企业如何构建自己的智能——Sonya Huang(红杉资本)

• sovereign（主权）本指完全自治、不受外部支配的独立国家；sovereign AI 就是「公司拥有自己的智能，一路往下拥有到模型权重那一层」。现场约 80 位被投公司创始人与 AI 负责人，议程「一半是动员令，一半是技术操作手册」。→ 详细
• 她立刻补了个免责：「我们绝对不是在劝大家弃用 Opus 或者 GPT。」coding agent、桌面端的活儿、需要 frontier（前沿）级 API 的场景，闭源 API 依然非常好用；变化只在于越来越多公司开始在产品的某些部分自建 AI 能力、往下垂直整合。→ 详细

• 过去一个月声浪急剧升温：Alex Karp（Palantir）、Satya（微软）公开发声力挺公司拥有自己的智能；演讲前一周 Jensen（英伟达）带头呼吁确保 open weight（开放权重，即参数公开可下载、可自己改的模型）在美国继续可得，几乎一边倒地获得支持。信号是：公司想「拥有」权重而不是「租用」，因为「智能这个东西太核心、太底层了，不该就这么外包出去」。→ 详细
• 她画了两种世界图景：中心化智能——一个无所不能的 AI 驱动越来越大比例的世界 GDP，像黑箱一样把全世界的「数据尾气」和数据飞轮全吸进去；去中心化智能——全世界共用一个扎实内核，每个人、每家公司在其上搭贴合自己数据、行业、工作方式和品味的智能，「这样生态才能繁荣，个体性才能胜出，不会有哪一家公司把其他所有人吞掉」。→ 详细

Sequoia 已经在和几十家自建 AI 的公司同行，她把动机归成四条：

• 成本——对低毛利、零毛利甚至负毛利的公司，sovereign AI 不是锦上添花而是生死攸关。这里有个反讽：「你的 AI 产品越成功，你的 AI 成本（COGS，销货成本，即直接摊在每笔收入上的那部分）往往越高」，所以恰恰是 AI 部署跑在最前面的那批公司，最先被逼上自建模型这条路。→ 详细
• 速度——在 coding 和安全这两类场景里，一个小的、经过 distillation（蒸馏，把大模型的能力压缩进小模型）的定制模型能打赢大的通用模型，因为响应速度在这里比绝对智力更值钱。→ 详细
• 性能——这条最新。「去年绝大多数公司自建智能并不是为了拿到更好的性能」，而现在已经走到这样一个节点：「在你自己的领域里，open model 是可以跑赢闭源模型的。」→ 详细
• 掌控自己的命运——她说了句公道话：Anthropic 和 OpenAI 一直是整个生态非常好的合作伙伴；但越来越多公司发现，自己也需要「一副能独立站住的腿」。→ 详细

• 她先翻出加密圈老梗：DeFi degens（玩去中心化金融的那帮老炮）当年那句「not your keys, not your crypto」——私钥不在你手上，币就不是你的；接着现场发布 AI 版本：「not your weights, not your product」。逻辑是产品要真正属于你，你得能掌控、能自己托管自己的权重。→ 详细
• 她翻出 Pat 在 AI Ascent 上那张「应用层争夺战」的片子：AGI 实验室和应用层公司正从两头往中间冲，都想成为直接面向用户的产品——模型实验室从模型端往上打，应用公司从用户端往回打。→ 详细
• 她的更新是主战场变了：「这场仗不再只关乎谁能掌控产品、UI、go-to-market、外面那层包装，而是关乎谁能拥有智能本身、谁能把产品里的智能打磨得更好。」收口一句可以直接当投资判断用——产品即智能，最新的战场是智能层本身。→ 详细

• 原话是：现在最热的新一代「实验室」，其实是 Harvey（法律）、Factory（编码 agent）、Glean（企业搜索）、OpenEvidence（医学）、Semgrep（代码安全）、Ramp（企业支出）这些公司里的 applied research（应用研究，贴着真实产品问题做的研究）团队，「这个名单还能一直列下去」。→ 详细
• 研究覆盖面很广：从 eval（评测集，用来量化模型在你这个场景里到底行不行）、benchmark，到 harness engineering（模型外壳／调度框架的工程），再到 fine-tune（微调）的新算法技巧。→ 详细
• 最重的一句判断：「我甚至认为，应用层公司才是最新一代的 Neo lab（新型实验室）。」——前沿研究的发生地，正在从少数几家大实验室往应用层扩散。→ 详细
• 讲框架前她自己先打了折扣：「这套东西请务必打个大大的折扣来听——每家公司情况都不一样，而且我本人也不是技术出身。」→ 详细

• 路线图分四步：①战略（哪些自己拥有、哪些租）②团队 ③legibility（可被外界读懂、被看见）④技术路线图。前提是「sovereign AI 不是非黑即白，你不是 0% 主权就是 100% 主权」。→ 详细
• 判断看四个因素：成本（这项在整体 COGS 里占多大分量）、速度与延迟（是不是 P0 最高优先级）、性能（过去是「不在乎性能才选 open weight」，现在某些领域用自己的数据调模型反而更强）、专有数据（喂给模型的数据是不是极度贴身于你的业务）。→ 详细
• 三个真实取舍：coding agent 大多还是「租」（要开箱即用的强性能、延迟不是 P0）；Tab 自动补全「现在大部分跑的都是自己的 sovereign intelligence」（极度在意速度、调用太频繁成本滚雪球）；一家隐身状态的网络安全公司（她当场点了在座的 Alon）自建是为速度、性能和「非常定制化的 post-training（后训练，在基座模型之上继续训练，让它更适配特定任务）」；生物医药公司则是因为专有数据太值钱。→ 详细

