Databricks的1880亿美元赌注：中国开源模型如何成为AI成本控制的胜负手

上周在旧金山的一场AI基础设施闭门会上，一位中小型SaaS公司的CTO抱怨：他们用OpenAI的GPT-4 API做客服摘要，团队月均API账单从2万美元飙到8万美元，而模型性能提升却不到10%。他转向了微调一个中国开源的7B模型，部署在自家GPU上，成本骤降至每月3000美元，性能持平。这个场景，恰好解释了为什么Databricks能以1880亿美元估值继续融资——不是因为它卖模型，而是因为它卖的是“让模型成本可控”的底层能力。

估值对比：从1340亿到1880亿，40%的增长背后是市场对“模型成本瓶颈”的共识。

指标	2025年12月融资	2026年7月本轮融资
估值	1340亿美元	1880亿美元
增长	基准	+40%
领投方	(未披露)	Coatue Management
核心叙事	数据+AI平台	成本控制+开源生态

Databricks CEO Ali Ghodsi在近期采访中明确表示：“采用中国开源模型是成本控制的关键一环。”这句话的潜台词是：当闭源模型（如GPT-4o、Claude 3.5）的API定价不断上涨，企业AI的ROI正在被吞噬。而中国开源模型（如DeepSeek-V3、Qwen2.5-72B）在同等性能下，推理成本可降低60%-80%。

对比两条路线：闭源API依赖 vs. 开源模型+数据平台

• 闭源路线：依赖OpenAI/Anthropic的API，优势是开箱即用，问题在于：
• 成本随用量线性增长，缺乏弹性
• 数据隐私受限，无法完全本地化
• 模型迭代依赖供应商，企业无控制权

• 开源+平台路线：采用中国开源模型，搭配Databricks的数据湖和MLflow等工具，优势：
• 推理成本可压缩至闭源API的1/5以下
• 模型可微调，数据主权完整
• 利用Databricks的Spark+Delta Lake管理大规模数据，端到端成本更低

关键数据点：

• 根据Databricks内部测试，在同等任务（如金融文档摘要）上，使用DeepSeek-V2推理成本仅为GPT-4的18%，准确率差距在2%以内。
• 中国开源模型社区（如阿里Qwen、深度求索DeepSeek）在2024-2026年持续迭代，参数量从7B到72B，在MMLU、HumanEval等基准上已接近GPT-4水平。
• 全球企业级AI推理部署中，使用开源模型的比例从2023年的22%上升至2026年的58%（Gartner预测）。

Databricks的聪明之处在于：它没有去造一个“最强模型”，而是把“如何低成本用模型”做成平台。这一轮融资的估值飙升，本质上是市场对“AI基础设施层”的重新定价——当模型本身快速商品化，数据管理、成本优化、安全合规这些“脏活”才是真正的护城河。

我的判断：

1. 中国开源模型正在成为全球AI成本杠杆。不管地缘政治怎么变，企业用脚投票，谁会和一个80%成本优势的方案过不去？

2. Databricks的估值逻辑已经从“数据仓库替代”切换为“AI成本控制中心”。华尔街买账不是因为增长，而是因为刚需。

3. 但风险在于：如果中国开源模型被出口管制或性能差距拉大，这个成本优势会迅速消失。短期看，至少还有18-24个月红利期。

[!note] 一个值得关注的信号：Coatue Management——这家以精准押注科技周期闻名的基金，在2025年底清仓了部分AI应用股（如Palantir），转而重仓Databricks。他们赌的不是模型，是“模型商用化过程中的成本瓶颈”。

最后看一个细节：Databricks本轮融资资金尚未到账，但估值已经公开。阿里云、华为云等中国云厂商也正在用类似叙事（开源模型+数据平台）争夺出海企业客户。一场围绕“AI成本坐标系”的战争刚刚开始，而Databricks的1880亿美元，只是第一张入场券。

原文链接：https://www.tmtpost.com/8070738.html