过去做 AI 应用，有个很土、却很致命的问题：
产品卖得越好，模型账单越贵。
客户多用一次，你就多给 OpenAI、Anthropic 交一笔钱。更麻烦的是，底层模型每升级一次，你辛苦做出来的功能，还有可能被直接吃掉。
圈子里因此形成一种半共识：AI 应用没有护城河，只是给大模型厂商打工。
但最近，一位押中过英伟达、特斯拉和 SpaceX 的科技投资人，给出了更激进的判断：垂直聚焦的 AI 原生公司，可能要迎来一轮集体加速。
不是「套壳突然变香了」，而是成本曲线、数据闭环和模型归属，开始同时改写。
一、谁在说：Gavin Baker 不是口号型投资人
Gavin Baker 是美国科技投资圈里偏「硬」的那一类。他在富达工作约 18 年，管理过规模约 170 亿美元 的科技基金（Fidelity OTC 相关时期常被这样描述），后来创办 Atreides Management，也是英伟达、特斯拉和 SpaceX 的早期重要投资者之一。
他最近公开判断的大意是：接下来会看到一大批垂直聚焦的 AI 原生公司加速。驱动不是口号，而是三件同时成熟的工程现实——
- 模型路由（Routers）
- 开源模型
- 专业化后训练（post-training）
他点名了像 Fireworks AI 这类把训推与后训练打通的平台，也点到法律 AI 等垂直场景已经在跑通这条路。原文语境可对照其 X 账号 @GavinSBaker 近期发言。
翻译成大白话：
| 以前 | 现在开始成立 |
|---|---|
| 一个最强模型通吃所有任务 | 简单任务走便宜专用模型 |
| 应用层几乎不拥有模型 | 用自己的业务数据后训练开源基座 |
| 增长 = API 账单线性上涨 | 增长 = 数据与评测变厚，单位成本可压 |
游戏规则变了：AI 应用公司不必永远只给大模型厂商交租。
二、三件事同时成熟：路由、开源、后训练
别被术语吓住。拆开看，都是很土的工程选择。
1）模型路由：别让最贵的模型干最简单的活
不是「所有请求都打 Claude Opus / GPT 最强档」，而是按难度、延迟、合规、成本，把任务分给不同模型：
- 抽取、分类、格式化、高频改写 → 便宜专用模型
- 高风险推理、复杂综合、客户可见关键交付 → 再 escalate 到前沿模型
路由做好了，质量可以接近「全上最强」，账单却不是按最强单价线性放大。
2）开源模型：终于能扛一部分常规任务
过去开源模型「能聊，不敢上生产」。现在一批开源权重在常规任务上已经够用，关键是：
你能私有部署、能控数据、能后训练，而不是永远只做 prompt 租户。
我前几天写 Kimi K3 开源与私有化成本 时强调过另一面：前沿权重开源 ≠ 普通公司能私有化最强模型。这里说的不是「人人自建 64 卡超节点」，而是——
垂直应用可以用「够强且可训」的开源基座，吃掉自己业务里那一大截高频 token。
3）后训练：把「通用聪明」拧成「懂你的行当」
真正拉开差距的，是用真实业务轨迹做 SFT / RFT 一类后训练：合同怎么审、条款怎么抽、报告怎么过 rubric、失败案例怎么回灌。
结果不是「又一个通用助手」，而是：
在你的评测集、你的工作流、你的错误代价上，专用模型开始比通用大模型更省、更稳、更可控。
三、工程侧证据：Harvey × Fireworks 把账算清楚了
判断再漂亮，也要有可核对的实验。
法律 AI 公司 Harvey 与 Fireworks 公开了一组很硬的对照（见 Fireworks 博客：Open-Source Agents, Frontier Advisors）：在 Harvey 的 Legal Agent Benchmark（LAB）切片上——
| 配置 | 大致结果 | 成本量级（100 tasks 切片） |
|---|---|---|
| 端到端 Claude Opus 4.7 | all-pass 14/100，mean 约 0.91 | 约 $954 |
| 开源 worker（如 GLM）+ 稀疏调用 Opus 作 advisor | all-pass 18/100 | 约 $368（约 Opus 的 39%） |
| 开源基座 + SFT / RFT 后训练 | all-pass / mean 明显抬升，推理成本接近基座档 | 远低于「全程前沿」 |
两层意思叠在一起：
- 混合 harness：开源模型当工人，前沿模型当顾问，平均每个任务只稀疏调用顾问（公开实验里约 0.83 次/任务量级）
- 后训练：用通过 rubric 的轨迹做 SFT，再用评测标准做 RFT，把开源模型往法律任务上拧
文中那句结构很干净，值得记：
open weights at the core, frontier intelligence called in only where it changes the answer.
