本期视频解读红杉资本合伙人索尼娅·黄关于主权AI的最新演讲，分析AI产业竞争从应用层向智能层转移的核心趋势。视频详细阐述了企业自建模型的四大驱动力：成本、速度、性能与命运自主，解释了为何不掌握权重就不拥有产品正在成为行业新共识。内容涵盖应用型企业转型AI实验室的判断、从零到一构建自有智能的四步实操路径，以及当前开源模型生态的最新进展，为AI创业者和企业技术决策者提供清晰的战略思考框架。​

https://www.youtube.com/watch?v=bMMv0bZzONg

0:00 大家好，这里是最佳拍档，我是大飞
0:03 过去两年我们聊AI创业、聊企业智能化
0:06 默认的路径好像都是调用几家大厂的API
0:09 在应用层做包装、做交互、做场景落地
0:12 很多人觉得
0:13 大模型这东西烧钱又烧人
0:15 普通公司根本碰不起
0:17 老老实实做上层应用就好了
0:19 但就在最近
0:20 红杉资本的一位合伙人在公开活动上抛出了一个相当有冲击力的判断
0:25 她说战场已经变了
0:27 竞争已经不再是应用层之争了
0:29 而是智能层之争
0:31 如果你不掌握模型权重
0:32 你其实根本就不拥有自己的产品
0:35 这话听起来是不是有点怪呢？
0:37 毕竟就在一年前
0:38 行业里主流的声音还是
0:40 大模型是巨头的游戏
0:42 创业公司没必要碰
0:43 那为什么到了2026年的今天
0:45 风向突然就变了呢？
0:47 今天我们就来聊聊这个话题
0:49 看看在红杉眼里
0:50 AI产业格局正在发生什么样的本质变化
0:53 这背后的逻辑又是什么
0:55 这次分享的主角是红杉资本的合伙人索尼娅·黄（Sonya Huang）
0:58 一上来她先做了一个很重要的澄清
1:00 因为很多人听到自有模型、权重自有这些词
1:04 第一反应就是
1:05 是不是要让大家都不要用OpenAI和Anthropic的模型了
1:08 全部从零开始自己来训练模型
1:11 索尼娅说这其实是对主权AI这个概念最大的误解
1:15 她讲的主权AI
1:16 不是说企业要完全抛弃现有的闭源API
1:19 关起门来什么都自己做
1:21 而是说你不能把所有的智能能力
1:23 都完完全全外包出去
1:25 你要在核心的功能上进行垂直整合
1:28 要把最关键的那部分智能
1:30 真正掌握在自己手里
1:32 一直到底层的模型权重这个层面
1:34 她特别强调
1:35 这不是一个非黑即白的选择
1:37 不是说要么全用API，要么全自建
1:40 而是说你要有能力界定清楚
1:42 哪些部分可以外采
1:44 哪些部分必须握在自己手里
1:46 说到这里
1:47 她提出了一个很有意思的对比
1:48 就是未来AI的发展到底会走哪条路
1:51 一条路是集中式的
1:53 就是最后整个世界
1:54 由一个或者少数几个超级全能的大模型来驱动
1:58 所有企业和应用都调用这一个大脑
2:00 大家在上面做各种适配
2:02 另一条路是去中心化的
2:03 就是我们有一个开放、坚实的基座模型层
2:06 然后世界各国、各个企业、各个领域都在这个基座之上
2:10 构建属于自己的定制化智能
2:12 索尼娅说她更愿意相信后者
2:14 因为那样的世界才是真正繁荣的
2:16 每个公司的产品才能有自己的个性和差异化
2:19 而不是所有应用用起来
2:21 都像是同一个模子里刻出来的
2:24 其实这是个很根本的路线选择问题
2:26 如果真的走到集中式那一步
2:28 那绝大多数应用公司确实没有太大存在的必要了
2:32 因为核心智能都在那一个大脑里
2:34 你做的不过是个壳子而已
2:36 但如果是去中心化的路径
2:37 那么每个垂直领域和公司
2:39 都有机会构建自己独有的智能壁垒
2:42 这才是一个更健康和更有活力的生态
2:45 那为什么说现在这个时间点
2:47 越来越多的企业开始认真考虑自建模型、掌控权重这件事了呢？
