Mistral估值近千億，歐洲AI還能搶救一下？

歐洲AI公司Mistral又一次出現在了大眾視野里，這一次不是因為它的模型有多強，只因為它“不是美國的”。

憑借這條路徑，Mistral在模型性能不占優勢的情況下，依然被市場給出了140億美元的估值，并入選了最新發布的Forbes AI 50（2026），成為少數在硅谷體系之外崛起的AI公司代表。

歐洲可以說是全球對AI監管最嚴格的地區之一，而百億以上的估值顯然不是一個小數字。

而說起歐洲AI，很難不想到楊立昆（Yann LeCun）的創業公司AMI Labs，在尚未推出產品的情況下就拿到了超過10億美元的種子輪融資。

同為歐洲AI公司，一家公司放棄了“做最強模型”，另一家公司仍然在賭“下一代智能”，都在商業上獲得了不錯的結果。

這看起來像一個信號：歐洲AI，又行了？

01

歐洲AI的兩條路徑

Mistral成立于2023年，由三位來自Google DeepMind和Meta的研究人員創立，核心團隊幾乎全部來自一線AI實驗室。

在最初的一段時間里，它被寄予了很高的期待，被稱為“法國的希望”、“歐洲的OpenAI”，更是被法國總理馬克龍公開力挺。

不過去年Mistral被爆出蒸餾Deepseek模型，陷入輿論危機：技術社群發現其部分模型在生成風格上與DeepSeek高度相似，且有前員工透露公司刻意隱瞞蒸餾過程，將成果誤導為自研技術。

官方并未對此回應，但自那之后，它似乎就在中文互聯網上少有消息了——上次見還是去年12月，它發布了Mistral 3，對標的全是中國模型。

如果只看模型能力，Mistral已經明顯落后于OpenAI和Anthropic的主流模型，在性能榜單上逐漸被拉開差距。

根據Forbes最新的報道，這家公司做了一次重要的轉向，不再試圖正面參與“誰的模型更強”的競爭。它選擇了一條更現實的路徑：不求最強，只強調“自己人”。

在過去的很多年里，全球科技默認用美國的“最先進”技術，但現在由于政策和數據敏感等一系列原因，這個前提開始動搖。

技術越強，信任就變得越稀缺，于是大家開始做同一件事：把最重要的東西，握在自己手里。

在技術路徑上，Mistral主推開放權重模型，企業可以下載、本地部署、用自己的數據訓練，而不是通過API調用一個黑盒模型；在商業模式上，Mistral不只是賣模型，還像Palantir一樣，直接把工程師派進客戶公司，幫他們搭系統、做自動化，解決具體問題。

對政府和大型企業來說，“可控性”是非常重要的：數據要留在本地，系統要可控，供應鏈不能被單一廠商鎖住。

正因如此，Mistral的增長邏輯也隨之改變。它不再死磕模型上的突破，而是依賴于政府訂單、企業部署，以及所謂“主權AI”的需求。甚至，它已經開始建設自己的數據中心，試圖進一步擺脫對美國云廠商的依賴。

從這個角度看，Mistral在做的其實已經不只是一個AI創業公司在做的事，更像是在嘗試建立一套不依賴硅谷的AI體系。于是在一個本該“性能至上”的行業里，Mistral雖然沒有最強的模型，但依然被市場給出了百億美元級的估值。

Mistral或許是最具代表性的歐洲AI公司，但它并不是歐洲AI唯一的答案。在同一片土壤里，也存在著兩種幾乎完全不同的AI路徑。

法國出生的楊立昆始終堅持一個更傳統、也更激進的方向：AI的核心，依然是技術本身。

他也強調開源，但這種開源是為了讓技術持續進步，而不是被少數公司壟斷。

2025年，楊立昆離開Meta，創立了AMI Labs，直接把自己的技術理念變成了一家公司。這家公司并不做LLM，它的目標是構建“世界模型”，讓AI從現實數據中學習因果關系、物理規律和環境變化。