（开源权重在核心，前沿智能只在能改变答案的地方被叫进来。）
这几乎就是 Baker 判断的工程版说明书。
四、商业侧证据：Legora 的增速在说工作流，不只是 demo
如果说 Harvey × Fireworks 证明技术路径，Legora（法律 AI，前身常被称作 Leya 一脉）更像在证明客户愿不愿意把预算和工作流迁过来。
可核对的公开节点大致是：
- 约 18 个月 内 ARR 跨过 1 亿美元 量级（公司 新闻稿 口径）
- Series D 及后续 extension 后，公开报道估值进入约 55–56 亿美元 区间，投资方包括 Accel，后续还有 Atlassian、NVIDIA NVentures 等（Series D extension 新闻）
- 团队公开披露：ARR 同比增长超过 10 倍；7 月净新增 ARR 比此前纪录高 90%+
这些数字要打折听——垂直 AI 赛道披露节奏快、口径各异——但方向一致：
不是「又一个法律聊天框」，而是进入律所与公司法务的日常工作流：审查、表格化抽取、Word 内协作、多步 agent 流程。
Baker 点名这类公司时，核心不是「法律赛道永远正确」，而是：
当一家公司同时掌握客户、数据、评测、工作流和专用模型，它就不再只是套壳应用。它开始拥有自己的模型能力。
Cognition 一类 coding agent 公司身上，也能看到同构趋势：产品深度嵌入专业工作流，模型侧走向「自有/可训 + 路由 + 尖峰调用前沿」。路径细节各家不同，结构越来越像。
五、翻转点：客户越多，不再只等于账单越大
把逻辑压成一条链：
- 高频任务被专用模型吃掉 → 边际 token 成本下降
- 客户用得越多 → 轨迹、纠错、评测越厚
- 后训练继续跑 → 专用模型更强，路由更敢把流量留在便宜侧
- 前沿模型仍会用，但更像「尖峰保险」而不是「全量底座」
旧世界：
客户增长 → API 账单增长 → 毛利被模型厂抽走。
新世界（开始成立的那部分）：
客户增长 → 数据飞轮 → 模型变强 → 单位成本可继续下降。
这不是说 OpenAI / Anthropic 没生意了。恰恰相反：最难的那截推理、最强的那截智能，仍会很贵、很稀缺。变的是——
应用公司第一次有机会，把「租户身份」改成「部分模型所有权 + 工作流所有权」。
过去大家担心 AI 应用没有护城河。
现在看，真正的护城河可能才刚刚开始形成——不在一句 prompt，而在数据闭环、评测体系、行业工作流，以及你敢不敢把路由和后训练做成产品内核。
写在最后
压成五句：
- 旧尴尬仍真实——卖得越好、账单越贵，功能还可能被模型升级吃掉
- Baker 的判断很硬——路由 + 开源 + 专业化后训练，在推垂直 AI 原生公司加速
- Harvey × Fireworks 算清了工程账——开源工人 + 稀疏前沿顾问，可更好且更便宜
- Legora 在算商业账——ARR 同比 10x+、7 月净新增破纪录，说明工作流迁移是真的
- 护城河换定义了——客户 / 数据 / 评测 / 工作流 / 专用模型叠在一起，才开始像壁垒
土话一句：
以前 AI 应用怕增长；现在增长，有机会变成你的模型资产。
我一个人打造的 Zaokit AI Agent 交易平台，以及 AI PPT / 图文创作 Zaokit.app，做的也是同一方向：把可用能力送进真实交付，而不是永远只做最贵 API 的二道贩子。唯一网站：https://zaokit.app。
企业侧同一逻辑，已经融进可直接接入的服务：
稳定靠谱的 AI 全家桶，开箱即用。
如果你认可 Zaokit AI 的产品理念，欢迎后台留言加入社群。我们不卖课、不割韭菜，只聚焦 ToB 企业场景的 AI 落地实战。 希望在这里，能给你带来不一样的思维火花和真实的商业碰撞。
延伸：Kimi K3 开源了，私有化却和普通公司无关了 · 黄仁勋说五年内很难泡沫 · LLM 预训练后训练与 Agent
公开参考：Gavin Baker on X · Fireworks × Harvey 实验 · Legora 过 1 亿美元 ARR · Legora Series D extension
| 唯一网站：Zaokit.app | Agent 交易平台：Zaokit.ai |
企业 Grok 服务：grok.zaokit.com
企业服务：cx.zaokit.com · cc.zaokit.com · tokenhub.zaokit.ai · gift.junxinzhang.com · 完整产品列表
稳定靠谱的 AI 全家桶，开箱即用。
我是 Jason，自己一个人做 AI 产品。应用层真正翻身的时候，往往不是模型突然变神，而是账单逻辑和工作流归属先变了。
