今天三則新聞，
一家在做：
法律、稅務與新聞資料。
一家原本最出名的是：
手機。
一家則是：
全球最大的 AI 晶片公司之一。
看起來完全不同。
但它們正在往同一個方向走：
不想只靠別人提供 AI 的關鍵能力。
Thomson Reuters 開始自己做模型。
Xiaomi 繼續往自己設計晶片走。
Nvidia 則據報準備把投資版圖往 Perplexity 這種使用者端 AI 應用延伸。
這代表 AI 下一場競爭，
可能不再只是：
「我的模型比你強。」
而是：
「整條 AI 價值鏈裡，有多少關鍵層是我自己控制的？」
第一則：Thomson Reuters 正式推出自己的 AI 模型 Thomson
Thomson Reuters 8 月 24 日正式推出：
Thomson。
這是公司第一個：
自行開發的專有大型語言模型。
最值得注意的地方不是：
又多一個 LLM。
而是誰在做它。
Thomson Reuters 手上原本就有：
Westlaw。
Practical Law。
Checkpoint。
Reuters
等大量法律、稅務、會計與新聞專業內容。
以前的問題是：
它擁有資料。
擁有專家。
擁有客戶。
但最底層模型仍然可以：
向別人買。
現在公司開始把最後一塊：
模型本身
也抓回來。
Thomson Reuters 說自己花多少錢？
公司公布的數字是：
4,000 萬美元。
這包括：
人才與算力。
這個數字放在今天的大型 AI 世界裡，
其實非常特別。
因為最前沿的通用模型，
大家已經習慣看到：
數十億美元。
甚至更龐大的基礎設施投資。
Thomson Reuters 的方法不是：
從零開始跟 OpenAI、Google、Anthropic 比誰模型最大。
而是先從一個強大的：
Open-source foundation
出發，
再用自己的專業內容、
中期訓練、
後訓練
以及大量專家驗證，
把模型往：
法律。
稅務。
專業工作
方向推。
這可能代表一條完全不同的企業 AI 路線
以前企業會問：
我要選 GPT、Claude 還是 Gemini？
未來一些非常大型、
而且手上有獨家資料的公司，
可能開始問：
為什麼我不能自己擁有其中一個模型？
不是每家公司都應該：
自己訓練 AI。
但如果一家公司本來就有：
數十年專業資料。
獨家內容。
大量專家。
穩定客戶。
特定高價值工作。
那麼「自有模型」的經濟帳，
可能開始變得不一樣。
因為真正的優勢可能不是模型參數，而是別人拿不到的資料
假設大家都能買到：
同一個通用模型。
那模型本身很難成為：
永久差異。
但是 Westlaw 的法律內容。
Practical Law 的專業資料。
公司累積數十年的：
分類。
編輯。
專家判斷。
這些不是另一家公司今天付一張 API 帳單：
就能複製。
所以 Thomson Reuters 真正下注的不是：
「我們比所有 AI Lab 更會做通用 AI。」
而更像：
「我們有別人沒有的專業資料，現在連模型這一層也要一起控制。」
目前它已經用掉所有 Thomson Reuters 資料了嗎？
沒有。
公司表示，
目前拿進這套模型訓練的內容：
不到 Thomson Reuters 全部內容的 10%。
這也代表公司現在還把 Thomson：
視為正在發展中的模型。
不能把它理解成：
整個 Thomson Reuters 知識庫已經全部訓練完畢。
第一個真正落地的位置也很有意思
Thomson 不是先做：
一般聊天機器人。
它第一個部署方向是：
CoCounsel Legal 的 Tabular Analysis。
也就是：
大量文件的結構化審閱。
原因很好理解。
如果你要證明專業模型有價值，
最好挑一個：
結果容易比較。
錯誤可以檢查。
工作量很大的任務。
而不是只問：
「它聊天是不是比較像律師？」
但 Thomson Reuters 說模型媲美前沿模型，要怎麼看？
這些 Benchmark 與早期評估，
目前主要來自：
Thomson Reuters 自己。
公司表示 Thomson 在多種專業任務上可與領先前沿模型競爭，
並且在部分法律與指令遵循評估表現突出。
這是值得關注的結果，
但現階段仍然應該把它寫成：
公司公布的早期評估。
而不是：
「已獨立證明 Thomson 全面打敗 GPT、Claude、Gemini。」
兩件事情差很多。
第二則：Xiaomi 不只做手機，正在繼續往自己設計晶片走
第二則從：
模型
走到：
晶片。
Xiaomi 8 月 24 日推出新一代自研手機處理器：
Xring O3。
Reuters 報導指出，
這顆處理器由 TSMC 採用：