雖然還沒有做出什么產品，但這家公司在種子輪就融了約10.3億美元（接近很多公司的C輪規模），投前估值約35億美元。

在他的視角里，模型應該繼續變強，結構應該繼續進化，能力邊界應該不斷被推高。他認為，如果AI要走向真正的智能，光靠LLM是不夠的。

于是，同樣是歐洲背景的AI公司，出現了一種罕見的分叉：以Mistral為代表的路徑，正在試圖回答，如何在這場競爭中不被控制；而以AMI Labs為代表的路徑，則在繼續追問，如何重新定義這場競爭本身。

如果說美國的AI競爭圍繞“誰能做出最強的模型”，那么歐洲，則更像是在回答另一個問題：

當你無法主導這場競爭時，你要如何參與？

02

歐洲正在迎來一個人才的窗口期

在過去很長一段時間里，全球科研人才幾乎都在流向美國。但現在情況有所不同。

根據《Nature》2025年3月的一項調查，超過1600 名在美國工作的科研人員中，約有75%表示正在考慮離開美國，其中歐洲和加拿大成為最主要的目的地。

另一個很直觀的變化發生在歐洲研究理事會（ERC）：過去美國科研人員很少把歐洲當作首選去向，2024年，來自美國的申請人數只有60人，在整個申請池中占比極低，但到了2026年，這個數字已經上升到169人。

其中，來自美國的高級研究者申請從23人增長到114人，直接翻了近5倍。

也就是說，人才不只是有意向離開，他們已經開始真正流動。

從人才供給端看，美國對國際科研人才的吸引力正在下降。數據顯示，2025年美國國際學生入學人數出現顯著下滑，其中研究生人數下降約12%。

這一變化的背后并不是單一政策因素，還有整體科研環境的不確定性上升：在過去一年中，美國大量科研項目被凍結或取消，涉及約8000個項目；同時，約2.5萬名科研人員或相關崗位受到影響。

資金收縮、招聘暫停以及政策的不確定性，讓科研體系本身開始出現裂縫。

再往大一些，這種變化已經體現在人口層面：2025年，美國出現了至少半個世紀以來第一次人口凈流出。根據多家機構估算，當年凈遷移為負，區間在-1萬到-29.5萬人之間。

過去幾十年里，美國勞動力增長中接近一半來自移民，一旦這一部分開始收縮，其影響會直接傳導到科研、產業乃至整個經濟結構。

在這樣的背景下，歐洲迎來了吸引AI人才的一次窗口期。

歐洲并沒有被動等待這場變化，而是用了一整套體系去接住這波流動。

在歐盟層面，“Choose Europe for Science”計劃投入約5億歐元，隨后預算迅速擴大到接近9億歐元，明確將吸引全球科研人才、尤其是來自美國的研究人員，作為一項長期目標。

與此同時，歐洲研究理事會（ERC）也提高了對遷移科學家的支持力度。在原有科研經費之外，額外的搬遷資金上限從100萬歐元提高到200萬歐元。對于一位頂級研究者來說，這意味著可以帶著整個實驗室、設備和團隊一起遷入歐洲，而不是單獨跳槽。

高校和研究機構的動作則更加直接。法國推出的“Safe Place for Science”（科學避風港）項目和德國的研究機構（如Max Planck體系），已經開始主動接觸在美科研人員，提供崗位、資金以及遷移支持。

更關鍵的是，歐洲正在補上過去在“人才承接”上的短板：由歐盟委員會主導的科研人才網絡（如EURAXESS）開始承擔起“中樞平臺”的角色，匯總各國的科研崗位、資助項目和遷移信息，為研究人員提供一個統一入口。

種種支持下，當一名科學家決定離開美國時，他面對的是一整套已經準備好的路徑：從崗位申請、科研經費，到簽證辦理、居留許可，甚至包括家屬安置和子女教育支持，都會由具體機構負責對接。

