DATA / SOVEREIGNTY13 SEP 2026
数据必须交出去，
才能被处理
前面十七篇大多在谈能力、成本与可靠性。这一篇谈一个更靠前、也更硬的约束：这门生意所需要的原料，在法律和主权意义上，未必是它能拿到的。
你可以不把钱交给银行，但你没法不把钱交给银行还让它替你理财。
MECHANISM 01 处理即展开明文 |
LAW 02 合同挡不住更高位阶 |
SPLIT 03 压制平均·加固在位 |
中心判断：
大模型与以往的软件有一个机制上的根本差别：它必须「处理」数据，而处理发生在它内部。
因此「把数据交给它」不是一个可以设计掉的环节，而是这门生意的前提。
一旦最有价值的数据所属的一方意识到这一点，AI 的可用原料会被重新划界——这是一条被普遍低估的、对增长速度的约束。
DATA / 01
一、先把机制讲清楚：它和你熟悉的软件不一样
一个聊天软件的功能是把内容从 A 送到 B。它不需要理解你说了什么，端到端加密之所以可能，正是因为理解不是它的功能。
一个云存储的功能是保管。它也不需要理解，所以可以做到「我存着，但我打不开」。
大模型不同。它的功能就是理解。
要让模型总结一份合同、分析一批数据、在一个流程里做决策，它必须在自己内部展开这些内容。你可以加密传输、可以加密存储，但在被处理的那一刻，它必须是明文的。
这就得到了第一个结论：
对大模型来说，「我看不到你的数据」和「我能帮你处理数据」在当前架构下不可兼得。
有人会说可以建一个双方共管的数据中心、可以做机密计算、可以做联邦学习。这些方向都真实存在、也都在推进。但它们目前的共同问题是：模型方知道模型内部发生了什么，而对方不知道。 监督一个自己看不懂的过程，本质上是信任，不是验证。
DATA / 02
二、第二个结论：「保证不外泄」这句话的效力，比你以为的低
商业世界解决信任问题的常规工具是合同：我保证不外泄，违约你可以告我。
但合同的效力有边界。 当数据的性质上升到某个层级——涉及关键基础设施、涉及国家安全——约束供应商的就不再只是合同，还有更高位阶的法律。而更高位阶的法律通常要求供应商在特定情形下必须报告。
于是出现一个结构性矛盾：
同一家公司，同时承诺了「我不告诉任何人」和「在某些情形下我必须告诉政府」。
这两条不可能同时兑现，而决定哪一条生效的，不是合同。
这不是某一家公司的诚信问题，是它注册在哪、受哪套法律管辖的问题。 换一家公司、换一个国家，矛盾的方向变了，矛盾本身还在。
DATA / 03
三、于是最干净的解法是：让自己拿不到
这里有一个值得研究的产业先例。
消费电子行业里最重视隐私叙事的那家公司，做法不是「我保证不看」，而是在架构上让自己没有能力看：密钥在设备上、服务端只存密文、连它自己也解不开。
这个设计常被当作营销来读。但从公司治理角度看，它是一次取舍：主动放弃一部分能力，换取不被卷入那个两难。
当你有能力拿到，你就必须回答「在什么情况下你会交出去」这个问题。
当你没有能力拿到，这个问题就不存在了。
这是 AI 时代一个会被反复使用的产品设计逻辑，而它对商业模式有直接代价：放弃的是数据带来的产品改进空间。谁愿意付这个代价、谁不愿意，会分化出两类完全不同的公司。
DATA / 04
四、投资含义：一条被低估的增长约束
把上面三节合起来，得到一个对增长速度的判断：
最有价值的那部分数据——高价值工业数据、关键基础设施数据、受监管行业的核心数据——正在变得越来越难以流向通用大模型。
不是因为技术做不到，而是因为数据的所有方开始意识到「处理即拥有」，于是用制度手段划界。
这条约束会以几种形式出现：本地化部署要求、数据不出域要求、对模型供应商注册地的限制、对训练数据来源的审查。每一条都提高交付成本、拉长销售周期、压低毛利。
所以这是一条同时压制收入增速与利润率的约束，而它不会出现在任何一份技术路线图上——技术路线图只回答「能不能做到」，不回答「允许不允许」。
DATA / 05
五、但这条约束是双向的，而第二个方向更值得注意
如果「谁能处理，谁就实际拥有」，那么已经合法处在里面的一方，优势会被放大：
—已经沉淀了海量第一方数据、且不需要向外索取的平台；
新进入者拿不到同等原料。 换句话说——
这条约束压制的是「所有 AI 公司的平均增速」，但它同时加固「已经在里面的那几家」。
这两个效应方向相反，而且落在不同的公司身上。把它们混起来谈，会得出一个既看空又看多、因而什么也没说的结论。 真正要做的是分清：你看的这家公司，是被约束的一方，还是被加固的一方。
DATA / 06
六、这个判断可能错在哪
第一，技术可能绕过去。 机密计算、可信执行环境、同态加密、联邦学习——任何一条走通并被监管接受，第一节的前提就松动了。这是本文最大的不确定性，我无法排除。 我能说的只是：截至目前，它们在大模型推理这个量级上还不实用。
第二，我把「制度性划界」讲得比现实整齐。 现实里更常见的是模糊地带、个案审批、灰色操作。一条趋势不等于一条防线，执行的松紧比条文重要得多，而松紧不可预测。
第三，「让自己拿不到」并非总是可选项。 那家消费电子公司能这么做，是因为它的商业模式本来就不依赖数据变现。对一家靠数据改进模型的公司，同样的取舍等于自断一臂——所以这个先例的可复制性，比它看起来低。
第四，第五节那条「加固在位者」我没有量化。 我不知道这个加固效应有多大、需要多久兑现。它目前是一个方向，不是一个幅度。
DATA / 07
七、可以跟踪的三个信号
—合同里是否出现「数据不出域」「模型本地部署」成为标准条款——这是约束从个案变成惯例的标志。—模型供应商的注册地／司法管辖开始进入采购评分表——这意味着技术之外的维度开始定价。—是否出现「厂商主动放弃数据访问权」的产品设计并被客户接受——第三节那条路线是否可复制，答案在这里。
第三个最有信息量：它同时检验了技术可行性与商业可承受性。
DATA / 08
八、本文的置信度分层
| 层级 | 内容 | 可靠性 |
| 技术机制 | 大模型必须在内部展开明文才能处理 | 当前架构下成立 |
| 法律结构 | 合同承诺与更高位阶法律义务可能冲突 | 结构性事实，不针对任何司法辖区 |
| 产业先例 | 存在「架构上让自己拿不到」的设计取舍 | 公开产品事实 |
| 推断 | 最有价值数据流向通用模型会变难 | 本文核心，方向判断 |
| 双向性 | 压制平均增速，同时加固在位者 | 逻辑推演，无量化 |
| 最大反证 | 隐私计算若走通，前提松动 | 无法排除 |
这一篇没有谈任何一家公司的估值，也不该被读成对谁的看多或看空。 它只想确立一件事：在评估一家 AI 公司的增长曲线时，「它能不能拿到原料」是一个和「它的模型有多强」同等重要、却很少被单独列出的变量。
方法说明：本文讨论数据可及性对 AI 商业模式的一般性约束，不针对任何特定国家、司法辖区或企业，不涉及任何具体事件。不评价任何公司，不涉及估值、仓位或买卖判断。不构成投资建议。