社区

模型越大越好，算力越多越好，企业接上API就能享受最先进的智能。

企业不用训练模型，也不用自己建AI基础设施，只要按Token付钱，就能直接使用全球最强的大模型。

这套模式确实推动了生成式AI最快的一轮普及。

但到了2026年，我越来越关注另一个正在冒头的变化：

企业开始不满足于“租AI”，而是想把AI重新掌握在自己手里。

这背后对应的关键词，就是最近越来越频繁出现的——Sovereign AI，主权AI。

而如果这条趋势真的成立，它改变的不只是企业怎么使用AI，更可能重新划分整个AI产业链的利润。

一、以前用AI像租房，现在企业开始想“买房”

最初企业使用AI的方式非常简单。

把数据传到远端，调用OpenAI、Anthropic等厂商提供的API，再按使用量付费。

刚开始这笔账很好算。

员工偶尔问几个问题、生成几段文字，一次调用只消耗少量Token，和自己训练模型相比，API几乎便宜得可以忽略。

但Agent开始改变这件事。

以前AI只是“回答一个问题”。

现在的Agent需要：

读取整个代码库、理解上下文、拆解任务、调用工具、反复测试、根据结果重新规划……

一个任务背后的模型调用次数可能成倍增加。

原文以Uber为例：内部工程师使用Agentic Coding工具的比例快速上升，重度用户每个月的AI使用成本甚至可以达到数百至数千美元，公司最后开始给员工和工具设置月度预算上限。

这件事很重要。

因为企业突然发现：

AI采用率越来越高，不等于AI的ROI一定越来越高。

Token消耗可以很容易翻几倍，但生产效率究竟提高了多少，却没有那么容易衡量。

于是第一个变化出现了：

企业开始从“尽可能多用AI”，进入“AI到底值不值得花这笔钱”的阶段。

微软在原文中的做法也很典型：开始通过FinOps和模型路由，把简单任务交给更便宜的小模型，真正复杂的问题才调用昂贵的前沿模型。

这其实和云计算早期非常像。

最开始大家只想快速上云，几年之后才发现，云账单本身也需要管理。

AI现在正在经历同样的过程。

二、比账单更敏感的问题，是“我的供应商会不会变成我的竞争对手？”

成本只是第一层。

第二层是企业更难接受的问题：控制权。

原文提到了Anthropic与Figma之间的争议。

Figma本身是Anthropic的重要企业客户，但当Anthropic推出与设计、原型生成相关的新产品之后，双方的业务边界开始变得越来越模糊。

这里最值得关注的并不是某家公司到底有没有使用客户数据，而是这种商业模式天然存在一个矛盾：

今天，大模型厂商给你提供底层能力。

明天，它也可能自己向上进入应用层。

于是企业会开始思考一个非常现实的问题：

如果我的产品、工作流、企业知识全部运行在一家外部公司的模型之上，我究竟拥有多少主动权？

模型价格怎么调整，你决定不了。

模型版本什么时候升级，你决定不了。

API是否继续开放，你决定不了。

甚至未来对方会不会进入你的行业，你也决定不了。

这也是Palantir CEO Alex Karp在原文中不断强调“AI主权”的原因之一。

【配图2：IBM关于企业AI主权差距的调查图】

三、所以，什么才是真正的“主权AI”？

“主权AI”这个词听起来很宏大，但把它拆开，其实非常具体。

原文将它归纳为五个维度。

1. 数据主权

企业的数据、客户资料、生产参数，尽可能留在自己可控制的环境里。

2. 模型主权

模型权重能够由自己掌握、微调和部署，而不是完全依赖远端API。

3. 算力主权

关键AI系统可以运行在自己能够控制的硬件和基础设施上。

4. 决策主权

AI作出的关键判断能够被审计、追踪，出了问题能够回滚。

5. 供应链主权

整个AI系统不能完全依赖单一公司、单一国家或者单一技术栈。

所以主权AI并不简单等于：

“所有企业都自己建机房。”

它更像一个光谱。

一端是完全离线、物理隔离；

另一端可能只是要求数据留在某个国家、客户自己掌握密钥、全过程可以审计。

不同公司根据自己的敏感程度，选择不同程度的控制权。

【配图3：McKinsey AI Sovereignty光谱图】

四、为什么“开放权重”突然变得重要？

如果企业想把AI控制权拿回来，首先就会遇到一个问题：

模型怎么办？

如果最核心的模型始终锁在远端API里，那么所谓“主权”其实很有限。所以开放权重开始变得重要。

这里必须区分两个很容易混淆的概念：

Open Source，开源。和Open Weight，开放权重。

严格意义上的开源，通常意味着代码、训练方法、数据等都具有较高程度的公开透明。而现在大家经常说的Llama、DeepSeek等，很多更准确的描述其实是“开放权重”：你可以获得模型权重，可以下载、微调、部署到自己的服务器，但并不代表训练过程的一切都完全公开。对于企业来说，这已经产生了很大的区别。因为一旦权重掌握在自己手里：模型不会因为API厂商改变政策就突然不能使用；企业也可以根据内部数据进行微调；更重要的是，可以把模型部署在自己能够控制的环境里。

