Reflection AI 執行長 Misha Laskin：開放模型將吃下多數 token，企業從「租用智慧」走向「擁有智慧」

前沿 AI 的未來，會掌握在少數閉源大廠手中，還是像作業系統一樣走向開放？Reflection AI 共同創辦人兼執行長 Misha Laskin 的答案很明確：全球大部分的 token 需求，最後都會流向開放權重模型。

Laskin 在 AI 訪談節目《No Priors》中，和主持人 Sarah Guo、Elad Gil 聊了 Reflection 剛發表的開放權重推理模型 Beam。這集值得投資人細聽的原因在於，它從一家美國開放模型實驗室的角度，談到訓練前沿模型的真實成本、企業從「租用」智慧轉向「擁有」智慧的趨勢、中國開放模型生態的優勢與地緣政治意涵，以及開放模型的安全爭議。以下是聽完訪談後整理的觀點與評論。

誰在對話？

• Misha Laskin：Reflection AI 共同創辦人兼執行長，物理學博士，曾任 Google DeepMind 研究員，參與 Gemini 早期模型的強化學習工作。另一位共同創辦人 Ioannis Antonoglou 是 DeepMind 創始工程師之一，曾參與 AlphaGo 等強化學習專案。
• Sarah Guo、Elad Gil：《No Priors》主持人，兩人都是矽谷知名的 AI 投資人。

背景補充：依 Reflection 官方部落格，Beam 於 10 月 5 日發表，是總參數約 5,010 億、每次推論啟用約 230 億參數的混合專家（MoE）模型，主打程式、推理與 agent 任務，官方表示將以 Apache 2.0 授權釋出權重。外媒報導 Reflection 累計募資約 47 億美元，投資人包括 Nvidia、紅杉與 Lightspeed。以下凡是數字與預測，皆為受訪者的說法。

觀點一：打造前沿模型，沒有單一祕訣，要同時做對三十件事

Laskin 說，Reflection 在過去一年把使命定為打造前沿開放模型，團隊從約 30 人擴張到約 300 人，建立了預訓練、中期訓練與強化學習團隊，並完成第一個從頭訓練的模型 Beam。被問到最難的是什麼，他的回答是：每一件事都很難。人才、留才、文化、資料、算力、讓算力真正可用的基礎設施，全部都要做對；在大型實驗室裡被視為理所當然的工具，新創都得自己重建。

他也解釋了轉向的原因：公司成立之初，原本打算在別人的開放模型上做強化學習研究，但一年後發現好的開放模型幾乎都來自中國，西方缺乏可用的基礎模型；加上研究顯示，要把強化學習做到大規模，預訓練與強化學習必須緊密結合，於是決定從頭自己訓練。

小評： 這段點出 AI 實驗室的護城河不只是演算法，而是組織、資料與基礎設施的綜合能力。這也是為什麼後進者需要極大量資本，才可能追上前沿。

觀點二：追上前沿的門票越來越貴，但每顆算力榨出的智慧也越來越多

追上前沿要花多少錢？Laskin 的估計是：大約一年半前，量級約數億美元；半年前已到數十億美元；明年可能來到約百億美元。他的經驗法則是，每一代模型所需算力大約是前一代的 4 倍，從十萬顆 H100 到十萬顆 Blackwell，再到下一代的 Vera Rubin。

Elad 追問：資本支出總有上限，這會不會撞到天花板？Laskin 同意不太可能無限增加，但他指出兩股抵銷力量正在發生：一是模型本身開始協助研發，人類研究員時代每年的運算效率提升約 7 倍，如今在強化學習上可能達到數倍以上的加速；二是每單位算力能創造的營收也在提高。

他也分享了 Beam 的訓練規模：預訓練用了約 6,000 顆 GB300、跑了幾週（他說現在優化後約 12 天內可完成），強化學習則用了超過 10,000 顆 GB300、跑了約四週，強化學習耗用的算力其實比預訓練還多。他說這是他所知開源領域最大規模的強化學習訓練，而且學習曲線一路上升、沒有停止，接下來比較像是「要投入多少錢換取多少進步」的經濟問題。他另外提到，最終模型是在 7 月取得的 SpaceX 運算叢集上訓練；外媒先前也報導 Reflection 與 SpaceX 簽下租用 Nvidia GB300 系統的大型合約。

