红杉美国合伙人揭示Sovereign AI的行业观点 #AI #人工智能 #集中式AI #主权AI

美国红杉资本就是Sequoia Capital的合伙人。Sonny最近在分享中讲述了一个很有意思的观点，叫做not your weights, not your product，就是所有的应用公司都应该拥有自己的模型。如果模型的权重你不拥有，产品本质上也不属于你。 这个就引入了一个最近非常火的概念，就是sovereign AI，主权AI。Sovereign AI主要指的是，对公司来说，不单纯简单做一个wrapper，也就是套壳，而是应该拥有自己的AI能力，一直覆盖到weights也就是权重层面。这个产品不依赖任何外部的许可和决定。当然了，在去年没有人会讨论这个事情，原因就是拥有自己的模型是一个非常高成本的事情。自研AI如果从零开始训练大模型，成本其实会劝退一波人。但是Sovereign的框架逻辑里，整个Sovereign AI是一个共识，并不表示在每一个模块都需要拥有自己的权重，完全可以基于现在的开源生态，像搭积木一样组建自己的主权AI。 这里就要提到现在两个很重要的行业思潮。第一个思潮叫做集中式智能，就是少数几个超级AI公司垄断几乎所有AI能力。这就包括了海外的OpenAI，也包括了国内的一些模型厂商。比如说DeepSeek、Kimi，通过API的形式，运用一种类似黑盒的机制，吸收全世界所有的数据以及专业知识。其他公司都只能在黑盒上打转，越来越依赖平台，不断贡献行业知识，导致丧失了定价和溢价的能力。 另外一种形式，目前看来也是风头正盛的一个趋势，就是去中心化的智能：运用一个共同的坚实底座，比如说开源模型，每个公司、每个人都在这个底座上搭建自己独特的智能，用自有的数据、自有的行业知识、自己的产品，个性化塑造自己的AI能力。个体系统由此繁荣，个体因此产生差异化的生存空间。后者一定是对目前绝大部分生态中的玩家，尤其是SaaS公司，更有意义。 紧接着Sonny提出了他认为公司走向Sovereign的四个原因。第一个叫Cost、Operation、Growth、Margin，就是如果你不拥有自己的模型的话，其实要交两笔钱：第一笔是交给模型公司，会占掉一个公司毛利的50%到70%，另外一笔就交给了算力，因为算力这个问题短期还没法快速解决，还要等待整个显卡生态进一步的繁荣，才可以把这部分利润挤出来。 第二部分叫Speed，API的速度其实是很受限的。因为在处理请求的时候，每一个不同请求都会走类似的链路进行回答。有些问题完全可以用小模型来提升速度。但这块对于很多公司来说，如果没有拥有自己的主权模型，就没法去优化。比如说一个简单的例子，就是编码中的tab auto complete代码自动补全，这个功能其实对于延迟极其敏感。如果每次按tab都要等个五十秒的话，编程的效率会很低。所以很多相关团队在这个模块都会选择用自己的模型，只有在复杂的问题才会调取Anthropic和OpenAI。 第三就是Performance，性能。这个点很多人很难理解，从传统意义上来说，闭源模型的性能一定是很强的。当然最近一段时间可以看到开源模型在快速改善。尤其是我们看到在开源模型达到一个可用的阶段之后，对于普通用户来说，这个差别已经变得很小。而开源模型在特定垂直领域针对性的后训之后，其实会在对应领域超越大部分的闭源模型。所以这也是为什么性能对于很多模型公司来说是很重要的考量点。 第四也是最重要的就是Control，control your own destiny，也就是掌控自己的命运。如果不拥有自己的模型，过于依赖API的话，在任何行业里面都存在风险。因为AI作为一个非常核心的模块，不能完全放心地交给另外一家公司，尤其是涉及到数据源的情况。 稍稍解读Sonny的not your weights, not your product的观点：现在的应用公司如果完全搭建在模型公司之上，其实彼此之间没有本质区别。你用的API竞争对手也在使用，手里拿的是同一把钥匙。唯一的区别是谁写的prompt也就是提示词更好。这种差异化是非常薄弱的，随时可以被学习和复制。而真正稳固的差异化，是模型见过的差异化的数据、了解的差异化的行业知识、积累的用户反馈。这些都需要有自研的、有自己的权重的模型来实现。 下一个观点是有关产品级智能。曾经我们觉得产品跟智能是两件事情，就是底层的技术需要人为组装，才能形成特定的产品。那在AI时代，这两者的区别是非常模糊的。对于很多公司来说，AI本身就是产品体验的核心，即使你的UI做的特别好，用户体验做的很丝滑，但是如果智能不够的话，依然没有人使用产品。所以在这种情况下，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上了等号。所以应用公司必须得做深，不要单纯去做一个套壳，应该拥有更多的智能能力。比如说现在比较热的new labs，大部分都是拥有深厚应用场景的公司，比如做法务的Harvey，做企业大数据的Genie。所以他的观点是，the application companies are the new new labs，就是所有做各类应用的公司，都在成为新的AI实验室。 有关技术路径，Sonny提出了一个他观察到的公司自建AI技术的roadmap。这个我看了一下，跟我们公司的路径是很接近的：第一步叫做Strategy，先定战略，捋清楚哪些能力要自己做，哪些技术可以复用。然后定义Evaluate也就是评估体系，这个是最重要的。因为你没有评估体系，就不知道自己是否在进步。所以Sonny说，这是最不性感，但最重要的工作，需要一套能够准确衡量模型在具体场景下的表现好坏的方法。这件事情做的越扎实，后面所有的工作效率也会越高。 接下来是尝试模型路由和harness工程，看看不动模型权重的情况下能做多少优化。在目前的很多场景中，比如说OpenRouter的fusion、Cherry、Mistral Agents，其实都是在验证，即使不动模型权重，已经能超越原先的模型的能力了。当然了，如果能动权重的话，往往可以进一步提升毛利空间，做更定制化的优化。所以下一步就进入了post training后训练，在自己的数据上对开源基础模型进行针对性训练。这就做到了自己的模型和自己的数据形成闭环，不会泄露自己的信息和秘密。 最后两步是绝大部分的AI实验室不会做的，只有有足够的资金和团队实力的实验室才会思考，分别是continue pre training和online learning。即使在这个场景中，大部分的公司也只会做continuous pre training。因为整个预训练pretraining的周期、时间和耗费的资金都很长，往往需要准备五千万美元以上的资金，耗时半年以上的时间。而最后online learning在线学习是一个最新的前沿理念，就是如何用用户的trace数据，如何去实现runtime intelligence也就是运行时的harness优化，包括最近Meta提出的TTT。这一系列指的是在模型确定之后，在模型的运行阶段，对模型做优化，针对模型场景做优化，针对模型性能做提升。 最后Sonny提出了一个timing的问题：为什么现在是一个建立自己Sovereign