当企业不再向OpenAI借推理力：Salesforce+Nvidia Koa，企业主权AI模型的第一个真实范本
当企业不再向OpenAI借推理力：Salesforce+Nvidia Koa，企业主权AI模型的第一个真实范本
Dreamforce 2026的Moscone中心，Marc Benioff邀请黄仁勋走进观众席，手持麦克风在人群中穿行。”我们都在跟着你，老兄，”Benioff对黄仁勋说，引来全场掌声。
这不只是一场表演秀，也不只是两位CEO的友谊展示。就在这次演讲期间，Salesforce和Nvidia联合宣布了一件在企业AI史上可能值得被长期记录的事：Salesforce发布了第一个完全自研的推理模型Koa，基于Nvidia开源权重Nemotron 3 Super进行后训练，专门针对销售、营销和客服场景进行深度调校。
这是一个信号。一个关于企业AI采购逻辑可能正在发生根本性转变的信号。
问题的起点：企业为什么需要”自己的推理模型”
在Koa发布之前，Salesforce的Agentforce平台是这样运作的：当用户的AI代理需要处理一个复杂的多步推理任务——比如分析一个客服投诉并生成解决方案，或者判断一条销售线索是否值得优先跟进——Agentforce会把这个任务路由给外部前沿模型，主要是Claude或ChatGPT，通过API调用来完成推理步骤。
这个架构从纯能力角度看是合理的：Claude和ChatGPT在通用推理上确实很强。但从企业采购角度看，它制造了三个持续存在的问题。
第一是数据主权问题。每一次API调用，都意味着企业的提示词数据（包含业务逻辑、客户问题描述等）被发送到了第三方服务器。即使OpenAI和Anthropic都有企业合同承诺不用这些数据训练模型，”数据离开企业边界”本身就是很多企业合规部门的红线——尤其是在金融、医疗、法律等强监管行业。
第二是成本控制问题。通用前沿模型按token计费，对于企业大规模部署AI代理的场景，成本累积速度极快。而且更麻烦的是，通用模型处理一个”判断销售线索优先级”的任务，往往需要比任务专精模型多得多的token，因为它要先”理解”大量通用知识，然后才能回答这个领域性的问题。
第三是模型控制问题。当一个企业的所有智能工作流都跑在某个第三方模型的API上，这个模型一旦涨价、降级、或者改变服务条款，企业几乎没有谈判筹码。这种依赖关系在硬件采购上叫”供应商锁定”，在AI时代有着类似的战略风险。
Koa试图同时解决这三个问题。
Koa是什么：开源基础+专有调校的最佳结合
从技术路线看，Koa是一个典型的”领域后训练模型”：取了Nvidia Nemotron 3 Super的开源权重作为基础，然后注入了Salesforce近30年CRM部署积累的专有合成数据集。这份合成数据是人工构造的，模拟了真实的企业销售、客服、营销场景，但不来自任何真实客户数据。
“我们一直想训练自己的企业级前沿模型，但挑战在于找不到合适的预训练基础，”Salesforce AI高级副总裁Jayesh Govindarajan向TechCrunch解释，”在Nemotron出现之前，没有任何开源美国模型同时满足：第一，真正可用且开源；第二，达到最先进水平；第三，训练数据来源清晰可溯源。我们根本不知道Qwen（阿里巴巴的开源模型）是在什么数据上训练的。”
Govindarajan提到Qwen这个细节非常值得关注。这反映了在企业AI采购中，”数据溯源”正在成为一个实质性的筛选标准——不是因为技术原因，而是因为监管原因。欧盟AI法案要求高风险AI系统的训练数据可溯源，美国部分行业监管机构也开始关注类似问题。在这种环境下，”我不知道这个模型是在什么数据上训练的”变成了一个法律合规风险，而不只是技术层面的疑虑。
Nvidia Nemotron 3 Super解决了这个问题。它是一个专门设计用于企业后训练的基础模型，训练数据来源有明确的商业许可条款，这让Salesforce得以放心在上面进行进一步的领域训练。
合成训练数据集的生成方式同样值得关注。Salesforce和Nvidia没有用真实客户数据，而是”构建了一个带有客服专业人员角色的模拟客服环境”——换句话说，他们用模拟系统生成了数以亿计的”如果真实客服场景是这样，模型应该怎么回应”的问题-答案对，然后用这些数据调校Koa。这个方法的好处是可以覆盖大量边缘情况，缺点是可能引入人工构造数据的偏差。
