红杉美国合伙人的最新判断：拐点已到，应用公司正在成为新一代 AI Lab

你有没有想过，当你的产品越来越依赖 AI 的时候，那个 AI 到底是不是真的属于你？你花了大量资源打磨产品体验，积累了海量的用户数据和行业洞察，但驱动这一切的核心智能，却是你从别人那里租来的，随时可能被涨价、被断供、被竞争对手用同样的方式复制。这个问题，Sequoia Capital 的合伙人 Sonya Huang 在她最近的一次演讲里说得非常直接：Not your weights, not your product。如果你连自己的模型权重（weights，也就是 AI 模型的核心参数）都不拥有，那你的产品在本质上也不是真正属于你的。

这句话让我想了很久。我们这几年习惯了调用 OpenAI 或者 Anthropic 的 API，觉得这是最省心的路径，把精力集中在产品体验上就好了。但随着 AI 越来越深入地嵌入每一个产品的核心流程，这种"租用智能"的模式，正在暴露出越来越多的问题。Sonya 的这场演讲，我觉得是我听过的对这个问题分析得最清醒也最有结构的一次，值得认真拆解一遍。

Sovereign AI 到底是什么，又不是什么

Sonya 在演讲开头就澄清了一个很容易被误解的地方。Sovereign AI（主权 AI）的意思，不是让所有公司都放弃 GPT 或者 Claude，不是说闭源模型的 API 不好用了。她说得很清楚，对于 coding agent、桌面工作、需要顶级能力的场景，闭源模型的 API 依然很好用。Sovereign AI 真正的意思是，公司在产品的关键部分，拥有自己的 AI 能力，一直拥有到 weights 这个层面，不依赖任何外部方的许可和决定。

这个区分非常重要。很多人一听到"自研 AI"就以为是要从零开始训练一个大模型，成本吓退了一大批人。但 Sonya 的框架里，这根本不是非此即彼的选择。Sovereign AI 是一个光谱，你可以在某些核心能力上自己拥有，在其他地方继续租用，关键是要清楚地想明白哪些部分值得拥有、哪些部分租用就够了。

我自己理解下来，这个问题的本质其实是一个战略边界的判断。AI 已经从一个工具，变成了很多产品的核心竞争力来源。如果你的核心竞争力是从别人那里租来的，那你真正拥有的护城河到底在哪里？这不是一个技术问题，是一个关于你的产品到底靠什么赢的根本性问题。

集中式 vs 去中心化：两种截然不同的未来

Sonya 在演讲里描绘了两种未来图景，我觉得这个对比说得非常精准。一种是集中式的智能，少数几个超级 AI 公司垄断了几乎所有的 AI 能力，作为一个黑盒吸收了全世界所有的数据飞轮和数据红利，其他所有公司都在这个黑盒上打转，越来越依赖、越来越没有议价空间。另一种是去中心化的智能，有一个共同的坚实底座，但每个公司、每个人，都在这个底座上构建自己独特的智能，用自己的数据、自己的行业知识、自己的产品个性去塑造属于自己的 AI 能力，生态系统因此繁荣，个体因此有了差异化的生存空间。

Sonya 说她认为后者是一个更乐观的世界图景，我完全同意。我一直觉得，AI 时代真正的风险不是 AI 本身有多强大，而是智能的所有权过度集中之后，对整个市场竞争格局的破坏。如果所有公司都在调用同一个大脑，那产品之间的竞争最终只剩下 UI 和营销，而不是真正的差异化能力。去中心化的智能，才是让行业保持活力和多样性的基础。

推动公司走向 Sovereign AI 的四个原因

Sonya 总结了她观察到的公司选择自己拥有 AI 的四个主要原因，我觉得这个框架说得相当落地，值得认真拆开来看。

第一个是成本。这个原因对很多人来说可能是最直观的，但它背后有一个很反直觉的现象：恰恰是那些 AI 产品做得最成功的公司，最先感受到成本压力，最先走上自建模型的路。因为你的 AI 用得越多、用得越深，API 的调用费用就越高，AI 的成本在你的整体成本结构里占比就越大。Sonya 说，对于那些利润空间本来就薄的公司，Sovereign AI 不是可选项，而是必选项。这个观察我觉得非常准确，很多公司早期觉得 API 费用还好，但等到规模真正起来之后，这个数字会让你非常难受。

