主權AI

主權 AI 是什麼？不是你的權重，就不是你的產品：Sequoia 解碼企業自建 AI 的兩座堆疊

主權 AI 是什麼？它講的是控制權，不是成本。解碼 Sequoia 合夥人 Sonya Huang 的主題演講：企業自建 AI 的四個判斷因子、生產堆疊與開發堆疊的差別，以及台灣中小電商真正該先做的那一步。

Lewis wang

19 8月 2026 — 閱讀時間 21 分鐘

一張加密貨幣時代的梗圖，被改了三個字。

Sequoia Capital 在 8 月 11 日公開了一段主題演講，講者是合夥人 Sonya Huang，台下坐著大約 80 位投資組合公司的創辦人與 AI 負責人。活動名稱很直接，叫做「Own Your Intelligence」，擁有你自己的智慧。她自己說，這場活動一半是集結號，一半是技術教學。

講到一半，她放出那張玩過幣的人都認得的梗圖：Not your keys, not your crypto。你的幣如果是別人幫你保管的，那它本質上就不是你的。

然後她把它改成：Not your weights, not your product.

不是你的權重，就不是你的產品。

這句話這幾天被轉得很兇，但我看到的轉述十個有八個轉歪了，一律翻成「開源模型比較便宜，快去自建」。

原梗在講的是保管權，不是手續費。

先講結論，免得你看完跑錯方向：這篇不會叫你去買 GPU，也不會叫你去訓練模型。

但它會讓你看見一件事。你今天已經站在「租」和「擁有」這條光譜的某一格上了，而那一格，不是你選的。

先給一句話的定義，免得後面愈看愈模糊：主權 AI（sovereign AI）講的是企業對自己 AI 能力的控制權，從評測、資料、context 到模型權重，哪幾層自己擁有、哪幾層交給外部供應商。

先把話講清楚：她的立場，還有我的

Sonya 上台沒多久就先澄清一句：「我們絕對不是在叫大家別用 Opus 或 GPT。」對通用任務、coding agent（寫程式的代理）、桌面工作，閉源前沿模型的 API 依然很好用。她講得很白，這場活動要談的，是越來越多公司開始在產品的「某些環節」自建 AI 能力，往上垂直整合。

我也要先把我自己的話講清楚。

我之前寫過一篇模型是租來的，know-how 才是你的，那篇我把話講得很死：如果你是台灣的中小電商，聽完就跑去研究要不要自架模型，你被帶偏了。

那句話今天還是對的，這篇不推翻它。

但那篇只講了一半。Sonya 這場演講，剛好把另一半補上了。

你租的不是算力，是你產品的行為

想像一下，你花了兩個月，終於把客服機器人調到你滿意。語氣對了，退換貨的界線抓準了，連怎麼婉拒不合理的要求都磨過好幾輪。

然後某天早上你打開後台，發現它講話的方式變了。

你什麼都沒改。變的是上游。

我先說清楚，這個場景是我自己舉的例子，不在 Sonya 的演講裡。她整場沒有花任何力氣去嚇人。

但她選了那張梗圖。而那張梗圖的原意就是保管：東西放在別人那裡，順的時候什麼事都沒有，出事的時候你沒有話語權。

以前你採購一套軟體，版本鎖在那裡，你不升級它就不會變。現在你接的是一條 API，它背後那顆模型長什麼樣、什麼時候換代、舊版什麼時候退場，決定權都不在你手上。你花兩個月調出來的那些眉角，是疊在一塊會自己動的地基上面。

重點是什麼？

你以為你在租算力。你其實是在租你產品的行為。

這也是為什麼最近一個月，這套論述突然在矽谷燒起來。Sonya 在演講裡點名了 Alex Karp（Palantir 執行長）和 Satya Nadella（微軟執行長）都出面支持企業擁有自己的智慧。另一條線是黃仁勳：2026 年 7 月 24 日，他用生平第一則 X 貼文，發出一封名為〈Open Weights and American AI Leadership〉的公開信，主張開放權重模型必須留在美國，連署名單一天之內翻倍到 50 家，包含 OpenAI 和 Google（Fortune）。

