什麼是主權 AI？黃仁勳為何狂推開源？如何改寫利潤分配？ - 深入分析第59期：主權AI + 開源模型
天下大勢，分久必合，合久必分。
從 1970 年代的大型主機（集中），到 1990 年代的個人電腦（分散），再到 2010 年代的雲端運算（再次集中）。
每一次鐘擺的轉向，都伴隨著舊巨頭的衰落、新霸主的崛起，以及千億級別資本的重新洗牌。
過去四年，生成式 AI 的爆發將這種「集中化」推向了極致。全球企業將最核心的數據與業務邏輯，打包送進少數幾家矽谷巨頭的遠端黑盒子裡。
企業不需要蓋機房，只要插上 API 的插頭，就能獲得無盡的智力。
市場理所當然地認為，這種高度集中的壟斷格局就是 AI 時代的一切。
但鐘擺，已經觸及了反彈的臨界點。
當 AI 從辦公桌上的「問答機器」，進化為接管企業核心流程的「自主代理（Agent）」，甚至成為國家級別的戰略資產時，這種接駁API的做法開始出現了不同的問題。
「開源模型」和「主權AI」開始冒起，成為新的敍事。
我不打算，也沒有能力預測哪一個大模型會贏得最終的智力競賽。
我更關心的是：當企業與國家開始奪回 AI 的控制權時，價值將會流向哪裡？
在這篇分析中，我將會帶你完整地走一趟整條「主權AI」的價值鏈，從掌控決策的軟體層、重新劃分地盤的雲端層、售賣算力的基礎設施層，一直到觸及物理世界的邊緣層。
我們開始。
第一章｜閉源模型的裂痕
在 AI 興起的頭幾年，企業引進 AI 的方式非常簡單：按月訂閱，按量計費。
老闆們不需要花大錢蓋機房，只要把資料傳給遠端的科技巨頭，電腦就能吐出聰明的解答。
這種向外採購 AI 能力的模式，讓無數公司體驗到了前所未有的便利。大家習慣了把核心業務交給雲端，以為只要按時繳費，就能輕鬆享受全球頂尖的科技成果。
但在2026年，這套模式開始遇上了兩個危機。
1.1 Uber 的預算告急與「Tokenmaxxing」的結束
第一個危機是財務上的實質衝擊。
以 Uber 為例，其內部工程師使用 Agentic coding 工具（如 Anthropic 的 Claude Code）的比例，從 2 月的 32% 飆升到 95%，高達 70% 的提交代碼由 AI 生成。
這種狂熱帶來了驚人的帳單。雖然多數員工每月的 API 消耗約在數百美元，但重度使用者每月的成本可達 500 到 2,000 美元。
整體採用速度遠超財務部門的假設，Uber 後來甚至不得不為每位員工、每個工具設定每月 1,500 美元的使用上限。
Uber CTO Praveen Neppalli Naga 宣布，這是一場「Tokenmaxxing era（狂衝 Token 的時代）」的結束。
同時，Uber 營運長 Andrew Macdonald 公開質疑：「我們很難劃出 AI 使用量飆升，與實際交付產品功能之間的明確關聯。」
這意味著，企業已經意識到，無限制提供最昂貴 API 的時代結束了，成本控管與實質效益的驗證成為剛需。
1.2 微軟的帳單管理
即便是資金雄厚的微軟，也面臨同樣的帳單問題，他們開始在內部導入嚴格的 AI 財務管理（FinOps）與模型路由機制。
當員工發起一個簡單任務，系統會自動分派給較低成本的小模型；只有複雜任務才會呼叫昂貴的前沿模型。
透過這種精準控管，微軟設法將龐大的 Token 支出拉回可控範圍。
1.3 Agent 的興起與 Token 暴增
帳單失控的背後，有一個關鍵的技術轉折。
2023 年的時候，員工只是把 AI 當作簡單的問答機器人。你輸入一段提示詞，AI 回覆兩段文字，一次對話通常只消耗幾百個 Token，費用微乎其微。
到了 2025 年與 2026 年，企業開始全面導入自主代理工具（Agentic AI）。
AI 開始接管複雜的多步驟任務，從被動回答問題，轉向主動規劃與執行。
當一名工程師下達指令要求 AI 在系統中尋找漏洞時，自主 Agent 為了理解情境，會在背景自動載入整個專案程式庫中數萬行的背景資料，並在系統內部重覆呼叫與測試幾十次。
任務的複雜度增加了十倍，背後消耗的 Token 數量卻暴增了五十倍。