所以我很喜欢原文里的一个概括：

开放权重解决“怎么拿回来”，主权AI创造“为什么要拿回来”的需求。

【配图4：开放权重与真正开源的区别】

五、为什么黄仁勋突然开始大力支持开放模型？

这里其实是整条投资逻辑里，我觉得最有意思的一部分。

原文提到，黄仁勋在X上分享关于开放权重与AI领导力的公开信，并强调未来世界既需要闭源前沿模型，也需要开放模型。

乍一看有点奇怪。

NVIDIA又不卖大模型订阅。

为什么它如此关心模型到底开不开源？

换一个角度就很好理解了：

模型越开放，做模型的人越多，需要部署AI的人也越多。

而不管企业最后选择Llama、DeepSeek、Qwen、Mistral还是其他模型，它最终都需要：

GPU、推理软件、服务器、网络、存储，以及整套AI基础设施。

换句话说：

如果闭源模型一家独大，价值可能高度集中在少数几个API供应商手里。

如果模型越来越商品化，模型层的利润可能被压缩，但整个市场的AI部署数量反而会变得更大。

而NVIDIA卖的是“铲子”。

模型是谁的，对它没有那么重要。

只要AI越来越多地被部署起来，就需要更多算力。

这可能正是开放模型对NVIDIA最大的战略意义。

【配图5：黄仁勋关于开放模型的X帖截图】

六、Meta为什么也希望模型变得越来越“免费”？

另一个非常典型的玩家，是Meta。

Meta为什么愿意长期推动Llama开放？

原文给出的逻辑很直接：

Zuckerberg在智能手机时代吃过“没有底层平台”的亏。

Meta拥有Facebook、Instagram、WhatsApp，却没有自己的手机操作系统，因此长期需要受到Apple、Google平台规则的影响。

到了AI时代，Meta显然不希望再出现一次：

整个AI底层平台被另外一家公司控制。

于是一个非常有意思的商业战略出现了：

把模型本身做成商品。

如果全球开发者都可以低成本使用Llama，那么最底层“模型”的稀缺价值就会下降。

真正有价值的东西，就可能重新回到：

用户、数据、社交网络、广告系统、智能眼镜和终端生态。

所以开放模型对Meta来说，并不一定是慈善。

它更像是一次平台战争。

【配图6：Zuckerberg谈开放平台】

七、DeepSeek真正改变的，不只是模型排行榜

开放路线以前最大的问题很简单：

不够强。

如果开源模型只能做简单任务，那么安全、控制权、成本再漂亮，也无法取代真正好用的闭源模型。

但原文认为，2024—2026年这段时间出现了几个关键变化。

一个是MoE——混合专家模型。

模型不需要每次回答问题都启动全部参数，而是根据问题，只调动其中最相关的一部分。

另一个是推理时计算。

模型不再只是“问一句答一句”，而是可以在输出前进行更多内部推理。

再加上知识蒸馏、合成数据以及开源社区快速迭代，开放模型和闭源前沿模型之间的差距逐渐缩小。

DeepSeek V3和R1成为其中非常关键的节点。

它真正冲击市场的地方并不只是benchmark，而是打破了一个长期存在的默认假设：

高性能AI，一定必须依赖极其昂贵的闭源模型吗？

原文给出的判断是，到2026年，优秀开放权重模型与闭源前沿模型的差距，已经从过去按“年”计算，缩短到大约几个月。这个判断属于原作者的行业观察，并非本文额外验证的数据。

