当企业把核心决策交给AI，智能的产权却不在自己手里
2026年，一个尴尬的局面正在企业AI部署中反复出现：一家公司把最核心的Know-How喂给大模型，让AI参与报价、排产、风控甚至研发决策，但承载这些智能的算力和模型却运行在企业的信任边界之外。企业为调用模型API付一次钱，再为让模型变得有用而交出自己的专有知识——微软CEO纳德拉把这种现象称为“反向信息悖论”。Sequoia Capital合伙人Sonya Huang的问题更直接：你业务核心的那份智能，应该归谁所有？
这不是一个哲学问题。当AI开始在企业中做出有后果的决定——不只是给建议，而是直接执行采购、调度、客服谈判——企业沉淀在模型调用过程中的执行轨迹、失败记录、人工干预和奖励信号，正在成为比原始数据更值钱的资产。但按照当下的主流部署方式，这些资产最终沉淀在模型提供商和算力平台的闭环里，企业越用越被动。
主权AI（Sovereign AI）基础设施公司深度内核（DeepKernel）试图在这个裂缝中建立第三种架构。该公司近日宣布完成数千万元人民币种子轮融资，由顺为资本领投，L2F光源创业者基金跟投。与大多数AI基础设施公司不同，深度内核没有把主权AI简单等同于“把机器搬回来”，而是将其拆解为计算层、学习层与交互层三层架构，试图同时解决“智能在哪里运行”“沉淀的智能归谁”“智能体之间如何交互而不失控”三个问题。
| 字段 | 内容 |
|---|---|
| 公司 | 深度内核（DeepKernel，北京深度内核科技有限公司） |
| 轮次 | 种子轮 |
| 金额 | 数千万元人民币（具体金额未披露） |
| 投资方 | 顺为资本领投，L2F光源创业者基金跟投 |
| 总部 | 未披露 |
| 创始人 | 未披露 |
| 官网 | 未披露 |
“主权”不等于“私有化”：深度内核重新定义控制权的边界
深度内核对主权AI的定义，与市场上流行的理解有一个关键差异。据公司披露，其定义是：在使用最好的智能与基础设施的同时，保留对自己的数据、智能体轨迹、学习闭环与已积累智能的控制权。这个定义的核心不在于企业是否拥有服务器或GPU，而在于计算过程是否可核验、可证明。
这一判断背后有一个值得注意的产业观察：企业拥有自己的服务器，并不意味着其上运行的模型和学习过程同样由自己定义和掌控。反过来，企业租用云端基础设施，只要计算过程可核验、可证明，同样能够保留对数据与智能的控制权。深度内核团队在对外表述中，将当前企业AI部署描述为两个极端——调用公开模型API，能力最强、负担最低，但企业最依赖的智能提供商始终处于信任边界之外；完全私有部署，控制力最强，但前沿模型的规模与迭代速度正让它在经济上难以为继。据公司称，其目标是提供第三种架构：既不放弃弹性算力，也不把控制权交给服务方的一纸声明。
从已披露的信息看，深度内核的技术路线建立在一个具体前提上：具有硬件信任根的可信算力供应链正在逐步完善。这意味着，基于密码学、可信芯片与分布式系统建立可信计算边界，在工程上已经具备了可交付的条件。但需要指出的是，这一前提的成熟度在不同算力体系之间存在显著差异。深度内核自己披露的三条技术路线中，基于现有可信硬件的路线已经完成跨网络大规模可信AI集群组网并实现端到端可验证的远程证明；面向国产算力的路线仍在围绕国产芯片体系“补齐可信AI Infra能力”；基于自研密态计算芯片的路线则处于更早期的重新定义芯片级可信AI计算范式阶段。三条路线的成熟度明显不同，公司并未披露各自的具体进度和商业化状态。
三层架构拆开看：计算层有工程进展，学习层和交互层仍是框架
深度内核将主权AI拆解为三层，每一层回答一个具体问题。这种拆解方式本身构成了该公司与“卖可信计算盒子”类公司的主要差异，但三层的工程完成度并不在同一水平线上。