企業原本期待藉由遠端模型來提升效率，結果卻發現，只要員工開始將多步驟的自動化工作流交給 AI，計費速度會遠超財務部門的預算規劃。
龐大的雲端 API 費用按月遞增，企業不僅沒有建立起專屬的技術護城河，反而讓營運預算持續膨脹，難以預測。
1.4 當供應商變成直接對手
第二個危機則是商業信任。
2026 年 4 月，Anthropic 發表了名為 Claude Design 的新產品，用戶可以直接利用自然語言生成 UI 設計、原型與簡報。
這款產品的定位，顯然重疊了設計巨頭 Figma 與 Canva 的核心領地。
當時的 Figma，恰好是 Anthropic 在企業端最重要的模型採購客戶之一。更令人敏感的是，Anthropic 的產品長 Mike Krieger，當時同時擔任 Figma 的董事會成員。
在 Claude Design 正式發布的前幾天，Krieger 突然宣布辭去 Figma 董事職位。
隨後爆出的細節顯示，Anthropic 在之前的溝通中，將該產品的能力描述得相當基礎，實際發表的產品卻直接進入 Figma 的核心市場。
這導致 Figma 選擇中途退出原本規劃的聯合發布計畫。Figma 執行長 Dylan Field 事後公開指出，Anthropic 在合作過程中缺乏持續的坦誠。
這讓整個科技業意識到閉源模式隱藏的深層風險。
Figma 的遭遇未必是資料被挪用的鐵證，但它揭示了一個重要的結構性利益衝突。
當模型供應商為了追求增長，開始往應用層擴張時，企業永遠無法確定，今天提供底層 API 的合作夥伴，明天會不會憑藉對你業務邏輯的理解，直接推出產品成為你的競爭對手。
1.5 Alex Karp 的警告
在 Palantir 的 2026 年第二季財報會議與專訪中，CEO Alex Karp 將這種企業界的集體焦慮，化為更具攻擊性的行業警告。
Karp 指出，許多企業陷入了一場無意義的 Token 狂熱。
公司高層為了展現轉型成果，鼓勵員工大量調用雲端 API，耗費數百萬美元購買 Token，忽視了這些支出並未帶來實質的營運效益。
Karp 在受訪中使用了「數位殖民」這個詞來形容閉源大廠的商業邏輯。
他的意思是：閉源模型實驗室在遠端收集全球企業的業務邏輯與專業數據，消化吸收後，再將升級後的模型賣給企業的競爭對手。
Karp 提出「AI 主權」的概念，企業與政府必須擁有自身數據、模型權重與工作流的絕對控制權。
1.6 黃仁勳的第一條推文
2026 年 7 月 24 日，長期謝絕個人社群動態的黃仁勳，發出了他個人在 X 平台上的第一條推文。
這條推文分享了一封名為《開放權重與美國 AI 領導力》的聯合公開信，迅速吸引了超過百家科技機構聯署。
黃仁勳在信中強調，世界既需要前沿的閉源模型，也需要開放模型。
AI 技術將由每一個國家與企業親自建造，開放權重是確保技術安全與主權的基礎。
1.7 從智力租賃走向主權重構
從 Uber 的預算超支、Figma 的供應商疑慮，到 Alex Karp 的警告與黃仁勳的推文，這些事件標誌著全球 AI 產業權力結構的轉移。
企業與國家開始意識到，真正的技術壁壘，在於能否將智力與數據的主導權握在自己手中。
這場運動普遍被稱為「AI 主權」。
但「主權」到底意味著什麼？它跟開放模型之間，又是什麼關係？
第二章｜一體兩面：主權 AI 與開放權重
如果租賃模式有這麼多問題，為什麼過去四年，全球企業還是排著隊把數據送上去？
2.1 電網的黃金歲月與隱藏代價
答案很簡單。2023 年，自己訓練一套接近 GPT-4 水準的模型，成本可能高達數億美元。相比之下，可能調用 API 只需要數千美元。
插上電，比蓋電廠合理。
這種租賃模式在 2023 到 2025 年間，確實為企業創造了巨大的生產力價值。但第一章的三個案例已經揭示了它的隱藏代價：成本不可控、供應商可能變成競爭者、數據與控制權握在別人手上。
過去企業大多選擇忍受，因為替代方案的成熟度還不夠。那時的開放模型能力有限，在複雜推理與企業級任務上仍有明顯差距。
