“拥有自己的智能”意味着什么——企业AI战略的核心
“拥有自己的智能”意味着什么？
在未来五年内，每家公司都会以两种方式之一使用AI：要么用它来运营业务的关键部分，要么将它作为销售给客户的产品的一部分。在这两种情况下，通用智能都是不够的。
要产生真正的影响，企业需要拥有自己的智能。拥有并不意味着一砖一瓦地自建每一层。它意味着控制那些决定智能如何表现、如何管理、以及是否能随时间累积的部分。
现成的智能不了解你的业务
现成AI之所以有用，是因为它很通用。它能回答常见问题，并跨广泛主题进行推理。这使得它对于入门很有帮助。但假设通用智能能运营公司内部流程，那就过于简单化了。
公司在运营方式上有许多特殊性。你将AI嵌入公司越深，这些特殊性就越重要。如果你希望将AI作为运营公司的核心部分，这些特殊性就至关重要。
举个具体例子：假设一家大型保险公司用AI来处理理赔。一个通用模型可以阅读保单文件、总结理赔申请、并解释常见的承保概念。但要实际完成处理理赔的工作，则取决于保险公司自己的保单语言、各州监管要求、欺诈信号、历史理赔模式、升级规则、客户分层和风险承受能力。这些特殊性不会存在于通用模型的权重中。通用模型知道“免赔额”这个词的含义，但它不知道如何针对这位客户、在这个司法管辖区、在保险合同下、带着这些证据处理特定类型的理赔。
同样的逻辑也适用于AI本身就是产品的情况。如果你是一家垂直AI初创公司，正在构建AI客服、法律助手或编码助手——基础模型并不是你的产品。其他人都可以调用同一个API。你的产品是围绕模型的系统：它处理的工作流、它检索的上下文、它能使用的工具、定义质量的评估、它建立的内存，以及每次客户互动都会改进它的反馈循环。
在这两种情况下，优势都不在于通用智能。优势在于适应特定业务的智能。
任何公司都可以使用AI。但通用智能不足以推动有意义的投资回报率或构建差异化的产品。围绕AI构建的公司将拥有自己的智能。
拥有自己的智能意味着什么
拥有自己的智能并不意味着你自己搭建AI栈的每一层。它意味着控制关键部分——那些决定智能如何表现、它从什么中学习、成本有多高、以及它是否随时间改进的部分。
这里有一个有用的类比：供应链。零售商不需要制造它使用的每一辆卡车、船只或仓库机器人。但它需要拥有决定采购什么、库存如何流动、需求如何预测以及客户体验如何交付的那个系统。
AI也是如此。你可以购买模型、算力和基础设施。但你需要拥有那个将这些输入转化为专属于你业务的智能的系统。
这包括三个部分：控制智能体系统；拥有经济性、质量和风险；以及让智能随时间累积。
控制智能体系统
智能体是原始智能与工作之间的桥梁。模型提供智能。框架（harness）决定如何应用这些智能。上下文告诉系统在特定情境中什么重要。
第一层是模型。拥有模型可以意味着在主权、可移植性或部署控制重要时使用开放权重模型。也可以意味着保持模型可选性：能够随着质量、成本、延迟和隐私要求的变化在提供商之间切换。可选性是防御性的，因为它避免锁定；它也是进攻性的，因为它让你能在一出现最佳模型时就采用它。
第二层是框架：将模型输出转化为行动的编排逻辑。框架控制着上下文使用的一切：路由、工具使用、工作流步骤、技能等等。大量公司特定的行为都存在于这里。如果框架是封闭的，你就接受了别人关于你的智能体应该如何工作的假设。
第三层是上下文本身。上下文是将通用智能变得具体的东西：文档、政策、工具、技能、用户偏好、组织级知识和记忆。记忆尤其重要，因为它让系统随时间变得更有用。如果你不拥有上下文和记忆，你就不拥有你的系统累积起来的智能。
