这一篇讲推理层——智能引擎本身，以及一个越来越关键的问题：围绕它,你应该拥有什么。
在前三篇里，我们讨论了"AI 该为你的业务做什么"(业务层)，以及"AI 到底怎么把工作做完"(智能体层)。这一篇，再往下一层——推理层，也就是模型本身、以及那些指导模型如何行动的提示词和指令。对大多数业务管理者来说，这是 AI 栈中最神秘的部分。该用哪个模型?自己训练一个行不行?开源够用吗?——这些都是真实的问题，但很少有人答得好。原因是底层格局变化太快，任何具体的答案，可能几个月内就会过时。这篇文章想做点不一样的事情。我不想告诉你现在该选哪个模型，而想给你一个经得起下个季度的排行榜变化的思考框架。第一部分：2026 年的前沿模型实际正在发生什么——以及你该怎么思考模型这一层。第二部分——也是更重要的——是第一部分的答案引出的那个问题：如果模型大部分是租来的，而且能力越来越强，那么你的企业到底该自己拥有什么?2026 年的前沿模型，长什么样
过去十八个月里，前沿模型的状态发生了剧烈变化。而大多数业务管理者，可能还没有机会消化这件事。有三件事值得理解。在物理学家、化学家、生物学家专门设计的科学基准测试上，GPT-5.4拿到92%的高分——舒舒服服地超过了专家基线。在研究生级别的科学推理上，Claude Opus 4.6的成绩是91.3%。在衡量"AI 能不能搞定真实生产代码问题"的软件工程基准上，多个前沿模型超过 80%。这些数字描绘的，不是一个聪明的通才。它们描绘的是一种系统——在狭窄但确定的维度上，已经做到了你公司里最贵的那批人的水平。第一股是 Scaling Laws(规模律)——一个经验性的规律：更大的模型、更多的数据、更多的算力，便可以可靠地产出更有能力的模型。过去几轮里反复有人预测"这条曲线快要塌了"，但它一直没有塌。第二股是后训练(post-training)——基础模型训练完之后做的所有工作，包括基于人类反馈的强化学习(RLHF)、指令微调，以及近年的新技术：让模型在给出答案之前，先一步一步把思路推理一遍(常被称为"思维链 chain-of-thought"，或者"思考模式 thinking mode")。这解锁了基础模型本身单纯靠规模无法具备的能力。你今天能租到的前沿模型，不再是去年模型的更大版本。它们的形状不一样，多了一种基础模型本身没有的显式推理能力。早一些的模型，如果要同时处理图像、音频、视频，通常的做法是把几个专门的模型粘在一起——一个管文字、一个管视觉、一个管语音——而每一个粘合点上都会有不小的损失。现在的领先模型，最典型的例子是 Google 的 Gemini，则是从一开始就为多模态而设计的。各种模态在同一个模型里得到处理。结果有实质的不同：模型可以跨模态推理，而不是在不同模态之间做翻译。它能看着一张图表、理解背后的逻辑、用文字解释出来——或者拿着一份书面规约，生成一张能用的示意图——而不带早期多模态系统那种集成上的脆弱性。第三——也是影响最大的——过去活在智能体运行框架里的能力，正在被越来越多地内嵌进模型本身。计算机使用（Computer Use）——AI 看屏幕、移动光标、点按钮、填表单、像人一样操作软件——直到不久之前，还是那种需要在模型外面花大量工程努力才能搭出来的东西。今天：Claude 从 2024 年底就把"计算机使用"作为原生能力提供；GPT-5.4 在 2026 年 3 月让计算机使用变成原生能力；OpenAI 的 Codex 在 2026年4月已经深度集成了浏览器使用。模式很清晰：每一代前沿模型，都把过去属于运行框架的一部分工作，吸收进来。"模型"和"智能体系统"之间的边界，正在变得模糊。