第二个是速度。在某些特定场景里，一个经过专门调优的小模型，速度上可以完胜一个强大的通用大模型。Sonya 举了 coding 里的 tab autocomplete（代码自动补全）作为例子，这个功能对延迟极其敏感，用户每敲一个字符都在等待响应，慢一点点体验就会崩掉。大模型的 API 调用延迟根本撑不住这个场景，所以几乎所有做代码补全的公司现在都在跑自己的模型。这让我想到，对于任何实时性要求高的场景，速度这个维度本身就是一个足够充分的理由。

第三个是性能。这是 Sonya 特别强调的一个变化，而且她明确说这是一个相对新的现象。去年还不是这样，大部分公司选择开源模型不是因为性能更好，而是因为成本和控制权。但现在，开源模型在特定垂直领域里，经过针对性的训练之后，已经可以超越闭源的通用大模型。这个判断非常关键，它意味着选择 Sovereign AI 不再是一种性能上的妥协，而是完全有可能成为你的性能优势。我觉得这个变化是今年整个行业里最值得关注的一个结构性转变。

第四个是控制自己的命运。Sonya 对 Anthropic 和 OpenAI 给了很高的评价，说他们对生态里的公司一直是很好的合作伙伴。但她同时指出，越来越多的公司希望拥有自己独立站立的能力，不完全依赖这些合作关系。这不是对这些公司的不信任，而是一种基本的战略自主性。核心能力的单点依赖，在任何行业里都是一种风险，AI 这个领域不应该例外。

我自己观察下来，这四个原因里其实有一个内在逻辑：从成本到速度到性能，越来越多的维度开始指向同一个方向，而这个方向就是 Sovereign AI。早期只有成本压力够大的公司才会走这条路，现在性能这个最核心的维度也开始倒向这一边，这才是真正的拐点。

Not Your Weights, Not Your Product

Sonya 在演讲里用了一个类比，我觉得说得特别妙。她问台下有没有人经历过当年的 crypto 时代，然后说那时候 DeFi 圈子里有一句名言：not your keys, not your crypto。意思是如果你的加密资产是托管在别人手里的，那它从根本上说就不是你的。她说，AI 版本的这句话就是：not your weights, not your product。

这个类比击中了一个很本质的东西。Weights（模型权重）是 AI 能力的物理载体，是经过海量计算和数据训练出来的一种"知识的结晶"。如果你只是在调用别人的 API，你用的是别人家的权重，你对这个权重没有任何控制权，你不能修改它、不能用你的数据去优化它、也不能在别人决定改变定价或者停止服务的时候保护自己。在这个意义上，你的产品里最核心的那部分智能，其实是"借来的"。

我觉得更值得警惕的是一个隐性的风险：你用同样的 API，你的竞争对手也在用同样的 API，你们手里拿的是同一把锁，唯一的区别是你俩谁的 prompt 写得更好。这种差异化是非常脆弱的，因为它随时可以被学习和复制。真正稳固的差异化，是你的模型见过你的数据，理解了你的行业，积累了你的用户的反馈——这些是别人没有的，也是别人复制不了的。

真正的战场已经从应用层转移到了智能层

Sonya 提到了一个她觉得正在发生的新动态，我听完觉得这个判断非常锐利。她说过去大家都在谈论应用层的竞争，基础模型公司从模型端往上做，应用公司从用户端往下做，大家都在争谁能成为用户最终看到的那个产品。但现在这场竞争的焦点已经在悄悄转移，不只是谁拥有产品界面、用户关系和分发渠道，而是谁能拥有产品里的智能本身，谁能塑造出更好的、更贴合自己业务的 AI 能力。

她说了一句话我印象特别深：the product is the intelligence。产品就是智能，智能就是产品。这句话在几年前是不成立的，那时候 AI 只是产品的一个功能。但现在对很多公司来说，AI 已经是产品体验的核心，是用户留下来的最主要原因。在这个情况下，谁拥有更好的智能，谁就拥有更好的产品，这个逻辑直接把技术能力和产品竞争力画了等号。

Sonya 还说了一件让我觉得很振奋的事，她说现在最热的 neo lab，不是那些大的基础模型公司，而是那些有深厚应用场景的公司正在涌现出来的应用研究能力，比如 Harvey、Factory、Glean 等等。她直接说，the application companies are the newest neo labs。应用公司是新一代的研究实验室。这个说法颠覆了我们过去对"谁在做 AI 研究"的刻板印象，而且我觉得它描述的是一个正在真实发生的趋势。