2.2 什麼是 Sovereign AI？
現在，替代方案開始出現。企業與政府開始追求「Sovereign AI」（主權 AI）。
主權 AI 的核心，是把 AI 的控制權從第三方手裡拿回來。
它至少包含五個維度：
數據主權。 你的業務數據、客戶資料、產線參數，盡可能不經過第三方伺服器。合約寫得再漂亮，只要數據離開你的控制範圍，風險就仍然存在。
模型主權。 你用的模型權重由你擁有、你微調、你更新。供應商不能任意遠端變更你的模型版本，也不能單方面中斷你的使用。
算力主權。 運行 AI 的硬體，盡可能落在你可掌控的環境。關鍵系統在網路不穩或受限時，仍能維持基本運作。
決策主權。 AI 做出的重要判斷，你能審計、能追溯、能回滾。它不再只是一個無法解釋的黑盒子。
供應鏈主權。 你的 AI 系統盡量降低對單一國家或單一公司技術棧的絕對依賴。關鍵環節出現變數時，仍有調整空間。
這五個維度加在一起，構成了主權 AI 的基本框架。它本質上是一套控制權的結構。
實務上，主權 AI 是一個光譜，涵蓋從完全斷網到數據駐留的多個位置。
完全斷網、物理隔離是一端；數據駐留在指定地區、客戶持有加密金鑰、操作過程可審計，則是光譜上的其他位置。
很多企業追求的，是「足夠的控制」，未必需要絕對的物理隔離。不同產業、不同風險承受度，會落在這個光譜的不同位置。
2.3 開放權重是燃料，主權 AI 是需求
定義完主權 AI，下一個問題是：怎麼實現？
如果模型鎖在閉源 API 背後，你擁有的更多是使用權，而非完整的主控權。數據通常必須經過對方的環境，模型版本也由對方主導。對方的商業策略一旦改變，你的調整空間就會受限。
開放權重改變了這個結構的可能性。當模型權重可以被下載、被擁有、被微調、被部署在你選擇的環境中，模型主權才變得實際可行。
開放權重是燃料，主權 AI 是需求。
反過來說，如果沒有主權 AI 的需求，開放權重只是眾多技術選項之一。
企業可以繼續使用閉源 API，因為更省事。正是政府要求數據受控、企業希望降低對單一供應商依賴的需求，給了開放權重更強的商業驅動力。
但開放權重只是起點。有了燃料之後，還需要引擎、方向盤、底盤和車輪。接下來的章節，我們逐一拆解這套系統。
2.4 從概念到現實
概念清楚了。接下來的問題是：這些開放模型，到底是怎樣在短短幾年內，從「不夠用」變成「足以支撐許多主權 AI 場景」的？
2023 年的開源模型，在處理較複雜的推理任務時，仍經常出現明顯落差。那時的它們，確實難以承擔關鍵業務。
但到了 2025 年與 2026 年，情況出現了明顯變化。這場性能追上的過程，是如何發生的？
第三章｜開放權重的追趕：智力的大宗商品化
AI 中最諷刺的事情之一，莫過於「OpenAI」這個名字。
2015 年，當 Elon Musk 與 Sam Altman 等人共同創立 OpenAI 時，這家非營利機構的初衷是將最新的 AI 技術「Open」給全人類，避免這項技術被少數巨頭壟斷。
然而到了 2024 年，當 GPT 系列模型被嚴密封鎖在黑盒子裡、成為商業授權工具後，Musk 將 Altman 與 OpenAI 告上法庭，指控對方背離了初始的開放承諾。
2026 年 5 月，加州陪審團以「已超過訴訟時效」為由駁回了 Musk 的主要指控。
無論最終結果如何，「OpenAI」這個名字本身，已經成為科技界最大的名不副實之一。
真正接下「開放」這面旗幟的，是一群原本被視為外圍挑戰者的研究團隊與科技公司。
3.1 Zuckerberg 的算盤
開放模型浪潮的第一個轉折點，來自 Meta 創辦人 Mark Zuckerberg。
2023 年，Zuckerberg 決定將 Llama 模型權重免費開放給全球下載。
Zuckerburg 打算做善事？當然不是。
他在智慧型手機時代吃過虧，缺乏自己的作業系統，讓 Meta 長期受制於 Apple 的政策調整。
他下定決心，絕不在 AI 時代再次讓出底層平台的主導權。
