模型 28 天就過氣：Fal 押注「不擁有模型」的基礎設施策略，18 個月衝上 $200M ARR

本文整理自 Open Source Startup Podcast 2026 年 4 月播出的單集。

{{< spotify "episode/2JFv8eAHGbo6UY9XJT1xaP" >}}

{{< apple-podcast "tw/podcast/e194-fals-bet-on-generative-media/id1548524534?i=1000764562135" >}}

---

28 天，一個模型從登頂到被取代

在 AI 產業，我們習慣用「誰的模型最強」來判斷一家公司的競爭力。OpenAI 有 GPT，Google 有 Gemini，Anthropic 有 Claude。但如果告訴你，在生成式媒體領域，最強的模型平均只能維持 28 天的王座地位，你會怎麼看待「做模型」這件事？

這個數據來自 Fal 工程負責人巴圖漢．塔斯卡亞（Batuhan Taskaya）。Fal 是一家專注於圖像、影片和音訊 AI 推論的雲端平台，2025 年 12 月完成由 Sequoia 領投的 1.4 億美元 D 輪融資，估值達 45 億美元。塔斯卡亞在 Podcast 中透露一個驚人事實：平台上營收排名前五的模型，連續兩個月都留在榜上的機率只有 42%。再過一個月，這個數字會降到 20% 以下。沒有任何單一模型佔 Fal 營收超過 10%。

這個數據的衝擊力在於：它徹底翻轉了「贏者通吃」的敘事。在語言模型領域，GPT-4 可以稱霸一年以上。但在圖像和影片生成領域，模型的迭代速度快到沒有人能穩坐第一。對 Fal 來說，這不是壞消息，而是他們整個商業策略的基礎。

---

一個 Python 資料工具如何變成估值 45 億的 AI 基礎設施公司

Fal 的起源和今天的樣貌幾乎是兩家不同的公司。2021 年成立時，Fal 是一個讓使用者在雲端跑 Python 資料轉換的工具，定位在 Databricks 和 Snowflake 之間。公司名字 Fal 就是 features and labels 的縮寫。到了 2022 年底，Stable Diffusion 和 ChatGPT 同年問世，團隊看到了新機會。

塔斯卡亞回憶當時的決策邏輯：他們只有六個人，必須選一個方向。語言模型市場已經有 OpenAI 的 API，有多家新創在搶。但圖像模型呢？幾乎沒有可靠的 API 存在。有些公司提供服務，但本質上只是把 Docker 容器包一層 HTTP API，不能擴展、速度慢、成本高。Fal 決定用六到九個月的時間閉關，專攻圖像模型的高效能推論。

這個決定的結果驚人。他們從零開始，靠兩個早期客戶在幾個月內達到 100 萬美元 ARR。這個數字讓團隊確信轉型是對的。從那之後，營收在一年內從 100 萬衝到 1000 萬，再從 2024 年 8 月到 2025 年 8 月衝到 1 億美元。到 2025 年 10 月，ARR 已超過 2 億美元。整個過程中，團隊人數始終維持在 35 到 40 人左右。

---

「模型碎片化」不是問題，是 Fal 最大的護城河

傳統思維會認為模型碎片化是一個問題。如果你投入大量資源訓練一個模型，結果一個月後就被新模型超越，那不是白費力氣嗎？但 Fal 把這個現象看作機會。

塔斯卡亞解釋了他們的邏輯：過去 12 個月，平台上有超過 600 個模型在運行。圖像、影片、音訊領域有大約 100 到 150 家公司在訓練模型，有的做圖像分割、有的做背景移除、有的做虛擬試穿。這種極度碎片化的市場結構意味著沒有人能靠「一個模型打天下」。客戶需要一個中立的平台，能夠快速部署最新、最適合他們場景的模型。

