不掌握模型權重
就不擁有產品？紅杉資本合夥人的警告

主權 AI 的最大誤解：不是拋棄 API，而是掌握核心智能

2026 年初，紅杉資本（Sequoia Capital）合夥人 Sonya Huang 在一場公開活動上拋出一個相當有衝擊力的判斷：AI 產業的競爭戰場已經從應用層下沉到「智能層」——如果企業不掌握模型的權重（Model Weights），其實根本不擁有自己的產品。這句話放在一年前，多數人會覺得莫名其妙，畢竟當時主流共識還是「大模型是巨頭的遊戲，創業公司老實做應用包裝就好」。

但她隨即做了一個重要澄清：這不是要企業放棄 OpenAI、Anthropic 等閉源 API，也不是要求企業從零開始做預訓練（Pre-training）。她所稱的「主權 AI」（Sovereign AI），核心是在最關鍵的功能上做垂直整合，把真正決定產品差異化的那一層智能握在自己手中——而不是把所有智能能力都外包出去。這不是非黑即白的選擇，而是企業要有能力界定清楚：哪些部分可以外包，哪些部分必須自己掌握。

這也牽動一個更根本的路線選擇：AI 世界的未來，會是少數集中式的超級大模型驅動一切，還是基於開放且強大的基座模型，由各企業在自己的垂直領域構建定制化智能？Sonya Huang 更傾向後者——因為那才是一個讓每家公司都能長出自己差異化壁壘的健康生態，而不是所有應用長得都一樣。

企業自建模型的四大驅動力

為什麼是 2026 年這個時間點，越來越多應用型公司開始認真考慮自建模型、掌控權重？Sonya Huang 歸納出四個核心驅動力：

1. 成本 — API 是按量計費的線性成本：用戶量與調用量越高，帳單就越高，而且供應商說漲價就漲價，企業完全無法控制。自行掌控模型後，訓練完成的邊際推理成本很低，且會隨規模攤薄；在高頻調用或大規模部署的場景，長期服務交付成本遠低於持續調用 API。
2. 速度 — 不只是回應延遲。針對代碼補全、日誌異常檢測等特定領域訓練的小參數模型，因為不需要兼顧通用能力，所有參數容量都用在單一任務上，推理速度可以比通用大模型快上數倍，對即時互動場景的用戶體驗有決定性差異。
3. 性能 — 這是最反常識的一點：2026 年的今天，開源權重模型的性能正快速逼近閉源前沿模型，配合企業專有數據做後訓練（Post-training）與微調，垂直領域表現甚至能超越通用閉源 API。原因很直接：企業比任何大廠都更懂自己的業務場景，這些專有數據是通用模型永遠看不到的。
4. 命運自主 — 如果核心智能完全依賴單一外部供應商，業務的主動權其實握在別人手裡。供應商漲價、改介面、限制調用，甚至停服，企業都無力應對；金融、醫療、政務等敏感領域，還必須面對用戶數據外流上游所帶來的合規與安全風險。

值得注意的是，這四個驅動力並非要求所有公司都得自建模型——它們是用來畫出「哪些能力該自己掌握、哪些能力可以外包」那條線的判斷依據。

不掌握權重，就不擁有產品：模型權重是 AI 時代的私鑰

Sonya Huang 在演講中說出整場最重要的一句話：「不掌握權重，就不擁有產品（Not Your Weights, Not Your Product）。」這句話是從加密貨幣領域那句經典的「Not your keys, not your coins」化用而來——放在交易所裡的幣本質上不是你的，因為私鑰握在交易所手裡，對方可以凍結資產、可以出任何問題；只有自己持有私鑰，幣才真正屬於你。

這句話的殺傷力在於：如果你的產品只是套殼調用 API，那麼你今天做的所有體驗優化，可能明天上游模型一次更新就被抹平；你在業務過程中積累的所有數據與場景 Know-how，如果沒有沉澱進自己的模型，就永遠沒有真正變成你的壁壘。

應用型公司就是新一代 AI 實驗室：四步實踐路徑

聽到這裡，很多應用公司的第一反應是：「自建模型是 AI 實驗室的事，我們就是做應用的，怎麼可能做得了？」Sonya Huang 的判斷恰恰相反：今天的應用型公司，本質上就是新一代的 AI 實驗室。像法律 AI 的 Harvey、智能製造的 Factory、企業搜索的 Glean，團隊裡都有很強的應用研究能力——他們在做模型微調、後訓練、推理優化與自己的評估體系，不是簡單調用 API 做個殼。