Koa在企业场景的6个核心价值
Salesforce给Koa定位了6个区别于通用前沿模型的具体价值：
第一：开放权重替代封闭模型。企业可以选择在自己的基础设施（包括私有云或本地服务器）上运行Koa，数据不需要离开企业边界。这对金融和医疗行业的合规要求是一个直接的解决方案。
第二：任务专精而非通用。Koa不需要解决数学奥林匹克竞赛题，它只需要精准地处理”客服代理应该如何回应这个投诉”或”这条销售线索的优先级是什么”。任务专精意味着在特定场景下比通用模型更准，而不是在所有场景下都”还行”。一个只懂CRM的模型，在CRM场景里往往比一个什么都懂的大模型表现更好。
第三：训练过程不含真实客户数据。用合成数据模拟真实企业场景，确保训练过程中没有真实客户信息被”吸入”模型。这个承诺可以通过技术审计来验证，而不需要信任第三方的合同条款。
第四：Token效率更高、成本更低。完成相同的企业特定任务，Koa使用的token数量比通用前沿模型更少，因为它不需要先”预热”大量通用知识才能进入任务语境。这直接对应AI使用成本下降，对于大规模部署数百万次代理调用的企业来说，差异可能是数量级的。
第五：通过AI网关自动路由。Agentforce的AI网关可以根据任务类型自动决定是用Koa还是用其他模型（比如需要复杂通用推理的任务可能仍然路由给Claude），企业不需要手动配置每种任务的模型路径。这降低了切换成本，也让Koa作为”专精模型”和通用模型形成互补，而不是替代关系。
第六：内嵌Salesforce安全和合规框架。Koa的运行遵循企业已在Salesforce内配置的所有数据规则、护栏和访问权限，不绕过已有的安全架构。这对”AI代理应该能访问哪些数据、不能访问哪些数据”这类企业安全问题，给出了一个内置的答案。
对AI实验室意味着什么：前端推理的逐步分流
TechCrunch这篇报道的标题刻意选了一个耸人听闻的角度：”正是AI实验室最害怕的东西”。但背后的逻辑是真实的。
此前，OpenAI和Anthropic对企业的商业逻辑是：我们提供最强的模型，你通过API使用，你的使用数据（经过隐私处理后）帮助模型变得更好。这是一个把企业变成”能力消费者兼反馈提供者”的闭环——而且越用越深度绑定，切换成本极高。
Koa代表的是企业的反向逻辑：在某些足够明确的场景里，我不需要你的通用能力，我需要的是一个可控的、专精的、数据主权清晰的模型。在这种场景里，OpenAI或Anthropic变成了可选项，而不是默认选项。
这个逻辑在2026年尤其值得关注。前沿大模型的API价格已经在过去两年里下降了90%以上，成本已经不是企业采购的首要阻碍。但数据主权和控制权的需求并没有因为成本降低而消失——它们是两个独立的变量。Koa同时回应了这两个维度。
对于OpenAI和Anthropic来说，真正的风险不是Koa这一个产品，而是它所代表的趋势：当Salesforce可以用开源基础加合成数据做出一个”够用”的企业推理模型，SAP、Oracle、ServiceNow为什么不能也这样做？当行业专精模型遍地开花，通用前沿模型在企业市场的定位会从”唯一选择”变成”通用能力的储备选项”，而不再是日常工作流的默认支柱。
黄仁勋在Dreamforce说了什么
黄仁勋在Dreamforce的演讲，用了一个他最喜欢的历史比喻：电力、互联网、AI，依次是基础设施层的三次革命。”有了电，我们可以为任何事物供能。有了互联网，你可以找到任何东西。现在有了AI作为全球基础设施层，我们可以了解一切、做成任何事。”
关于AI安全，他的表述是工程师式的直接：”安全是头等要务，但安全是一个工程问题。如果你对产品的功能、能力或安全没有信心，就不要发布它。创新速度和产品安全是一个虚假的选择，你可以同时拥有两者。”
这个表述和Anthropic首席执行官Dario Amodei呼吁”AI减速”的立场明显不同，但在Dreamforce的语境下，Koa的发布本身就是”把安全当工程问题解决然后发布”逻辑的一个具体示范：专有合成训练数据、内嵌安全护栏、不含真实客户数据——这些都是工程层面的安全保障，而不是政策倡议。