當前或許是歐洲能夠直接吸納頂級科研人才的最好時機，而人才，往往意味著未來。

03

在嚴格的監管下

按理說，AI這個領域本就帶著歐洲的基因。

計算機鼻祖Alan Turing是英國人，定義了“機器是否智能”的標準；歐洲數學體系更是構建了計算理論、邏輯學、概率論這些學科基礎；全球最頂級AI實驗室之一，現在的Google DeepMind，在一開始也是英國公司。

但這些輝煌最終沒有留在歐洲：DeepMind被Google收購，最頂級的AI能力流向美國；許多核心研究者進入硅谷體系，成為OpenAI、Meta、Google的中堅力量。

明明歐洲并不算缺少人才，基礎研究也不弱，甚至在很多領域長期領先，但它在AI鏈條中的位置更像源頭，而不是終點。

原因并不算復雜。

歐洲的AI發展，從一開始就帶著優先級：先是“是否合規”，再是“是否可用”，最后才是“是否領先”。

歐盟是全球最早系統性推動AI監管的地區之一，從數據層面的《通用數據保護條例》（GDPR），到針對AI本身的《人工智能法案》（AI Act），再到平臺層面的《數字服務法案》（DSA）和《數字市場法案》（DMA），歐洲幾乎在每一個關鍵節點，都設定了明確的邊界。

這些規則的共同特點是，在技術進入現實世界之前，先對風險進行分類和限制。

以AI Act為例，它將人工智能按風險分級，對高風險系統提出嚴格要求：數據必須可追溯，模型需要可解釋，系統必須保留人為干預的空間。

對于生成式AI，還要求披露訓練數據來源、標注生成內容，并對輸出風險承擔責任。

這些規則的初衷是避免技術失控，但它的副作用也同樣明顯：當不確定性來自監管本身時，企業會選擇更保守的路徑。

這不僅提高了創業成本，也改變了資本的偏好。相比美國更激進的技術投資環境，歐洲市場更傾向于穩定、可預期的回報。

結果就是，大規模、長周期的AI投入，很難在歐洲本土形成。

在最近的漢諾威工業博覽會上，西門子首席執行官Roland Busch就公開表示，如果歐盟不調整當前的監管框架，公司將優先考慮在美國和中國進行AI投資。

他提到，西門子原本計劃在工業人工智能領域投入約10億歐元，但由于歐洲的監管負擔，其中大部分資金可能會轉向海外。

監管已經影響了資本的流向，這對技術的發展從來不是一件好事——畢竟總不可能完全依靠于政府和機構的扶持。

反觀中美，美國的AI的發展路徑幾乎是反過來的，那里很少在一開始就設定明確邊界，而是允許技術先快速推進，在問題出現之后，再通過監管逐步修正。這種”先上車后補票“模式的結果是極快的創新速度，風險往往被視為發展的一部分。

中國則更強調應用優先，AI技術被迅速推向具體場景，從金融風控到電商推薦，從城市治理到工業系統，幾乎每一個環節都在嘗試落地。在這個過程中，監管更多是伴隨式的：既要控制風險，也要保證發展速度。

路徑沒有對錯，但在這樣的環境下，美國更容易誕生技術突破，中國更容易形成規模化應用，而歐洲則更容易建立一套穩定、可控的體系。

但在一個高度依賴規模和速度的領域，穩定往往并不足以形成優勢。

這也是為什么，在互聯網時代之后，歐洲就逐漸失去了平臺級公司的主導權。

Mistral和AMI Labs并不代表歐洲已經重新回到了技術競爭的中心，但它至少說明，在一個被速度主導的行業里，歐洲正在嘗試用另一種方式參與。

它在一套原本限制自己的結構里，第一次等到了變量同時出現的時刻：路徑開始改變，人才開始松動，外部環境也在發生變化。

這些條件，過去很少同時出現。但問題依然存在：監管沒有放松，市場結構沒有改變，風險偏好也依舊保守。

這些決定了歐洲很難復制美國的路徑，也不可能走中國的路線。但在這場競爭里，它正在建立一種屬于自己的存在方式。

至于這種路徑能否長久，當然，還需要時間驗證。