2:51 索尼娅总结了四个核心的驱动力
2:54 我们一个一个来说
2:55 第一个最直接的动因，就是成本
2:57 很多人一开始觉得
2:59 自建模型肯定比调用API贵
3:01 毕竟训练模型要买那么多卡
3:02 要养那么贵的团队
3:04 但是如果你把账算细了就会发现
3:06 情况正好反过来
3:08 尤其是当你的业务达到一定规模的时候
3:10 或者说你本身就是低毛利的业务场景
3:13 你想想，调用API是按量付费的
3:16 每一次推理都要花钱
3:17 用户量越大、调用量越高
3:19 你的成本就线性增长
3:21 而且这个成本你是完全控不住的
3:23 供应商说涨价就涨价
3:25 但如果你自己掌控模型
3:27 一旦模型训练完成
3:28 后续推理的边际成本其实是很低的
3:31 而且随着规模扩大
3:32 成本还会不断被摊薄
3:34 尤其是在那些需要大规模部署和用户调用频次很高的场景下
3:38 长期来看，自有模型的服务交付成本
3:41 会比一直调用API低得多
3:43 这不是什么遥远的理论
3:44 现在已经有不少公司算过这笔账了
3:47 当他们的日活到了一定级别
3:48 自建模型的投资回报周期
3:50 其实比很多人想象的要短
3:52 第二个动因是速度
3:54 这里说的速度
3:55 不只是我们常说的响应延迟
3:57 当然低延迟确实很重要
3:59 尤其是在一些实时交互的场景里
4:01 更关键的是，在很多特定领域
4:03 小型的定制化模型
4:05 其实能比大型通用模型跑得更快、效果更好
4:09 比如说编程领域，还有安全领域
4:11 现在已经有不少案例证明
4:13 一个专门针对代码训练的小参数模型
4:16 在特定编程任务上的表现
4:17 不仅不输给GPT这样的通用大模型
4:20 推理速度还要快好几倍
4:22 为什么会这样？
4:23 因为通用大模型要兼顾的能力太多了
4:26 它要会写诗、会画画、会做数学、会聊哲学
4:29 这些能力都会占用模型的容量
4:31 但如果你只需要它做好一件事
4:33 比如代码补全，或者日志异常检测
4:36 那你完全可以用一个小得多的模型
4:38 把所有的参数容量都用在这一件事上
4:41 这样出来的效果不仅更专业
4:43 响应速度自然也快得多
4:45 对于很多to B的业务场景来说
4:47 快个几百毫秒
4:48 用户体验的差距是非常明显的
4:51 第三个动因，也是最核心的一个
4:53 就是性能
4:54 这里有一个非常反常识的判断
4:56 索尼娅说
4:57 今天自建技术栈
4:58 已经不意味着要在性能上做出妥协了
5:01 反而很可能成为你的性能优势
5:03 这话放在一年前说可能没人信
5:05 那时候开源模型和闭源前沿模型确实有肉眼可见的差距
5:09 但2026年的今天
5:11 情况已经完全不一样了
5:13 开源权重模型的性能正在快速逼近行业前沿
5:16 甚至在很多垂直领域
5:17 基于开源基座做针对性后训练出来的模型
5:20 效果比通用闭源API还要好
5:23 为什么？
5:23 因为你可以用自己的专有数据去做微调
5:26 这些数据是你在业务过程中积累下来的
5:28 是外面那些通用模型根本见不到的
5:31 你比任何大厂都更懂你自己的业务场景
5:34 你知道你的用户真正需要什么
5:36 你知道什么样的输出才是好的输出
5:38 当你把这些专属数据和领域知识注入到模型里
5:41 出来的性能是通用模型永远也达不到的
5:44 这一点其实很好理解
5:46 就像你不可能指望一个医学院刚毕业的全科医生
5:49 比一个在某个专科领域干了二十年的主任医生
5:52 更懂那个专科的病，道理是一样的
5:55 第四个动因，听起来有点虚
5:56 但其实最根本，就是掌控自身命运
5:59 如果你所有的核心智能都依赖于某一家外部供应商
6:03 那你的命运其实是攥在别人手里的
6:05 供应商哪天涨价了，接口改了
6:07 限制调用了
6:08 甚至哪天直接把服务停了