如果你問我，這份名單最值得玩味的不是誰簽了，是誰沒簽。根據 Forbes 的整理，Amazon 和 Anthropic 都不在上面。而 Anthropic 賣的，正好就是閉源前沿模型的 API。

立場這種東西，通常跟你的損益表長在一起。

企業自建 AI 的四個理由，第一個最反直覺

Sonya 列了四個企業真的動手的理由：成本、速度、效能、掌握自己的命運。

第一個最反直覺。她說，對低毛利、零毛利、甚至負毛利的公司來說，主權 AI 不是加分項，是必要項。而且很諷刺：你的 AI 產品越成功，你的 AI 成本（COGS，銷貨成本）往往越高。所以最早、最積極導入 AI 的那批公司，反而最早被逼上自建這條路。

這個結構我太熟了。

以前在百貨做專櫃，最怕的就是這件事。百貨給你人流，你付抽成。生意差的時候你嫌抽成貴，生意好的時候呢？你會發現你每多賣一件，就多繳一次過路費。做得越好，繳得越多。所以專櫃做到一個規模，很多品牌都會開始盤算同一件事：我要不要自己開一家店？

那個念頭通常不是為了省那幾個百分點。是為了「那批客人到底是誰、會不會回來找我」這件事，你想自己說了算。

AI 這筆帳，現在長得一模一樣。

第二個是速度。她說在某些領域，coding 是一個，資安是另一個，一顆小型的、蒸餾過的客製模型可以打贏一顆大型通用模型，因為在那個場景裡，快就是全部。

第三個是效能，她特別註明這是相對新的理由。去年多數公司自建並不是為了效能更好，今年不一樣了。

第四個，繞回我們一開始講的那件事：掌握自己的命運。

這段她講得很客氣，說 Anthropic 和 OpenAI 一直是生態系裡很好的夥伴，但企業越來越希望自己有一雙能獨立站著的腿。

客氣歸客氣，意思很清楚。夥伴再好，那也是別人的腿。

該租還是該養？企業自建 AI 的四個判斷因子

主權 AI 不是二元的。你不會是 0%，也不會是 100%。策略的重點在畫線：哪些智慧你要自己擁有，哪些外包出去你很安心。

Sonya 給了四個判斷因子：

成本：這條成本佔你整體 COGS 的比重有多重？
速度與延遲：它是不是 P0（最高優先級）？
效能：在你這個領域，拿自己的資料去調，會不會反而更好？
專屬資料：你餵給模型的東西，機密程度有多高？

企業自建 AI 的四個判斷因子：成本、延遲、效能、專屬資料，租與自建之間是一條光譜

她的例子很具體。同樣在寫程式這件事上，coding agent 目前大多還是用租的，因為你要的是開箱即用的強效能，延遲不是 P0；但 tab 自動完成的模型幾乎都自建，因為呼叫頻率極高、成本累積得飛快，而且慢半拍就沒人要用。資安公司多半自建，為了速度、效能，還有很客製的後訓練。生技公司走自建，是因為那個領域的專屬資料太值錢。

