租用到拥有：解读红杉资本眼中的“主权AI“战略与技术路线

从租用到拥有：解读红杉资本眼中的"主权AI"战略与技术路线

引言

2026年8月，红杉资本举办了一场主题为"主权AI"的内部峰会，面向其投资的80余位创始人及AI领军人物。这场活动的核心论题直击当前AI产业的一个关键矛盾：企业究竟应该"租用"AI能力，还是"拥有"自己的AI？

红杉合伙人在演讲中提出了一套完整的战略框架与技术路线图。本文将基于该演讲内容，结合当前AI产业发展现状，进行客观梳理与适度扩展，帮助技术从业者理解这一趋势背后的逻辑与可行性。

一、"主权AI"是什么？不是什么？

1.1 核心定义

“主权AI”（Sovereign AI）借鉴了政治学中"主权"的概念——拥有完全自治权的独立实体。在企业语境下，它指代的是：

企业拥有自己的智能，从最底层的模型权重开始，都不依赖任何外部实体。

这意味着企业不仅是在使用AI，而是在构建、训练、部署和维护属于自己的AI模型。

1.2 重要的澄清

演讲者特别强调了一个容易被误解的点：

“我们绝不是让旗下公司放弃使用Opus或GPT。”

主权AI不是非此即彼的选择题。对于编程智能体、桌面办公、前沿API等场景，闭源模型依然表现出色。主权AI关注的是：在你的产品体系中，哪些智能环节必须由你亲自掌控。

二、为什么现在谈"拥有"AI？四大核心驱动力

2.1 成本：AI越成功，成本越高

这是一个反直觉的现实：如果你的AI产品调用量越大，你的AI推理成本（COGS）就越高。对于低毛利甚至负毛利的商业模式，这构成了不可持续的财务压力。

扩展思考：以当前主流大模型API定价为例，GPT-4级别的模型每百万Token输出价格约在10-30美元区间。对于一个日活百万的应用，单日推理成本可达数万美元。而自建模型虽然前期投入大，但边际成本可以降至极低水平。

2.2 速度：轻量化模型的反超

在某些对延迟极度敏感的场景（如代码自动补全、实时安全检测），一个经过蒸馏和定制化的小模型，凭借毫秒级的响应速度，完全可以击败参数量大数十倍的通用模型。

技术视角：知识蒸馏（Knowledge Distillation）技术使得小模型可以继承大模型的核心能力，同时大幅降低推理延迟。例如，DeepSeek-Coder系列中的小模型在代码补全任务上，延迟可控制在50ms以内。

2.3 性能：开放模型的新突破

演讲者指出，2026年出现了一个重要转折点：

“开放模型能在你的专业领域里超越闭源模型。”

这得益于几个因素的叠加：

• 开放权重模型（如Kimi K3、GLM 5.2）的基线性能已接近前沿水平
• 企业可以利用自有数据进行后训练，在垂直领域实现超越
• 权重开放意味着更大的可塑性和定制空间

2.4 掌控命运：从租户到业主

演讲者提出了一个生动的类比：

“不是你的权重，就不是你的产品。”

这呼应了加密货币领域的经典表述："不是你的钥匙，就不是你的币。"当企业的核心智能完全依赖于第三方API时，面临的风险包括：

• 服务中断或策略变更
• 数据隐私与合规风险
• 定价权完全掌握在供应商手中
• 无法基于自有数据进行持续迭代

三、实施"主权AI"的四步框架

3.1 第一步：战略界定——哪些自建，哪些租用？

这是一个关键的决策矩阵，包含四个维度：

典型场景示例：

• 代码自动补全 → 自建（延迟敏感、调用量大）
• 代码智能体 → 租用（需要开箱即用的强性能）
• 医疗诊断模型 → 自建（数据高度专有）
• 客服摘要 → 租用（通用场景即可）

