估值20亿美元的AI中间商：Liblib靠聚合算力跑出奇迹还是陷入泡沫？
迷雾中的“中间商”：20亿美元估值背后的商业逻辑悖论
在人工智能行业普遍信奉“得大模型者得天下”的共识中，演语科技（Evoken）及其旗下产品Liblib走出了一条截然不同的路径。2026年6月，演语科技宣布完成近3亿美元的B+轮融资，投后估值突破20亿美元，这一数字使其成为中国AI应用层迄今最具标志性的融资案例之一。然而，与那些手握自研基座模型、在算力军备竞赛中挥金如土的企业不同，Liblib的核心身份被外界定义为“字节跳动最大的代理商”。
这种身份标签既构成了它增长的引擎，也埋下了争议的伏笔。在缺乏底层技术壁垒的语境下，Liblib选择了一条“轻资产、重运营、强聚合”的中间商路线。它不生产模型，而是通过整合上游模型厂商的算力资源，经过封装、优化与渠道分发，构建起一个庞大的需求采购池，再向下游C端用户和B端企业输出AI服务。这种模式在短期内实现了惊人的爆发力：截至2026年5月，公司年度经常性收入（ARR）达到3亿美元，同比增长超3000%。
但市场的质疑声从未停歇。当AI应用的边际成本随着模型能力的提升而迅速降低，纯粹依靠信息差和资源撮合的“中间商”价值是否会迅速归零？Liblib能否在巨头尚未完全覆盖的缝隙中建立真正的护城河？要回答这个问题，我们需要深入拆解其背后的产品矩阵、财务模型以及生存策略。
三大矩阵：从C端社区到B端工业化的生态闭环
Liblib之所以能在应用寒冬中逆势突围，并非依赖单一产品的偶然成功，而是得益于其精心设计的“集团化”产品矩阵。演语科技旗下拥有三大核心产品：面向国内创作者的LiblibAI、面向全球设计师的Lovart，以及切入AI短剧赛道的LibTV。这三条产品线并非孤立存在，而是形成了一个从流量获取到价值转化的完整闭环。
LiblibAI是其流量的基石。作为中国大陆最大的AI模型社区，它积累了超过3000万注册用户和50万个原创LoRA微调模型。通过会员订阅和算力充值，LiblibAI不仅实现了盈利，更沉淀了宝贵的创作者数据和微调模型资产。这些数据是平台理解用户需求、优化模型调用的关键基础设施。
Lovart则承担了全球化与商业变现的功能。聚焦于海外商业设计场景，Lovart在上线五个月内ARR即突破8000万美元，证明了AI工具在垂直领域的付费潜力。其成功关键在于将AI能力深度嵌入设计师的工作流，解决了传统设计工具效率低下的痛点，从而形成了高粘性的订阅模式。
LibTV则是Liblib对“AI+内容”变现路径的大胆探索。作为AI短剧社区与分发平台，LibTV精准切入了视频内容工业化生产的痛点。通过与字节跳动火山引擎Seedance 2.0等前沿视频生成模型的深度合作，LibTV在模型正式大规模商用前就完成了技术验证与市场教育。上线两月，LibTV收入暴涨13倍，显示出AI视频在影视广告领域的巨大爆发力。
这三大产品共享同一套上游算力资源和部分底层模型资产，但针对不同的用户群体提供了差异化的服务。LiblibAI积累社区流量，Lovart验证高付费意愿，LibTV捕捉内容爆发风口。这种多引擎驱动的策略，极大地分散了单一产品线的经营风险，也为公司提供了稳定的现金流支撑。
“Token倒爷”的争议：是低效套利还是必要基建？
尽管业绩亮眼，但Liblib的商业本质——“Token中间商”——始终面临伦理与商业价值的双重审视。批评者认为，Liblib只是简单的API转售商，缺乏核心技术壁垒，其利润空间完全依赖于上游模型厂商的定价策略。
陈冕，演语科技的创始人，对这一质疑有着清醒的认知。他承认Liblib是字节最大的代理商，但坚决否认简单的API转售行为。在他看来，模型能力与用户需求之间存在巨大的“错配”。用户不会直接使用枯燥的API接口，他们需要的是开箱即用、体验流畅、具备特定场景优化能力的产品。
陈冕将模型比作单反相机，将Liblib比作“摄影师”。摄影师的价值不在于制造相机，而在于懂得如何构图、如何打光，从而拍出用户需要的照片。Liblib的价值在于“叠层”：通过封装上游模型，提供友好的交互界面、完善的工具链、以及针对特定场景的微调优化，降低用户使用AI的门槛。