2026 年的前沿模型，不再是一个被动的文字生成器，然后你在外面包一个智能体循环。它越来越多地自带推理、规划、工具使用、计算机操作、多模态感知。运行框架依然重要——上一篇文章基本上就是在讲这一点——但运行框架做的工作，已经比过去少了。因为模型承担的工作更多了。这正是问出"对你的企业来说，真正重要的问题"的合适时机。什么时候,自己托管模型才有吸引力
大多数企业，会通过 API 租用模型——而且不必为此感到不好意思。前沿移动得太快，自行训练的资本密度太高，"自己拥有模型"的战略价值远低于厂商营销暗示的那样。对绝大多数企业用例来说，调用主流大厂的 API——OpenAI、Anthropic、Google，或者主流的中国模型供应商之一——就是对的答案。但确实有一些场景，自己托管会变得真正有吸引力，值得点出来,因为这些场景越来越常见。如果你的数据不能离开你的司法管辖区、不能离开你的厂区、不能离开客户的厂区——无论是因为监管、合同义务、还是战略敏感性——远程调用 API 就不是选项。在你自己控制的基础设施上，自己托管一个开源权重模型，就是答案。这是重监管行业(例如银行、医疗、国防、政府)以及跨境场景下(数据司法管辖有争议)自托管的主要驱动力。对一个推理量极大的企业来说，API 调用的"每 token"经济模型，最终会在某个临界点之上变得比自己跑基础设施还贵。这个临界点近年一直在移动——当下的前沿 API 定价相当激进——但对持续的、可预测的、大体量工作负载，自己托管可以带来可观的节省，前提是你有能力把它运营好。有些企业有一个狭窄而能够清晰定义的任务，能从"在自己特定数据上微调过的模型"那里获得显著收益——而且运行一个更小、微调过的模型，从运营经济性上胜过"事事都去够前沿"。客户支持分类、文档抽取、领域代码生成、受监管行业的专项合规——这些都是值得考虑的方向。这里的战略野心不应该是"我们想拥有一个模型"，而应该是"我们有一个明确并且狭窄的问题，定制化能带来复利"。在以上三种情况里，高管团队要问的不是"自托管是不是可行"——而是"运营自托管模型所需的组织能力，是不是已经具备，或者值不值得建起来"。这个能力不简单。绝大多数企业，可能会雇用外部服务商。当下的开源权重前沿，实质上由中国实验室主导。
2026 年中期，按严肃的基准测试性能衡量，排在前列的开源权重模型，包括阿里巴巴的 Qwen、DeepSeek、智谱 AI 的 GLM、Moonshot 的 Kimi，这些几乎全部来自中国。其中好几个模型，在编程、推理、智能体基准上，距离顶尖闭源模型已经只有几个百分点的细小差距。智谱的 GLM-5.1，完全在国产华为昇腾芯片上训练完成——证明了中国实验室可以不依赖西方的GPU，训练出具备前沿水平的模型。中国模型在可比工作负载上，价格性能比通常是西方闭源模型的 15-30 倍，而且大多数采用宽松的开源权重许可证(Apache 2.0、MIT、或修改版 MIT)。背后的故事大家都知道了。2022 年以来美国对高端 GPU 实施出口管制，强迫中国实验室在软件效率上剧烈创新——而由此产生的混合专家架构 MoE、激进量化这些新颖的技术，所训练出来的模型，不只具备竞争力，在某些维度上甚至处于领跑位置。对考虑自托管的企业来说，2026 年的现实就是：最强的开源权重选项，以中国出品为主。对国内企业来说，这是一种正当的战略可选项——国产模型、国产部署路径、非常有竞争力的性能水平。对跨国企业来说，情况稍微复杂一些——数据司法、对政治敏感话题的内容限制、采购政策都要考虑。但是——"开源权重 = 美国出品"的那个时代，已经过去了。
2026 年任何一场严肃的"自托管讨论"，都必须严肃地把中国开源权重生态考虑进去，无论你的企业总部在哪里。关键转折：如果模型大部分是租来的，那你到底拥有什么?
