我相信这一架构可以合理地称为 sovereign AI infrastructure。
该模型以开源权重为起点，并可能在 蒸馏 和训练过程中使用先进的外部 AI 模型作为教师。然而，这些外部模型是训练阶段的资源，而非生产环境的依赖。
训练完成后，整个运行中的 AI 技术栈将在我们自己的环境中实现完全受控。
最终模型权重在本地受控。
推理 在自托管基础设施上运行。
业务和用户数据保留在我们的环境中。
部署、网络、访问控制和计算资源均在内部管理。
生产环境访问通过私有 VPN 进行隔离。
最重要的是，系统在 推理 期间无需依赖外部 AI API 即可运行。
这一区别至关重要。
主权并不一定意味着每一项知识、软件、研究或训练影响都必须源自内部。很少有现代技术系统是在完全孤立的情况下构建的。
从运营角度看，重要的是系统部署后由谁掌控。
如果外部 AI 提供商明天无法使用，我们的生产系统仍应继续运行。
如果 API 提供商调整价格、政策、模型行为或访问条件，我们的生产环境不应受到影响。
如果敏感业务数据进入系统，这些数据无需为了 推理 而离开我们受控的基础设施。
这就是主权的实际价值。
在我们的架构中，外部智能可以在模型开发阶段提供协助，但它并不控制最终的运行环境。
一个简单的类比是向一位经验丰富的老师学习。
学生可以从老师那里学习技巧，但一旦学生掌握了知识并能够独立运作，就不再需要老师为每一个决策提供指导。
蒸馏 的工作原理与此类似。
先进的模型可以在开发阶段充当教师，而生成的模型则成为一个独立运行的系统，完全在我们控制的基础设施内运行。
因此，我会将该架构描述为：
主权 AI 基础设施 with locally controlled models and independent inference.
重要的主张并非该 AI 是在没有外部知识的情况下创建的。
重要的主张是，已部署的 AI 不依赖外部控制。
这意味着主权存在于最关键之处：
模型、数据、基础设施、推理、访问权限以及运营决策均保持在本地控制之下。