對於完全沒有模型經驗的公司，她提出一條實操的四步路徑：

1. 先界定自建與租用的邊界 — 這是商業決策，不是技術決策。從成本、速度與延遲、性能表現、專有數據的價值四個維度綜合權衡，畫出清晰的線：線這邊自己做，線那邊放心用外部服務。
2. 組建專屬的前沿研究敏捷小組 — 不要讓原本的平台團隊「順便」兼職做模型，這會做出四不像的結果。應成立幾人規模的專屬小組，KPI 是把模型效果做上去、把數據價值最大化，而非工程化產出。
3. 建立外部可辨識度（技術品牌） — 透過發布研究成果、技術博客、開源貢獻建立聲譽。這不只是為了吸引頂尖 AI 人才，也是讓客戶與合作夥伴相信你真的有這個技術能力。
4. 定制清晰的技術路線圖 — 建立明確的模型評估標準，想清楚路由器與應用框架的選擇，並預留從提示詞工程、後訓練逐步往上游演進（甚至預訓練）的架構彈性——地基要打夠，但不必一開始就蓋高樓。

現代企業 AI 技術棧：生產與開發雙軌並行

Sonya Huang 也描繪了今天典型的現代企業 AI 技術棧，其實是兩套環境並行運作：生產環境面向用戶，追求高穩定、低延遲、高可用；開發環境則涵蓋模型評估、數據處理、訓練與進化引擎。這兩者必須打通——開發環境疊代出的更好模型，要能安全平滑地部署進生產環境，否則模型上線後就疊代不動，效果永遠停留在第一天的水平。

她特別指出這個時代和兩年前最大的不同：兩年前如果想達到 GPT-4 級別的性能，除了調用 OpenAI 幾乎沒有別的選擇；但今天，像 Kimi K3、智譜 GLM-5.2 這類開放權重的基座模型，配合後訓練、提示詞工程與 RAG 工程，已經能達到甚至超越封閉 API 的性能，而且權重完全開放，企業可以拿到自己手裡，想怎麼改就怎麼改。整場演講最核心的洞察是：AI 產業的競爭壁壘正持續下沉——從聊天界面、到提示詞、到工作流編排，這些東西都在快速商品化，真正的壁壘正沉到智能本身，也就是模型權重這一層。

本文整理自 YouTube 頻道「最佳拍檔」主持人大飛對紅杉資本合夥人 Sonya Huang 公開演講內容之整理，內容不構成任何形式之保證或承諾，實際導入策略請依貴組織實際情況評估。

SecuAgent 觀點：先掌握控制權，再談自建模型

Sonya Huang 的論斷放在矽谷的語境裡是精準的——但套用到台灣多數中小企業與傳統產業時，SecuAgent 認為有一個關鍵的落差需要先說清楚：多數企業真正需要的，不是字面意義上「擁有模型權重」，而是「擁有對智能層的控制權」。這兩者高度相關，但不完全等價。

蓋自己的模型訓練管線、聘請前沿研究團隊、建立評估體系，對一間員工數百人、AI 預算有限的傳統製造或服務業來說，門檻依然很高——這正是文中「成本、速度、性能、專有數據」四維度判斷該用來畫線的地方：多數台灣企業的第一步，不必是預訓練或大規模後訓練，而是先把「控制權」的三個實務環節做扎實：

• 資料治理在前，模型自建在後 — 你手裡的專有數據若沒有先做好去敏、分類與結構化，即使日後真的自建或微調模型，餵進去的仍是雜訊。控制權的第一層，是先掌握自己的數據管線，而不是急著換模型。
• 用路由與護欄，換取「不被鎖死」的彈性 — 企業不需要一開始就自建權重，也能透過智慧路由在不同模型（開源、閉源、自建微調）之間依任務動態切換，並用雙模型安全護欄把敏感數據攔在邊緣，先取得供應商更換的自由，再談要不要往上游自建演進。
• 用評估體系取代「感覺良好」 — Sonya Huang 四步路徑裡最容易被台灣企業跳過的，就是「建立明確的模型評估標準」。沒有評估體系，換模型、微調、後訓練都只是憑感覺，無法證明投資有沒有效益，更談不上向上游演進。

換句話說：「不掌握權重，就不擁有產品」這句話的台灣版本，也許更接近「不掌握控制權，就不擁有自己的 AI 策略」。你不一定要蓋發電廠，但至少要有自己的水表與電表——知道智能怎麼被使用、被誰使用、流向哪裡，這才是多數企業現階段真正買得起、也用得上的「權重等級」主動權。