如果模型是从厂商那里租来的——这件事对大多数企业是对的——而且模型越来越多地吸收过去需要企业工程努力才能搭建的能力，你很合理地会得出一个推论：留给你企业自己做的事，越来越少了。模型变聪明，模型变能干，运行框架在收缩，你还剩什么?模型这一层越快地变成大宗商品，模型越多地吸收能力，价值就越多地迁移到你所拥有的组织资产上面。两个原因。如果每个人都能用到同样的前沿模型，那么竞争差异化就不可能来自模型本身。它必须来自——让你的企业对模型的应用变得独特的东西——你的专业知识、你的数据、你的流程、你和自己特定系统及客户的集成。模型越来越能干，但它不知道——而且短期内不会知道——你具体的业务。它不认识你的客户。它不知道你过去的决策。哪些决策起了作用、哪些反而造成了破坏。它不熟悉你公司在客户供应链上的位置。它不清楚你的哪些供应商可靠、哪些不可靠。这一切都得被编码进模型周围的系统——而这部分被编码的知识,决定了模型产出的工作，是泛泛的合格，还是对你这家公司而言有真实的价值。这就把我们带到了一个框架——我认为这是 2026 年高管思考 AI 时，最有用的单一概念:组织AI资产(Organizational AI Assets)。
当你审视参考模型的各个层次时，会看到一些东西虽然技术上挂在不同层,但归属上属于同一类。提示词与指令：技术上挂在推理层——但它们编码的是你公司的话语、你公司的政策、你公司的护栏。技能：挂在业务层——但它们编码的是你公司可复用的专业知识。工具与集成、MCP 服务器：挂在智能体层——但它们编码的是你公司接入自己系统的特定方式。记忆：挂在智能体层——但它编码的是你公司积累的上下文——客户历史、项目历史、做过哪些决定、结果如何。而这一切下面，是你的数据——这是你 AI 系统所面对的"机构真相"实际存在的地方。它们是你公司积累下来的 AI 知识产权。它们是真正让你的AI系统属于你，而不是属于厂商的那些东西。它们是你在更换厂商时还留得下的那些东西。它们是一个资产门类(asset class)，需要当成"资产组合"来管理。
而严肃的资产组合管理，需要严肃的纪律：版本控制、归属、生命周期管理、评估、过期资产的退役、被挑战时的可审计性等。这个框架，即便对那些选择"其他一切都租用"的企业，亦同样重要。如果你决定在全员铺开 Microsoft Copilot，在其中通过自己的定制智能体调 OpenAI 的API——这是一个完全合理的战略选择。但是——你的团队写下的提示词、你们积累的技能、你们搭起来的内部系统连接器、你们维护的关于客户和业务的上下文——这些都不是 Microsoft 的资产,也不是 OpenAI 的资产。它们是贵公司的资产。而如果你不有意识地管理它们，有三件糟糕的事可能会发生。不同的团队会用不一致的方式写下相似的提示词——没有中央登记、没有版本控制、没有把改进推送到全公司的能力。同一个技能，会以三、四种不同的形式被实现三、四遍，没有一遍完全一样。你企业实际的 AI 能力,只会是它可能达到的水平的一小部分——因为这些东西没有任何复利。过期的提示词，会产出令人尴尬的输出。已经离职的人写下的技能，被在岗员工调用，而调用者不理解其中的假设。为某一种目的搭建的连接器，被另一种目的重用，而这个新目的完全不在原设计的范围之内。你部署AI的风险面，会以没人能完全摸清的方式，持续扩大。你公司2026 年产出的最有价值的AI资产，正在被分散的个人，在分散的位置写下，没有任何盘点清单。当这些个人换岗位、或者离职时——资产跟着他们走了，或者更糟糕，它们还在原地，但已经没人知道怎么维护、怎么演进、甚至怎么找到它们了。五年后,在 AI 上做得好的企业,会是那些建立并保住了这个资产组合的企业。而没有做这件事的组织，则会花高昂的咨询费，去找回他们曾经拥有、但弄丢了的东西。
治理与安全,简短说几句
这个框架，与我们从系列一开始就在标记的两个贯穿性关切——治理与安全——直接相关。这里只简单提一下，因为我们在后续的文章中还会详细地讨论。如果 AI 资产是一个资产组合，那么对这个组合的治理，就不是另外一个外挂的职能。它就是这个资产门类的自然管理纪律。每个提示词、每个技能、每个连接器——谁拥有?谁能改?改动怎么评审?出了事,谁负责,能不能把决策链重建出来?——这些问题，本身就是治理职能的一部分。AI资产跟其他重要资产相比，原则上没有不同，只是形态上比较新。安全方面也有同样的性质。一个被良好管理的组织AI 资产，也就是被良好保护的：访问被控制、变更被记录、数据流动被理解、失败模式已知。一个没有被管理的组织AI资产——就是一个等待被利用的安全漏洞。现在,要登记的点是：资产组合这个框架，不只回答了"我们该拥有什么"，同时也应该回答"我们该怎么治理我们所拥有的"。资产组合思维，本身就是治理——以"实践"而非"政策文件"的形式呈现。
这一篇留下什么
推理层，往往最昂贵、最显眼——那些上杂志封面的模型、那些被截图发到朋友圈的提示词。也是大多数企业花最多时间思考、但可能最难取得特别成果的地方。模型大部分是租来的——而且越来越能干那些过去需要专家人类才能干的工作。提示词，是更大的资产组合的一部分，这个资产组合,企业必须主动拥有，否则就会丢掉。模型是厂商的，但模型周围的资产是你的——而把它们作为资产组合来管理，是把"严肃的AI企业"和"滥竽充数的AI企业"分开的那条战略纪律。
下一篇,我们一路走到底层——数据层,这是你的"机构真相"所存在的地方。这一篇里讨论的"资产组合"的很多东西，等数据层进入视野后，会以不同的方式落下——因为数据是其他所有 AI 资产所依赖的底层基质。
夜雨聆风
