主权 AI：企业为什么开始自建智能，以及从零起步的四步（Sequoia，2026-08-11）
这是红杉 8 月 11 日 Own Your Intelligence 活动的开场演讲，台下约八十位组合公司创始人与 AI 负责人。合伙人 Sonya Huang 把这场安排成一半立论、一半技术操作手册，她自己先声明框架带有主观判断、自己也不是技术出身，听的人要打折。之所以值得读，是因为它把过去一年零散出现的一件事讲成了一条明确路径：越来越多的应用公司开始把模型往自己手里收，收到权重这一层。
一、主权 AI 指的是什么
她的定义借自政治词汇：主权国家是拥有完全自治权的独立实体，主权 AI 指企业拥有自己的智能，没有外部依赖，一直拥有到权重。
紧接着她给了一个限定，说这场演讲传递的意思并非让组合公司弃用 Opus 或 GPT。编码代理、桌面端的工作、需要前沿水平的 API 调用，闭源模型的接口依然很好用。她要说的是另一件观察到的事实：越来越多公司在产品的某些部分向下垂直整合，想自己掌握那部分智能，这场活动是给已经上路的公司准备的。
她也说这个想法并非红杉独有。过去一个月里，Alex Karp 与 Satya Nadella 都公开支持企业拥有自己的智能；上一周 Jensen Huang 出面推动开放权重模型在美国继续可得，行业的支持近乎一致。她把落脚点放在一个判断上：智能这项资产过于核心、过于基础，外包出去并不合理，企业想把权重握在自己手里。
再往上一层，她把这件事说成两种世界的分岔。一种是集中式智能，一个全能模型以黑箱形态驱动世界上越来越大比例的 GDP，把其余所有人的数据尾气和数据飞轮吸进去；另一种是分散式智能，全世界在一个稳固的内核上各自搭建，每个人、每家公司按自己的数据、行业、个性化方式和品味构建专属智能，生态因此繁荣，没有哪一家把其余吞掉。她说后者是更乐观的图景。
二、四个动机
红杉在数十家自建模型的公司里看到的驱动力，她归成四条。
第一条是成本。对毛利率低、为零甚至为负的公司，自建已经属于必需项。她提到一个反直觉的现象：AI 产品越成功，AI 相关的营业成本往往越高，所以率先走上自建这条路的，恰恰是 AI 部署走在前面的那批公司。
第二条是速度。编码和安全这类领域里，一个蒸馏过的小模型可以打赢一个通用大模型，因为延迟本身就是产品体验。
第三条是性能，她说这条是新出现的。去年多数公司自建并不指望性能更好，而现在开放模型经过在自有领域的调优，可以在这个领域跑赢闭源模型。
第四条是掌握自己的命运。她特意说 Anthropic 和 OpenAI 一直是生态里很好的合作方，这点应该给予肯定，但企业同时希望自己还有一副能独立站住的腿。她借了加密货币时期那句流传甚广的话作类比，当年的说法是钥匙不在你手里，币就不是你的。
权重不在你手里，产品就不是你的。
三、战场正在从应用层下移到智能层
红杉此前在 AI Ascent 上讲过应用层争夺战：基础模型实验室从模型这端向上做产品，应用公司从用户这端向下做，两边朝对方逼近。她认为现在浮现出新的态势，争夺的对象扩展到了智能层本身，问题从谁掌握产品界面、渠道和封装，变成谁能拥有智能并把智能塑造得更适合自己的产品，因为产品本身就是那个智能。
由此她给了一个判断：眼下值得关注的实验室出现在应用公司内部的应用研究团队，Harvey、Factory、Glean、OpenEvidence、Semgrep、Ramp 都在做，研究范围从评测集和基准，到 harness 工程，再到微调的新算法。她的说法是，应用公司正在成为新一批实验室。
四、哪些自己做，哪些继续租
她强调主权 AI 并非全有或全无，公司要自己划线。判断用四个因子：这项成本在总营业成本里占多大分量；速度与延迟是否是最高优先级；性能上能否靠自有数据调出优势；喂给模型的数据对本业务的专有程度有多高。