对于Nvidia来说，Dreamforce是一个展示”Nvidia不只是卖芯片”的重要舞台。Nemotron作为开源基础模型、Koa作为后训练示范案例，这个组合构成了Nvidia推进其”AI工厂”生态的一个关键论据：买了我们的GPU，你还可以用我们的开源模型来构建你自己的垂直AI能力，这是一个完整的技术栈，不是单纯的硬件销售。
企业主权AI的更大趋势
Koa不是孤立的事件，它出现在一个正在快速成形的趋势中。
AWS上，企业已经可以在私有VPC内运行Bedrock模型，数据不出企业边界。Anthropic和Azure AI推出了企业合同，明确承诺不使用企业数据训练模型。Meta的Llama系列开源模型被大量企业用于私有化部署，正是因为同样的数据控制需求。Google在2025年推出了Gemma系列专为边缘部署设计的小型开源模型。
这个趋势的底层逻辑是：AI能力和AI控制权，在企业市场里是两个同等重要的维度，而前沿实验室的商业模式在历史上一直优先满足第一个维度（能力），对第二个维度（控制权）给出的承诺相对有限。随着企业AI采购的规模越来越大、合规要求越来越严格，这个失衡正在被市场力量修正。
Koa代表的是这种修正在一个具体产品上的落地：Salesforce用了30年建立的CRM数据积累，加上Nvidia的开源基础模型，构建了一个属于企业自己的推理选项。它不是最强的，但它是最可控的、最合规的、最适合特定场景的。
剩余的问题
Koa的发布解决了一些问题，但也带来了新的思考。
最大的问题是：在企业纷纷建立”主权AI”能力之后，前沿实验室在企业市场的竞争优势究竟在哪里？如果任务专精模型可以用开源基础加合成数据实现，如果企业的采购逻辑开始优先考虑控制权而不是纯能力，那么OpenAI和Anthropic的护城河在企业端究竟有多宽？
另一个问题是价值链的重新分配：当Salesforce、SAP、Oracle这样的企业软件巨头都开始训练自己的行业专精模型，AI实验室是否会逐渐变成”基础模型的白标供应商”，失去与最终用户的直接关系？Koa不仅仅是一个模型，它是Salesforce在AI价值链上向上游移动的第一步。
“我们不是在取代Claude或ChatGPT，”Govindarajan强调，”这些模型很优秀。我们是在为企业提供一个在某些场景下更适合的工具。工具箱里多一个选择，是对所有人都好的事情。”
这个说法是真诚的，也是有意为之的市场定位。但它同样折射出一个不可回避的现实：当”工具箱里有了更多选择”之后，那些曾经是”唯一默认选项”的服务商，需要重新证明自己的价值主张。这，才是Koa发布的真正意涵。
与OpenAI、Anthropic的战略对比
Koa发布的同一周，还有另外几件事同时发生，把它的战略意义衬托得更清晰。
AWS和Salesforce在Dreamforce宣布了一项更深层的整合：通过A2A（Agent2Agent）协议，将Agentforce Voice与Amazon Connect客服系统实时对接，实现双向语音数据流通，同时让Amazon Q业务助手可以直接查询Salesforce CRM数据。这个整合的核心逻辑是：不要求数据迁移，而是让AI代理在数据所在的位置运行。这是”数据主权优先”逻辑在更大范围内的应用——不是把Salesforce数据迁移到AWS，也不是把AWS数据迁移到Salesforce，而是用MCP和A2A协议让智能代理在原有的数据边界内运作。
与此同时，OpenAI这周宣布2026年不会IPO，Anthropic在准备2万亿美元估值的潜在上市的同时发布AI减速倡议。两家公司的核心商业模式仍然高度依赖API调用量：更多用户、更多调用、更多收入。这个模式和企业构建”主权AI模型”的趋势之间，存在着一个无法忽视的张力。
Koa的出现，是在说：不是所有的企业推理需求都需要调用你们的API。
黄仁勋在Dreamforce演讲结束时，对Benioff说了一句值得玩味的话：”你在用我的GPU，你在用我的模型，但这都是你的。”这句话是一个清晰的战略声明：Nvidia的商业逻辑是卖基础设施，不是控制应用层。这正是Koa能够被构建出来的制度性前提——Nvidia把工具给了Salesforce，Salesforce用工具建了自己的模型，利益分配是清晰的。
谁真正受益于这种转变