而企业真正每天需要的任务，其实很多都不需要“全世界最聪明的模型”。

客服、摘要、报表、代码辅助、内部知识库……

如果一个便宜很多、可以私有部署的模型已经“足够好”，企业为什么一定要为最后那一点能力差距支付高昂溢价？

【配图7：开放模型与闭源模型能力差距收窄图】

八、模型免费以后，到底谁赚钱？

这是我最关心的问题。

如果未来模型越来越像一种基础商品，那么利润不会消失，只会重新分配。

原文总结了开放模型常见的几种商业模式：

第一种，卖官方API。

模型虽然可以免费下载，但自己部署服务器非常麻烦，很多开发者最后依然会选择官方托管服务。

第二种，企业私有部署和定制。

真正进入大型企业、政府、金融、医疗等场景之后，部署、合规、安全、维护和模型微调都需要大量工程服务。

第三种，用开放模型带动母公司的核心业务。

Meta用Llama保护自己的生态；

阿里用Qwen吸引更多开发者进入云服务体系。

第四种，是把全球开发者变成免费的研发网络。

模型一旦开放，全球开发者会帮助寻找Bug、做量化、做微调、开发不同版本。

这意味着：

模型本身越来越便宜，不代表AI产业链没有利润，而是利润可能开始从“模型租金”转移到部署、算力、软件控制和生态。

九、从投资角度，我更关注这几个位置

如果“主权AI＋开放权重”这条路线继续发展，我觉得接下来不能只盯着“哪家大模型最聪明”。

更值得问的是：

$英伟达(NVDA)$NVIDIA：最明显的卖铲人

无论模型是闭源还是开放，最后都需要算力。

而企业从调用API转向自己部署模型，甚至可能让算力需求变得更加分散。

$Palantir Technologies Inc.(PLTR)$Palantir：企业控制层

企业自己拥有模型之后，真正困难的事情才刚刚开始。

谁可以看什么数据？

Agent可以执行哪些动作？

出了问题怎么审计？

这些都属于企业AI治理和软件控制层的问题。

$Meta Platforms, Inc.(META)$Meta：让模型层商品化

Llama如果扩大开放模型生态，本质是在降低模型本身的稀缺性，同时保护Meta自己的应用和终端生态。

$阿里巴巴-W(09988)$阿里巴巴：模型免费，云来赚钱

Qwen的逻辑也很容易理解。

模型越多人使用，就越可能带来部署、推理和云计算需求。

所以未来AI产业的竞争，也许会越来越像今天的互联网：

免费的东西负责获取生态，真正赚钱的是生态背后的基础设施和服务。

十、主权AI真正改变的，是AI的利润分配方式

过去几年，市场习惯把AI价值集中在少数几个前沿模型厂商身上。

谁拥有最强模型，谁就拥有最高议价权。

但主权AI和开放权重提供了另一种可能：

模型能力逐渐商品化；

企业重新掌握数据和模型；

AI从少数云厂商的远端黑盒，变成可以被部署到不同公司、不同国家和不同设备上的基础能力。

如果这一天真的到来，那么价值链可能发生一次很大的迁移：

模型层的“智力租金”下降，算力、部署、治理、云服务和终端生态的重要性上升。

这也是为什么黄仁勋会支持开放模型。

因为对于一个卖算力基础设施的人来说，他可能并不希望任何一家模型公司成为AI世界唯一的入口。

他更希望世界上有成千上万家公司、政府和开发者，都在搭建自己的AI。到最后，无论他们选择谁的模型，都需要计算。这可能才是“主权AI”真正值得投资者关注的地方。

AI下一阶段的竞争，也许已经不只是：谁拥有最聪明的模型。而是：谁拥有AI的控制权，以及当控制权重新分散之后，谁还能持续收取利润。

这套模式最大的风险也很明显

金融资本进来以后，会把行业的上行弹性放大。

同样也会把风险放大。因为一旦GPU开始被当成融资资产，金融机构一定会关心它的残值。

假设一批GPU买入时值100。两年以后新一代产品性能大幅提升，旧GPU二手价格只剩40。

那抵押物价值就会缩水。如果再叠加算力租金下降、数据中心利用率不够、客户合同不稳定，融资方就会变谨慎。

到时候就可能出现另一种循环：

算力价格下降
→ GPU残值下降
→ 融资条件收紧
→ 数据中心减少扩产
→ AI硬件订单下降。

所以“算力金融化”不会让AI周期消失。它更像是给整个周期加了杠杆。景气好的时候跑得更快，反过来也一样。

我为什么还是偏向看多硬件

我现在真正关注的，是AI产业的钱从哪里来，以及最后流向哪里。模型可以换。应用也会换。但一座AI数据中心真正建起来，需要的东西很难跳过：

GPU、HBM、存储、光模块、高速互连、服务器、电源、电力和冷却。

只要算力建设还在扩张，这些东西就要有人提供。

而算力金融化解决的恰恰是最关键的一步：让有需求的人买得起。原来AI硬件的资本开支主要依赖几家科技巨头自己的现金流。

如果金融机构真正把AI Factory当成一类可以融资的基础设施资产，产业能够调用的资金就会大很多。

这也是我现在看这条线最核心的逻辑。

与其一直猜下一个最强的大模型是谁，我更愿意看那些无论谁赢，都要被采购的东西。

GPU、HBM、光通信、服务器、电力。

如果要把“算力金融化”压成一句话，我会这么理解：

黄仁勋干的不只是把GPU卖出去，而是在想办法让更多人借得到钱来买GPU。

只要这个融资飞轮没有出问题，对AI硬件就仍然是一个很值得跟踪的增量。

以上仅代表个人行业观察和投资思路，不构成任何投资建议。