计算层（Sovereign Compute Infra）回答“我的智能在哪里运行”。据公司披露，其基于密码学、可信芯片与分布式系统，为AI训练和推理基础设施建立可信计算边界，并将其拆为机密性、完整性、可验证性三个可逐条核验的维度。从已披露信息看，计算层可能是三层中最接近可交付的部分（编辑判断）：基于现有可信硬件完成跨网络的大规模可信AI集群组网，并实现端到端可验证的远程证明。该判断的依据仅为公司披露的工程进展描述，无独立交付证据。需要补充的是，这一判断存在一个替代解释：公司披露顺序可能反映叙事优先级而非工程成熟度，即计算层被首先披露，可能是因为它最能支撑“可信AI Infra”的融资叙事，而不一定意味着它在工程上最接近可交付。若该技术声明获得独立验证，理论上可能意味着深度内核具备在异构算力环境中提供可验证AI计算环境的能力。但需要强调的是，该技术声明本身来自公司新闻稿口径，而非独立技术文档；目前没有独立第三方验证这一技术声明的真实性，公司也未披露具体的性能指标、集群规模或验证成本。
学习层（Sovereign Learning Loop）回答“我沉淀的智能，谁受益”。据公司披露，其正在构建覆盖执行、评估、学习与编排的Agentic Learning Infrastructure，将智能体执行真实任务留下的执行轨迹——包括收到的上下文、形成的计划、选择的工具、失败与人的介入——转化为企业可控的智能复利。从产品逻辑看，这一层针对的是当前AI应用中最容易被忽视的资产流失问题：企业使用通用模型时，模型提供商通过API调用积累了关于企业业务场景的反馈信号，而这些信号最终沉淀为模型提供商的能力提升，而非企业自己的资产。深度内核的解法是把这一学习闭环拉回企业边界之内。但截至目前，公司披露的信息中，学习层的描述停留在架构和概念层面，没有披露具体的产品形态、可用的评估工具或学习闭环的实际运行案例。
交互层（Sovereign Agentic Interoperability）回答“我的智能体能否交互而不失控”。据公司披露，其正在构建智能体互联网的核心协议栈，覆盖身份、能力、授权、问责、结算五大关键能力。这一层的定位是前瞻性布局，针对的是智能体之间交互的底层规则空白。从产业现状看，智能体互联网的协议栈确实处于早期阶段，尚无公认标准。但正因为如此，这一层的商业化路径也最不清晰——协议栈的价值取决于生态采用率，而深度内核作为一家种子轮公司，能否推动协议栈被足够多的智能体平台采纳，是一个尚未被验证的假设。
顺为和L2F的出手逻辑：押注“可信”成为AI计算的默认属性
顺为资本程天在投资声明中给出了一个明确的判断：当企业开始把核心数据、决策过程和真实业务交给AI，可信与可验证就不再是少数高合规客户的附加需求，而会像加密传输之于互联网一样，成为未来AI计算的默认属性。据投资方声明，顺为认为这件事的门槛在于团队需要同时具备密码学、可信硬件、分布式系统与大规模AI Infra的能力，而深度内核在这几个方向上都有长期积累。
L2F光源创业者基金吉星的判断则更聚焦于智能红利的归属问题。据投资方声明，其认为下一步AI竞争的关键不再只是谁能训出更强的模型，而是谁能让企业在用上最强智能的同时，依然拥有自己的数据、学习闭环与智能复利。吉星特别指出，深度内核没有把主权停留在“把机器搬回来”，而是从计算、学习到交互三层同时构建主权AI系统。
从资本结构看，这是一轮典型的早期技术押注。顺为资本作为领投方，其投资组合中大量涉及AI基础设施和企业服务，对深度内核的出手可以理解为其在“可信AI Infra”赛道上的卡位。L2F光源创业者基金作为跟投方，规模相对较小，其参与更多体现的是对团队和方向的早期判断。值得注意的是，两家投资方在声明中都没有披露具体的估值、持股比例或对赌条款，也没有提及深度内核的营收或客户付费情况。这意味着，这轮融资的核心逻辑仍然是团队和技术路线，而非商业验证。
