文章总结： 本文探讨企业是否应拥有AI模型权重。作者指出静态权重如融冰般会贬值，核心价值在于掌握数据飞轮与强化学习训练闭环。专用小模型能在特定任务上低成本击败前沿模型，但管理复杂度极高。多数企业因缺人才仍倾向租用闭源模型。建议企业应精准甄别高价值工作负载以决定是否建立训练闭环，或借助第三方工具降低复杂度税，从而在成本与控制权间取得平衡。 综合评分： 86 文章分类： AI安全,供应链安全,数据安全

[译苑雅集Vol. 15] Own Your Weights: 企业要不要拥有自己的模型？

四楼南侧东 四楼南侧东

表图

2026年7月17日 21:37 北京

在小说阅读器读本章

去阅读

作者：Jamin Ball

时间：2026 年 07 月 10 日

原文：https://cloudedjudgement.substack.com/p/clouded-judgement-71026-own-your

Alex Karp 上周在 CNBC 上有一段相当火辣的发言，谈了很多话题，其中不少都在敲打大型 AI 实验室。今天我想重点讨论他提到的一个概念：“拥有自己的模型权重”（owning your weights）。

简单来说，企业应该拥有自己的模型，还是向大型实验室租用模型？拥有模型权重，可能带来更强的控制力、更好的成本管理，经过强化学习优化后甚至可能获得更好的性能，同时也能减少单点故障和对单一供应商的依赖。企业可以自行开发模型，也可以基于自身的工作流程和数据，对开放权重模型进行强化学习训练。以后我还想另写一篇文章，讨论企业应该掌握自己的运行框架（harness），还是租用大型实验室提供的框架，不过这个话题先留到以后。归根结底，企业想要的是控制权。

权重只是一块正在融化的冰

“拥有自己的模型权重”也存在一个问题：权重文件就像一块正在融化的冰，很快就会过时。取得模型权重的所有权，实际上只是买下了某个时间点的快照，一件冻结在当下的模型制品。它的绝对能力并不会下降，但相对价值会不断降低。前沿模型持续进步，能力标准不断变化，你拥有的模型很快就会落后。

因此，企业当然可以拥有某个模型快照，更关键的是掌握一套能够持续改进、调整、更新和评测模型的训练与强化学习流水线，并最终拥有这条流水线产出的权重。更完整地说，企业需要掌握创造这些权重的数据飞轮、强化学习 RL 基础设施和评测框架。

换一种说法，对“拥有自己的模型权重”最简单的理解，就是拿来一个 GLM-5.2 之类的开放权重模型，部署上线，宣布自己已经实现“模型主权”，然后就此收工。我不认为这样能让企业走得像预期中那么远。

强化学习正在改变这场游戏，我也预计前沿模型实验室会更多地进入这个领域。前沿实验室几乎使用一切可以获得的数据进行训练，但这些训练集里没有某家企业特有的工作流程、边缘案例、业务定义和关键绩效指标。

如果企业拿一个开放模型，放到自己的环境里，利用真实工作流程、奖励信号和数据拓扑进行强化学习，它手里掌握的便超出了一个静态快照。企业会得到一个个性化模型，同时拥有一套可以持续推进个性化的引擎。

我反复观察到，经过这种方式训练的任务专用模型，可以在它所针对的单一任务上击败前沿模型，取得更好的效果；其推理成本往往也只有前沿模型的一小部分，因为它通常是一个规模更小的模型。前沿模型是通才，携带着完成各种任务所需的全部权重。企业自己的模型只需要做好一件事，并且以足够低的成本把它做好。

代价是复杂度会上升。沿着这条路发展，一家企业内部可能会运行数千个经过微调的小模型，而这些模型都需要接受治理、版本控制、审计和安全管理。谁能替企业承担这项工作，谁就可能从中赚到一大笔钱。

哪些工作负载值得建立闭环

回到前面所说的，“拥有自己的模型权重”所包含的内容，远远超过权重本身。企业需要拥有构建权重的引擎，以及让模型持续改进的反馈闭环。因此，企业面对的问题可以从“选择前沿模型还是开放模型”，进一步落到：“我的哪些工作负载值得为之建立一套闭环？”

