Not Your Weights, Not Your Product: The Case for Owning Your AI | Sonya Huang, Sequoia Capital

Harvey 仅用 7 人小团队，通过自研模型和后训练，做到比闭源 API 更快、更省钱，成为“自主智能”公司代表。

越来越多公司不满足于用 OpenAI、Anthropic 这些闭源 API，开始自建 AI，追求“自主智能”。这背后不仅是为了省钱，更因为自研模型在特定领域已能超越闭源产品。本文结合 Harvey 等一线公司实操，拆解公司为什么要自建 AI、怎么落地自主智能，从成本、速度、性能到团队搭建和技术路线，帮你看清“拥有智能”到底门槛和机会在哪。

自建 AI 已经不只是为了省钱，性能和自主权成了新动力。

• 成本压力：AI 产品越火，API 账单越高，低毛利公司（如安全、自动补全）被逼自研模型，否则根本赚不到钱。
• 速度和体验：小型定制模型在代码自动补全、安全等场景，比大模型 API 快得多，用户体验更好。
• 性能反超：像 Kimi K3、GLM52 这些开源权重模型，经过后训练后能在特定行业超越闭源 API。

自建 AI 不等于全都自己造，关键是选对“自己做”与“外包”的边界，还要搭好团队和技术栈。

• 能力分界：不是所有能力都自研，代码自动补全模型通常自建，智能代理还多用 API。优先自研成本、速度、数据隐私要求高的部分。
• 小团队也能做：Harvey 只用 7 人小团队，靠自研+后训练，已发多篇高水平论文，说明不用大团队也能做出顶级 AI。
• 技术路线：先定战略（哪些能力自研），再搭评测体系（eval），选模型基座、做后训练、配置 harness（模型外壳和逻辑），上线后靠用户数据持续反馈优化。

能不能让客户和市场看懂你的 AI 实力，直接影响业务成败。

• 技术外宣：CEO 要主动对外讲清楚自家 AI 的独特性，不能只闷头做研究。
• 品牌化实验室：很多公司单独设立“AI Lab”或研究组，持续发高质量论文和技术报告，提升市场影响力和客户信任。

“Not your weights, not your product.”——没有自己的模型权重，就不算真正拥有自己的产品。

• 小团队用开源模型+后训练就能做出行业领先产品，关键是选好自研边界和持续用数据反馈优化模型。
• 技术实力要“做出来”也要“讲出来”，主动对外发布研究和案例，才能在新一轮 AI 竞赛中脱颖而出。