从团队背景看，深度内核的配置在早期技术公司中属于高配。据公司披露，团队成员曾任职于Google、VMware、Broadcom、字节跳动、阿里巴巴、腾讯、美团等公司，核心研发与清华大学InspiringGroup深度合作，累计在国际顶级会议与期刊发表论文近百篇，并多次获得国际顶会杰出论文奖。但创始人姓名和具体履历未披露，这是一个值得注意的信息缺口。对于一家以密码学、可信硬件和分布式系统为核心能力的技术公司，创始人的学术背景和产业经验是评估技术可行性的重要参照，而目前公开材料中这一信息完全缺失。
商业化起步：MaaS有合作方，PaaS合作方身份存在来源冲突
深度内核披露的商业化进展分为两条线。MaaS方向，据公司披露，其自建可信AI Infra，并与国内头部智算云平台推进联合方案，对外提供可验证的模型推理与训练服务。PaaS方向，据投资界报道，深度内核与国内头部世界模型公司达成合作，打造可信AI基础设施，让智能在物理世界闭环。
但PaaS合作方的具体身份存在来源冲突，本文将其列为待核验项，不采信任一口径。部分转载来源存在不同表述：一种表述指向“国内头部数据空间公司”，合作内容是为可信数据空间提供可信AI Infra能力；另一种表述则指向“国内头部世界模型公司”。这两种表述指向完全不同的合作场景：世界模型公司涉及的是物理世界模拟和具身智能，数据空间公司涉及的则是数据要素流通和可信数据基础设施。目前公开材料无法确认哪一个表述更准确，深度内核也未对此作出澄清。该冲突意味着PaaS商业化进展的独立验证难度更高，但不影响本轮融资事实本身。需要进一步说明的是，无论合作方为哪一类，深度内核均未披露客户名称、合作规模、付费金额或交付时间表，因此“商业化已启动”这一整体判断的实质无法独立验证。
此外，投资方与轮次结构在部分转载来源中亦存在口径差异：有来源将本轮描述为“L2F光源创业者基金与顺为资本联合投资”，与投资界来源的“顺为领投、L2F跟投”存在冲突。本文以投资界来源为准，采用“顺为资本领投，L2F光源创业者基金跟投”的表述。
无论是哪一种合作方，深度内核都没有披露客户的具体名称、合作规模、付费金额或交付时间表。“国内头部智算云平台”和“国内头部世界模型公司”的表述，在缺乏具体名称和合作细节的情况下，无法独立验证其商业实质。对于一家种子轮公司而言，这并不罕见，但意味着其商业化进展目前只能视为“已启动”，而非“已验证”。
从产业链位置看，深度内核的MaaS方向面临一个结构性挑战：它自建可信AI Infra，同时与智算云平台推进联合方案。这意味着深度内核在算力供给上依赖或部分依赖合作方的硬件资源，而可信计算边界的建立又需要在硬件层面植入信任根。如果深度内核不能控制底层硬件，其“可验证”的承诺就取决于合作方是否愿意开放足够的硬件接口和证明能力。这是一个真实的产业链约束：可信AI Infra的价值主张越强，对底层硬件的控制要求就越高；而对底层硬件的控制越强，与算力平台的合作空间就越受限。深度内核的三条技术路线中，自研密态计算芯片显然是试图突破这一约束的长期答案，但芯片研发的周期和资本需求，与种子轮公司的资源体量之间存在明显张力。
竞争格局：没有直接竞品披露，但替代方案清晰存在
深度内核的公开材料中没有披露任何竞争对手。这并不意味着它没有竞争，而是说明其定位的独特性——将可信计算、Agentic Learning和智能体协议栈三层打包成主权AI基础设施——在市场上还没有完全对应的同类公司。但替代方案是清晰存在的。
在计算层，深度内核面对的是可信计算领域的既有玩家。这些方案各自解决了可信计算边界的一部分问题，但据深度内核的定位，它们没有覆盖学习层和交互层。反过来，深度内核在学习层和交互层的框架性描述，也意味着它尚未在这些层面形成可比较的产品能力。可比较但尚未披露的指标包括：可信计算环境的性能损耗比例、远程证明的验证延迟、单位算力的可信化成本增量、以及学习层和交互层产品的可用功能清单。