3 奈米製程
生產，
預計使用在 Xiaomi 接下來的高階摺疊手機。
為什麼手機公司一直想自己做晶片？
因為如果核心晶片全部由別人決定，
你能控制的東西就比較少。
例如：
功耗。
AI 運算。
相機處理。
記憶體配置。
產品推出時間。
成本。
供應。
Apple 很早就在走：
自己的 A 系列。
M 系列。
Samsung 也有自己的半導體能力。
Xiaomi 現在想做的事情，
方向很類似：
讓裝置、軟體與晶片設計更靠近。
但真正和 AI 直接相關的，不只 O3
Reuters 還報導，
Xiaomi 正與 TSMC 合作開發另外兩種晶片。
其中一個叫：
Xring O100。
定位是：
Neural Processing Unit。
也就是：
專門處理 AI 工作的 NPU。
報導指出，
它將支援 Xiaomi 自家的：
MiMo AI 模型。
另一顆：
D100
則面向自動駕駛。
這兩項仍屬 Reuters 引述消息來源的報導，
不能寫成 Xiaomi 已正式量產上市。
這裡真正有意思的是「模型跟晶片開始互相設計」
如果 MiMo 永遠只跑在：
通用外部晶片
上，
Xiaomi 必須適應別人的硬體。
但如果未來它自己設計：
NPU，
就有機會反過來問：
MiMo 最常跑什麼？
哪些算子最重要？
記憶體怎麼配置？
耗電怎麼壓？
裝置端哪些工作應該直接本機完成？
然後把晶片往：
自己的 AI 工作
最佳化。
這就是 Vertical Integration
中文可以理解成：
垂直整合。
以前 Xiaomi 可能主要控制：
手機品牌。
系統。
App。
現在一路往下：
晶片。
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於外部供應商。
Xiaomi 已經投入多少？
Reuters 報導指出，
Xiaomi 在晶片研發上累計投入已超過：
200 億人民幣。
約：
30 億美元。
公司的半導體團隊已擴大到：
3,000 人以上。
所以這已經不是：
小型實驗計畫。
它正在逐漸變成：
公司長期技術戰略的一部分。
這也提醒我們：AI 手機真正的競爭可能不是「裝哪個聊天機器人」
現在手機品牌很容易說：
我的手機有 AI。
你的也有。
但是再過幾年，
差異可能變成：
誰有自己的：
模型。
NPU。
相機 ISP。
記憶體架構。
作業系統整合。
雲端服務。
如果全部一起設計，
AI 才可能真正做到：
更快。
更省電。
更多本機運算。
更低延遲。
而不只是：
手機裡多一個 AI App。
第三則：Nvidia 據報正洽談投資 Perplexity
第三則的方向剛好倒過來。
前面是：
資料公司往模型走。
手機公司往晶片走。
Nvidia 原本最強的位置就在：
晶片與 AI 基礎設施。
現在據報，
它正在考慮往：
使用者入口
再靠近一點。
Reuters 引述《The Information》報導，
Nvidia 正洽談參與 Perplexity 新一輪股權融資。
如果交易成立，
Perplexity 的估值可能超過：
300 億美元。
這個數字和一年前比有多大？
Perplexity 上一次完成的估值約：
200 億美元。
如果這次真的超過 300 億，
就是：
一年左右又提高超過 50%。
但目前要注意：
這仍然是洽談中的據報交易。
不是 Nvidia 已經正式宣布：
投資完成。
為什麼 Nvidia 會對 Perplexity 有興趣？
表面上，
Perplexity 是：
AI 搜尋。
Nvidia 是：
GPU。
兩家做的事情很遠。
但是把整條 AI 價值鏈拉開就不遠了。
最下面：
晶片。
再來：
資料中心。
模型。
Agent。
AI Search。
最後：
使用者真正完成工作。
Nvidia 在最底層已經非常強。
如果再和：
Perplexity
這種使用者端 AI 工作入口建立更深資本關係，
它就能更接近：
AI 最後到底被拿來做什麼。
Perplexity 現在也不只是「另一個 AI 搜尋框」
Reuters 報導指出，
Perplexity 的年化收入已經從年初：
不到 2.5 億美元，
提高到：
超過 7.5 億美元。
其中一個重要推力是：
Perplexity Computer。
它已經不只是回答：
「幫我找資料。」
而是讓 AI 在雲端完成：
研究。
整理。
專業工作。
多步驟任務。
也就是從：
Search
往：
Agent
走。
這對 Nvidia 特別有意思
因為 AI Agent 越多人用，
最後就需要：
更多推論算力。
更多 GPU。
更多資料中心。