要拥有智能体系统，你需要控制所有三者：模型、框架和上下文。
拥有经济性、质量和风险
一旦AI开始做真正的工作，企业就需要像管理其他任何运营系统一样管理它。这意味着控制工作的成本、衡量其质量、定义系统可以行动的边界，以及知道它做了什么以及为什么。
成本很重要，因为智能只有在相对其产生的回报来说便宜时才有价值。随着AI采用迅速增加，成本也在上升——参见Uber的前车之鉴。能够在用户、组织或智能体级别锁定成本，对于可靠地规模化AI至关重要。
质量需要被衡量，而不是被假设。如果你升级模型、更改提示、添加工具或调整工作流，你需要知道系统是变好了还是退步了。如果你无法衡量这一点，你就无法系统地改进你的智能体，这意味着你无法真正控制和拥有它。
边界定义了AI可以在哪里独立行动、在哪里需要监督。企业需要控制智能体可以访问哪些数据、可以使用哪些工具、哪些行动需要批准、以及何时应该升级。拥有你的智能意味着控制它能做什么。
可观测性使系统可问责。如果智能体采取了一个行动，企业需要看到它看到了什么、做了什么、调用了什么工具以及为什么。这对于既能够改进系统，又能够审计和信任系统都很重要。
让你的智能持续累积
最好的AI系统会随着使用而变得更好。第100次交互应该比第1次更有价值，因为系统已经对你的用户、工作流、政策、失败和偏好有了更多了解。你需要拥有系统学到的内容，以及学习过程本身。
系统学习意味着什么？
学习循环从轨迹（traces）开始。轨迹显示智能体实际做了什么：它看到了什么上下文、调用了什么工具、在哪里卡住了、产生了什么。反馈赋予这些轨迹以意义：该行为是有用的、被接受的、被拒绝的、低效的、有风险的还是错误的。轨迹和反馈共同成为改进的原材料。
这些轨迹及其相关反馈可用于改进系统——通过更改提示、框架、工具。但与这些变更同样重要的是与它们相关的评估。对于每一次变更，你都应该添加一个评估来捕获该变更，并确保未来的变更不会引入退化。
至少，这些学习成果需要由你拥有。它们需要能够在模型之间、系统之间移植。甚至更重要的是——你应该自己拥有这整个循环。再次强调——智能体在用户第一次使用时的表现并不那么重要。重要的是用户第100次使用它时它变得多好。如果这才是关键，那么你需要拥有驱动这一点的循环。
拥有你的智能的检查清单
你真的拥有你的智能吗？这里有一系列你应该问自己的问题来确定这一点：
[ ] 如果明天有一个全新的模型提供商推出了一个SOTA模型，你能轻松切换过去吗？
[ ] 如果你正在使用的模型提供商弃用一个模型——你能自己托管它以避免任何中断吗？
[ ] 你是否知道——并且能够控制——编排逻辑的工作原理，从而你能知道并控制每一步确切地输入到LLM的内容？
[ ] 你能让你的智能体在一个云上与另一个云上，或者在设备上，以完全相同的方式运行吗？
[ ] 你能在每个用户的基础上监控和控制AI支出吗？
[ ] 如果有人问为什么智能体做了某件事，你能向他们展示它所有步骤的完整轨迹（以及它那样做的任何内部逻辑）吗？
[ ] 你有评估来确保交换模型不会引入退化吗？
[ ] 当用户第100次使用你的智能体时，它会比第一次使用时更了解用户并提供更好的体验吗？
[ ] 当你的智能体学习时——你能将这些学习成果完全移植到另一个不同的系统中吗？
[ ] 你能控制你的智能体如何学习吗？
战略选择
企业不需要搭建AI栈的每一层。他们应该购买那些困难、通用且非差异化的部分。
但他们需要拥有优势累积的那一层：智能体系统、围绕其工作的治理，以及使其随使用而改进的反馈循环。
任何公司都可以采用AI。那些用AI创造持久价值的公司将拥有自己的智能。