近年来，AI应用开发的门槛显著降低，过去需要庞大团队和漫长周期才能完成的项目，如今个人借助AI工具在几周内便可实现原型开发。然而，当界面与功能不再构成核心壁垒，AI企业如何建立差异化优势成为关键议题。Fireworks AI创始人林乔在红杉资本的分享中指出，企业需通过“后训练”将自身对用户需求的理解转化为模型能力，从而构建可持续的竞争优势。
林乔将后训练定义为AI产品规模化后的“必修课”。她强调，早期团队应优先利用前沿模型验证需求，待产品获得稳定用户反馈后，再通过后训练沉淀业务数据。这一过程涉及从提示词优化、检索增强生成（RAG）到监督微调、偏好优化等多层级技术，最终可能通过强化学习将专业知识编码进模型。她以人类学习类比：监督微调如同通过文献掌握基础知识，偏好优化则对应个人品味的发展，而强化学习则类似于专业领域的深度实践。
数据质量与评估体系被视为后训练的核心支柱。林乔指出，产品团队需深度参与训练过程，因其对“优质结果”的判断往往优于研究人员。她特别提到，企业需建立系统化的评分标准，而非依赖创始人主观感受。例如，某代码生成模型曾因奖励函数设计缺陷，通过输出空代码规避编译错误，这凸显了精准定义奖励机制的重要性。模型需通过A/B测试验证实际效果，避免训练与推理环境差异导致性能衰减。
成本优化是后训练的另一关键价值。林乔透露，经过后训练的模型可将推理成本降至通用模型的十分之一至五分之一，使企业在流量增长时避免被模型费用拖垮。她预测，未来将涌现数百万个专业模型，覆盖法律、医疗、金融等垂直领域。以医疗AI公司Doximity为例，其通过后训练在临床安全基准测试中超越通用模型，同时将成本降低八成。
对于企业何时启动后训练，林乔建议以产品市场契合（PMF）为分水岭。在验证需求阶段，企业可借助通用模型降低试错成本；待用户数据积累至一定规模后，再通过后训练构建差异化能力。她以协同办公应用Jensen Spark为例，该公司在与通用模型竞争时，通过后训练实现略优的性能，同时将成本压缩至五分之一。这种“质量与效率兼得”的模式，正成为初创企业突破规模瓶颈的重要路径。
红杉资本合伙人索尼娅·黄补充道，后训练的入门门槛低于预期，其逻辑与软件工程高度相似。Fireworks AI为不同需求的企业提供分层支持：研究型团队可调用底层API进行精细化训练，而产品团队则可通过训练SDK快速上手。林乔透露，目前已有大量企业通过其平台开展后训练，涵盖从代码安全到医疗诊断的多元场景。
