一家不直接开发AI的公司，年收入已达1亿美元。

创造这一商业奇迹的是Arena，一个吸引着众多AI领域巨头参与竞争的“大模型擂台”。

Arena的前身是Chatbot Arena，最初于2023年由加州大学伯克利分校的一个团队发起，旨在进行一项开源研究。

令人意想不到的是，在短时间内，它已成为决定大模型发展方向的关键平台。

就在近期，Arena的商业化服务上线仅8个月，年化营收便突破1亿美元，树立了新的行业标杆。

ChatGPT、Claude等榜上有名，“大模型擂台”的魅力

对于许多人来说，Arena并不陌生。

它最受瞩目的特点是，通过用户真实的盲测数据，构建了一个大模型排行榜。

其运作模式极为简洁，却又充满竞争性——

用户输入一段指令，系统会匿名派出两个模型同时生成回应；随后，用户选择表现更优的模型。

通过收集数千万次这样的用户投票，Arena生成了一个类似Elo积分系统的排行榜。

正是这种“擂台赛”的机制，使其成为了全球AI爱好者和开发者的重要聚集地。

截至目前，该平台已累计超过1000万次用户评测、7亿次对话记录、8200万张投票，每月吸引超过1000万访客，遍布全球150多个国家。

更重要的是，每天约80%的用户提问都是全新的，这确保了没有任何模型能够提前“背诵”答案。

其含金量如何？

OpenAI、谷歌、Anthropic、Meta等竞争激烈的顶级公司，都将自家最新的模型提交到Arena接受社区的评估。

甚至有消息称，OpenAI在GPT-5正式发布前，曾以代号“summit”在Arena上进行秘密测试。

换言之，硅谷最顶尖的模型，都在等待一个来自伯克利学生项目的“认证”。

1亿美元的营收是如何实现的？

那么，一个免费的排行榜是如何转化为一个年收入1亿美元的“吸金利器”的呢？

去年9月，Arena推出了名为“AI Evaluations”的商业服务。

模型开发商和大型企业可以付费使用Arena的平台，动员其庞大的社区用户对自家模型进行深度评测，从而获得仅凭跑分无法获得的“真实世界”性能分析。

这套服务被形容为一套“面向真实世界的CI/CD系统”。

当模型准备公开发布时，Arena会免费为社区进行评测；

而企业若想了解自家模型在实际用户使用中的优势、劣势以及潜在问题，则需要付费。

这是一种典型的“卖水人”商业模式——在淘金热中，卖水和卖铲子的人往往比挖金子的人更赚钱。

大模型厂商之间的竞争越发激烈，对模型性能的极致追求也越大，因此对这种“上线后调优”服务的需求也随之增长。

Arena恰好处于所有模型厂商都必须经过的关键节点。

三位伯克利人的创业故事

创造最赚钱的AI生意

Arena的前身是Chatbot Arena。

再往前追溯，它属于伯克利大学著名的LMSYS研究小组。

最初，两位伯克利的室友怀揣着一个朴素的愿望——为大语言模型搭建一个中立的平台，让它们能够进行公平的比较。

没有人预料到，这个学生项目会迅速发展成为一家独角兽企业。

项目进展迅速：2025年春季，该项目从大学独立出来，正式成立公司，并在几周内获得了1亿美元的种子轮融资，估值达到6亿美元。

几个月后，商业产品上线，仅用四个月时间，年化营收就飙升至3000万美元。

随后，今年1月，由Felicis和UC Investments领投的1.5亿美元A轮融资到位，公司投后估值达到17亿美元。

领导这三位核心人物，都非等闲之辈。

CEO Anastasios Angelopoulos，其学术背景偏向数学。

他在斯坦福大学攻读电子工程本科期间，曾师从凸优化领域的著名学者Stephen Boyd。

在伯克利攻读博士学位时，他的导师更是机器学习领域的泰斗Michael I. Jordan和计算机视觉领域的权威Jitendra Malik。

他多年的研究重点在于如何对“黑箱”模型进行数学上严谨的评估。

CTO Wei-Lin Chiang是开源社区的知名人士，他曾开发出广受欢迎的开源聊天机器人Vicuna。

他在伯克利攻读博士学位，师从Ion Stoica，专注于分布式系统领域，并曾在谷歌、亚马逊和微软等公司有过工作经历。

2022年底ChatGPT公开测试之际，他暂停了之前的研究，全身心投入到Arena项目中。

搭档Angelopoulos形容他对这个项目的投入是“一份用爱发电的事业”。

为了这个项目，两人长时间工作，甚至选择住在一起。这两个室友，共同打造了一家估值17亿美元的公司。

第三位联合创始人是著名的伯克利教授、Databricks联合创始人Ion Stoica。在项目于2025年4月公司化之前，他一直担任项目的顾问。

“裁判”比“选手”更重要

Arena的最新进展是推出了“Agent Mode”（智能体模式）。

如今，它的评测内容已不再局限于“哪个模型聊天更好”，而是扩展到数百万用户在实际应用中使用的智能体功能：编写代码、调试错误、进行研究、分析文档——这些涉及多轮交互、调用多次工具的复杂长任务。

Arena开始采用任务完成率、幻觉率等客观指标进行评分，这已经远远超出了最初“人类偏好投票”的范畴。

AI正从“聊天机器人”向能够独立完成任务的“智能体”演进，其任务的复杂性和重要性都在不断提升。

评测，被视为人类深入了解AI内部运作的最后一道探针。

Arena之所以能获得1亿美元乃至17亿美元的估值，其核心逻辑在于押注评测的重要性将日益凸显，其价值也将不断攀升。

然而，最终所有人都需要面对一个问题——当机器开始自行出题时，谁将拥有最终的评判权？