所以 Nvidia 的利益並不只是：
今天賣一顆晶片。
它真正希望看到的是：
世界出現更多值得大量使用 AI 算力的應用。
Perplexity 如果能把 AI 從搜尋：
變成每天工作的入口，
背後就可能產生更多算力需求。
但也不要把這理解成 Nvidia 要收購 Perplexity
目前沒有這個資訊。
現在能確認的是：
Reuters 轉述報導稱，
Nvidia 正討論：
參與投資。
投資。
合作。
控制。
收購。
是四個不同層級。
不能直接跳成：
「Nvidia 要把 Perplexity 買下來。」
把今天三則新聞放在一起就很有意思
Thomson Reuters：
原本有資料與客戶，現在想自己有模型。
Xiaomi：
原本有裝置與軟體，現在想自己控制更多晶片與 AI NPU。
Nvidia：
原本控制大量 AI 基礎設施，現在據報往 AI 應用入口投資。
三家公司都在：
跨出自己原本最熟悉的那一層。
為什麼 AI 公司開始不想只待在一層？
因為每多依賴一個外部供應商，
就多一個：
成本。
限制。
風險。
例如模型公司依賴 Nvidia：
GPU 價格會影響成本。
手機公司依賴外部晶片：
產品節奏與 AI 能力受到供應影響。
專業資料公司完全依賴外部模型：
價格。
模型行為。
Roadmap。
資料治理
都可能受別人影響。
所以當 AI 逐漸變成：
公司核心能力，
企業自然開始問：
哪一層重要到我不能永遠租？
但「全部自己做」也不是答案
垂直整合有好處，
也很貴。
做晶片：
數十億美元。
做模型：
人才。
資料。
算力。
評估。
做應用：
產品。
客戶。
銷售。
每一層都需要：
完全不同能力。
所以真正聰明的問題不是：
「我是不是什麼都應該自己做？」
而是：
「哪一層如果永遠交給別人，會讓我的核心競爭力被別人控制？」
Thomson Reuters 的答案是：專業模型值得自己抓
因為它最大的資產就是：
專業內容。
如果模型完全由第三方決定，
資料優勢未必能完全變成：
產品差異。
所以它把模型：
拉進來。
Xiaomi 的答案是：晶片不能永遠只是採購品
尤其 AI 開始進入：
手機。
汽車。
裝置端。
之後，
算力和產品設計會愈來愈綁在一起。
所以它往：
自研晶片
走。
Nvidia 的答案則可能是：只在最底層也不夠
GPU 很重要。
但是誰掌握：
AI Search。
Agent。
使用者工作入口，
誰就更知道：
下一波真正需要什麼算力。
所以 Nvidia 近年大量：
投資模型公司。
基礎設施公司。
AI 新創。
現在據報再看 Perplexity，
其實是一條很一致的：
生態系策略。
對一般企業來說，這三則新聞有什麼用？
不是叫你：
明天自己訓練模型。
也不是：
自己設計晶片。
而是提醒你一個很實際的問題：
你的 AI 工作流程，最關鍵的一層現在握在誰手上？
例如你的公司所有：
客戶知識。
流程。
Prompt。
資料。
都只存在某一個外部 AI 平台。
那換平台時：
能不能走？
如果 AI API 漲價：
你有沒有替代方案？
如果模型功能取消：
核心工作會不會停？
這就是小公司的：
「垂直整合版本」。
小公司不用自己做模型，但至少可以控制自己的資料與流程
例如：
客戶資料：
自己保存。
正式 SOP：
自己保存。
Prompt Template：
自己保存。
AI 產出：
有自己的驗收標準。
模型：
可以更換。
這樣模型供應商就比較像：
引擎。
而不是：
公司全部的記憶。
這和 Thomson Reuters 今天做的事情，
規模差很多，
底層邏輯卻一樣：
不要把真正構成你競爭力的東西，全部放在別人的黑盒子裡。
今天三則新聞真正共同指向的是「控制權」
不是：
誰什麼都自己做。
而是：
誰控制真正重要的部分。
Thomson Reuters 想控制：
專業資料＋模型。
Xiaomi 想控制：
裝置＋晶片＋AI。
Nvidia 則可能繼續擴大：
算力＋生態系＋應用投資。
AI 的下一場競爭，
開始從：
單點產品
走向：
整套系統。
今天早上的一句判斷
前幾年的 AI 競爭，
最常問：
誰的模型最強？
接下來可能越來越常問：
誰控制最多重要層？
資料。
晶片。
模型。
算力。
Agent。
應用。
使用者入口。
沒有任何公司一定要全部自己做。
但當 AI 變成核心業務，
每家公司都必須決定：
哪一層可以租，哪一層一定要自己掌握。
Thomson Reuters、Xiaomi、Nvidia 今天從三個不同方向，
正在回答：
同一個問題。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