6:10 你一点办法都没有
6:11 这样的例子其实过去几年我们已经见过太多了
6:14 不少公司就因为上游API的一次变动
6:16 整个业务直接就停摆了
6:18 更不用说
6:19 你所有的用户数据和交互数据都要传给上游
6:22 这里面的合规和数据安全风险
6:24 对于很多企业尤其是金融、医疗、政务这些敏感领域来说
6:28 是根本无法接受的
6:30 只有当你能够自己托管模型权重
6:32 自己掌控整个推理流程的时候
6:34 才真正称得上是把业务的主动权握在了自己手里
6:38 说到这里
6:39 索尼娅说了一句整场演讲里最重要的一句话
6:41 她说不掌握权重，就不拥有产品
6:44 这句话是从加密货币领域那句经典的
6:47 “Not your keys，not your coins”化用来的
6:50 这个类比的原意是，在加密世界里
6:52 你放在交易所里的币
6:53 本质上不是你的
6:54 因为私钥在交易所手里
6:56 交易所可以冻结你的资产
6:58 可以跑路，可以出任何问题
7:00 只有当你自己持有私钥
7:01 币才真正属于你
7:03 模型权重其实就是AI时代的私钥
7:05 如果你的产品所有的智能能力都来自第三方API
7:09 你自己连模型权重都碰不到
7:11 那你这个产品的核心竞争力到底是什么呢？
7:13 你今天做的所有优化
7:15 所有用户体验改进
7:16 可能明天上游模型一次更新就给你抹平了
7:19 你积累的所有数据
7:20 所有场景的know-how
7:22 如果不能沉淀到自己的模型里
7:24 这些东西其实都没有真正变成你的壁垒
7:27 这话可能说得有点重，但仔细想想
7:29 确实是这个道理
7:31 讲到这里，可能有人会说
7:32 这些道理我们都懂
7:33 但自建模型那是AI实验室干的事啊
7:36 我们就是个做应用的公司
7:38 怎么可能干得了这个呢？
7:40 索尼娅的判断恰恰是
7:41 今天的应用型公司
7:42 本质上就是新一代的AI实验室
7:45 她说，过去大家竞争的是什么？
7:47 是UI做得好不好看
7:49 是GTM策略够不够犀利
7:50 是获客成本够不够低
7:52 但是现在这些东西的差异化正在越来越小
7:55 真正决定你产品能不能赢的
7:57 是你产品里的智能本身够不够好
8:00 你的模型是不是比别人更懂这个场景
8:02 你的输出是不是比别人更准确、更稳定
8:05 这些才是用户真正留下来的原因
8:08 如果我们去看现在跑出来的那些AI应用公司
8:11 不管是做法律AI的Harvey
8:13 还是做智能制造的Factory
8:15 或者是做企业搜索的Glean
8:17 去看他们的团队构成
8:18 里面都有非常强的应用研究团队
8:21 这些团队干的事情
8:22 和传统意义上AI实验室干的事情没有本质区别
8:26 他们不是简单地调用API做个壳
8:28 他们在做模型的微调、做后训练、做推理优化
8:32 在构建自己的评估体系
8:33 在不断迭代自己的智能能力
8:35 这些公司本质上已经是AI公司了
8:38 只是他们的产品是以应用的形态呈现出来而已
8:41 那么
8:42 那对于一家之前完全没有模型经验的公司来说
8:45 要从零开始搭建自己的智能能力
8:47 具体应该怎么走呢？
8:48 索尼娅给出了一个非常实操的四步路径
8:51 第一步，也是最最重要的一步
8:53 就是在战略上先界定清楚自建和租用的边界
8:57 这不是一个技术决策
8:58 这首先是一个商业决策
9:00 你要想清楚，对于你的业务来说
9:02 哪些能力是必须握在自己手里的
9:05 哪些能力是可以外采的
9:06 这里面有四个维度你需要综合考量
9:09 首先就是我们刚才说的成本
9:11 算清楚在你的业务规模下
9:13 自建和外采的长期成本账是什么样的
9:15 第二个是速度和延迟
9:17 你的业务场景对响应速度有多高的要求
