Arthur Mensch：Mistral 的开放模型、算力与开发者战略

Mistral AI 联合创始人 Arthur Mensch 告诉 Harry Stebbings，算力仍是这家年轻公司的限制因素。他说，访谈时公司约有 1500 块 H100 GPU，只相当于他认为竞争对手拥有容量的一小部分。他认为资本、招聘和基础设施都无法一瞬间扩张。

Mensch 形容儿时的自己好奇又固执。他最早接触机器学习的经历之一，是看到 Andrew Ng 展示直升机完成高难度动作，这让他看到了这项技术可能做到的事情。

在 DeepMind，他学到五人团队可能比 50 人团队行动更快，除非大团队拆分成相对独立的小组。Mistral 共享基础设施、代码和研究发现，同时让专注语言、编程、数学或多模态的团队无需持续协调也能推进工作。

随着公司成长，这种组织方式会变得更困难。Mensch 说，科学团队当时约有 25 人，组织方式以速度为目标。他回忆，离开 DeepMind 的决定是逐渐形成的，直到前一年三月底他跨过某个门槛并辞职。

Mensch 认为，Mistral 7B 受欢迎是因为它填补了模型性能与效率权衡中的一个空缺。他说，这个规模让开发者可以在消费级硬件上运行模型，同时模型又足够有用，能够支持应用。市场反响表明人们对效率有很大兴趣。

公司在扩展更大模型的同时，继续追求高效模型。他说，更多训练算力有助于压缩模型，但算力本身并不足够：数据质量、训练方法和其他效率改进同样重要。

还能提高多少效率，是一个开放的研究问题。Mensch 相信同等规模的小模型仍有很大改进空间，但他说研究者最终必须测试想法，不能只依赖预测。

他设想通用模型会成为起点，周围配有定制、评估、延迟优化和生命周期管理工具。他认为，应用的差异化将取决于数据、用户反馈，以及对产品应该完成什么的理解。

对于文本模型，Mensch 认为数据质量是一项限制：开发者必须决定如何提炼和排序信息，让模型学习更复杂的任务。他也强调评估的重要性，因为改进法语医疗辅助与改进数学推理是不同的问题。

他预计，在低延迟和专业领域表现重要的任务中，应用开发者会创建专用模型。Mistral 希望提供工具，让开发者无需各自拥有稀缺的专家知识也能实现定制。这是公司设想的市场角色。

Mensch 认为应用经济中有两股相反的力量。模型越来越好，可能让垂直应用更容易创建、应用层更薄；模型变便宜和竞争加剧则可能降低模型供应商在成本中所占的份额。Mistral 押注模型和平台业务仍能支持有价值的应用。

他说，Mistral 创立的目的是给开发者更多选择，让他们能够访问、修改和部署模型，而不是依赖少数 API。公司也出售商业模型，因此开放战略与专有产品并行。

Mensch 说，开发者关心成本、定制能力和可移植性。他们可能需要在特定云、本地环境或边缘设备上部署；企业把模型连接到敏感数据时，希望控制数据的处理位置。

品牌很重要，因为开发者无法评估所有可用模型，会把声誉当作质量信号。Mensch 认为开放发布模型有助于建立 Mistral 的声誉和信任，但这是他作为公司首席执行官的判断。

Stebbings 问，竞争和成本下降是否会让模型供应商失去可持续的利润空间。Mensch 预计效率和竞争会降低应用成本，但认为只要基础模型工作仍然困难且有防御性，就能获取价值。

他不认同创建一家有竞争力的基础模型公司已经变得容易。在他看来，门槛包括充足的资本和算力、稀缺的模型训练人才、相对成本而言出色的性能，以及值得信任的品牌。

Mensch 估计，同等计算量的硬件成本会随时间下降，算法改进也十分重要。这些数字是他在访谈中的粗略判断，并非独立基准测试。Mistral 押注未来仍有进一步提高效率的空间。

与硬件和云供应商的关系很重要：工程师可以针对硬件进行优化，云分发也能让企业客户接触开发者平台。被问到一项具体云投资时，Mensch 没有声称了解其条款，只表示这类安排可能对双方都有意义。

开放模型可能让一部分价值从模型本身转向定制和周边平台。Mensch 说，Mistral 开放发布不同规模的部分模型，同时把另一些作为商业产品，既为了增加收入，也为了建立战略关系。他打算继续采用这两种方式。