她给了三组现实中的切法。编码场景里，代理这一侧目前多数仍在租用，因为需要开箱即用的强性能，延迟不是第一优先级；而 Tab 自动补全对速度极其敏感、调用频次高到成本会迅速累积，所以现在多数自动补全模型跑在自建的智能上。一家仍处于隐身状态的安全公司自建模型，图的是速度和性能，以及按自己需要做后训练的自由。生物医药类公司转向自建，理由是这个领域的数据专有价值高。
五、组队与被看见
组织问题上她给了一条明确的反对意见：传统 AI 团队常是轴辐结构，一个平台团队支撑多个应用产品团队，而很多公司顺手把这个平台团队改造成做主权 AI 的团队。她建议另起炉灶，从零搭一支小队，因为这项工作的性质是站在前沿做研究、主动进攻，与平台服务型的支撑工作差别很大。她举 Harvey 为例，七个人的团队已经发表了大量研究。团队负责人的画像可以有两种：一种偏研究出身，一种偏工程出身，取决于公司要做的是基础研究还是应用研究。
第三步她称为 legibility，可以理解成让外部看得懂你在做什么，她认为这一步被严重低估。她引用 Harvey 的 Winston Weinberg 的说法，CEO 的职责有两项，一是做出实质结果，二是掌控叙事。落到自建 AI 这件事上，每一个买家此刻都在挑选自己的 AI 供应商，他们反复听到相似的推销，需要分辨哪一家足够有本事把自己带到目的地，于是自己发布研究、做扎实的技术营销、给研究团队单独的品牌，这些都变得重要。
六、技术路线与两个栈
她描述的典型路径是这样一条：先定策略，再定评测集，然后开始试模型路由器和 harness，一部分公司靠开箱即用的模型就能拿到好效果，一部分需要做后训练，少数会走到中训练和预训练，最后把线上客户数据接成反馈回路，让智能随每一次交互变好。她特别点了评测这一步，说这活不光鲜、也不好玩，但前期做得越足，后面每一步的位置就越有利。
她认为 2026 年出现的新变化是天花板抬高了：最新的开放权重模型已经很接近前沿，加上权重可得因而比闭源接口可塑得多，起点已接近前沿，再叠上像样的后训练、提示与 harness 工程、在线学习，自建这条路可以做到比前沿更好。这一点是很多公司现在开始考虑自建的直接原因。
栈的图景她拆成两半。生产栈面向用户，本质是模型加上一层 harness。在闭源生态里这一整套很简单，模型用 Opus 或 GPT，harness 各家开箱自带，公司可以自建 harness、写提示、往模型里塞上下文、做自己的评测，走得也不算近，她的评价是地板高、天花板低，因为拿不到用自有生产数据改进智能的能力。一旦决定自建，那个干净的 API 调用就变成了一整个潘多拉盒子：要选开源底座、在上面做大量后训练，harness 要在几个开源方案里挑一个，再自己配逻辑、工具和上下文。上下文这块她提了几种形态，向量数据库如 Turbopuffer，企业知识图谱如 Glean，通过 MCP 接的开源连接器，以及把上下文直接编码进权重的新研究。
另一半是开发栈，自建之后它的分量大增：持续盯评测以知道自己的智能处在什么位置、模型在生产中如何漂移；准备足量高质量数据做本领域的后训练，来源可能是专家轨迹、合成数据或强化学习环境；最后把在线学习搭起来，让智能随每次用户交互变好。
演讲末尾她交代了当天的议程编排，即围绕这套栈请了各环节的人来做工作坊：Fireworks 的 Lin Qiao 讲后训练，LangChain 的 Harrison Chase 讲 harness 与评测，Mercor 的 Brendan Foody 讲强化学习环境与合成数据，Trajectory 讲在线学习，Harvey 讲他们整套 AI 栈与策略是怎么搭的。这几场的录像随后陆续放出，可以和这篇开场对照着看。