今天三则新闻，
一家在做：
法律、税务与新闻数据。
一家原本最出名的是：
手机。
一家则是：
全球最大的 AI 芯片公司之一。
看起来完全不同。
但它们正在往同一个方向走：
不想只靠别人提供 AI 的关键能力。
Thomson Reuters 开始自己做模型。
Xiaomi 继续往自己设计芯片走。
Nvidia 则据报准备把投资版图往 Perplexity 这种用户端 AI 应用延伸。
这代表 AI 下一场竞争，
可能不再只是：
「我的模型比你强。」
而是：
「整条 AI 价值链里，有多少关键层是我自己控制的？」
第一则：Thomson Reuters 正式推出自己的 AI 模型 Thomson
Thomson Reuters 8 月 24 日正式推出：
Thomson。
这是公司第一个：
自行开发的专有大型语言模型。
最值得注意的地方不是：
又多一个 LLM。
而是谁在做它。
Thomson Reuters 手上原本就有：
Westlaw。
Practical Law。
Checkpoint。
Reuters
等大量法律、税务、会计与新闻专业内容。
以前的问题是：
它拥有数据。
拥有专家。
拥有客户。
但最底层模型仍然可以：
向别人买。
现在公司开始把最后一块：
模型本身
也抓回来。
Thomson Reuters 说自己花多少钱？
公司公布的数字是：
4,000 万美元。
这包括：
人才与算力。
这个数字放在今天的大型 AI 世界里，
其实非常特别。
因为最前沿的通用模型，
大家已经习惯看到：
数十亿美元。
甚至更庞大的基础设施投资。
Thomson Reuters 的方法不是：
从零开始跟 OpenAI、Google、Anthropic 比谁模型最大。
而是先从一个强大的：
Open-source foundation
出发，
再用自己的专业内容、
中期训练、
后训练
以及大量专家验证，
把模型往：
法律。
税务。
专业工作
方向推。
这可能代表一条完全不同的企业 AI 路线
以前企业会问：
我要选 GPT、Claude 还是 Gemini？
未来一些非常大型、
而且手上有独家数据的公司，
可能开始问：
为什么我不能自己拥有其中一个模型？
不是每家公司都应该：
自己训练 AI。
但如果一家公司本来就有：
数十年专业数据。
独家内容。
大量专家。
稳定客户。
特定高价值工作。
那么「自有模型」的经济帐，
可能开始变得不一样。
因为真正的优势可能不是模型参数，而是别人拿不到的数据
假设大家都能买到：
同一个通用模型。
那模型本身很难成为：
永久差异。
但是 Westlaw 的法律内容。
Practical Law 的专业数据。
公司累积数十年的：
分类。
编辑。
专家判断。
这些不是另一家公司今天付一张 API 帐单：
就能拷贝。
所以 Thomson Reuters 真正下注的不是：
「我们比所有 AI Lab 更会做通用 AI。」
而更像：
「我们有别人没有的专业数据，现在连模型这一层也要一起控制。」
目前它已经用掉所有 Thomson Reuters 数据了吗？
没有。
公司表示，
目前拿进这套模型训练的内容：
不到 Thomson Reuters 全部内容的 10%。
这也代表公司现在还把 Thomson：
视为正在发展中的模型。
不能把它理解成：
整个 Thomson Reuters 知识库已经全部训练完毕。
第一个真正落地的位置也很有意思
Thomson 不是先做：
一般聊天机器人。
它第一个部署方向是：
CoCounsel Legal 的 Tabular Analysis。
也就是：
大量文档的结构化审阅。
原因很好理解。
如果你要证明专业模型有价值，
最好挑一个：
结果容易比较。
错误可以检查。
工作量很大的任务。
而不是只问：
「它聊天是不是比较像律师？」
但 Thomson Reuters 说模型媲美前沿模型，要怎么看？
这些 Benchmark 与早期评估，
目前主要来自：
Thomson Reuters 自己。
公司表示 Thomson 在多种专业任务上可与领先前沿模型竞争，
并且在部分法律与指令遵循评估表现突出。
这是值得关注的结果，
但现阶段仍然应该把它写成：
公司公布的早期评估。
而不是：
「已独立证明 Thomson 全面打败 GPT、Claude、Gemini。」
两件事情差很多。
第二则：Xiaomi 不只做手机，正在继续往自己设计芯片走
第二则从：
模型
走到：
芯片。
Xiaomi 8 月 24 日推出新一代自研手机处理器：
Xring O3。
Reuters 报导指出，
这颗处理器由 TSMC 采用：