我之前寫過的哪幾層用買的、哪幾層自己造，講的就是怎麼畫這條買造分界線，當時模型那一層是直接歸在「買」的。

Sonya 這張表，等於幫那份分界表加了一列。模型權重這一列，2026 年開始有得選了。

結論我先講在前面：你這張表跑完，如果你是中小電商，九成的格子答案會是「租」。這很正常，也很正確。

有價值的從來不是答案。是你終於知道自己站在哪一格。

什麼時候才真的該從租轉自建？長期、穩定、大量

Sonya 沒有給一個數字門檻。我想她也給不了，每家公司差太多。

但這個決策長什麼樣子，我還算熟。以前做雨傘的產品開發，要出一支新的傘骨結構，就得開模具，而開模是一筆不小的錢。

你不會因為「自己開的模比較好」就去開。你也不會因為手上剛好有預算就去開。

你是等到這一款的量大到，攤下來比外面買便宜，而且你有把握它會一直賣下去，你才敢開。

開模真正的門檻從來不是錢。是「你確定這一款會長期、穩定、大量地賣」。

自建模型是同一件事。門檻不在你有沒有預算，在你那個環節有沒有跑到「長期、穩定、大量」這三個字。

Sonya 的例子其實已經把答案講出來了。tab 自動完成之所以幾乎都自建，就是因為它呼叫頻率極高，每天跑，跑不停。那是一個量已經到了的環節。

所以問題很簡單：你的客服機器人一天被叫幾次？你的商品文案一個月生幾篇？

先去數。數完你大概就知道，這個模該不該開。

全場最該被轉述的一張圖：生產堆疊與開發堆疊

這是我認為最有價值、卻最少人轉述的部分。她把整件事拆成兩座堆疊。

生產堆疊（production）：使用者看得到的每一個 token 背後的東西。她的定義很乾脆，就是一個 harness（執行框架）架在一顆模型上面。

開發堆疊（development）：你拿來把智慧調好的那些工具和供應商。

生產堆疊與開發堆疊對照：生產堆疊是 harness 架在模型上，開發堆疊是評測、資料、後訓練與線上學習的回饋迴圈

（harness 如果你還不熟，可以先看我之前寫的Agent Harness 是什麼。）

翻成你的電商後台，大概長這樣。

生產堆疊，是客人在你官網問「這件洗了會不會縮」的時候，那句回覆是怎麼生出來的：用哪顆模型、接了哪些工具、餵了哪些商品資料進去。

開發堆疊，是你怎麼知道那句回覆是好是壞：你有沒有一份題庫、有沒有人在看、這個月跟上個月比有沒有退步。

台灣中小電商的現況，我看到的多半是生產堆疊有東西，開發堆疊整座是空的。

你有 AI 在回話。但沒有人在打分數。

走閉源這條路，整座堆疊都很簡單。你用 Opus、GPT 這類基礎模型，配上人家附的開箱即用 harness。你可以自己寫 prompt、自己餵 context、自己做評測，這樣就能走得相當遠。你不太需要收集大量資料，也不需要訓練任何模型。

她給了一句我很喜歡的評語：地板比較高，但天花板比較低。

天花板為什麼低？因為你沒辦法拿自己正式環境跑出來的資料，回頭去把智慧本身變得更好。你能調的，永遠是外面那一層。

一旦你決定要擁有自己的智慧，她的形容是，像打開潘朵拉的盒子。原本乾淨漂亮的一行 API 呼叫，現在變成：你得挑一顆開源基礎模型，在上面做大量後訓練（post-training）；harness 也得自己配，邏輯、工具、context 全部自己接，不能再拿一個現成的 agent 就上。

同時開發堆疊會突然變得很重要。你要持續監控評測、盯著模型在正式環境的漂移；你要準備大量高品質資料做後訓練，可能是專家的操作軌跡、合成資料、或者強化學習環境；最後你還要設計「線上學習」，讓系統每被使用一次就更好一點。

以前你是把一個現成的大腦接進你的流程。現在你是在養一隻大腦，而餵它的飼料，是你每天跑出來的正式營運資料。

她中間插了一段講 context，說 context 對效能的影響極大，並列了幾個流派：向量資料庫（例如 turbopuffer）、企業知識圖譜（例如 Glean）、透過 MCP 的開源連接器，以及更前沿的做法，把 context 直接編碼進模型權重裡。

