夜雨聆风每天8:30为你带来全球最新的AI产品、设计、技术领域的播客和大会洞察，让你时刻与最新的认知保持同频。全文超3000 字，可以路上听，也可以先收藏稍后再读。
企业真正的 AI 护城河，不是接入了哪个最强模型，而是能否把自己的数据、工作流、评测标准和用户反馈，变成一套持续进化的专属智能。
过去两年，很多公司谈 AI 战略，本质上谈的还是一个采购问题：
选 OpenAI，还是 Anthropic？
用最强模型，还是用更便宜的模型？
接 API，还是部署开源模型？
但随着 AI 真正进入产品和业务流程，一个更深的问题开始浮出水面：
如果一家公司的核心产品能力，完全建立在外部模型之上，它究竟拥有多少属于自己的智能？
当调用量还不大时，这个问题并不明显。模型足够强、接入足够快，先把产品做出来最重要。
可一旦产品开始增长，问题就会接连出现：推理成本越来越高，响应速度难以控制，通用模型无法充分理解行业细节，产品效果随着上游模型更新而波动，最重要的用户数据也未必能反哺模型本身。
这意味着，企业一边在使用 AI，一边也可能把自己最关键的产品能力交给别人控制。
红杉资本合伙人 Sonya Huang 在一场名为Own Your Intelligence的分享中，把这种选择概括为“主权 AI”：企业开始有意识地拥有自己的智能，甚至在必要时深入到模型权重，而不只是调用外部模型。
这并不意味着每家公司都要训练基础模型，更不意味着应该停止使用 Claude、GPT 等闭源模型。Sonya 真正提出的问题是：
一家企业应该租用哪些智能，又必须拥有哪些智能？
这可能是 AI 应用进入下一阶段之后，每家公司都绕不开的一道战略题。
01 “拥有智能”，不是把所有模型都搬回家
Sonya 的判断
我所说的“主权 AI”，是指企业对自己的智能拥有足够深的控制权，必要时可以一直深入到模型权重，而不依赖外部公司提供全部核心能力。
但这不是一个非黑即白的选择。我并不是建议企业停止使用 Claude Opus 或 GPT。这些闭源前沿模型依然非常优秀，尤其适合编码智能体、桌面工作和需要最前沿通用能力的任务。
我看到的趋势是，越来越多企业开始垂直整合 AI Stack，有选择地拥有其中一些关键环节。
未来可能出现两种不同的智能结构。
一种是高度中心化的智能：少数几个黑盒模型服务越来越多的经济活动，持续吸收来自各个产品和行业的数据反馈。
另一种是分布式智能：我们仍然使用强大的通用模型作为基础，但个人和企业会在此之上，结合自己的数据、行业知识、工作流、个性化需求和审美偏好，构建专属智能。
我相信，后者会成为非常重要的一条路线。
爽爷观点
AI 主权不是部署方式，而是控制能力。
模型运行在谁的服务器上并不是关键。真正的判断标准是：你的核心能力能否自主优化、能否切换底座、能否吸收业务数据、能否不被单一供应商锁死。
企业不需要拥有整条技术栈，但必须知道哪一部分一旦失去控制，产品就只剩一个外壳。
02 企业为什么开始“收回智能”：成本、速度、效果和命运
Sonya 的判断
企业决定拥有部分 AI Stack，通常有四个原因。
第一个是成本。
传统软件产品的边际成本很低，但 AI 产品不同。用户使用得越多，推理成本往往越高。如果产品本身利润率很低、接近零，甚至是负毛利，随着业务增长，模型调用成本会变成一个越来越严重的问题。
第二个是速度和延迟。
在一些高频场景中，用户无法接受等待。比如代码自动补全或安全检测，一个经过蒸馏、专门面向单项任务的小模型，可能比大型通用模型更快，也更适合真实工作流。
第三个是效果。
闭源模型在通用任务上非常强，但在一些垂直领域，企业可以通过专属数据、后训练和工具系统，让开放模型在特定任务上超过通用前沿模型。
第四个是掌握自己的命运。
即便企业与模型供应商保持着良好合作关系，也需要拥有独立站立的能力。核心产品不能完全依赖另一个公司的模型路线、价格策略和服务稳定性。
所以我们在内部开过一个玩笑：Not your weights, not your product——不属于你的权重，也很难真正成为你的产品。
03 应用公司的竞争，正在从产品层下沉到智能层
Sonya 的判断
过去，人们习惯把 AI 行业分成两层：基础模型公司负责智能，应用公司负责产品、界面和分发。
但这条边界正在消失。
Harvey、Factory、Glean、OpenEvidence、Semgrep、Ramp 等应用公司，正在建设自己的评测体系、基准测试、智能体框架、数据工程和后训练能力。
它们不再只是模型之上的应用层，而是在成为一种新的 AI 实验室。