当然，这里面存在取舍。构建这些引擎和闭环需要很强的技术能力。目前主要有两种选择。

第一种是所有任务都使用前沿模型。企业只需要选择一家或少数几家模型供应商，不必组建内部机器学习团队，还可以直接享受模型能力进步带来的好处。Anthropic 或 OpenAI 每发布一次新模型，你的产品能力就会随之提升，而你几乎什么都不用做。对于没有资源走其他路线的企业来说，这种方式确实很有吸引力。不过，企业可能需要支付更高的费用。面对单一供应商，你只能被动接受价格，同时还形成了一个单一依赖点。

第二种是拥有自己的模型权重，通过强化学习维护一组规模较小的模型。企业可以获得针对具体任务优化的模型，通常成本更低、延迟更小，也能减少对单一供应商的依赖。不过，这条路需要规模更大的内部机器学习团队。每当前沿实验室发布新模型，你都要面对一条被重新抬高的基准线，并重新证明此前投入的内部资源仍然值得。

这由此变成了一场竞赛：在某项具体任务上，你的训练闭环积累能力的速度，能否超过前沿模型进步的速度？

“拥有权重”要交的复杂度税

对于大多数任务，在大多数时候，拥有模型权重带来的复杂度税都过高，而且这种成本会随着时间不断累积。这也解释了为什么新闻标题描述的趋势，往往与企业的实际行动存在差距。部分原因在于，媒体更多关注那些走在最前沿的企业。

每个人都喜欢“拥有模型”和“模型主权”的概念，但企业支出数据表明，它们每个季度仍在向前沿模型实验室开出金额更大的支票。这是一个典型的“声称偏好”与“显示偏好”不一致的问题。大多数企业既没有相应的基础设施，也缺少运行这些闭环所需的人才。

更让我感到兴奋的，是那些能够缩小这一差距的公司。它们可以为缺少工程资源的企业提供工具，帮助这些企业拥有自己的模型权重。这里所说的拥有权重，还包括拥有一套能够持续构建和微调权重的引擎。

承担这个角色的可能是一家创业公司，也可能是 Databricks 这样的企业。Databricks 拥有自己的模型，但这些模型还无法与 OpenAI、Anthropic 的最新前沿模型竞争。未来可能会有人把赌注押在模型周围的引擎上，认为这套引擎才是能够长期积累的资产。

这类公司的价值主张很简单：把你的工作负载交给我们，我们帮助你利用自己的数据构建一个任务专用模型，根据你的具体任务完成调优，并把它运行在你能够控制的基础设施上。企业可以获得“拥有模型权重”带来的成本与控制权优势，同时避免承担巨大的复杂度税。

开放模型拿走 token，前沿实验室拿走收入

大型模型实验室不会因此走向消亡。未来“生成最多 token 的公司”和“获得最多收入的公司”可能并不相同。

始终会有相当一部分任务需要前沿模型提供的 token，而且这些任务和 token 的价格也会最高。未来很可能出现这样的格局：开放权重模型生成的 token 占比持续上升，闭源模型获得的收入却继续增长。一方面，整个市场规模还在扩大；另一方面，闭源模型在高价值、高价格工作负载中的占比会越来越高。

我仍然相信，前沿模型实验室会获得巨额收入。高难度任务、需要大量推理的工作，以及仍然依赖模型能力曲线不断提升的应用，都会继续使用前沿模型。那些没有能力或没有意愿建立训练闭环的企业，也会继续把钱付给大型实验室，而且实验室在这些场景中拥有相当强的定价权。

所以，企业是否应该拥有自己的模型权重？这个问题没有完全抓住重点。更值得问的是：企业是否应该拥有一套训练闭环，以及哪些任务值得建立这样的闭环？

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：表图 四楼南侧东 四楼南侧东《[译苑雅集Vol. 15] Own Your Weights: 企业要不要拥有自己的模型？》