AI 时代买方付钱交出专有知识

反向信息悖论

诺贝尔经济学奖得主 Kenneth Arrow 曾经描述过信息市场的一个著名悖论。"信息的价值对于购买者来说，在他获得信息之前是不可知的——但那时他实际上已经免费获得了它。"在 Arrow 的"信息悖论"中，卖方冒着交出知识的风险来卖它。 AI 创造了反向的问题。在 AI 时代，买方冒着交出知识的风险——仅仅是为了使用他们买到的东西。 你本质上为智能付了两次钱：一次用金钱，一次用更值钱的东西——你必须披露的专有知识，才能让那个智能有用。你想要模型表现得越好，你就得喂它越多的知识。 随着时间推移，信息不对称越来越倾斜。卖方通过你的使用了解到越来越多关于你的事，而你对卖方学习到了什么几乎一无所知。 这就是我所说的"反向信息悖论"。 不只是数据保护 专利解决了 Arrow 悖论的一个方面。它们让发明者披露一个想法而不只是把它免费送出去。反向信息悖论需要它自己的等价物。 这需要的不仅是数据保护。模型从"尾气"中学习——你写的 prompt，你的 agent 使用的工具，特别是当模型出错时你做出的纠正。每一次纠正都被蒸馏成制度性的 know-how。这是竞争者永远买不到的那类知识——并且它几乎不可察觉地泄露出去：trace 接 trace，纠正接纠正，eval 接 eval。 在消费智能的过程中，你在创造智能。而你创造的东西应该属于你。 这是你的"特定智能"——用哈耶克的话说：关于特定时间、地点和情境的知识——没有其他人能拥有。它知道你怎么想、你看重什么、你衡量成功的标准是什么。 单向的学习流 虽然模型提供商获得公共数据的合理使用权来训练模型是重要的创新，但我发现讽刺的是：现状是他们接着反向施加对蒸馏的限制条款，并保留从客户使用和交互数据中学习的权利。 如果学习只朝一个方向流动，经济价值就向学习基础设施的所有者收敛，而不是向知识本身的创造者。 因此，将学习基础设施分配给每一家公司，让它们能控制自己的学习循环，这是至关重要的。 正如 Alex Karp 所说："技术客户想要的是什么——是他们对自己计算、模型、数据栈和 alpha 的控制权。他们想知道他们拥有生产资料，并且它没有被转移给其他人。"当前的制度恰恰在执行 Karp 和公司们所恐惧的那种转移。 企业该做什么 这就是为什么企业需要一个真正的信任边界，来让它们的人力资本和 token 资本复利。这是组织的数据、trace、eval、适配权重和记忆积累并共同改进的地方——并且是一个硬边界，没有同意，任何东西不得跨越——哪怕是智能尾气。 五项行动： 控制：创建你自己的私有 eval，因为 eval 定义了"好"在组织内部是什么样子。同时保留对你组织的记忆、trace、反馈、决策和制度性上下文的拥有权——以及从你自己的任务和查询中使用模型输出的能力。 能力：在租户边界内构建你自己的专有学习环境来训练或调优模型——模型在这里对照真实的工作流学习，而不暴露公司的知识。 选择：确保编排层和任何单一模型解耦。问自己：如果你正在使用的任何一个模型被拿走了，你还能否用其他模型运作并针对你的 eval 进行优化？你的公司"老兵"能力是否留给了你——即使某个"通才"模型被移除了？ 成本：通过解耦编排层，你也能以最有效和成本优化的方式聚集上下文、模型和任务，而不牺牲质量。 复利：把上述四个放在一起，你就创建了自己的持续学习循环——也就是一台爬坡机器——让你的 AI 投资复合你的公司价值。 换句话说：一个公司应该能够使用一个模型，而不放弃让它独特的那些知识。 这就是我们需要面对的反向信息悖论。 原文：Satya Nadella, "The Reverse Information Paradox", Jul 12, 2026 https://x.com/satyanadella/status/2076323181154230284…