一个不直接开发AI技术的公司，已实现年收入1亿美元的佳绩。

这一商业上的成功，源于Arena，一个在大模型领域备受瞩目的竞争平台。

Arena的前身是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。

令人意想不到的是，该项目在极短时间内便成为决定大模型发展方向的关键平台。

就在不久前，Arena商业化服务上线仅8个月，年化营收便达到了1亿美元，标志着一个新的里程碑。

ChatGPT、Claude等模型在此“榜上有名”，Arena成为大模型竞技场

对于许多人而言，Arena并不陌生。

该平台最受关注的特点是其基于用户真实盲测生成的大模型排行榜。

其操作方式极为简便，却蕴含着强烈的竞争性——

用户输入指令后，系统会匿名选择两个模型进行回应，然后由用户评判哪个表现更优。

系统汇总海量此类用户投票，形成类似Elo评分系统的排行榜。

正是这种“擂台赛”的模式，使Arena成为了全球AI爱好者和开发者聚集的热门地点。

截至目前，该平台已积累了超过1000万次用户评测、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。

更重要的是，每天约80%的用户提出的问题都是全新的，这使得任何模型都无法提前“备考”。

其含金量如何？

OpenAI、谷歌、Anthropic、Meta等竞争激烈的顶尖科技公司，都纷纷将自家主力模型送上Arena接受社区的检验。

甚至有报道称，OpenAI在GPT-5正式发布前，曾以代号“summit”的名义在该平台秘密进行测试。

换言之，硅谷最顶尖的模型，都在等待一个由伯克利学生发起的项目来验证其性能。

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1亿美元的商业引擎的？

去年9月，Arena推出了名为AI Evaluations的商业服务：

模型开发商及大型企业可以付费，利用Arena庞大的用户社区对其模型进行深入评估，从而获得仅靠标准测试无法获得的“真实世界”性能分析。

这被描述为一套“面向真实世界的持续集成/持续部署（CI/CD）系统”。

一旦模型准备好公开发布，Arena会免费为其进行社区评测；

而企业若想了解自家模型在真实用户使用场景下的优势、劣势及潜在问题，则需要支付费用。

这是一种典型的“卖水人”商业模式——在淘金热中，卖水和卖工具的人往往比挖金子的人更稳定地获利。

随着大模型厂商竞争日益激烈，对模型性能的极致追求也随之增长，这进一步推高了对这种“上线后优化”服务的需求。

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出最具盈利潜力的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简单朴素的愿望——为大语言模型搭建一个中立的比较平台，让它们能够公平竞争。

谁也未曾预料到，这个学生项目竟能迅速发展成为一家独角兽企业。

项目进展之快令人目不暇接：2025年春季，项目正式从大学独立出来成立公司，并在数周内完成了1亿美元的种子轮融资，公司估值达到6亿美元；

数月后商业产品上线，仅四个月就实现了3000万美元的年化营收。

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，公司投后估值定格在17亿美元。

这家公司的三位核心领导者均非等闲之辈。

CEO Anastasios Angelopoulos，其学术背景深厚，专攻数学领域。

他在斯坦福大学攻读电子工程学士学位期间，曾师从凸优化领域的知名学者Stephen Boyd。

在伯克利大学攻读博士学位时，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。

他多年来的研究重点是如何为“黑箱”模型提供数学上严谨的评估方法。

CTO Wei-Lin Chiang是开源社区的知名人士——备受推崇的开源聊天机器人Vicuna便出自他之手。

他在伯克利大学攻读博士学位，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有过工作经验。

2022年底ChatGPT公测之际，他毅然暂停了之前的研究，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”。

为了推进该项目，两人长时间工作，甚至选择同住。这两个室友，共同构建了一家估值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，他一直担任项目顾问。

作为裁判比作为选手更重要

Arena的最新举措是推出了Agent Mode（智能体模式）。

该模式的评测内容已不再局限于“谁的聊天能力更强”，而是涵盖了数百万用户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”演变为能够独立承担复杂任务的“智能体”，其任务的复杂性和重要性都在不断提升。

评测，正成为人类深入理解AI内部运作的最终手段。

Arena之所以能创造1亿美元营收，并达到17亿美元的估值，其核心逻辑在于，它押注了评测在AI发展中的重要性将日益凸显，且价值将持续增长。

然而，最终所有人都将面临一个共同的挑战：当机器开始自行出题时，谁才有资格进行评判？