该自己拥有什么，该租用什么：一个实用框架

这是 Sonya 演讲里我觉得最有操作价值的部分。她说 Sovereign AI 不是一个非此即彼的选择，而是要针对不同的能力，做出不同的自有 vs. 租用决策。她提出了四个判断维度：成本、速度和延迟、性能、以及数据的专有性。

成本维度好理解，就是这一块的 API 调用费用在你整体成本里占多大比重，如果已经是一个不可忽视的数字，就值得考虑自建。速度维度也清晰，对延迟极其敏感的场景，比如实时补全、实时分析，自建的小模型通常比大模型 API 快得多。性能维度是今年新出现的考量，在你的垂直领域里，你能不能通过在自己的数据上做 post-training（后训练），让模型在这个领域里超越通用的大模型，如果可以，自建就不只是成本决策，而是竞争力决策。最后是数据专有性，如果你拥有的数据是你这个行业里独一无二的，把这些数据喂给你自己的模型去训练，能带来的差异化就非常显著，因为别人根本拿不到这些数据。

Sonya 举了几个具体的例子帮助理解这个框架。coding agent 目前大多数公司还在租用，因为你需要最强的开箱性能，而且对延迟不是最敏感；但 tab autocomplete 几乎所有人都在自建，因为速度是最高优先级，API 调用的成本也因为频率极高而迅速累积。网络安全公司自建模型，主要是速度和性能，以及能够以极其定制化的方式对模型做 post-training。生物公司自建，则是因为他们手里的数据太珍贵、太专有，不适合也不应该把这些数据的价值白白喂给别人。

我觉得这个框架的价值在于，它把一个看起来很宏大的战略问题，分解成了几个可以逐一评估的具体维度。你不需要一开始就决定要不要全面走向 Sovereign AI，而是可以从你最痛的那个点入手，可能是成本，可能是速度，然后逐步建立起自己的能力。这是一条更现实的路径。

组建团队：不要把 AI 平台团队强行改造成研究团队

Sonya 在谈团队这个话题时，有一个判断我觉得非常值得注意。很多公司在走向 Sovereign AI 的时候，会很自然地把这件事交给现有的 AI 平台团队来做。毕竟他们已经在做 AI 相关的工程工作，职能看起来也最近。但 Sonya 明确说，不要这样做。

她的理由是，AI 平台团队本质上是一个支撑性的、服务性的角色，他们的工作是服务好内部的各个产品团队，是 defensive 的。但研究团队需要的是完全不同的工作方式，需要站在 frontier 上主动思考，打的是 offensive 的球。这两种工作的节奏、思维方式、衡量标准都截然不同，把一个服务性团队直接改造成研究团队，往往两边都做不好。

她给出的建议是，从零开始组建一个小的、独立的研究团队，可以把它理解成公司内部的一个 mini lab。她举了 Harvey 的例子，这家公司的研究团队只有七个人，但已经发表了大量研究成果。小团队、高密度、明确的研究方向，是她观察到的有效模式。我觉得这个建议背后有一个更深的逻辑：研究能力是一种文化，不只是一种技能，你很难把它嫁接到一个已经有了不同文化的团队上，从头建要比改造老团队省力得多。

Legibility：让你的研究能被外界看见

这是 Sonya 特别强调的一个点，而且她说这个维度经常被低估。她用了 legibility 这个词，意思是你在 AI 上做的研究和能力建设，有没有变成外部可见的信号。

她的逻辑是这样的：现在每一个企业买家都在做同一件事，就是从一堆 AI 供应商里挑出那个真正有能力带他走向未来的合作伙伴。买家们听的 pitch 都差不多，每个人都说自己的 AI 很好，但谁能证明自己真的懂、真的在做有深度的研究？发表研究论文、建立自己品牌的研究部门、做高质量的技术内容，这些都是向买家传递"我们是认真的"这个信号的方式。

Sonya 说，legibility 这件事对 Sequoia 的投资组合公司来说是一个明显的待提升项，很多公司在内部做了很好的研究，但没有把它变成外部可见的东西。我觉得这个观察特别准确，而且不只是对做 AI 的公司成立。任何在某个领域有深度积累的公司，都面临这个问题：你有真本事，但市场不知道。把内部的研究和洞察变成公开可见的内容，是一种非常高效的信任建立方式，而且在 AI 这个领域，这种信任对于拿下大客户、建立合作关系都至关重要。