9:20 能不能接受网络调用带来的延迟
9:22 第三个是性能表现
9:24 在你的核心场景下
9:25 闭源API能不能达到你需要的效果
9:28 有没有可能通过自建获得显著的性能提升
9:31 第四个也是最关键的
9:32 就是你专有数据的价值
9:34 你手里有没有独特的、别人拿不到的数据
9:37 这些数据能不能通过模型训练转化为别人无法复制的优势
9:41 这四个维度你要放在一起权衡
9:43 最后画出来一条清晰的线
9:45 线这边的东西你自己做
9:46 线那边的东西放心大胆地用外面的服务
9:49 千万不要听风就是雨
9:51 脑子一热什么都要自己做
9:52 也不要过于保守，什么都不敢碰
9:55 想清楚了战略边界
9:56 第二步就是组建团队
9:58 这里索尼娅特别提醒了一点
10:00 不要指望让你原来的平台团队
10:02 顺便把模型这件事干了
10:04 你需要组建一个专门的、专注于前沿研究的敏捷小组
10:08 这个小组就是你公司内部的专属AI实验室
10:11 这个小组不需要一开始就很大
10:13 几个人的精干团队就够了
10:14 但这些人必须是真正懂前沿模型技术的
10:17 知道现在开源社区在发生什么
10:19 知道怎么快速迭代模型
10:21 怎么做好评估
10:22 他们的KPI也不是做多少工程化的东西
10:25 而是怎么把模型的效果做上去
10:27 怎么把你手里的数据价值最大化
10:30 很多公司容易犯的一个错误就是
10:32 把模型研发当成一个普通的工程任务
10:34 交给后端团队顺便做
10:36 结果做出来的东西四不像
10:38 钱花了不少，效果没出来
10:40 团队搭起来了
10:41 第三步是重视外界的可辨识度
10:43 什么意思呢？
10:44 就是你不能关起门来闷头做
10:46 你要通过发布高质量的研究成果、技术博客、开源贡献
10:50 去建立你在这个领域的品牌信任
10:52 为什么要做这件事？
10:54 因为AI人才是非常稀缺的
10:56 如果你在外面没有技术品牌
10:58 你根本招不到最顶尖的人
11:00 还有很重要的一点
11:01 你的客户、你的合作伙伴
11:03 他们需要相信你真的有这个技术能力
11:05 真的能把智能这件事做好
11:07 而不是嘴上说说而已
11:09 你看那些真正在智能层建立了壁垒的公司
11:12 无一例外都在技术社区有非常强的存在感
11:15 他们发论文、开源模型、分享技术细节
11:18 这些东西看起来好像和的业务没关系
11:20 但长期来看
11:21 这是构建技术势能非常重要的一环
11:24 最后一步
11:25 就是制定一张清晰的技术路线图
11:27 这个路线图不能是拍脑袋写的
11:29 它首先要有一套明确的模型评估标准
11:32 你得知道什么样的模型是好的
11:34 什么样的改进是真正有价值的
11:36 不能凭感觉走
11:38 然后你要想清楚
11:39 路由器和应用框架怎么选
11:41 什么时候用小模型
11:42 什么时候用大模型
11:43 怎么把不同的模型能力编排起来
11:46 更重要的是
11:46 你要想清楚未来的演进路径
11:49 一开始你可能只是拿开源基座模型
11:51 做提示词工程，做一些简单的微调
11:53 也就是我们说的后训练阶段
11:55 但你要预留好往更深处走的空间
11:58 如果未来业务需要
11:59 你有没有能力往后训练走
12:01 甚至有没有能力做自己的预训练
12:03 不是说你一开始就要做预训练
12:05 而是你的技术架构、你的团队能力
12:07 要能够支撑你在必要的时候往上游走
12:09 你不用一开始就建个百米高楼
12:12 但地基一定要打够
12:14 讲到具体的技术架构
12:15 索尼娅也给我们描绘了今天一个典型的现代化企业
12:18 AI技术栈长什么样
12:20 它其实是两套环境并行运作的
12:22 一套是面向用户的生产环境