3 纳米制程
生产，
预计使用在 Xiaomi 接下来的高级折叠手机。
为什么手机公司一直想自己做芯片？
因为如果核心芯片全部由别人决定，
你能控制的东西就比较少。
例如：
功耗。
AI 运算。
相机处理。
内存配置。
产品推出时间。
成本。
供应。
Apple 很早就在走：
自己的 A 系列。
M 系列。
Samsung 也有自己的半导体能力。
Xiaomi 现在想做的事情，
方向很类似：
让设备、软件与芯片设计更靠近。
但真正和 AI 直接相关的，不只 O3
Reuters 还报导，
Xiaomi 正与 TSMC 合作开发另外两种芯片。
其中一个叫：
Xring O100。
定位是：
Neural Processing Unit。
也就是：
专门处理 AI 工作的 NPU。
报导指出，
它将支持 Xiaomi 自家的：
MiMo AI 模型。
另一颗：
D100
则面向自动驾驶。
这两项仍属 Reuters 引述消息来源的报导，
不能写成 Xiaomi 已正式量产上市。
这里真正有意思的是「模型跟芯片开始互相设计」
如果 MiMo 永远只跑在：
通用外部芯片
上，
Xiaomi 必须适应别人的硬件。
但如果未来它自己设计：
NPU，
就有机会反过来问：
MiMo 最常跑什么？
哪些算子最重要？
内存怎么配置？
耗电怎么压？
设备端哪些工作应该直接本机完成？
然后把芯片往：
自己的 AI 工作
优化。
这就是 Vertical Integration
中文可以理解成：
垂直集成。
以前 Xiaomi 可能主要控制：
手机品牌。
系统。
App。
现在一路往下：
芯片。
AI NPU。
再跟自己的：
AI 模型
接在一起。
目的不一定是：
所有零件都自己做。
而是：
最重要的地方不要完全受制于外部供应商。
Xiaomi 已经投入多少？
Reuters 报导指出，
Xiaomi 在芯片研发上累计投入已超过：
200 亿人民币。
约：
30 亿美元。
公司的半导体团队已扩大到：
3,000 人以上。
所以这已经不是：
小型实验计划。
它正在逐渐变成：
公司长期技术战略的一部分。
这也提醒我们：AI 手机真正的竞争可能不是「装哪个聊天机器人」
现在手机品牌很容易说：
我的手机有 AI。
你的也有。
但是再过几年，
差异可能变成：
谁有自己的：
模型。
NPU。
相机 ISP。
内存架构。
操作系统集成。
云端服务。
如果全部一起设计，
AI 才可能真正做到：
更快。
更省电。
更多本机运算。
更低延迟。
而不只是：
手机里多一个 AI App。
第三则：Nvidia 据报正洽谈投资 Perplexity
第三则的方向刚好倒过来。
前面是：
数据公司往模型走。
手机公司往芯片走。
Nvidia 原本最强的位置就在：
芯片与 AI 基础设施。
现在据报，
它正在考虑往：
用户入口
再靠近一点。
Reuters 引述《The Information》报导，
Nvidia 正洽谈参与 Perplexity 新一轮股权融资。
如果交易成立，
Perplexity 的估值可能超过：
300 亿美元。
这个数字和一年前比有多大？
Perplexity 上一次完成的估值约：
200 亿美元。
如果这次真的超过 300 亿，
就是：
一年左右又提高超过 50%。
但目前要注意：
这仍然是洽谈中的据报交易。
不是 Nvidia 已经正式宣布：
投资完成。
为什么 Nvidia 会对 Perplexity 有兴趣？
表面上，
Perplexity 是：
AI 搜索。
Nvidia 是：
GPU。
两家做的事情很远。
但是把整条 AI 价值链拉开就不远了。
最下面：
芯片。
再来：
数据中心。
模型。
Agent。
AI Search。
最后：
用户真正完成工作。
Nvidia 在最底层已经非常强。
如果再和：
Perplexity
这种用户端 AI 工作入口创建更深资本关系，
它就能更接近：
AI 最后到底被拿来做什么。
Perplexity 现在也不只是「另一个 AI 搜索框」
Reuters 报导指出，
Perplexity 的年化收入已经从年初：
不到 2.5 亿美元，
提高到：
超过 7.5 亿美元。
其中一个重要推力是：
Perplexity Computer。
它已经不只是回答：
「帮我找数据。」
而是让 AI 在云端完成：
研究。
整理。
专业工作。
多步骤任务。
也就是从：
Search
往：
Agent
走。
这对 Nvidia 特别有意思
因为 AI Agent 越多人用，
最后就需要：
更多推论算力。
更多 GPU。
更多数据中心。