3.2 第二步：组建团队——从零开始的独立实验室

演讲者提出了一个反直觉的建议：不要将主权AI的任务塞给现有的AI平台团队。

原因在于：

• 主权AI需要的是前沿研究能力，而非平台服务能力
• 团队成员需要"打进攻"，而非"服务其他团队"
• 小团队也可以走得很远（如Harvey仅7人团队即产出大量研究成果）

组织架构建议：

• 设立独立的研究实验室（可单独命名）
• 负责人画像可以是偏研究或偏工程背景，取决于公司定位
• 保持团队精干，聚焦于核心研究任务

3.3 第三步：可见性——让研究成果被看见

这是一个常被忽视但至关重要的环节。演讲者将其定义为"legibility"——让你的研究和能力变得清晰可见。

为什么重要？

• 客户在选择AI供应商时，希望找到真正懂行的合作伙伴
• 展现内部研究成果是建立技术信任的有效方式
• 在竞争激烈的市场中，技术实力本身就是最好的营销

实践建议：

• 发布高质量的技术博客和研究论文
• 参与开源社区，贡献有价值的代码和模型
• 建立独立品牌的研究团队，提升行业影响力

3.4 第四步：技术路线图——从评估到闭环

演讲者给出了一个大致的技术演进路径：

四、技术栈深度解析：从租用到自建的架构变迁

4.1 租用模式的技术栈

┌─────────────────────┐
│ 应用层 │
├─────────────────────┤
│ 工具链 / Prompt │
├─────────────────────┤
│ API (Opus/GPT等) │
└─────────────────────┘

特点：简单、高效，但天花板低。无法利用自身数据持续优化模型。

4.2 自建模式的技术栈

┌──────────────────────────────┐
│ 生产环境 │
├──────────────────────────────┤
│ 上下文管理 │
│ (向量库/知识图谱/MCP) │
├──────────────────────────────┤
│ 工具链 / 逻辑 / 工具 │
├──────────────────────────────┤
│ 后训练模型 (微调/蒸馏/RLHF) │
├──────────────────────────────┤
│ 开源基座模型 │
└──────────────────────────────┘

┌──────────────────────────────┐
│ 开发环境 │
├──────────────────────────────┤
│ 评估监控 / 漂移检测 │
├──────────────────────────────┤
│ 数据管线 (专家轨迹/合成数据) │
├──────────────────────────────┤
│ 在线学习 / 强化学习环境 │
└──────────────────────────────┘

特点：复杂度高，但天花板更高。可以实现持续的自我进化。

4.3 上下文管理的多种形态

演讲者特别提到了上下文的重要性，并指出了几种不同的实现方式：

• 向量数据库：存储和检索语义相似的文本片段
• 企业知识图谱：结构化知识的查询与推理
• MCP协议连接器：标准化的外部工具接入接口
• 权重内嵌记忆：将上下文直接编码进模型权重（前沿研究方向）

五、客观评价：主权AI的机遇与挑战

5.1 机遇

5.2 挑战

5.3 谁适合走这条路？

• AI原生企业：产品核心价值高度依赖AI能力
• 高数据壁垒行业：医疗、金融、法律等
• 大规模调用场景：日调用量千万级以上
• 对延迟极度敏感：实时交互类应用

六、结语

红杉资本的这场演讲，本质上是向其所投资的企业传递一个信号：AI产业的竞争正在从"应用层"向"智能层"迁移。 未来的赢家，不仅仅是那些会使用AI的公司，更是那些有能力"拥有"AI的公司。

然而，这并不意味着所有企业都应该立即启动自建AI的计划。正如演讲者所强调的，主权AI是一个光谱，每个企业都需要根据自己的实际情况，在"租用"和"拥有"之间找到最适合自己的平衡点。

对于技术从业者而言，理解这一趋势的意义在于：无论你的公司选择哪条路，掌握模型训练、微调、评估、部署的全链路能力，都将成为越来越重要的核心竞争力。