12:24 就是直接给用户提供推理服务的那部分
12:27 要求稳定、低延迟、高可用
12:30 另一套是开发环境
12:31 这部分包含了模型评估、数据处理、模型训练和进化的整个流程
12:36 这两套环境是打通的
12:37 你在开发环境里迭代出来的更好的模型
12:40 要能够安全、平滑地部署到生产环境里
12:43 很多公司一开始只关注生产环境
12:45 觉得能跑起来就行
12:46 忽略了开发环境的建设
12:48 结果就是模型上线之后就迭代不动了
12:51 效果永远停留在第一天的水平
12:53 实际上
12:54 开发环境才是智能能力不断进化的核心引擎
12:57 说到这里
12:58 她特意提到了今天这个时代和两年前最大的不同
13:01 就在两年前
13:02 如果你想达到GPT-4那个级别的性能
13:04 你除了调用OpenAI的API
13:06 几乎没有别的选择
13:07 但今天不一样了
13:08 你完全可以通过开放权重的基座模型
13:11 配合后训练、提示词工程和Harness工程这些手段
13:14 达到甚至超越封闭API的性能
13:17 她特意举了两个例子
13:18 一个是月之暗面的Kimi K3
13:20 另一个是智谱的GLM5.2
13:22 这些开源模型的表现已经非常出色了
13:25 在很多评测集上已经和最顶尖的闭源模型不相上下
13:29 更重要的是
13:30 这些模型的权重是完全开放的
13:32 你可以拿到自己手里
13:33 想怎么改就怎么改
13:34 想怎么部署就怎么部署
13:36 不用看任何人的脸色
13:37 这就是为什么今天讨论自有智能这件事才有现实意义
13:41 因为基础条件已经成熟了
13:43 放在两年前，你就算想自建
13:45 也没有足够好的开源基座给你用
13:47 巧妇难为无米之炊
13:49 但今天
13:50 各种高质量的开放权重模型层出不穷
13:53 工具链也越来越完善
13:54 后训练、微调、推理优化的技术门槛在快速下降
13:58 自建这件事已经不是巨头的专利了
14:01 其实索尼娅整场演讲听下来
14:03 最核心的一个洞察就是
14:05 AI产业的竞争壁垒正在往下沉
14:07 最早的时候
14:08 大家觉得做个聊天界面就是壁垒
14:10 后来发现提示词写得好是壁垒
14:12 再后来发现工作流编排是壁垒
14:15 现在这些东西都在快速的商品化
14:17 真正的壁垒正在往下沉到智能本身
14:20 沉到模型权重这一层
14:22 这个变化其实和很多产业的发展规律是一样的
14:24 就像早年做互联网应用
14:26 大家都觉得租服务器就够了
14:28 后来发展到一定规模的公司都要有自己的技术基础设施
14:31 都要自建数据中心
14:33 因为到了那个规模
14:34 基础设施本身就是核心竞争力
14:36 AI产业正在走同样的路
14:39 当然，我们也要客观地说
14:40 不是所有公司、所有场景都需要走到掌控权重这一步
14:44 如果你只是做一个很小的工具
14:46 调用量也不大
14:47 也没有什么独特的数据
14:48 那老老实实用API是最经济的选择
14:51 没必要为了自有而自有
14:53 但如果你做的是一个核心业务场景
14:55 你有自己独特的数据积累
14:57 也希望长期构建自己的差异化壁垒
14:59 那认真考虑构建自己的智能能力
15:01 至少把核心场景的模型权重掌握在自己手里
15:04 可能已经不是一个要不要做的问题
15:07 而是一个什么时候做、怎么做的问题了
15:10 今天聊了这么多
15:11 其实最想让大家思考的一个问题是
15:13 如果智能本身正在成为产品的核心
15:16 那你现在的技术栈、你的团队配置、你的战略规划
15:19 真的配得上你未来想做的事情吗？
15:21 你是在真正构建自己的核心能力
15:23 还是在别人的地基上盖房子呢？
15:26 欢迎在评论区留言讨论
15:27 感谢收看，我们下期再见