小評： 「強化學習的算力超過預訓練」是很重要的訊號。這代表 AI 算力需求不會因為預訓練放緩而降溫，GPU、伺服器與資料中心的需求結構正在轉向強化學習與推論。

觀點三：Beam 的賣點是「推理效率」，對企業就是省時間、省錢

Laskin 強調，模型的價值不只在能力，還在完成任務的速度：同樣的問題，一分鐘解完遠比十分鐘好，對客戶就是更快、更便宜。依他的說法，Beam 比同級模型的推理效率高約 3 到 4 倍，和某些更大的模型相比甚至可達約 10 倍。他把原因歸功於扎實的預訓練基礎，加上大規模強化學習，並拿 AlphaGo 類比：早期版本解題繞來繞去，訓練越多就越精準俐落。

他也提到模型的「鋸齒狀」能力：通用 agent 能力會出乎意料地泛化，但在不同評測與工具環境之間未必能順利遷移，需要針對性資料。他點名金融業的 KYC 與法遵流程、資安防禦、法律等企業 agent 應用，都是高價值場景。

小評： 推理效率直接影響 AI 服務的毛利。當模型能力逐漸趨同，「同樣品質下誰更便宜、更快」會成為企業採購的關鍵指標。

觀點四：企業從「租用智慧」走向「擁有智慧」，開放模型將吃下多數 token

Laskin 用租房與買房比喻：買閉源模型的 token，等於租用整套技術堆疊，包括模型、推論軟體、叢集管理與 GPU；企業成熟到一定程度，就會想擁有自己的智慧，就像人到某個階段會想買房，即使比較麻煩。依他的觀察，一年花上億美元在閉源模型上的企業並不少見，這時就會開始考慮更划算的作法；加上算力短缺、雲端大廠不一定給得出好價格，部分企業開始回頭建置自有機房。

他引用 OpenRouter、Vercel 等 API 閘道的數據說，半年前閉源與開放模型的 token 占比約為七比三，現在幾乎翻轉成開放七、閉源三，而且這個趨勢只會加速。他預期 AI 會像作業系統：全球多數伺服器跑的是開源的 Linux，但 Microsoft 與 Apple 依然是極有價值的公司。因此他認為多數 token 會流向開放模型，同時仍會存在極有價值的閉源模型公司。

至於商業模式，他認為開放與閉源本質上都是在最大化推論需求。Reflection 的角色是提供企業、政府與主權 AI 客戶部署開放模型所需的整套工具與服務，而服務本身就是推論需求的驅動器。他也觀察到，AI 原生公司（如 Cursor、Cognition、Abridge、Harvey）多半直接微調開放模型；但一般企業比較可能先在開放模型外圍打造客製化的 agent 系統，成熟後才走向微調。

小評： 「開放模型占七成 token」是 Laskin 依特定閘道數據的觀察，不等於整體市場，閉源模型在企業端的收入仍然很高。不過對投資人來說，模型層的利潤壓縮趨勢值得重視，價值可能往推論基礎設施、硬體與應用層移動。

觀點五：致勝公式是「智慧密度 × 算力 × 信任」

Laskin 認為整個 AI 產業鏈都在激烈競爭、快速商品化，模型、應用、推論與硬體層的利潤都會被壓縮；他提到，因為有開放模型存在，許多 AI 原生公司跟閉源大廠談合約時更有籌碼。

他提出一個簡單的勝負公式：能提供多高的智慧密度，乘上手上有多少算力，再乘上客戶對你有多少信任。他認為算力稀缺短期內不會消失，因此只要市面上有夠好的開放模型，就能容納許多成功公司；而像閉源大廠那樣營收暴衝、能囤積比別人更多算力的公司，則會取得戰略優勢。

小評： 這個公式很適合拿來檢視 AI 公司：模型好不好、算力夠不夠、企業客戶願不願意長期合作，缺一不可。

觀點六：中國開放模型是「禮物」也是「特洛伊木馬」

Laskin 先肯定中國開放模型對全球的貢獻：它讓許多西方公司得以建立更持久的事業，否則應用公司做出好產品，很容易被閉源大廠直接吸收。但他也直言中國模型的幾個優勢：大規模蒸餾閉源模型、在中國可以較寬鬆地使用受版權保護的資料，以及直接或間接的國家支持。Elad 則形容，中國開源某種程度上是中國政府對西方企業的補貼。

為什麼中國廠商願意持續開放？Laskin 的看法是：中國市場相對封閉，廠商在國內仍能賺錢；而對外持續釋出好的開放模型，具有地緣政治優勢。他把開放模型比喻為特洛伊木馬：模型本身只是入口，真正被帶進去的是整套軟體與基礎設施，例如華為已開始提供軟硬體整套方案，讓其他國家逐步鎖定在中國的技術堆疊上，就像過去 5G 與一帶一路的競爭。他認為美國過去在網際網路協定、開源軟體、美元體系上都採取「讓全世界建立在我的技術上」的策略，但在開放模型上一度落後，現在才開始追趕。