Fal 的策略因此變得清晰：不自己預訓練模型，而是做最好的推論基礎設施。他們有一個五到六人的後訓練團隊，負責把開源基礎模型針對特定場景做蒸餾（distillation）和微調，然後把成果以開源方式發布。客戶可以用 Fal 的 API，也可以自己跑這些開源模型。這種「不鎖定」的策略反而強化了平台的吸引力，因為無論下一個最強模型從哪裡來，Fal 都能在第一時間把它優化到最佳狀態。

這和語言模型市場形成了有趣的對比。在 LLM 領域，OpenAI、Anthropic、Google 都是既做模型又做 API。但在生成式媒體領域，Fal 證明了「只做基礎設施」也能撐起 45 億估值。關鍵差異就在那個 28 天的數字：當模型更迭快到沒有人能長期壟斷時，「能夠最快把任何模型跑到最佳效能」本身就是最有價值的能力。

---

自建 Kernel 的技術深度：為什麼不能只套 PyTorch

Fal 的技術護城河很直白：對底層硬體的深度理解，加上日復一日的持續優化。塔斯卡亞的背景是編譯器工程師，他是 Python 語言的共同作者之一，做過即時編譯器和資料庫查詢引擎。當他開始看 AI 推論時，第一個反應是：為什麼大家的 GPU 利用率這麼低？

他描述了他們的發現：用標準 PyTorch 跑一個圖像生成模型，理論上 GPU 應該能在某個時間內完成計算，但實際速度慢了三到四倍。這代表有 60% 到 70% 的算力被浪費了。Fal 的團隊花了幾週時間，用效能工程的標準方法（profiling、找瓶頸、逐一解決）把 GPU 硬體利用率從 30% 提升到 70-80%。

但速度優勢本身不是永久的護城河。NVIDIA 有四五十人在做 TensorRT，開源社群遲早會追上來。Fal 真正的優勢在於速度：每當有新模型問世，他們能在最短時間內完成優化。開源社群可能要花幾個月才達到 80% 的效能，而 Fal 在模型上線當天就能提供接近最佳的推論速度。而且每一代 GPU 架構都不同，從 A100 到 H100 到 Blackwell，核心（kernel）都要重寫。這種持續投入的能力本身就是門檻。

更關鍵的是，他們不只做演算法層面的優化。Fal 在 2023 年 GPU 供應危機時，整個系統從 Kubernetes + GKE 改造成多雲架構。他們丟掉了 Google 的檔案系統、監控堆疊、編排層，全部自建。這讓他們能從 Lambda Labs、CoreWeave 等各種雲端供應商取得算力，不被單一供應商綁死。現在他們甚至在積極支援 AMD 晶片和 TPU，因為 NVIDIA 的產能永遠不夠用。

---

我的觀察：當模型不再是護城河，AI 產業的權力正在重新分配

Fal 的故事讓我重新思考一個問題：在 AI 產業中，真正的競爭優勢到底在哪一層？

過去兩年，整個產業的注意力集中在「誰能訓練出最強的模型」。數百億美元的資金湧入預訓練，每家實驗室都在比模型的 benchmark 分數。但 Fal 的數據揭示了一個不同的現實：至少在生成式媒體領域，模型本身正在快速商品化。28 天的平均壽命意味著今天花 5000 萬美元訓出來的頂級模型，下個月可能就被一個開源團隊用蒸餾技術超越。

這對 AI 產業的權力結構有深遠影響。如果模型不再是護城河，那什麼才是？Fal 給出的答案是三個東西：效能工程的持續投入、多雲基礎設施的靈活性、以及和客戶的深度整合。他們有上千個 Slack 頻道直接和客戶工程團隊對接，這種「工程師對工程師」的服務模式很難被純 API 公司複製。

我認為這個趨勢不只適用於生成式媒體。隨著開源模型在各個領域追上閉源模型的品質，「基礎設施 + 後訓練 + 客戶整合」的組合可能會成為更多 AI 公司的核心策略。對台灣的 AI 新創來說，這是一個值得深思的方向：與其投入資源做第 N 個語言模型，不如思考在特定垂直領域做到「最快把最新模型優化到生產等級」的能力。這可能是一條更務實、也更有護城河的路。