對台灣中小企業來說，這段才是真正的重點。

你現在能「擁有」的東西，順序是這樣：你的評測、你的資料、你的 context。權重排最後，而且你大概率永遠不需要碰它。

這跟我之前寫的第一方資料為什麼比模型更關鍵是同一條線，只是這次它有了明確的技術位置，就在 context 那一層。

她說被嚴重低估的一步，剛好是行銷人的主場

Sonya 的四步驟框架是：策略、團隊、可讀性、技術路線圖。她自己先聲明過，這是主觀意見，她不是技術背景出身，建議大家保留地聽。

團隊那一步，她給了一個很值得聽的提醒：不要把既有的 AI 平台團隊硬塞去做這件事。平台團隊是服務職能，思維模式不一樣。她建議從零開始建一支精實的小團隊，找那種能站在前沿思考、主動出擊的人，不是只負責支援其他部門的人。她舉 Harvey 為例，那是一支只有 7 個人的團隊，已經發表了大量研究。

然後是第三步，「可讀性（legibility）」。她說這一步被嚴重低估。

她引用 Harvey 執行長 Winston Weinberg 的說法：CEO 的責任有兩個，一是驅動實質成果，二是掌控敘事、掌控外界對你在做什麼的認知。

她的觀察是，現在每一個買家都在挑自己的「AI 冠軍」供應商，而他們聽到的推銷話術，一套一套長得都差不多。要脫穎而出，你得做出色的技術行銷，甚至成立獨立品牌的研究團隊，用夠好的品味把研究發出去。就在演講前一天，Harvey 才宣布成立 Harvey Research。

不是我說，這一段對台灣公司特別有殺傷力。

台灣中小企業做 AI，最常見的狀況是做了一堆、也真的有效果，但外面完全不知道。你導入了、流程改了、客訴降了，然後呢？然後沒有然後。沒寫、沒講、沒人知道。

以前這叫低調。現在這叫把分數丟在桌上不撿。

AI 評測（eval）是你最先該擁有的資產

技術路線圖那一步，她給的順序是：先定策略，接著定義評測（eval），然後才開始玩 model router 和 harness。有些公司用開箱即用的模型就有好效能，有些要靠後訓練拿到明顯提升，少數情況才需要走到 mid-training、pre-training，最後把機制建起來，讓即時的客戶互動資料形成正向循環。

她對「定義評測」這一步的評語很誠實：這件事極其重要，卻枯燥、不性感。但你前期做得越紮實，後面每一步都更有優勢。

我在寫小而準的利基模型那篇的時候，行動建議第一條就是自己出 20 題、每題先寫下什麼叫做對、跑完不准改標準。

現在你知道那 20 題到底是什麼了。

那不是一份考卷。那是你唯一從第一天就 100% 擁有、而且沒有任何供應商能收回去的東西。你換模型，它還在。你換供應商，它還在。它是這條光譜上，唯一不用花錢就能站穩的那一格。

開放權重模型追上來了：2026 才成立的新條件

Sonya 特別強調有一件事是今年才成立的：擁有自己的堆疊，第一次真正有機會做出「超越前沿模型」的效能。

她把功勞給了最新一批開放權重模型，點名 Kimi K3 和 GLM-5.2 已經非常接近前沿。權重拿得到，就代表它比閉源 API「可塑」得多。起點已經很靠近前沿，只要技術路線圖夠好，後訓練夠強，harness 工程和線上學習都跟上，就有機會做出比前沿模型更好的效能。

補兩個你可以自己去查的規格：Kimi K3 是 Moonshot AI 的模型，2.8 兆參數，支援百萬 token 的 context 長度，完整權重在 7 月 27 日釋出。GLM-5.2 則是智譜 AI 的開放權重模型，同樣可以下載權重自己跑。

看得懂這件事的重量嗎？前沿模型的能力，過去兩年是被幾家公司鎖在 API 後面的。現在它有一份你可以下載、可以改、可以自己跑的版本。

你現在該做的五件事

切入重點，由淺到深五件事。

► 第一：畫一張「保管權地圖」。 把你產品和營運裡每一個用到 AI 的環節列出來，每一格標上兩個欄位：這格的模型權重在誰手上？這格明天被換掉，我要多久才能恢復？先不要動任何東西，先知道。

