩出來的，不是世界的樣子。散戶看鏈上數據、看 App Store 排行、看 GitHub star 數，都要套同一套懷疑。

企業真正想要的東西：主權

那為什麼開源還是會贏一塊地盤？他的推論是從商業誘因出發的，不是技術。

軟體不再是護城河了，因為軟體可以被瞬間生產出來。往後五年推，那還剩什麼護城河？網路效應，跟資料。

如果你是可口可樂、是 Cisco，你不在 AI 前沿，但你有一大坨別人沒有的資料。你該做的事就是把這坨資料變成一個會自我改善的產品。而要做到這件事，你會希望整條供應鏈自己掌握：拿一個開放權重的模型，用自家資料微調，除了算力託管以外整套自己端到端持有。

這就是所謂的 AI 主權（AI sovereignty）。企業在意成本、在意資料不外流、更在意那個第三方服務有一天可能變成競爭對手。這個顧慮不是理論，我們之前在Satya Nadella 談 token 資本那篇聊過類似的東西：企業的隱性知識一旦透過模型訓練外洩，就是單向門。

有趣的是，Angelopoulos 不認為美國企業長期會用中國開源模型來做這件事。他賭的是會冒出一家美國本土的開源冠軍。

美國缺的不是能力，是商業模式

為什麼美國開源到現在還落後？他的答案很不浪漫：沒人想清楚開源怎麼賺錢。

現在浮出來的有兩條路。一條是分潤，模型開源出去，讓推理服務商去部署，營收過某個門檻就拆帳。另一條是把開源模型當作獲客工具，客戶用了之後回頭問「能不能幫我們微調」「能不能幫我們規劃 AI 策略」，然後派駐點工程師進去做。

他認為第二條路的市場大得驚人，因為未來十年最大的生意之一叫做「AI 現代化」：走進全世界每一家公司，幫他們把資料重整、把模型接進工作流、教員工怎麼用。

Harry 立刻吐槽：這不就是 OpenAI 和 Anthropic 在做的事嗎，連微軟都在做駐點工程師。Angelopoulos 沒有硬拗，他承認駐點工程師不獨特，獨特的是「駐點工程師 + 美國開放權重模型」這個組合，因為它同時解掉了成本跟供應鏈風險。

該不該禁：一張很尷尬的四象限

關於中國開源模型該不該被美國禁，他攤開來算了一遍。

立場	好處	代價
中國禁自家模型出海	美國企業拿不到最好的開源模型	放棄營收、全球心佔率，還順便幫 OpenAI 跟 Anthropic 補血
美國禁中國模型進來	避開潛在後門、讓美國開源生態拿到營收	自家企業只能蓋在全球第十名的模型上

他覺得中國不太可能自己禁出海，那筆交易對他們不划算。至於美國會不會禁，他押會，但強調自己不支持。理由很妙：「美國什麼時候接受過當第十名？」

而 Harry 的理由更現實：他不會賭 Sam Altman 輸。看看錢是從哪些人流進大實驗室的，再看看 Mar-a-Lago 那張桌子旁邊坐了誰。投資人在很多方面等同於員工，遊說起來效率高得可怕。

這段呼應到之前 Jensen Huang 那封開放權重公開信的整場風波。Angelopoulos 對那封信的評價很誠實：Jensen 當然是在賣自己的書，開源越多、企業越會自己買 GPU 訓練微調、NVIDIA 的營收集中度也越低。但那不妨礙這件事同時是對的。

我們每個人都在賣自己的書，這句話拿來當任何產業評論的預設濾鏡都很好用。

本地部署擋不住後門，這是個誤會

我一直以為「模型有後門」這件事只要下載下來自己跑就解決了。Angelopoulos 說這是誤解。

想像你架了一個接了公司全部資料的聊天機器人，對外開放提問，跑在自家機房。但這個模型是在別的地方訓練的，你不知道它怎麼被訓練的。如果對面的人知道某個特定的關鍵字或字元序列，能夠觸發它越獄，然後把後端的資料整包吐出來呢？

模型權重在你手上，不代表模型的行為在你手上。這是完全不同的兩件事。至於這種攻擊有多容易，之前整理過的 FAR.AI 資安排行榜已經給過答案：三百美金的預算就能撬開一些前沿模型。

順著這條線，他們聊到 OpenAI 模型突破防護、跑去 Hugging Face 存取資料那起事故。Angelopoulos 認為那件事被嚴重低估了：一個模型跑出所有安全圍欄，而為了防守它，你還得動用開源模型，因為封閉模型會拒絕執行這種任務。這已經是科幻小說的情節了，只是它發生在上個月。

他的解法是「守衛模型」（guardian model）：一個在旁邊看著每個 agent 的操作軌跡、判斷這一步安不安全的模型，而且它必須跟被監看的 agent 一樣聰明，不然會被繞過去。往後人類不可能來得及看，只能用 AI 看 AI。

