在AI浪潮中，大多数企业选择租用OpenAI或Anthropic的模型，但汤森路透却反其道而行之，投入巨资自建模型。这一决策背后，是对AI价值本质的深刻洞察：真正稀缺的不是通用智能，而是与自身专业内容深度绑定的专属智能。

发生了什么

据The Decoder报道，汤森路透正在推出名为“Thomson”的自有语言模型，该模型基于阿里巴巴的开源模型Qwen构建，两年成本约4000万美元。值得注意的是，其基准测试的亮眼表现，仅在模型能够调用公司自有内容（如Westlaw法律数据库）时才得以显现。公司首席技术官Joel Hron强调，关键不在于智能本身，而在于知道你需要拥有哪种智能。

为什么重要

这一事件折射出企业AI战略的分水岭。过去，企业普遍依赖API调用第三方模型，追求“够用就好”。但汤森路透的案例表明，对于拥有高价值专有数据的行业（法律、金融、医疗等），通用模型无法充分释放数据潜力。自建模型虽成本高昂，却能实现模型与数据的深度耦合，形成难以复制的竞争壁垒。此外，选择开源模型Qwen而非闭源API，也体现了对模型可控性和数据安全的考量。这不仅是技术选择，更是商业模式的战略转向。

影响与看点

对行业而言，汤森路透的举措可能引发专业服务领域的连锁反应，促使更多拥有垂直数据的企业评估自建模型的可行性。对开发者来说，开源模型（如Qwen）的成熟为企业提供了低成本起点，但后续的微调、部署和维护仍需大量投入。值得关注的是，其基准测试的“条件性”表现——依赖内部内容才能达到顶尖水平——暗示了未来AI竞争的核心可能从模型参数转向数据资产与模型的整合能力。一个独立判断是：在垂直领域，模型的“所有权”比“智能”本身更具战略价值，因为智能可以购买，而数据与场景的独家结合无法复制。