Meta 的策略是將模型層徹底大宗商品化，當全球工程師都在 Llama 基礎上開發時，模型本身的軟體價值被壓縮，價值則轉移到 Meta 自身的社群與硬體生態。
但 Llama 只是開了門。真正讓開放陣營變得有威脅的，是 2024 到 2026 年間，一波來自不同地區、不同團隊的密集創新。
3.2 性能平權：開放模型憑什麼追上？
2023 年到 2024 年上半年，開放模型與閉源前沿之間隔著一道明顯的能力鴻溝。
Llama 2 在簡單問答上表現尚可，但碰到多步驟推理、複雜數學、或長上下文的程式生成，就會開始出現偏離事實的解答。那時候的差距，用「年」來計算。
先解釋一個貫穿全文的概念。業界常把模型的「參數量」比喻為一本經驗手冊的厚度，以為手冊越厚、模型就越聰明。
早期的軍備競賽也確實遵循這個邏輯：閉源前沿模型的參數量據傳超過萬億，訓練一次動輒數億美元。
然而，參數量從來不是衡量能力的唯一尺度。模型的實際表現，同樣取決於訓練資料的純度、架構的設計，以及推理時的計算方式。
過去幾年「拚命堆疊參數」的單一邏輯，正是被這些新技術路徑所打破。
第一，架構創新讓算力用得更精準。
混合專家架構（MoE）讓模型面對每個問題時，只調動最相關的一小部分參數，其餘參數保持待命。
配合合成數據與知識蒸餾，訓練團隊可以用明顯更少的算力，逼近過去需要天量資源才能達到的效果。
「擁有自己的模型」，從超級巨頭的專利，變成了中型企業也負擔得起的選項。
第二，推理時計算讓模型學會「多想一會」。
傳統模型是快問快答。2025 年初出現的推理型模型，把「在草稿紙上多算幾步」變成了可規模化的能力。
這讓開放模型在數學、程式生成、複雜邏輯推理這些過去被閉源鎖死的硬指標上，突然變得非常有威脅。
第三，開放生態的迭代速度，是閉源陣營無法複製的。
閉源模型幾個月發一版。開放權重模型一旦釋出，全球社群立刻開始微調、量化、蒸餾、做特化版本。一個模型從發布到被優化到各種場景可用，往往只需要幾週。
3.3 DeepSeek 的衝擊
這三條路徑交匯在一起，在 2025 年初觸發了一個讓整個市場重新定價的事件：
DeepSeek 發布了 V3 與 R1。
V3 用 MoE 架構把算力用得更省，R1 把推理時計算做成了可規模化的能力，在多項數學與推理基準上逼近甚至超越當時部分閉源模型，在代碼基準上也與 Claude 3.5 Sonnet、GPT-4o 互有勝負。
DeepSeek 的衝擊是雙重的。
第一重，性能上的心理關卡被打破。
過去業界普遍認為，前沿推理能力幾乎被閉源實驗室鎖死。DeepSeek 證明，開放權重模型也能在最難的任務上打到接近的水準。
第二重，「高性能等於超高成本」的假設被動搖。
一個資源遠不如矽谷巨頭的團隊，用明顯更低的預算，做出了威脅前沿的模型。
它意味著，繼續為閉源 API 支付高昂溢價的合理性，正在快速下降。
3.4 從獨木橋到多極競賽
DeepSeek 打開了局面之後，開放生態迅速從少數先鋒變成了多隊競賽。
法國的 Mistral 證明了歐洲路線的可行性，不需要美國超大資本也能產出有競爭力的開放模型。
阿里巴巴的 Qwen 走的是另一條路：把權重免費開放，換取開發者進入自己的雲端生態，後續的託管與運算服務才是利潤沉澱的地方。
到了 2025 年下半年，智譜的 GLM、月之暗面的 Kimi 等模型持續加壓。
Kimi 把參數規模推到超大級別，同時選擇開放權重，直接挑戰了「最大最貴的模型只能待在閉源 API 後面」這個潛意識假設。
開放模型的舞台，從 Llama 的獨木橋，變成了一條多線並進的高速公路。
這對主權 AI 的推動者來說是一個關鍵信號：開放生態不依賴任何單一公司。押注開放路線的風險，正在被分散。
3.5 差距收斂與「夠用」門檻
到了 2026 年，最佳開放權重模型與閉源前沿的平均落後，已從過去的「以年計算」縮短到大約三到四個月。
在多數企業實際會用到的工作負載上，這個差距已經小到可以接受。
這裡有一個容易被忽略的結構性變化：企業真正天天在用的任務，很多並不需要絕對前沿。