在企业AI部署的决策框架中，深度内核的替代方案还包括：继续使用公开模型API并接受信任边界外溢、完全私有化部署并承担高昂成本、或者采用联邦学习/边缘推理等折中方案。深度内核的价值主张能否成立，取决于一个关键假设：企业愿意为“可验证的控制权”支付溢价。这个假设在金融、政务、医疗等高合规行业可能成立，但在更广泛的企业市场中，价格敏感度可能远高于对可信计算边界的关注度。目前深度内核没有披露任何付费客户或定价信息，因此无法判断其价值主张在真实市场中的接受度。
资金用途与待验证假设：三层架构的工程化是一场与时间的赛跑
据公司披露，本轮资金将主要用于主权AI三层架构的工程化落地、核心技术攻坚与高层次技术团队建设。这个资金用途表述本身没有太多信息量——几乎所有技术型种子轮公司都会这样描述。更有意义的分析框架是：深度内核需要在多长时间内、用多少资源、验证哪一层架构的商业可行性。
从已披露的信息看，计算层是深度内核最接近商业化的部分。如果其“端到端可验证的远程证明”技术声明属实，且能够以可接受的成本在真实算力环境中交付，那么MaaS方向的联合方案有可能在短期内产生收入。但学习层和交互层的商业化路径要长得多。学习层需要证明企业愿意为“智能复利”的沉淀机制付费，而不仅仅是购买一个可信计算环境；交互层则需要等待智能体互联网的生态成熟，这超出了任何单一公司的控制范围。
一个需要特别指出的风险是：深度内核的三层架构在逻辑上相互支撑，但在工程上相互独立。计算层的可信边界不自动带来学习层的智能复利，学习层的Agentic Learning Infrastructure也不自动带来交互层的协议栈采用。如果三层不能同步推进，深度内核可能退化为一家“带学习层概念的可信计算公司”，其估值逻辑也将随之改变。
另一个结构性风险来自模型迭代速度。深度内核的商业模式建立在“企业需要在使用最强智能的同时保留控制权”这一前提上。但如果模型能力继续以当前速度迭代，而深度内核的可信AI Infra无法跟上模型更新节奏，企业可能被迫在“最新模型”和“可信边界”之间做选择。深度内核的MaaS模式试图通过自建可信AI Infra和与智算云平台联合来解决这个问题，但其能否在可信环境中及时部署最新模型，取决于其与模型提供商的合作深度，而这一点目前完全未披露。
公开材料未披露深度内核的成立时间，也未披露本轮融资宣布的具体日期，因此无法推算团队组建、技术路线确立和商业化启动的实际时间窗口。亿欧来源曾提及“北京深度内核科技有限公司成立于2026年4月20日”，但该日期仅来自亿欧转载，未经其他来源确认，本文不将其作为已核实事实采信。清华大学InspiringGroup的深度合作提供了一个可能的解释：深度内核可能是在已有科研积累的基础上进行产业化转化，而非从零开始。但这一推断的边界是：公开材料中没有任何关于技术来源、知识产权归属或科研成果转化机制的信息，因此无法确认深度内核的核心技术是否来自清华团队的既有成果，以及这些成果的产业化权利如何划分。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：深度内核讲了一个比“卖可信计算盒子”大得多的故事：把主权AI从“机器在哪里”推进到“智能归谁”和“智能体如何交互”。三层架构的完整性是其叙事优势，也是其执行风险——计算层有工程进展，学习层和交互层仍停留在框架描述，而种子轮资金只够验证其中一层。真正的考验不是技术路线的正确性，而是深度内核能否在模型迭代速度超过企业信任建设速度之前，让至少一个付费客户用可验证的方式证明：企业确实可以在不拥有算力的情况下，拥有自己的智能。