以LibTV为例，其所谓的“3.9折”并非API的单价折扣，而是包含大量算力预付费的连续包月订阅价格。陈冕将其比喻为“健身房模式”：用户预付大量积分，但实际使用率往往低于预期，剩余的未消耗积分即构成平台的利润。这种模式依赖于对用户行为的精准预测和成本控制。然而，这也带来了巨大的风险：一旦遭遇黑产逆向工程或大规模滥用，订阅制的利润模型将迅速崩塌。
更深层的焦虑在于定价权的缺失。Liblib不掌握模型，也不掌握算力底层，其利润率受制于上游厂商。陈冕坦言，AI应用层的毛利率短期内不应超过30%，追求高毛利会抑制需求，而低毛利则意味着极高的运营效率要求。这种“赚辛苦钱”的模式，在算力成本下行周期中，面临着被上游厂商“降维打击”的巨大威胁。
生存主义：从濒临破产到亿级俱乐部的进化论
Liblib的崛起，某种程度上是一场残酷的生存胜利。回顾其发展历程，2023年是其生死攸关的一年。上线仅4个月，LiblibAI因合规问题被下架，前期烧钱补贴造成的亏损让公司资金链断裂。到2024年初，公司账上仅剩4000元人民币，面对多个收购意向，陈冕选择了拒绝，因为他认定“创业不是为了创业，而是为了赢”。
这段至暗时刻迫使Liblib进行深刻的战略反思。陈冕意识到，单纯依赖C端社区模式难以支撑一家上市公司的估值，且极易受政策波动影响。于是，他采取了极端的收缩策略：砍掉不赚钱的业务，转向更务实的B端和全球化市场。
这一转变催生了后来的集团化战略。陈冕认为，与其让团队分散精力去做三家不同方向的初创公司，不如将资源集中在一个集团品牌下，通过内部协同实现风险对冲。LiblibAI、Lovart和LibTV虽然面向不同市场，但共享中台的模型调度能力和运营经验。这种“集团军作战”的方式，使得Liblib在2024-2025年的资本寒冬中，凭借正向现金流存活下来，并迅速扩大了市场份额。
然而，这种基于“生存主义”形成的路径依赖，正在成为Liblib未来发展的隐形枷锁。目前，公司的技术架构、团队能力乃至商业化体系，均围绕“Token调用”这一核心枢纽构建。无论是LiblibAI的模型分享，还是LibTV的视频生成，本质上都离不开算力的密集消耗。随着AI模型能力的指数级提升，端侧推理能力的增强以及模型开源化程度的提高，单纯的“算力聚合”优势将被迅速稀释。
护城河之争：超越Token的终极考题
20亿美元的估值，对于一家没有自研模型的AI公司而言，既是市场的信任投票，也是未来的对赌协议。Liblib当前的优势在于其庞大的用户基数、丰富的微调模型资产以及成熟的商业化渠道。这些要素构成了它短期的竞争壁垒。
但是，长期的护城河必须建立在更深层的创新之上。如果Liblib仅仅停留在“更好的包装”和“更优的渠道”，那么当模型厂商亲自下场做应用，或者提供更廉价、更便捷的官方工具时，Liblib的价差空间将被彻底压缩。
陈冕也意识到了这一危机。他提出，AI应用真正的黄金时代，可能要在两到五年后，当Token变得极其便宜、智能触手可及时才会到来。在此之前，Liblib需要利用现有的现金流和时间窗口，完成从“Token中间商”到“AI基础设施服务商”的身份跃迁。
这意味着Liblib需要在以下几个方面进行突破：
第一，深耕垂直场景的数据闭环。利用LiblibAI积累的50万个LoRA模型和3000万用户行为数据，训练出更具领域特异性的小模型或微调方案，形成上游厂商难以复制的数据壁垒。
第二，构建开发者生态。从单纯的销售方转变为平台方，允许第三方开发者基于Liblib的底层能力开发插件、工具和场景应用，从而增强用户粘性，形成网络效应。
第三，探索AI原生的工作流创新。不仅仅是将AI功能嵌入现有工具，而是重构内容创作的生产关系。例如，LibTV不仅是一个视频生成平台，更是一个AI原生内容的社交与分发网络，这种社区属性是纯工具型产品难以模仿的。
Liblib的故事，是AI应用层在泡沫与务实之间寻找平衡的缩影。它证明了在模型浪潮中，应用层依然具有巨大的商业价值，但也警示了缺乏底层技术掌控力的脆弱性。20亿美元的估值只是起点，Liblib能否在巨头环伺、技术迭代的加速期中，通过数据、生态和工作流创新建立起真正的护城河，将决定它是成为AI时代的先行者，还是短暂潮水退去后的一粒泡沫。
这场关于“中间商”价值的探讨，或许才刚刚开始。对于整个AI行业而言，Liblib的案例提供了一个重要的参照系：在技术普惠的今天，应用层的核心竞争力，不再是信息的不对称，而是对用户体验的极致打磨和对行业痛点的深刻洞察。谁能在这点上做到极致，谁就能在激烈的竞争中笑到最后。