文件摘要、客服問答、代碼輔助、報表生成，這些場景佔了企業 AI 支出的絕大部分。當開放模型在這些「夠用區間」站穩，閉源模型的溢價就變得越來越難辯護。
性能差距大幅收斂，成本卻仍有數倍到十倍以上的落差。對許多企業而言，繼續為剩餘的邊際效能支付高昂租金，已經不再是理性選擇。
3.6 開源與開放權重
這裡需要精準區分「開源」與「開放權重」。
真正的開源意味著公開訓練程式碼、原始數據集與完整訓練日誌。極少有頂級模型能做到這種程度的完全透明。
目前市場上廣受歡迎的模型，嚴格來說屬於開放權重：你拿到的是模型的完整運算結構，可以下載、微調、離線部署，但訓練過程未必完全公開。
對於尋求數據安全的企業與國家而言，擁有權重檔案確實提供了極大的自主性。海外廠商無法單方面切斷你的 API 服務，也無法遠端靜默升級你的模型。
當然，拿到權重檔案只是第一步。
開放權重消除了「模型 API 的單點控制」，但企業依然會依賴底層的推理框架、GPU 軟體棧（例如 NVIDIA 的 CUDA）與硬體算力。
真正的主權 AI，不僅是掌握權重，還要在整個軟硬體供應鏈中，盡可能建立自己的控制權。
不過，這裡隱含著一個深刻的矛盾：當所有主權方案都建立在同一家美國公司的底層技術上時，「主權」到底意味著什麼？
3.7 免費的模型，大家靠什麼賺錢？
模型權重免費了，開放生態靠什麼盈利？通常有四種模式。
答案其實非常簡單：它們把免費的模型權重當成了最強大的商業誘餌。
這些開放模型實驗室的獲利模式，主要可以縮影為四種策略：
第一是賣極致省事的官方 API 服務。
雖然模型可以自由下載，但企業自己租伺服器運作其實非常折騰。實驗室最懂得如何優化自家模型，因此能提供全市場最便宜、最快且穩定的官方 API 接口。
許多開發者試了一圈後發現，直接付費調用 DeepSeek 或 Mistral 的官方 API，反而比自己架伺服器更省錢省心。
第二是賣企業私有授權與客製化工程。
許多團隊採用雙重授權。中小企業與個人可以免費下載；一旦大型企業或政府機構需要將模型部署進自家機房，並要求二十四小時專人維護、商業合規承諾與專屬數據微調，就必須支付昂貴的企業級授權費與顧問費。
第三是背後母公司的戰略補貼。
Meta 免費釋出 Llama，是為了防止 OpenAI 壟斷底層平台，保護自家的社群與廣告帝國；阿里巴巴全力投入 Qwen，目標是吸引全世界的開發者進入阿里的雲端生態。
模型研發費用對背後的巨頭來說，只是帶動龐大本業運轉的行銷與生態投資。
第四是獲得免費的全球研發團隊。
模型一開放，全球數百萬名工程師便會免費替實驗室找漏洞、修程式碼、開發外掛，並提供真實的使用反饋。
實驗室省下了天價的測試成本，得以用極高的速度迭代出更強大的下一代模型。
3.8 並不是下載就能運作
假設你是一家中型公司的 CTO，讀完前面的內容後決定行動。你讓團隊下載了最新的開放權重模型，準備在公司內部部署一套專屬的 AI 系統。
權重檔案下載完成了。然後你發現，真正的麻煩才剛開始。
這些權重檔案知道怎麼理解語言、怎麼做推理。但它不知道你的客戶是誰，不知道哪些數據可以給誰看，不知道 AI 做了一個錯誤的判斷該由誰負責，更不知道該在哪台機器上跑。
你需要解決四個問題：
誰來管 AI 的決策（軟體層）？
在哪裡跑（雲端層）？
硬體從哪裡來（基礎設施層）？
AI 怎麼到達人的手上（邊緣層）？
在這四層價值鏈中，有一家公司的足跡幾乎無處不在：NVIDIA。
接下來四章，我們逐一拆解。
第四章｜軟體層：方向盤與煞車
第一章提過，黃仁勳在 X 平台上發出了第一條推文，而 Alex Karp 則對閉源巨頭發起砲轟。
這兩位科技巨頭幾乎在同一時期做出動作，是因為他們正在聯手打造一套能讓主權 AI 真正落地的軟體控制系統。
Keep reading with a 7-day free trial
Subscribe to FOMO研究院電子報 to keep reading this post and get 7 days of free access to the full post archives.