所以 Nvidia 的利益并不只是：
今天卖一颗芯片。
它真正希望看到的是：
世界出现更多值得大量使用 AI 算力的应用。
Perplexity 如果能把 AI 从搜索：
变成每天工作的入口，
背后就可能产生更多算力需求。
但也不要把这理解成 Nvidia 要收购 Perplexity
目前没有这个信息。
现在能确认的是：
Reuters 转述报导称，
Nvidia 正讨论：
参与投资。
投资。
合作。
控制。
收购。
是四个不同层级。
不能直接跳成：
「Nvidia 要把 Perplexity 买下来。」
把今天三则新闻放在一起就很有意思
Thomson Reuters：
原本有数据与客户，现在想自己有模型。
Xiaomi：
原本有设备与软件，现在想自己控制更多芯片与 AI NPU。
Nvidia：
原本控制大量 AI 基础设施，现在据报往 AI 应用入口投资。
三家公司都在：
跨出自己原本最熟悉的那一层。
为什么 AI 公司开始不想只待在一层？
因为每多依赖一个外部供应商，
就多一个：
成本。
限制。
风险。
例如模型公司依赖 Nvidia：
GPU 价格会影响成本。
手机公司依赖外部芯片：
产品节奏与 AI 能力受到供应影响。
专业数据公司完全依赖外部模型：
价格。
模型行为。
Roadmap。
数据治理
都可能受别人影响。
所以当 AI 逐渐变成：
公司内核能力，
企业自然开始问：
哪一层重要到我不能永远租？
但「全部自己做」也不是答案
垂直集成有好处，
也很贵。
做芯片：
数十亿美元。
做模型：
人才。
数据。
算力。
评估。
做应用：
产品。
客户。
销售。
每一层都需要：
完全不同能力。
所以真正聪明的问题不是：
「我是不是什么都应该自己做？」
而是：
「哪一层如果永远交给别人，会让我的核心竞争力被别人控制？」
Thomson Reuters 的答案是：专业模型值得自己抓
因为它最大的资产就是：
专业内容。
如果模型完全由第三方决定，
数据优势未必能完全变成：
产品差异。
所以它把模型：
拉进来。
Xiaomi 的答案是：芯片不能永远只是采购品
尤其 AI 开始进入：
手机。
汽车。
设备端。
之后，
算力和产品设计会愈来愈绑在一起。
所以它往：
自研芯片
走。
Nvidia 的答案则可能是：只在最底层也不够
GPU 很重要。
但是谁掌握：
AI Search。
Agent。
用户工作入口，
谁就更知道：
下一波真正需要什么算力。
所以 Nvidia 近年大量：
投资模型公司。
基础设施公司。
AI 新创。
现在据报再看 Perplexity，
其实是一条很一致的：
生态系策略。
对一般企业来说，这三则新闻有什么用？
不是叫你：
明天自己训练模型。
也不是：
自己设计芯片。
而是提醒你一个很实际的问题：
你的 AI 工作流程，最关键的一层现在握在谁手上？
例如你的公司所有：
客户知识。
流程。
Prompt。
数据。
都只存在某一个外部 AI 平台。
那换平台时：
能不能走？
如果 AI API 涨价：
你有没有替代方案？
如果模型功能取消：
内核工作会不会停？
这就是小公司的：
「垂直集成版本」。
小公司不用自己做模型，但至少可以控制自己的数据与流程
例如：
客户数据：
自己保存。
正式 SOP：
自己保存。
Prompt Template：
自己保存。
AI 产出：
有自己的验收标准。
模型：
可以更换。
这样模型供应商就比较像：
引擎。
而不是：
公司全部的记忆。
这和 Thomson Reuters 今天做的事情，
规模差很多，
底层逻辑却一样：
不要把真正构成你竞争力的东西，全部放在别人的黑盒子里。
今天三则新闻真正共同指向的是「控制权」
不是：
谁什么都自己做。
而是：
谁控制真正重要的部分。
Thomson Reuters 想控制：
专业数据＋模型。
Xiaomi 想控制：
设备＋芯片＋AI。
Nvidia 则可能继续扩大：
算力＋生态系＋应用投资。
AI 的下一场竞争，
开始从：
单点产品
走向：
整套系统。
今天早上的一句判断
前几年的 AI 竞争，
最常问：
谁的模型最强？
接下来可能越来越常问：
谁控制最多重要层？
数据。
芯片。
模型。
算力。
Agent。
应用。
用户入口。
没有任何公司一定要全部自己做。
但当 AI 变成核心业务，
每家公司都必须决定：
哪一层可以租，哪一层一定要自己掌握。
Thomson Reuters、Xiaomi、Nvidia 今天从三个不同方向，
正在回答：
同一个问题。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
