一家未直接开发AI技术的公司，已实现年收入1亿美元的佳绩。

这一商业上的突破由Arena达成，该公司正处于大型AI模型竞争的关键领域。

Arena的前身名为Chatbot Arena，最初是加州大学伯克利分校团队于2023年启动的一项开放研究项目。

出乎意料的是，该项目在短时间内迅速崛起，成为影响大型模型发展方向的核心平台。

就在近期，Arena的商业化服务推出仅8个月，其年化营收已达到1亿美元，标志着一个重要的新里程碑。

ChatGPT、Claude等模型在Arena上榜，成为大型模型竞技场

对于许多人来说，Arena并不陌生。

它最受关注的特点是，通过用户进行的真实匿名测试，构建了一个大型模型排行榜。

其运作方式极其简单，却又充满竞争性：用户输入一个指令，系统随机派出两个匿名的模型进行回应，随后用户选择表现更优的模型。

系统收集数千万的此类投票，最终形成一个类似Elo评分系统的排行榜。

这种“擂台赛”的机制，使其成为全球AI爱好者和开发者的重要聚集地。

迄今为止，该平台已积累超过1000万次用户评估，7亿次对话，8200万张投票，每月吸引超过1000万访客，遍布全球150多个国家。

更值得注意的是，每日约80%的用户提问都是全新的，这意味着没有任何模型能够事先“背题”。

其权威性体现在，OpenAI、谷歌、Anthropic、Meta等主要AI公司，都将自家最新模型提交至Arena接受社区的评测。

甚至OpenAI在GPT-5正式发布前，还曾使用代号“summit”的内部版本在该平台进行测试。

换言之，全硅谷最顶尖的模型，都在等待一个来自伯克利学生项目的“盖章认证”。

1亿美元营收是如何实现的？

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，利用Arena庞大的社区用户群，对其模型进行深度评估，从而获得仅靠跑分无法获得的“真实世界”性能分析。

这被描述为一套“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真实用户使用场景中的优势、劣势以及潜在的错误，则需要支付费用。

这是一种典型的“为淘金者提供工具”的商业模式——在淘金热中，卖水和卖铲子的人通常能稳定获利。

大型模型厂商之间的竞争越发激烈，对模型性能的极致追求，也使得他们对这种“上线后调优”服务的需求日益增长。

Arena恰好处于所有参与者都必须经过的关键节点。

三位伯克利背景人士，打造了最赚钱的AI业务

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，两位伯克利的室友希望实现一个简单的目标——为大型语言模型建立一个中立的比较平台，让它们能够公平地进行竞争。

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。

项目进展神速：2025年春天，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；

数月后，商业产品上线，仅用四个月时间，年化营收就达到了3000万美元。

随后，今年1月，由Felicis和UC Investments领投的1.5亿美元A轮融资完成，投后估值锁定在17亿美元。

公司的核心领导团队也非等闲之辈。

CEO Anastasios Angelopoulos，拥有深厚的数学背景。

他在斯坦福大学攻读电子工程本科期间，曾师从著名的凸优化专家Stephen Boyd。

在伯克利攻读博士学位时，他的导师包括了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。

他多年来一直专注于如何对“黑箱”模型进行具有数学严谨性的评估。

CTO Wei-Lin Chiang是开源社区的知名人物——风靡网络的开源聊天机器人Vicuna便出自他手。

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，此前曾在谷歌、亚马逊和微软等公司任职。

2022年底ChatGPT公测之际，他暂停了之前的研究，全身心投入到Arena项目中。

他的同事Angelopoulos形容他对该项目的投入是“一份用爱发电的事业”。

为了这个项目，两人长时间工作，甚至选择同住。这两位室友共同创立了一家估值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，他一直担任该项目的顾问。

“裁判”比“选手”更重要

Arena的最新举措是推出了“Agent Mode”（智能体模式）。

该平台现在评估的不再仅仅是“谁的聊天能力更强”，而是数百万用户在实际使用智能体完成的任务，例如编写代码、调试错误、进行研究、分析文档等，这些任务往往涉及数百万次的工具调用和多轮交互。

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。

人工智能正从“聊天机器人”向能够独立承担任务的“智能体”演进，任务的复杂性和重要性也在不断提升。

评估，是人类深入了解AI内部运作的最后一道探针。

Arena的商业价值能够达到1亿美元乃至17亿美元，其核心逻辑在于，它押注于这项评估工作将变得越来越重要，成本也将随之增加。

然而，最终所有人都将面临一个共同的问题——当机器开始自主出题时，谁才有资格进行评判？