这很合理，因为这些公司的产品本身就是智能。用户购买的不只是一个界面，而是法律分析、代码生成、企业搜索、医学问答、安全判断或财务决策的质量。
当智能直接决定产品价值，应用公司就不能只负责包装模型，也必须参与生产智能。
爽爷观点
AI 应用公司的终局，不是套壳公司，而是领域智能公司。
过去的软件壁垒来自功能、流程和数据；未来，这些东西会进一步汇合成一种可执行的领域判断力。
谁最接近用户，谁就最先看到高质量反馈；谁能把这些反馈转化为评测、数据和训练信号，谁就能把“更懂用户”变成“模型真的更好”。
但不是每家 SaaS 公司都应该成立模型实验室。只有当智能质量直接决定成交、留存或毛利时，向智能层下沉才有商业意义。
04 哪些智能应该租，哪些智能必须自己拥有？
Sonya 的判断
第一步不是组建团队，也不是开始训练模型，而是做战略选择：明确哪些智能值得拥有，哪些智能继续租用。
判断时可以考虑四个因素：成本、速度与延迟、任务效果，以及是否拥有独特的专有数据。
以编码产品为例，完整的编码智能体往往可以继续使用闭源前沿模型。因为这类任务复杂、变化快，模型的通用推理能力非常重要，延迟也未必是最优先的问题。
但代码自动补全不同。它调用频率高，对速度极其敏感，单次任务又相对明确，因此更适合由企业自己拥有。
网络安全也是类似的场景。速度、专业效果和针对性后训练都非常重要，因此企业更有动力深入模型层。
生物科技公司则往往拥有独特实验数据。这些数据本身就是竞争优势，因此更有理由建设专属模型能力。
每家公司最终都会得到不同答案。关键不是为了“自研”而自研，而是先判断哪类智能真正影响自己的产品差异化。
爽爷观点
最简单的原则是：
租用快速变化的通用能力，拥有高频、稳定、专有且决定差异化的能力。
企业需要的不是一张“全部自研”的路线图，而是一张智能资产边界图。
05 建设 AI 能力，不能简单交给原来的平台团队
Sonya 的判断
确定战略之后，第二步是团队。
我们观察到，能够领导这类工作的负责人背景很多样。他们可能来自研究，也可能来自工程。但一个常见错误，是把现有的平台团队直接改名，让它承担主权 AI 的任务。
平台团队通常以服务为导向，强调稳定性、复用、标准化和内部支持；AI 研究团队则需要进攻性思维，目标是突破现有能力边界。
两者都重要，但工作方式完全不同。
更有效的方法，往往是从一个小型、独立的新团队开始。Harvey 的研究团队只有七个人，但他们已经能够推动关键模型能力和研究工作。
团队不必一开始就很大，重要的是使命足够明确，并且真正以提升产品智能为目标。
爽爷观点
平台团队优化确定性，AI 团队探索可能性。
一个追求稳定复用，一个追求能力突破；一个对内提供服务，一个直接参与产品竞争。把两者混在一起，最后往往既没有研究速度，也没有工程效率。
真正需要设计的不是部门名称，而是团队的使命、评测方式和与产品之间的反馈通道。否则独立实验室也可能迅速变成与业务无关的科研孤岛。
06 AI 研究不仅要做出来，还要让市场看得见
Sonya 的判断
第三步是让公司的 AI 能力变得“可读”。
很多企业内部已经做了很深入的工作，但外部看不见。它们没有发布研究，没有展示评测方法，也没有清晰表达自己为什么在某个领域比通用模型更强。
在企业市场里，客户不只是在购买一个软件工具，也是在选择谁会成为自己的 AI 合作伙伴和长期智能供应商。
因此，CEO 既要推动真实的技术工作，也要推动外部叙事。公司可以建立独立品牌的研究团队，发布有质量的研究、基准测试和技术内容，让客户、人才和行业理解自己的能力。
这种技术传播不是附属工作，而是建立市场信任的一部分。
爽爷观点
在企业 AI 市场，研究能力正在成为新的品牌信用。
客户无法直接检查你的模型权重，只能通过评测方法、公开研究、真实案例和系统稳定性，判断你是不是一个可信赖的长期伙伴。
但千万不要把它做成“榜单营销”。真正有价值的技术表达，必须说清任务是什么、评价标准是什么、相较谁提升了什么，以及在哪些情况下仍然会失败。
可验证的能力，才会转化为可信任的品牌。
07 技术路线不要从微调开始，而要从评测开始
Sonya 的判断
第四步是技术路线图。
很多团队一谈自有智能，第一反应就是微调模型。但真正合理的顺序，是先明确战略，再建立评测体系，然后逐步进入路由、智能体框架、后训练，只有少数团队需要继续深入中期训练或预训练。
评测必须排在前面。因为如果你无法准确衡量产品智能，就不知道哪一个模型更好，也不知道一次调整究竟带来了真实提升，还是只改变了表面结果。
在生产环境中，用户真正接触到的也不只是模型。模型之上还有一整套智能体框架，包括提示、工具、业务逻辑、上下文和数据连接方式。