从企业客户的角度看，Koa所代表的”主权AI模型”趋势并不是所有人都欢迎的。
大型金融机构、医疗集团和政府机构——这些组织历来是数据合规需求最严格的采购方。对他们来说，Koa式的解决方案是真正解决了痛点的：数据不出边界，训练数据可溯源，运行逻辑可审计，法律责任可以清晰划分。这些机构过去几年在AI采购上一直动作迟缓，核心阻碍之一就是数据主权顾虑。Koa提供了一条走出顾虑的路。
但对于中小企业而言，情况不同。绝大多数中小型企业既没有IT基础设施来私有化部署模型，也没有数据工程团队来维护一个专精模型。对他们来说，最大的价值来源仍然是通用前沿模型的API——便宜、易用、无需维护。Koa这条路对他们来说暂时是不现实的。
这意味着企业AI市场正在走向分层：大型企业构建自己的主权AI能力，中小企业依赖云端API服务。这种分层不是新现象——任何成熟技术市场都有这种分层——但它在AI时代到来得比预期更早。2026年，我们比许多人预测的更早看到了企业级用户和消费级用户在AI使用模式上的显著分化。
这是终点，还是起点
Koa是第一个，但不会是最后一个。
当一个企业软件公司证明了用开源基础加领域合成数据可以训练出”够好”的任务专精推理模型，整个行业里有类似历史数据积累的公司——医疗记录系统、法律研究平台、工程设计软件、会计和ERP系统——都有了新的技术路径选择。它们不需要从零开始训练基础模型，只需要选择一个合适的开源基础，注入自己的领域数据，完成后训练。
这个路径在技术上并不新颖，它是迁移学习和领域自适应的经典方法。但Nemotron 3 Super的出现，加上Nvidia对”企业可用的开源基础模型”的明确战略投入，让这条路在2026年变得比以前更清晰、更低门槛。
Koa的真正意义，不只是Salesforce多了一个模型选项，而是它确立了一个范本：企业可以用这种方式构建自己的AI能力，技术路径是可行的，商业逻辑是清晰的，合规风险是可管理的。这个范本一旦被确立，它的扩散速度可能超过今天大多数人的预期。
关键数字
- Koa基础模型：Nvidia Nemotron 3 Super（2026年发布，开放权重）
- 合成训练数据规模：近30年Salesforce CRM部署积累的专有合成数据集（具体数量未披露）
- Salesforce企业客户数：超过15万家全球企业
- Dreamforce 2026现场规模：超过4.5万名现场参与者（旧金山Moscone中心）
- API成本下降幅度：通用前沿模型（GPT/Claude/Gemini）过去2年API定价下降90%以上
- Agentforce部署规模：Salesforce未披露具体数字，但称已有数百万个企业AI代理在运行
参考资料：
- TechCrunch: “Salesforce and Nvidia’s new reasoning model is everything the AI labs should fear” (2026-09-15) — https://techcrunch.com/2026/09/15/salesforce-and-nvidias-new-reasoning-model-is-everything-the-ai-labs-should-fear/
- NVIDIA Blog: “‘Now We Can Know Everything and Do Anything,’ Jensen Huang Says at Dreamforce” (2026-09-15) — https://blogs.nvidia.com/blog/jensen-huang-dreamforce/
- CNBC: “Nvidia’s Huang diverges with CEOs of Anthropic, OpenAI on AI safety at Dreamforce” (2026-09-15) — https://www.cnbc.com/2026/09/15/nvidia-and-anthropic-ceos-diverge-on-ai-safety-at-dreamforce.html
- Salesforce Koa产品主页 — https://www.salesforce.com/koa