技术路线图：从零开始自建 AI 的顺序

Sonya 最后分享了一个她观察到的公司自建 AI 的技术路径，我觉得对很多正在考虑这件事的公司非常有参考价值。

整个路径大致是这样的顺序：先定战略，想清楚哪些能力要自建、哪些继续租用；然后定义 eval（评估体系），这是最不性感但最重要的工作，你需要一套能够准确衡量你的模型在你的具体场景里表现好不好的评估方法，这件事做得越扎实，后面所有的工作效率就越高；接下来是尝试 model router 和 harness 工程，看看不改动模型权重的情况下能走多远；然后进入 post-training（后训练），在你自己的数据上对开源基础模型做针对性训练；更深入的情况下会进入 mid-training 甚至 pre-training；最后，设置 online learning 的闭环，让你的模型随着每一次用户交互持续变好。

有一个技术上的判断我觉得特别重要，Sonya 说，production stack（生产环境的技术栈）的本质，是一个 harness 套在一个模型上面。harness 是什么？就是驱动模型运行的那套逻辑、上下文、工具和提示词的组合。context（上下文）对于性能的影响极其关键，包括向量数据库（vector database）、企业知识图谱、MCP 连接器等不同方式提供的上下文，都会直接影响模型的输出质量。在闭源 API 的世界里，整个技术栈相对简单，你有一个高 floor，但 ceiling 是固定的，因为你没法用自己的数据去真正改变模型的能力边界。一旦开始走向 Sovereign AI，就像打开了一个潘多拉魔盒，技术复杂度急剧上升，但与此同时，你的能力天花板也真正打开了。

Sonya 说了一个我觉得非常重要的 2026 年新变化：现在开源模型的起点已经非常接近 frontier 了，比如 Kimi K3 和 GLM 这些模型的能力已经很强。在这个起点上，通过扎实的 post-training、harness 工程和 online learning，你实际上是有可能在你的特定领域里，做出超越顶级闭源模型的性能的。这个判断意味着，Sovereign AI 已经不是"便宜但性能差"的代名词，它完全有可能成为你的性能优势所在。

我自己的几点思考

听完 Sonya 这整个演讲，我有几个想法反复在脑子里转。

第一个是关于时机的判断。很多公司还在等，觉得现在自建 AI 太早了，开源模型还不够好，自己的技术团队也还没准备好。但 Sonya 的判断是，2026 年是一个真正的拐点，开源模型的性能已经足够接近 frontier，这扇窗口打开了，先进去布局的公司会在接下来的竞争里拥有真实的优势。等到这件事变成行业共识的时候，差距可能已经很难追上了。

第二个是关于 eval 这件事的重要性。Sonya 特别强调 eval 是整个技术路线里最不性感但最关键的一步，这和我自己的观察完全吻合。没有一套准确的评估体系，你根本不知道你的模型有没有在变好，也不知道你的各种优化尝试哪些真的有效。很多公司匆忙开始训练模型，但在 eval 上投入严重不足，结果是在黑暗里乱跑，感觉很忙但方向不对。把 eval 做扎实，是一切有意义的技术进步的前提。

第三个是我觉得最值得深思的一点：Sovereign AI 这件事，表面上是一个技术决策，但本质上是一个关于你的公司到底靠什么赢的问题。如果你的核心差异化能力是从市场上都能买到的，那你的护城河从一开始就是脆弱的。真正可持续的竞争优势，来自于那些别人没有的东西：你的数据、你的行业理解、你的用户积累。把这些东西转化成真正属于你自己的智能，才是在 AI 时代真正意义上的"建立护城河"。Not your weights, not your product 这句话，说的不只是技术所有权，说的是你的产品到底有没有灵魂。

结尾

也欢迎大家留言讨论，分享你的观点！

觉得内容不错的朋友能够帮忙右下角点个赞，分享一下。您的每次分享，都是在激励我不断产出更好的内容。

欢迎关注深思圈，一起探索更大的世界。

- END -

两个“特别坑”的AI产品创业方向，你知道吗

速度将成为AI时代唯一的护城河

a16z重磅预测：Vibe coding赢者通吃？错了，垂直专业化才是未来