研究和销售团队需要相互理解。接触客户问题有助于科学家发现模型缺陷；技术培训则帮助市场团队解释模型如何支撑客户的产品。双方工作周期不同，因此必须有意识地保持沟通。

分发是企业市场的一项挑战，尤其当竞争对手已经拥有客户关系时。Mensch 说，开放发布的模型可以带来开发者需求，同时承认更广泛的生产环境采用还需要更好的定制、负载均衡和可靠部署工具。

他建议企业从有能力的 AI 智能体能为核心运营带来什么出发，反向思考，而不是只把 AI 当作提高写作效率的功能。定制和产品选择将决定差异化；这些是他的建议，以及对未来能力的假设。

Mensch 同意，人们可能高估技术的短期采用速度，却低估长期影响。他看到欧洲企业高管对技术感兴趣，但认为组织需要认真选择应用场景，让工具更易采用，而不必组建一整个专业研究团队。

他说，一些公司的客户支持已经开始进入核心预算，而其他职能和行业应用仍处于试验阶段。他预计未来几年采用会继续发展，这是他在对话时作出的预测。

被问到 Mistral 如何与资金雄厚得多的竞争对手较量时，Mensch 说资本可以买到算力，但算力本身并不决定模型质量。高效模型可以满足特定需求，而研究人员仍需足够的算力进行实验并保持技术竞争力。

他承认算力供应商出现延迟，并说 Mistral 受限于大约 1500 块 H100 GPU。他预计容量会增加，但认为年轻公司无法立刻筹集数十亿美元、招齐人才并大规模建设基础设施。与竞争对手的比较是他的估计。

在融资方面，Mensch 重视治理和创始人控制权，而不只看资金来源。他希望获得支持公司长期发展、能帮助公司走向国际的合作伙伴。被问到沙特或中国资金时，他说这取决于条款，并谈到同时在中国和美国运营的实际困难。

他看好欧洲创建 AI 公司的机会，理由包括技术人才、可获得的资本和尽管分散但仍然存在的市场。他说该地区有许多初级研究人员，而经验丰富的高级 AI 科学家在硅谷更容易找到；Mistral 在美国也有团队。

Stebbings 认为欧洲风险投资大量依赖美国机构。Mensch 说，生态系统需要通过一代代创业者和投资人的努力逐渐建立。虽然两人对变化速度的乐观程度不同，他看到了更多创始人选择留在欧洲。

Mensch 说，欧洲投资人能够参与种子轮，但当公司尚无收入时，许多基金的结构难以支持 Mistral 后来 A 轮所需的规模。他认为欧洲需要更多愿意凭坚定信念大举投资的成长基金。

作为首席执行官，要随公司扩张就意味着协调不断壮大的团队、在对外代表和业务发展之间分配时间、确定方向，并在不确定环境下让员工保持平静。Mensch 说，他和联合创始人正在边做边学，并不认为自己已经掌握了这些挑战。

回头看，他或许会更仔细地安排产品开发和市场拓展的先后顺序。Mistral 在几乎没有产品可卖时就开始建立市场认知；这种方式帮助树立品牌，却并非最优，团队仍在加强组织。

他说，公司逐渐认识到需要大量资本、强大的产品和尽早进入美国市场。他预计，未来几年 Mistral 为保持前沿地位，投资会超过收入，尽管他说收入正在增长。这是管理层的预期，并非经核实的财务结果。

Mensch 尊重 Cohere、OpenAI、Anthropic 和 Google 等竞争对手。他不会建议别人轻率进入基础模型行业，但也认为，如果断言新竞争者不可能出现并超越 Mistral，那就太傲慢了。

在快问快答中，他把全球变暖列为重大担忧，并相信 AI 可能帮助改进某些流程。他还说，管理中坦诚反馈的效果比他预期的更好，而 Mistral 产品的需求增长快于公司预想。

他通过跑步和骑自行车放松，也谈到照顾年幼女儿所需的精力。展望未来，他预计 AI 会改变工作，取代一些岗位，同时创造其他岗位，因此教育和培训需要适应。这是他的预测，并非已确定的劳动力市场结果。

对于 2034 年，Mensch 希望 Mistral 同时提供商业和开放模型，并拥有强大的开发者平台，让人们构建 AI 应用。Stebbings 感谢他的分享，Mensch 也向主持人致谢。