• 两种可行的 labs leader 画像：Nico 偏研究出身（先后在 Apple 和 Google Brain 做研究），Alex 偏工程出身（在 Microsoft 和 Ramp 担任过多个工程岗位）。「通往彼岸的路不止一条」——研究偏基础还是偏应用，决定了该招哪种人。→ 详细
• 组织形态这段她讲得最硬：传统 AI 团队多是 hub and spoke（轮辐式：一个中央平台团队，支撑下游各个 AI 产品线与应用团队），而「很多公司在硬把这个 AI 平台团队塞去干 sovereign AI 的活儿。我建议大家别这么干」。→ 详细
• 理由是它本质上不是「平台服务」型能力：「你需要的是能随机应变、能在前沿上思考、能产出前沿级别研究的人……你希望他们是在打进攻，而不是在给别的团队做后勤支持。」→ 详细
• 规模上不必吓自己：Harvey 发了大量研究，团队只有七个人。她的建议是「起步就小，从零开始，认真考虑把它做成你自己的实验室」。→ 详细

• legibility 的重要性她认为被严重低估：很多公司内部做着很棒的研究，外界却看不见也看不懂。她引 Winston Weinberg（Harvey CEO）：CEO 的职责有两重——做出实打实的结果，以及掌控叙事。→ 详细
• 为什么此刻重要：「现在每一个买家都在挑选自己的 AI 冠军」，他们反复听到同一套说辞，真正想分辨的是谁「能把我带到应许之地」。答案越来越是：公开发研究、把技术营销做到极致、甚至开一个独立品牌的 labs 或研究组，并且要「发布有品味的研究」。→ 详细

• 大致路径：①定战略 ②定义 eval ③折腾 model router（模型路由，按任务把请求分派给不同模型）和 harness ④按需做 post-training，比较少见的情况需要一路做到 mid-training 甚至 pre-training ⑤搭起线上反馈闭环，「你的智能随着每一次客户交互不断变强」。→ 详细
• eval 这一步她下了重话：「它一点都不光鲜，做起来也不有趣，但你在前期下的功夫越多，后面每一步的位置就越有利。」→ 详细

• 「自己拥有整个技术栈，最妙的地方在于：你现在真的能跑出 frontier 级别的性能了。」这份功劳她很大一部分记在最新一批开放权重模型上，点名 Kimi K3 和 GLM 5.2「都好得不得了」。→ 详细
• 机制说得很直白：权重公开意味着这些模型比闭源 API「可塑性要强得多」——起点已经很接近前沿，再叠上扎实的 post-training、prompt 与 harness 工程、online learning（在线学习，模型在真实使用过程中持续更新），「你完全可以靠自建这一整套，跑出比 frontier 还好的性能」。→ 详细
• 时间戳给得很明确：这是 2026 年才出现的新局面，也是很多公司现在才开始认真考虑「拥有自己的智能」的一大原因。→ 详细

• 栈分两侧：左边是生产栈（面向用户的智能，驱动用户看到的每一个 token），本质是「一个模型 + 套在它外面的 harness」；旁边是开发栈，即你为了把智能打磨好而用的那些工具和供应商。→ 详细
• 闭源生态里这套栈很简单：Opus、GPT 加各家配好的开箱即用 harness，你照样能自己搭 harness、写 prompt、喂上下文、跑 eval——但她的评价是「下限更高，天花板更低」，因为你拿不到线上真实生产数据来反过来练强自己的智能。一旦自建，「基本就等于打开了潘多拉的盒子」：干净的一次 API 调用变成先挑开源底座、再做大量 post-training，harness 也从开箱即用的 agent 变成自己配逻辑、工具与上下文。→ 详细
• 上下文这一格「对性能的影响真的非常非常大」：向量数据库（如 Turbopuffer）、企业知识图谱（如 Glean）、通过 MCP 接进来的开源连接器，以及 Ngram 的 Dan Biderman 在研究的新路子——把上下文直接编码进模型权重里。→ 详细
• 自建之后开发栈分量陡增，三件事：盯住 eval 才知道智能什么水平、也才看得出模型在生产环境有没有「漂移」；备足高质量数据做领域 post-training（专家轨迹＝专家一步步操作留下的完整过程记录、合成数据、RL 环境＝强化学习训练场）；最后搭起 online learning，让每次用户交互都把智能再往上推一点。→ 详细

这是一场单人主旨演讲，没有问答环节。收尾是当天的 workshop 阵容——它本身就是一份「自建智能该补哪几门课」的清单：Fireworks 的 Lin 讲 post-training；LangChain 的 Harrison 讲 harness 与 eval；Mercor 的 Brendan 讲 RL 环境、合成数据等；Trajectory 讲 online learning；Harvey 讲他们整套 AI 技术栈与策略是怎么搭起来的——就在演讲前一天，他们刚刚发布了 Harvey Research。→ 详细

• 覆盖范围她说得很明确：「除了预训练模型之外的每一个环节」都要讲透——pre-training 不在今天的议程里。她特意点出，Harvey 的几家技术合作方今天都在台上讲，「投资组合里的、组合外的都有」。→ 详细
• 现场还可以逮人聊：Ngram 的 Dan Biderman（把上下文编码进权重 / 模型记忆），中场休息去找他。→ 详细