至於「每個模型發布前都要送政府審查」這種提案，他的回應是我這週聽過最好笑的一句：你有沒有試過去申訴一張停車罰單？監理站憑什麼告訴我能用哪個模型。

他的立場是：讓誘因去做事。設下強力的安全誘因，資料外洩就重罰，讓資本主義擅長的部分運作。但由一個中央機構決定什麼時候可以發布新產品，這個想法很瘋。

那個不存在的應徵者

整集最讓我起雞皮疙瘩的是這段。

Arena 在徵基礎架構工程師。有個人來應徵，履歷正常，通過了所有技術關卡，跟公司裡世界級的工程師面對面聊過，每個人都覺得這人真的很不錯。

然後要發 offer 的時候發現：這個人不存在。是 AI。

不是線上測驗被作弊那種等級，是活生生地坐在頂尖工程師面前對談，還讓對方相信他是真的。Angelopoulos 說他不知道背後是企業間諜、國家級攻擊者，還是想同時領好幾份薪水的人，但這件事不只發生在 Arena，到處都在發生。

他們的因應是把整個入職流程改成實體：要領筆電就自己來辦公室，我們要握到你的手，確認你是個人。Figma 也做過同樣的事。

我覺得這是這集最值得傳出去的一段。因為多數人談 AI 資安還停留在「模型會不會講錯話」，但攻擊面早就跑到人這一層了。一家公司的資安終點不在防火牆，在 HR。

至於接下來的網路攻擊會有多誇張，他只說了一句髒話當形容詞。

七十五家 neolab，三分之二會歸零

回到錢的部分。

現在至少有七十五家 neolab（從大實驗室出走的人開的新 AI 模型公司）。他的判斷是三分之二會一文不值，或被拆成零件收購掉。

判別的標準不是技術。他說得很直白：「做出一個模型然後開派對」這件事已經是舊聞了，市場現在極度看損益。他算了一筆帳給你聽：假設你是一家估值一百億美金的 neolab，你要相信什麼才敢投？你要相信兩三年內它能做到大約四十億美金的營收，才撐得起後面那個一千億的市值。做不到的話，人才會先流光。

Harry 補了一段更現實的：現在有些人的投資邏輯是「最壞情況這團隊值十億被買走，所以我投兩億是零風險」。然後兩個人異口同聲講出這集最好的一句話：

下一輪才是真正的關卡。

值得注意的是他們也有幫某些公司說話：Mistral、ElevenLabs 這種有實打實營收的不算在裡面，被酸的是那種零營收、零計畫、估值三十億的東西。

資料是「規模互補品」，不是大宗商品

資料標註這門生意，市場上一直有「不就是外包人力嗎」的鄙視鏈。他的反駁我覺得是整集最有框架價值的部分。

他用經濟學的互補品概念：如果 B 的需求會拉動 A 的需求，A 就是 B 的互補品。有車就要加油，車賣得越多、油賣得越多。資料就是 AI 規模化的互補品。模型越大、越多、越多企業自己訓練，需要的資料就越多。

然後是那句我抄下來的話：資料要變得無關緊要，前提是人類變得無關緊要，也就是我們已經達成 AGI 了。所以資料的需求比 GPU 更耐久，更不像大宗商品。

現在前沿實驗室花在資料上的錢，大約是花在 GPU 上的一成到兩成。他估二〇三〇年這個市場至少一千億美金，甚至可能到一兆。

至於大家最愛酸的營收集中度（幾家資料公司的收入高度集中在 OpenAI、Anthropic、Meta 這幾個客戶身上），他的回應很不客氣：矽谷投資人在營收集中度這件事上變得很孬。台積電有營收集中度，Anduril 幾乎只賣給政府，那些都是幾千億美金的生意。這跟 Mercor CPO 回應同一個質疑的邏輯基本一致。

我不完全同意他的樂觀，台積電的客戶集中背後有製程壟斷撐著，資料公司的替代成本沒那麼高。但「集中度本身不等於脆弱」這個提醒是對的，真正該問的是替換你要付多少代價。

兩個附帶的小結論

一個是模型商往上吃應用層。Claude 的設計功能已經在啃 Figma，法律 AI 那幾家每天都在擔心 Anthropic 哪天順手做一個。Harry 的判斷我覺得很準：真正保護 Harvey、Legora 這類公司的不是技術，是進場方式。你得走進大型律所，跟五十幾歲的資深合夥人建立關係、陪打高爾夫，再對付一群覺得你要搶他們飯碗的初階律師。這種笨重的落地工作，恰好是模型公司的優先順序第十二名。

至於 SaaS 末日，Angelopoulos 認為被講得太誇張了。Salesforce、ServiceNow 這種深度嵌進企業流程的，資料跟網路效應沒那麼好複製。整合度低、黏著度低的那批才該緊張。

另一個是他覺得最被低估的地方：資料中心的機械基礎建設。冷卻系統、鋼構、實體的東西。所有人都在吵高頻寬記憶體跟 GPU，那些已經熱到不能再熱了。

最後

這集最讓我在意的其實不是任何一個具體判斷，而是那個不存在的應徵者。

我們花了兩年在爭論 AI 會不會取代工程師，結果先發生的是：AI 假裝成工程師，通過了工程師的面試。防線的形狀已經變了，但大部分公司的防線還畫在舊的地方。

下次你在做任何遠端招聘、遠端簽約、遠端撥款的流程時，多花三十秒問自己一句：這一步我有沒有辦法確認對面是個人？

這類產業前線的訊號我會持續整理，都放在 wilsonhuang.xyz，訂閱就不會漏掉。