微软CEO Satya Nadella新长文：反向信息悖论，新的“便利论”？

推荐系统里你每次点赞、每次多停两秒、每次划走，都在帮算法变得更懂你。平台靠这些信号养大了模型，然后卖广告、卖流量、卖给你更多让你停不下来的内容。你是用户，也是原材料。

大模型时代，同样的事在重演，只不过喂给模型的不是你的注意力，是你公司的核心知识。

微软 CEO Satya Nadella 刚刚发了篇长文，提了个概念：反向信息悖论（The Reverse Information Paradox）。

诺贝尔经济学奖得主 Kenneth Arrow 说过一个经典困境：信息的价值在买家得到它之前无从知晓，但一旦知道了，就等于免费到手了。卖信息的人面临一个死结，为了卖，得先露。

AI 把这个困境翻了过来。

Nadella 说，现在用 AI 的企业才是那个冒着泄漏风险的人。你付了两次费：一次是钱，一次是你喂给模型的专有知识。模型表现越好，说明你喂得越多。信息不对称慢慢倾斜，模型提供商越来越懂你，你却不知道对方学到了什么。

你的每次纠错，都在被蒸馏

模型学的不仅是数据，还有"废气"，提示词、agent 调用的工具、尤其是你发现它错了之后做的纠正。每一次纠正都被蒸馏成机构知识。竞争对手花多少钱都买不到，但它泄漏的方式几乎不可察觉：一次 trace、一次纠正、一次 eval。

"在消费智能的同时，你在创造智能。而创造出来的东西，应该属于你。"

讽刺在哪

Nadella 说得很坦诚：模型提供商要求对公开数据拥有合理使用权来训练模型，转头却对蒸馏施加限制，并保留从客户交互数据中学习的权利。学习只朝一个方向流，经济价值就集中到基础设施所有者手里，而不是知识创造者手里。

引用 Palantir CEO Alex Karp："技术客户想要的是对自己的算力、模型、数据栈和 alpha 的控制权。他们想知道自己拥有生产资料，而不是被转移给别人。"

企业该怎么做

五条：

1. Control：创建私有 evals，保留对组织记忆、traces、反馈的所有权。
2. Capability：在租户边界内训练或微调模型，不暴露公司知识。
3. Choice：编排层与任何单一模型解耦。模型被拿走了，你还能不能为你的 evals 做优化？
4. Cost：解耦编排层，以最经济的方式组合上下文、模型和任务。
5. Compound：把以上四点结合，创造自己的持续学习循环。

一句话：用模型可以，但别交出让自己与众不同的那部分知识。

说几句

文章写得确实好，逻辑清晰。但读的时候忍不住想笑，微软是 OpenAI 最大的投资方，Azure OpenAI Service 卖得风生水起。Nadella 现在跑出来提醒企业小心模型提供商，是提醒还是免责声明？

另一个角度，这篇文章本质也在给 Azure 铺路。Azure 的企业级数据保护、私有网络、隔离环境，正好是解药。微软想说的是：用 OpenAI 模型可以，但要在 Azure 的信任边界里用。

不管动机如何，问题是真的。

Jaya Gupta 打了个绝妙的比方：Anthropic 和 OpenAI 就是"企业数据的 TikTok"。你以为是用户，其实是原材料。企业版 TikTok 的 feed 是你的工作，engagement signal 是你的专业判断。理赔、交易、合同、供应链，每一次犹豫、推翻、批准、拒绝，都在教模型你的公司怎么思考。

TikTok 上创作者至少还能拿到钱。在这儿，你提供数据和上下文，平台把成品卖给你整个行业，或者自己下场跟你竞争。

所以 Nadella 的问题值得每个 CTO 和 CEO 认真想：你的企业是在积累学习，还是在泄漏学习？

附：Satya Nadella 原文完整翻译

反向信息悖论

在智能时代，企业应该如何保护自己的核心知识产权？

诺贝尔经济学奖得主 Kenneth Arrow 曾描述过信息市场中的一个经典悖论："信息对买家的价值，在他获得信息之前无从知晓；但一旦获得，他实际上已经免费得到了它。"在 Arrow 的"信息悖论"中，卖家为了出售知识，冒着把知识白送出去的风险。

AI 制造了相反的问题。在 AI 时代，买家为了使用自己买到的东西，冒着交出知识的风险。

你本质上为智能付了两次费：一次用钱，另一次用更值钱的东西，你为了让智能变得有用而必须透露的专有知识。你越想模型表现好，就得喂给它越多知识。

久而久之，信息不对称越来越倾斜。卖家在使用过程中越来越了解你，而你几乎不知道卖家反过来学到了什么。

这就是我所说的反向信息悖论。

专利解决了 Arrow 悖论的一个方面。它让发明者可以披露想法，而不至于直接白送。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"废气"中学习，人们写的提示词、agent 使用的工具、尤其是模型出错时人们做出的纠正。每一次纠正都被蒸馏成机构知识。这是竞争对手花多少钱都买不到的知识，也是那种几乎无法察觉地泄漏的知识：一次 trace、一次纠正、一次 eval，一点一点地流走。

在消费智能的同时，你在创造智能。而你所创造的，应该属于你。这是哈耶克意义上的"你的特定智能"：关于时间、地点和环境的独特知识，没有人能替你拥有。它知道你思考什么、重视什么、如何衡量成功。

模型提供商要求对公开数据拥有合理使用权来训练模型，这确实是必要的伟大创新。但我感到讽刺的是，现状是它们转头就对蒸馏施加限制条款，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，经济价值就会向学习基础设施的所有者集中，而不是知识本身的创造者。因此，我们必须将学习基础设施分散到每一家企业，让它们能够控制自己的学习回路。

正如 Alex Karp 所说："技术客户想要的是对自己的算力、模型、数据栈和 alpha 的控制权。他们想知道自己拥有生产资料，而不是被转移给别人。"当前的制度恰恰在实施 Karp 和企业所恐惧的那种转移。

这就是为什么企业需要一个真正的信任边界，让人力资本和 token 资本得以复利增长。在这个边界内，组织的数据、traces、evals、适配权重和记忆共同积累和进化。这是一个硬边界，未经同意，任何东西都不能跨越，连智能废气也不例外。企业将要求使用模型输出来微调和/或训练自己模型的权利。我认为这是每家企业将模型对齐到自身企业问责义务的权利。

在云时代，企业积累数据。在 AI 时代，企业积累学习。信任边界必须相应进化，从保护信息到保护组织学习、适应和复利智能的机制。每家企业必须做到以下几点：

• 控制：创建你的私有 evals，因为 evals 定义了组织内部什么叫做"好"。同时，保留对组织记忆、traces、反馈、决策和机构上下文的所有权，以及使用你自己任务和查询中模型输出的能力。
• 能力：在租户边界内构建你自己的专有学习环境来训练或微调模型，让模型在真实工作流中学习，但不暴露公司知识。
• 选择：确保编排层与任何单一模型解耦。问自己：如果你现在使用的某个模型被拿走了，你还能用其他模型为你的 evals 做优化吗？即使某个"通才"模型被拿走，你公司的"老兵"能力是否还在你手里？
• 成本：通过解耦编排层，你还能在不牺牲质量的前提下，以最经济高效的方式组合上下文、模型和任务。
• 复利：把以上四点结合起来，你就创造了自己的持续学习循环（即爬山机器），让你的 AI 投资持续为公司价值复利。

换句话说，一家公司应该能够使用模型，而不必交出让自己与众不同的那部分知识。这就是我们必须面对的反向信息悖论。