智能时代，企业应如何保护自己的核心知识产权？

作者：Satya Nadella
发布于 X：2026-07-12

译注：本文为英文原文的中文翻译，供阅读参考，正式引用请以英文原文为准。

诺贝尔经济学奖得主肯尼斯·阿罗（Kenneth Arrow）曾著名地描述过信息市场中的一个悖论：

购买者在获得信息之前，并不知道它的价值；但一旦知道了，他实际上已经无须付费便获得了这条信息。

在阿罗的“信息悖论”中，卖方为了出售知识，不得不冒着白白泄露知识的风险。

AI 带来了一个反向的问题。在 AI 时代，买方为了使用自己购买的产品，反而可能要冒着泄露知识的风险。

本质上，你要为智能支付两次：第一次付出金钱，第二次则付出某种更宝贵的东西——为了让这种智能真正发挥作用，你必须向它披露自己的专有知识。你希望模型表现得越好，就必须向它输入越多这样的知识。

随着时间推移，这种信息不对称会变得越来越严重。卖方在你使用其产品的过程中不断加深对你的了解，而你几乎不知道卖方从这些互动中学到了什么。

我把它称为“反向信息悖论”。

专利解决了阿罗悖论的一个方面：它让发明者可以公开一个想法，而不至于白白将其拱手让人。反向信息悖论也需要一个与之对应的制度或机制。

这不仅仅是数据保护问题。模型会从各种“使用尾迹”中学习，包括人们输入的提示词、智能体调用的工具，尤其是人们在模型出错时所做的纠正。每一次纠正都会被提炼为组织的专有经验。

这是竞争对手花钱也买不到的知识，却会在几乎令人无法察觉的情况下不断外泄：一条轨迹接一条轨迹，一次纠正接一次纠正，一项评测接一项评测。

当你消费智能时，你也在创造智能。你创造出来的智能理应属于你自己。

按照哈耶克的说法，这是你的“特定知识”：关于特定时间、地点和情境的知识，是其他任何人都不可能完整掌握的。它知道你如何思考、重视什么，以及如何衡量成功。

模型提供商依据合理使用原则，利用公开数据训练模型，由此带来的巨大创新是我们所需要的。但颇具讽刺意味的是，当前的普遍做法却是：模型提供商一方面对模型蒸馏施加严格限制，另一方面又保留从客户使用行为和交互数据中学习的权利。

如果学习只能单向流动，经济价值最终就会向学习基础设施的所有者汇聚，而不是流向知识本身的创造者。因此，我们必须把学习基础设施分配到每一家企业手中，让企业能够控制自己的学习闭环。

正如亚历克斯·卡普（Alex Karp）所说：

技术型客户想要的是控制自己的算力、模型、数据栈和独有优势。他们希望确认，生产资料掌握在自己手中，没有被转移给其他人。

而现行机制恰恰造成了卡普和企业所担心的这种转移。

因此，企业需要建立一道真正的信任边界，让自己的人力资本和 token 资本能够持续复利增长。

在这道边界内，组织的数据、运行轨迹、评测体系、适配后的模型权重和记忆能够共同积累、共同改进。这还必须是一道坚硬的边界：未经同意，任何东西都不能跨越它，包括使用智能过程中产生的各种尾迹。

企业将要求拥有使用模型输出对自有模型进行微调和训练的权利。我把这看作每一家企业都应拥有的一项权利：按照自身承担的问责义务来对齐模型。

在云计算时代，企业积累的是数据；在 AI 时代，企业积累的是学习能力。

信任边界也必须随之演化：从保护信息本身，转向保护组织学习、适应并持续积累智能的机制。

为了做到这一点，每家企业都需要做好以下几件事：

控制（Control）： 建立私有评测体系，因为评测定义了组织内部何谓“优秀”。同时，企业必须保有自身组织记忆、运行轨迹、反馈、决策和制度情境的所有权，并有权使用来自自身任务与查询的模型输出。

能力（Capability）： 在租户边界内建立企业自己的专有学习环境，用来训练或微调模型。这样，模型可以基于真实工作流进行学习，而不会把企业知识暴露出去。

选择（Choice）： 确保编排层与任何单一模型解耦。企业应该问自己：如果当前使用的任何一个模型突然无法使用，你是否仍能依靠其他模型继续运营，并针对自己的评测标准进行优化？如果某个“通才”模型消失了，企业内部沉淀下来的“资深专家”能力是否仍然掌握在自己手中？

成本（Cost）： 编排层与模型解耦之后，企业还可以用最高效、最具成本效益的方式组合上下文、模型与任务，而不必牺牲质量。

复利（Compound）： 将以上四点结合起来，企业就能建立自己的持续学习闭环——也就是一台不断向更优解攀升的“爬山机器”，让 AI 投资持续放大企业价值。

换句话说，企业应该能够使用模型，而不必交出那些使自己与众不同的知识。

这正是我们必须面对的反向信息悖论。