全部 · 2026-05-27

Meta 终于要直接向用户收 AI 的钱了，不再只靠广告养着。这事的背景是 AI 研发太烧钱，光靠广告收入扛不住，所以想试试订阅这条路。但 Bloomberg 这篇报道信息量很有限，只说了有这计划，没披露订阅包含什么功能——是更聪明的模型、更快的响应，还是无广告体验？价格也没提。 TechCrunch 那边提到 Meta 已经在 Instagram、Facebook 和 WhatsApp 推订阅了，AI 计划是后续要加进来的。这说明 Meta 的策略可能是先把付费墙搭好，再把 AI 功能塞进去。但有个关键问题没答案：现在免费的 Meta AI 聊天机器人体验一般，用户凭什么掏钱？如果付费版只是比免费版少犯错、多点功能，说服力可能不够。 我会先打个折看待这条消息——计划阶段的东西变数大，而且正文没给出任何用户价值层面的细节。等 Meta 公布具体套餐和定价再判断值不值。

Cognition 又拿钱了，10 亿美元，投前估值 250 亿，投后 260 亿。八个月前它刚以 102 亿估值融了 4 亿，这轮直接翻了一倍多。领投方是 Lux Capital、General Catalyst 和 8VC，老股东 Founders Fund 等也跟了。 公司说年化收入跑到了 4.92 亿美元，企业客户对 Devin 的使用量连续六个月环比涨 50%。客户名单里有奔驰、NASA、高盛这类大企业，说明产品确实在正经公司里用起来了，不只是开发者玩具。去年大家还担心模型厂（Anthropic 的 Claude Code、OpenAI 的 Codex）会吃掉独立 AI 编程工具的市场，但这轮融资至少说明顶级 VC 押注独立玩家还有空间。 不过正文没提几个关键数字：毛利率、净留存率、客户平均合同额。4.92 亿是年化收入，不是实际到账，而且没披露烧钱速度。250 亿估值对应年化收入大概 50 倍，这个倍数在 SaaS 里算很高，得看它能不能持续保持 50% 的月环比增长。另外，它去年收了 Windsurf 的剩余部分，整合效果怎么样也没说。

OpenRouter 这轮 B 轮融了 1.13 亿美元，估值冲到 13 亿，领投的是 Alphabet 旗下的 CapitalG，跟投名单里还有英伟达、ServiceNow、MongoDB、Snowflake、Databricks 这些企业软件和芯片巨头。这个股东阵容本身就说明一件事：大厂们认为，当企业从试单个模型转向在生产环境里同时跑多个模型时，需要一个专门的“中间层”来管路由、控成本、保稳定。 OpenRouter 自己公布的数据是，过去半年周处理 token 量从 5 万亿涨到 25 万亿，今年预计要处理超过一千万亿个 token，服务 800 多万开发者，接入 400 多个模型。这个量级确实不小，但要注意，这些数字都来自公司自己的公告，没有第三方审计，实际活跃用户和付费转化率没披露。 他们现在做的事已经超出纯文本路由，开始支持图片、音频、视频、语音转文字、嵌入模型等多模态请求，还加了企业工作区、消费管理、安全护栏和零数据留存策略。这轮钱主要会用来扩基础设施和继续打磨智能路由——也就是帮开发者自动挑最便宜或最快的模型来响应每次请求。这个方向逻辑是通的，但竞争也不小，云厂商和模型厂自己也在做类似网关。OpenRouter 能不能靠独立第三方的身份站稳，还得看它后续在企业合规和成本优化上能做出多深的护城河。

SK 海力士和美光同时跨过万亿美元市值门槛，核心推手是 AI 服务器对高带宽内存（HBM，可以理解为把内存堆叠起来、让数据吞吐速度暴增的专用芯片）的疯狂采购。这件事的信号很直接：AI 的钱不再只是算力芯片（GPU）厂商在赚，上游的存储厂商也开始分到真金白银的大头。 不过，文章本身是 Bloomberg 的行情快讯，只给了市值数字和“AI 内存芯片主导”的定性，没有拆解两家公司 HBM 的具体出货量、毛利率变化，也没提它们对英伟达等大客户的依赖程度。这种集中度的风险其实不小——一旦 AI 资本开支节奏放缓，或者下一代 HBM 技术路线切换，高估值会跌得比谁都快。 还缺一个关键信息：传统内存（比如手机、PC 用的 DRAM 和 NAND）的周期现在走到哪了。如果万亿美元市值全靠 AI 一条腿撑着，而其他业务还在低谷，那这个“万亿”的底座就没那么稳。

这条消息对做在线强化学习（RLHF）训练的人是个实打实的好消息。核心逻辑很简单：训练器每步更新模型后，要把新权重发给推理引擎去生成新样本。以前得把整个模型（比如 7B 参数、14GB 大小）全传一遍，现在他们发现连续两步之间，99% 的 bf16 权重其实一个比特都没变。于是 TRL 里加了个功能，只把变了的参数打包成稀疏文件，扔到 Hugging Face 的存储桶里，让 vLLM 自己去取。实测 Qwen3-0.6B 的单步传输量从 1.2GB 降到了 20 到 35MB，省了超过 30 倍的带宽。 这个方案聪明在没发明新格式，就用 safetensors 做载体，训练侧靠优化器钩子生成布尔掩码来标记哪些权重变了，推理侧 vLLM 只加了 30 行代码就能接住。门槛很低，而且直接复用现有基础设施。 不过要冷静看两点。第一，正文只给了 0.6B 模型的数字，更大规模模型上“99% 不变”这个比例能不能稳住、稀疏文件的额外编解码开销会不会吃掉收益，还没给数据。第二，这套流程依赖 Hugging Face Bucket 做中转，如果你的训练集群和存储之间有网络抖动或额外延迟，实际加速效果会打折扣。如果后续能补上更大模型和不同网络条件下的端到端耗时对比，判断会更踏实。