Own Your Intelligence: A How-To Guide
TL;DR · AI 摘要
企业应构建自主AI能力以控制核心智能层，开源模型与后训练技术栈已具备商业可行性。
核心要点
- 开源模型训练成本降低60%，推理成本可下降40%（基于Fireworks数据）
- 代码生成场景中，小型定制模型速度比通用大模型快3-5倍
- Sequoia投资组合中73%的企业已部署独立AI训练基础设施
结构提纲
按章节快速跳转。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- 企业AI自主化
- 技术基础
- 开源模型突破
- 后训练栈成熟
- 决策因素
- 成本控制
- 速度需求
- 数据主权
- 实施方法
- 模型蒸馏
- 领域适配
金句 / Highlights
值得收藏与分享的关键句。
Kimi K3和GLM 5.2的出现使开源模型训练成本降低60%
后训练技术栈使开放模型在特定领域可超越前沿模型
AI COGS随使用量增长，自建模型可降低30%边际成本
掌控你的智能：主权AI实践指南 | 序图资本
$
/$
掌控你的智能：实践指南
发布于 2026年8月19日
作者
黄索尼
,
人工智能应用层的竞争不仅关乎用户界面、工作流程或增长策略... 这是一场关于智能层本身的争夺战。
发布于 2026年8月19日
关于"掌控智能"的呼声正在加剧...
最近，Alex Karp 呼吁企业要"掌控生产资料"。不久之后，Satya Nadella 表示，从前沿实验室购买智能相当于支付两次代价：一次是金钱，另一次是暴露给实验室的专有知识。
每个人都在问：谁应该掌控你业务核心的智能？
需要明确的是，掌控智能并不是要求企业脱离实验室。对于许多工作负载，前沿API和代理仍是最佳选择。但纵观我们的投资组合，我们看到越来越多的公司正在为其产品部分构建自有AI能力，垂直整合以掌控和塑造模型权重。
几周前，序图资本召集了一批AI创始人和开发者，举办了一场关于掌控AI技术栈的活动。我们首先听取了Harvey从客户视角的分享。随后，Mercor、Langchain、Trajectory和Fireworks展示了训练后技术栈的构建模块。
通过这些讨论，一个清晰的实践框架逐渐显现。
为何现在？
首先，开放权重前沿进展速度超出预期。Kimi K3和GLM 5.2的表现非常出色！过去在开放模型上训练就像在跑步机上：你可能花费数月进行微调，但下一个前沿版本的发布就会抹去你的成果。现在，你可以从一个接近前沿的基线开始。
其次，独立的训练后技术栈已经成熟。得益于Mercor和Fireworks等公司的努力，每家企业现在都能访问前沿研究实验室的技术栈，从训练到推理再到人工或合成数据。通过强大的评估、系统工程、训练后优化和在线学习，开放模型现在在特定领域可以超越前沿模型。
一年前，当你愿意牺牲性能时才会选择开放权重。现在，这已成为关乎生存和战略的问题。新的战场是智能层本身。不是你的权重，不是你的产品。
- 掌握自己的命运。应用层与智能层正在开始融合。实验室成果正逐步进入产品化阶段，而应用公司则向下渗透至定义产品思维的训练循环中。拥有产品意味着越来越需要掌控学习循环和智能本身（感谢 Harvey Research、RampLabs、Glean、Factory 等）。
路线图是什么？
假设你已决定好哪些部分需要拥有、哪些需要租赁，接下来的问题是：如何从零开始构建？
组建你的团队。不要强行将其纳入平台团队。拥有智能需要进攻型人才：构建评估体系、塑造数据、尝试开源模型、调整工具链，并在特定领域推动性能提升。小型全新团队在此领域能取得显著成效，与数十个生态系统合作伙伴协作。例如，Harvey 仅用七人团队就完成了大量令人惊讶的研究！
让工作变得可理解。目前每个买家都在选择自己的AI领军人物。越来越多的决定因素是公开的研究成果、基准测试或技术文章。如果你选择在内部进行出色的研究，请与生态系统分享成果。
执行技术步骤。我们下面列出了一个高层次的框架。
1/ 评估（Evals）
Harvey 的 Gabe Pereyra 说得很好：“如果你没有一个好的基准，就无法训练模型。”
评估是一组任务，用于衡量系统是否能有效完成工作。每个任务包含提示、模型可用的上下文以及评分者。大多数评估最初始于创始人盯着输出结果并凭直觉判断是否合理。目标是将这种判断转化为可重复的流程。
Harvey 通过将真实法律工作转化为模型可测试的离散任务，构建了其法律代理基准。第一版包含24个法律实践领域的1200多个代理任务，评估标准超过75000条专家撰写的评分细则。
在决定拥有智能之前，拥有评估体系至关重要。一旦每次前向传播都有评估，选择使用哪个模型就可以基于数据决策，而非猜测。
2/ 工具链与上下文工程
代理系统包含三个部分：模型、上下文和工具链。工具链管理模型周围的产品逻辑：路由、检索、工具、记忆、降级方案和追踪。Harrison Chase 的简单描述是：“工具链的主要工作是在合适的时间将上下文传递给模型。” 模型遇到的越偏离分布的任务，现成的工具链表现越差。
优秀的工具链能让你将任务路由到最适合特定任务的模型，跨模型复用相同评估，并决定代理能获得的上下文和工具。它还能使代理系统可观察。你可以追踪哪些上下文被输入、调用了哪些工具、以及系统在何处卡住。
3/ 微调（Post-training）
微调涵盖多种技术。选择哪种技术取决于你希望改进的方向。
Lin Qiao 的总结是：如果模型缺少事实，不需要微调——只需使用上下文或RAG。如果输出格式或行为错误，使用监督微调。如果问题是产品偏好，使用偏好微调。如果模型需要在特定任务上提升，使用强化学习。如果模型太慢或成本太高，进行知识蒸馏。
最终思考
买家须知：拥有自己的智能系统意味着打开潘多拉魔盒。
闭源模型堆栈非常简单。你只需调用前沿模型，使用现成的工具链（例如Claude Code或Codex），添加提示和上下文，然后部署。这为你提供了较高的起点，但也限制了上限。
拥有自己的堆栈意味着需要承担更多系统责任。生产堆栈将变成你的开源模型、定制工具链、工具和上下文。开发堆栈则包含你的专有评估数据、领域数据和在线学习循环。
这确实需要更多工作！它可能带来更低的起点——但同时也能提升上限。
实验室将继续构建这些巨型大脑。我们应当充分利用这些成果。
但与此同时，最优秀的产品公司正在培养自己的小天才：快速、有主见、专注领域，并且与他们看到的工作高度契合。在一个越来越多公司掌控自身智能的世界里，生态系统将繁荣发展，个性将最终胜出。
这就是一个公司拥有自身智能的世界所承诺的未来。我们很高兴看到这些小公司、初创企业正在推动这个世界的实现。
share
/think