上下文可能来自向量数据库、企业知识图谱、MCP 连接器，也可能最终通过训练进入模型权重。
与此同时，企业还需要一套开发系统：监控评测结果和线上漂移，获取高质量专家轨迹，生成合成数据，建设强化学习环境，并让真实客户使用产生的数据持续回到开发流程中。
最终目标不是训练一次专属模型，而是建立一个让智能持续改善的系统。
爽爷观点
企业应该先拥有评价智能的能力，再拥有生产智能的能力。
一条更稳妥的演进路线是：
用闭源模型建立产品和业务基线； 建立贴近真实业务结果的评测体系； 优化提示、上下文、工具、路由和智能体框架； 沉淀高质量任务数据与用户反馈； 在收益明确时进入蒸馏、微调或后训练； 最后才考虑在线学习和更深层的模型训练。
很多企业不是输在模型不够强，而是根本不知道“更好”意味着什么。
08 闭源模型提高下限，自有智能决定上限
Sonya 的判断
使用闭源模型的好处，是整个系统非常简单。基础模型公司提供模型，同时也提供越来越成熟的智能体能力，企业可以快速获得很高的起点。
但这种方式也有上限。企业很难把全部生产数据用于改进模型权重，也无法完全控制模型、上下文和框架之间的协同优化。
一旦决定拥有更多 AI Stack，就像打开了潘多拉魔盒。
你需要选择开放基础模型，决定如何后训练，配置智能体框架，设计工具、逻辑和上下文，还要建设评测、数据、监控和在线学习系统。
系统会复杂得多，但天花板也可能更高。企业有机会把真实客户数据转化为持续反馈，在特定领域做到比通用前沿模型更好的效果。
这仍是一条非常新的路线，而且未必适用于所有行业和任务。但在领域边界清晰、数据独特、商业价值足够高的地方，它已经值得认真探索。
爽爷观点
自有智能不是免费的护城河，而是一笔长期负债先行、复利随后才可能出现的投资。
它会同时带来模型服务、数据治理、安全合规、效果漂移、人才组织和工程运维问题。
如果一家企业没有稳定任务、真实规模、专有数据和可验证评测，自研模型很可能只是昂贵的基础设施虚荣。
所以，是否拥有权重从来不是战略起点。能否形成商业闭环，才是。
09 企业建设专属智能，可以从这七步开始
把 Sonya 的框架放回真实企业场景，可以压缩成七个动作：
1. 找到一个最值得拥有的关键任务
不要从“建设公司级大模型”开始，而要从一个高频、高价值、对体验或成本影响明显的任务开始。
2. 定义业务评测，而不只是模型评测
除了准确率，还要观察完成率、响应时间、人工接管率、单次任务成本、用户采纳率和最终业务结果。
3. 算清当前模型的真实单位经济
把调用费、上下文成本、失败重试、人工审核和工程维护全部算进去，判断规模增长之后问题是否会放大。
4. 识别真正的专有数据
不是所有内部文档都叫专有数据。只有那些能够改善关键任务判断、又难以被竞争者复制的数据，才值得进入智能闭环。
5. 先优化系统，再训练模型
先检查提示、上下文、工具、路由和工作流能否解决问题。只有当系统优化触顶，后训练才有必要。
6. 用小型跨职能团队验证
让研究、工程、产品和领域专家共同对一个明确结果负责，而不是先建设一个庞大的中央平台。
7. 给自研设置退出条件
如果效果、成本或速度无法稳定超过外部方案，就应及时停止。拥有智能是一种商业选择，不是一种技术信仰。
写在最后：企业真正要拥有的，是智能的复利权
AI 发展的早期，最重要的问题是：谁能最快用上最强模型？
但当大家都能调用相似的模型，竞争就会进入下一阶段：
谁更理解自己的关键任务？
谁拥有更真实的数据？
谁能够定义什么叫“做得好”？
谁能把每一次用户使用，转化为下一次产品进步？
模型只是某一时刻的能力快照，学习闭环才是持续增长的系统。
所以，企业真正需要拥有的，未必是某一版模型，也未必是每一个参数，而是三项更底层的权利：
定义智能的权利、改善智能的权利，以及不受制于单一供应商的选择权。
这也是我持续关注 AI 产品、设计与组织变化的原因。
今天所有显眼的新闻，都在讨论哪个模型更强、哪项能力又刷新了纪录。但对真正做产品和做企业的人来说，更重要的问题始终是：这些能力如何沉淀为自己的数据、流程、组织和判断力？
接入 AI，只是获得了智能的使用权。
建立自己的学习闭环，才可能获得智能的复利权。
这会是下一阶段 AI 公司之间真正的分水岭。
素材说明
本文基于红杉资本合伙人 Sonya Huang 的分享《Own Your Intelligence: A Roadmap for Building Your AI Stack》整理与分析。嘉宾观点在忠于原意的基础上做了书面化表达；“爽爷观点”为结合企业 AI、产品与组织实践所做的延伸判断。