Not your weights, not your product
“Not your weights, not your product”是一句有冲击力的话，但不能把它理解成所有公司都应该抛弃闭源模型、从头训练大模型。
真正需要回答的问题是：当 AI 成为产品的核心竞争力，哪些智能可以租用，哪些必须掌握在自己手中？
这不是单纯的技术路线选择，而是公司战略边界的重新划分。
从租用工具到拥有能力
调用 GPT、Claude 一类模型，仍然是很多场景下最有效率的选择。尤其是需要顶级通用能力、使用频率不高，或者尚未形成稳定需求的工作，没有必要为了“自主”而自建。
但当 AI 深入产品的关键流程，情况就变了。
如果核心智能完全来自外部 API，公司就无法决定模型如何演进，也无法控制价格、供应和能力边界。竞争对手还可以获得相近的基础能力，产品差异最后可能只剩界面、渠道和提示词。
所以，主权 AI 不是全面自研，而是在真正决定产品胜负的环节，把能力一直掌握到模型权重层面。
四种力量正在推动拐点
第一是成本。AI 产品越成功，调用量越大，模型费用在成本结构中的占比就越高。对利润较薄、调用频繁的业务，自有模型会逐渐从技术选项变成经营要求。
第二是速度。实时补全、实时分析等场景对延迟极其敏感。为单一任务优化的小模型，可能比能力更强的通用模型更适合生产环境。
第三是性能。过去采用开源模型，往往意味着用控制权和低成本交换一部分能力。现在的变化是，开源模型已经提供了更高的起点。经过垂直数据训练和工程优化后，专用模型有机会在特定任务上超过通用闭源模型。
第四是战略自主。即使外部模型公司一直是可靠的合作伙伴，核心能力只有一个供应来源，仍然是公司经营中的单点风险。
这四股力量正在汇合。最值得关注的变化，不是自建模型变得更便宜，而是它开始可能带来更好的产品表现。
产品竞争正在转向智能竞争
过去，AI 更多是产品中的一项功能。今天，在越来越多的应用里，智能本身已经成为用户选择和留存的主要原因。
这意味着竞争不再只是争夺界面、用户关系和分发渠道，还要争夺产品内部智能的所有权。
我认同“产品就是智能”这个判断。一家公司如果拥有独特的数据、行业知识和用户反馈，却不能把它们沉淀进自己的模型能力，这些资源就还没有真正形成护城河。
由此也出现了一个重要变化：应用公司正在成为新一代 AI 实验室。
Harvey、Factory、Glean 等公司的价值，不只是把基础模型包装成应用。它们更接近用户和真实任务，能够围绕具体问题建立评估体系、积累反馈，再把这些反馈转化成模型能力。应用场景不再只是研究成果的出口，也开始成为研究的源头。
自有还是租用，要逐项判断
我认为可以用四个问题划定边界：成本是否已经影响商业模型，延迟是否决定用户体验，专用模型能否取得更好性能，企业是否拥有别人拿不到的数据。
不同能力的答案可能完全不同。
Coding agent 需要很强的通用能力，可以继续租用顶级模型；代码实时补全调用频繁、延迟敏感，更适合运行自己的模型。网络安全业务看重响应速度和高度定制的训练；生物科技公司的核心判断，则可能来自稀缺而专有的数据。
因此，企业不需要先做一个“是否全面自研 AI”的宏大决定。更现实的做法，是找到成本、速度、性能或数据价值最突出的环节，从一个明确任务开始建立能力。
先建立评估，再训练模型
自建 AI 的第一步不是训练，而是评估。
如果没有一套贴近真实业务的 eval，公司就不知道模型究竟有没有变好，也无法判断路由、上下文、提示词或训练分别产生了什么效果。团队看起来做了很多实验，实际上可能一直在黑暗中移动。
合理的顺序应该是：先划定自有与租用的边界，再建立评估体系；然后尝试模型路由和 harness 工程，判断在不改变权重的情况下还能提升多少；之后再进入后训练，必要时继续深入到中期训练或预训练；最后形成在线学习闭环，让用户交互持续改善模型。
生产系统也不只是一个模型。它是模型与 harness 的组合，后者包括上下文、工具、知识库、连接器和运行逻辑。向量数据库、企业知识图谱和 MCP 等上下文供给方式，都会影响最终表现。
闭源 API 提供了较高的能力起点，但天花板由供应商决定。自有模型会显著增加技术复杂度，却也让企业第一次有机会用自己的数据打开能力上限。
研究团队不能只是平台团队改名
AI 平台团队通常承担内部支撑职责，目标是稳定、高效地服务多个产品团队。研究团队则要主动探索能力边界，对结果负责。
两者需要的节奏、文化和评价标准不同。把现有平台团队直接改名为研究团队，往往不会自动产生研究能力。
更可行的方式，是建立一个规模不大、密度很高、方向清晰的独立团队。Harvey 的案例说明，小团队同样可以形成有影响力的研究产出。关键不在人数，而在是否围绕产品中的核心智能持续探索。
能力还要变成市场看得见的信号
内部拥有研究成果，并不等于外部相信公司有研究能力。
企业客户面对许多相似的 AI 产品介绍，需要判断谁真正理解技术、能够长期带领产品演进。研究论文、独立研究品牌和高质量技术内容，都是降低这种判断成本的方式。
这种可见性不是公关包装。前提是公司确实形成了研究成果，然后把成果转化为客户、人才和合作伙伴能够理解的证据。
真正的护城河是学习闭环
模型权重不是目的，持续形成独特智能才是目的。
一家应用公司最珍贵的资源，是别人没有的数据、行业理解和用户反馈。只有把这些资源通过评估、训练和在线学习转化为模型能力，数据飞轮才真正属于自己。
因此，我不会把“Not your weights, not your product”当作一句绝对的技术口号。更准确的理解是：如果决定产品胜负的智能始终只能租用，那么公司就还没有掌握自己的核心能力。
AI 时代的产品战略，最终要回答的不是用哪一个模型，而是公司准备把什么留在自己手里，并让它随着每一次真实使用继续变强。