他也指出，財星 500 大企業目前使用開放模型的比例偏低，部分原因是對中國模型的疑慮，這正是西方開放模型的機會。

小評： 這段把開放模型提升到國家戰略層次。對台灣而言，AI 晶片、伺服器與資料中心正是這場「技術堆疊競賽」的底層，各國對主權 AI 的投入，可能持續帶動相關硬體需求。

觀點七：開放才是安全的預設值？

閉源陣營對開放模型最大的批評是安全。Laskin 承認這是正當疑慮，但他認為目前的安全觀點過度來自單一立場。他以 1990 年代強加密技術的爭論類比：當時加密協定原本封閉，在少數工程師設計的系統屢屢出包後，強加密走向開放，反而催生了整個資安產業。他引用 Linux 創造者 Linus Torvalds 的名言「眼睛夠多，所有 bug 都無所遁形」，主張安全漏洞也是如此：目前只有閉源實驗室裡的數百位安全研究員，不可能涵蓋所有長尾風險。

他也舉例，曾有強大的閉源模型意外入侵另一家公司，而受害公司最後是靠開放模型自保，因為網路攻擊與防禦能力很難切割，移除攻擊能力的同時也會削弱防禦能力。他認為對齊研究在現實中其實很「無聊」，就是不斷找出漏洞、用資料修補，因此讓更多研究者參與反而更安全。Elad 則補充，安全其實包含資安、生化武器、人類存亡等不同層次，不該混為一談，並批評某些業界領袖隨口說出人類滅絕機率的數字缺乏根據。

小評： 開放與安全的爭論短期內不會有定論，而且這也是 Reflection 自身商業立場的核心論述，需要對照閉源陣營的觀點一起看。不過「攻防難以切割」的論點，對資安產業的長期需求確實有參考價值。

觀點八：AI 加速科學，資料中心是新時代的工廠

談到未來，Laskin 最興奮的是科學進展。他說自己這幾年會把博士論文的題目丟給語言模型測試：兩年前只能聊天，一年前約大學生程度，半年前已能以博士水準正確解出，現在甚至能提出他當年沒想到的觀點。他認為只要問對問題，研究迭代速度會大幅提升，下一步則是讓 AI 接上真實實驗，加速生命科學、材料與化學研究。

他也分享參觀 Stargate 資料中心工地的觀察：停車場滿是車，工程帶來大量高薪工作與地方稅收，他認為資料中心就像 20 世紀的工廠，但也需要妥善處理噪音與選址。至於 AI 會不會讓研究員失業，他認為大型模型專案向來只需要約數百人，未來真正大量需要的是能把模型部署到各行各業的應用型研究與工程人才。

小評： 「資料中心是新工廠」是近年產業界常見的論述，也是回應地方反彈的說法。對投資人而言，資料中心建設帶動的電力、營建、設備與在地就業，仍是 AI 基建最實體的一環。

這對一般投資人代表什麼？

• 開放模型崛起，模型層利潤承壓。 Laskin 認為多數 token 將流向開放模型，價值可能往算力、推論基礎設施與應用層移動。
• 強化學習成為新的算力黑洞。 Beam 的強化學習算力超過預訓練，代表 AI 算力需求不會因預訓練放緩而降溫。
• 企業「擁有智慧」帶動自建機房與主權 AI。 伺服器、網通與資料中心相關供應鏈可能受惠。
• 開放模型是地緣政治工具。 中美在開放模型與整套技術堆疊上的競爭，可能延伸到晶片與基礎設施輸出。
• 留意講者立場。 Reflection 本身就是開放模型業者，關於開放模型市占與安全的觀點，應視為業者論述而非定論。

結語

Laskin 描繪的是一個「AI 像 Linux」的未來：開放模型成為大多數應用的底層，閉源模型依舊保有高價值的位置，而真正決定勝負的是智慧密度、算力與客戶信任。無論你是否認同開放優先的立場，這集訪談都提供了一個觀察 AI 產業結構變化的好角度：當模型越來越像基礎建設，錢與權力會流向哪裡，才是投資人該追問的問題。

---

來源

• 節目原始影片：Beam: The Great American Open Model with ReflectionAI Co-Founder and CEO Misha Laskin（YouTube／No Priors 官方頻道，2026 年 10 月 9 日）
• 背景資料：Introducing Beam（Reflection 官方部落格）
• 本文為收看節目後的聽後整理，文中數字、統計與預測皆為受訪者或主持人於節目中的說法或估計。

非逐字翻譯、觀點整理，不構成投資建議。