► 第二：每一格問那四個因子。 成本佔 COGS 多重、延遲是不是 P0、用自己的資料調會不會更好、餵進去的資料多機密。九成會落在「租」，那就大方租，但要租得心裡有數。

► 第三：把評測寫出來。 不用買工具，一張表就好。20 題真實情境，每題先寫死什麼叫做對，跑完不准改標準。這是成本最低、效期最長的一步。

► 第四：把 context 當資產在管。 你的商品資料、客服對話、退換貨規則、內部 SOP，該進向量資料庫的進，該用 MCP 接起來的接。這才是中小企業版的「擁有智慧」。

► 第五：做可讀性。 把你做過的 AI 改造寫成一篇東西，給你的客戶、通路、投資人看。你不講，市場就只能從價格認識你。

最後

Sonya 這場演講，說到底是講給 80 個 AI 新創創辦人聽的，那些公司的產品本身就是智慧。你不在那個房間裡，我也不在。

所以如果你看完的結論是「我該去買 GPU 了」，那我們讀到的大概不是同一場。

2026 年真正的訊號，不在「快去自建」這四個字。在於租跟買之間，第一次長出了中間地帶。以前你只有兩個選項：完全交出去，或者完全自己來，而後者你根本負擔不起。現在中間多了好幾格，評測、資料、context、harness，每一格你都可以自己決定要握多緊。

主權從來不是一個開關。它是一條光譜。

你今天已經站在這條光譜的某一格上了。差別只在於，那一格不是你選的。

現在你可以選了。

常見問題

Q1：主權 AI（sovereign AI）是什麼？ 指企業擁有自己的智慧、不依賴外部供應商，一路擁有到模型權重那一層。Sonya Huang 的定義借用了主權國家的概念：一個主權國家擁有完全的自我治理權。實務上它不是二元的，你可以只擁有其中幾層，例如評測、資料、context，而把模型繼續用租的。

Q2：中小企業需要自己訓練模型嗎？ 大多數不需要。用四個因子檢查就知道：這條成本佔你 COGS 的比重、延遲是不是 P0、用自己的資料調校會不會更好、專屬資料的機密程度。四個因子如果都不極端，答案就是租。Sonya 自己也強調，這場活動不是要大家別用 Opus 或 GPT。

Q3：生產堆疊和開發堆疊差在哪？ 生產堆疊是使用者看得到的每個 token 背後的東西，本質是一個 harness 架在模型上。開發堆疊是你用來把智慧調好的工具，包含評測監控、後訓練資料、線上學習機制。走閉源路線時開發堆疊很薄，走自建路線時它會突然變成主戰場。

Q4：開源模型真的追上閉源了嗎？ 在特定領域上已經很接近。Sonya 點名 Kimi K3 與 GLM-5.2，認為它們的起點已經逼近前沿，關鍵優勢在於權重拿得到、比閉源 API 更可塑。但她的說法是「起點接近」，要真的超越前沿，還得靠後訓練、harness 工程和線上學習補上去。

Q5：閉源模型的「地板高、天花板低」是什麼意思？ 地板高，是指你用開箱即用的閉源 API 就能得到不錯的效能，起步容易。天花板低，是指你沒辦法用自己正式環境的資料回頭改善智慧本身，能優化的只有 prompt 和 context 那一層。

Q6：什麼情況下才真的該從「租」跨到「自建」？ Sonya 的演講沒有給數字門檻。可以參考的判準是量：她提到 tab 自動完成的模型幾乎都自建，原因是呼叫頻率極高、成本累積得飛快，而且速度是關鍵。換句話說，判斷點在那個環節有沒有跑到「長期、穩定、大量」。先去數你的實際呼叫量，再談要不要投資。