智工具7月13日新闻，，，，微软CEO萨提亚·纳德拉（Satya Nadella）昨日在X上发了一篇题为“反向信息悖论”（The Reverse Information Paradox）的长文，，，，质疑目今AI行业保存的“学习差池称”征象。
。。。。 纳德拉的这篇文章被外媒Business Insider以为是在讥笑Anthropic、OpenAI等大模子厂商在AI训练机制上的“双重标准”，，，，这些大模子厂商一方面允许自身使用果真数据和用户交互数据一连学习，，，，另一方面却限制其他企业通过模子蒸馏获取模子能力。
。。。。 纳德拉在文中指出，，，，在这种机制下，，，，企业为了使用AI能力，，，，需要一直向模子提供自身的数据、流程、反馈和专业知识，，，，而这些内容也可能成为模子一连学习的主要泉源。
。。。。若是学习历程恒久只向模子提供商单向流动，，，，企业创立的知识价值最终可能一直向掌握AI基础设施的一方集中。
。。。。 基于此，，，，纳德拉提出，，，，AI时代企业需要建设新的“信任界线”（Trust Boundary），，，，确保数据、反馈、评估系统以及组织知识能够沉淀在企业内部，，，，形成属于自身的一连学习和智能积累能力。
。。。。 诺贝尔经济学奖得主肯尼斯·阿罗（Kenneth Arrow）曾提出了信息市场中的一个悖论。
。。。。他曾指出：“关于购置者而言，，，，信息的价值在获得信息之前是未知的；；但一旦获得信息，，，，购置者现实上已经在没有本钱的情形下拥有了这些信息。
。。。。” 现实上，，，，你需要为获得知识支付两次价钱：第一次是款子本钱，，，，第二次则是越发名贵的工具，，，，即为了让智能真正施展作用，，，，你必需向它提供的专有知识。
。。。。并且，，，，你希望模子体现得越好，，，，就必需向它输入越多这类知识。
。。。。 随着时间推移，，，，信息差池称的征象会变得越来越严重。
。。。。卖方会随着你对产品的使用，，，，一直相识更多关于你的信息；；但你却很少知道卖方正在从你这里学习了什么。
。。。。 专利制度解决了阿罗悖论中的一个问题。
。。。。它允许发明者果真自己的想法，，，，同时又不会简朴地将其拱手送出。
。。。。而反向信息悖论，，，，也需要一种类似的解决方案。
。。。。 这不但仅是数据保；さ奈侍。
。。。。模子会从种种“履历”中学习，，，，包括人们输入的提醒词、Agents使用的工具，，，，以及当模子泛起过失时，，，，人们举行的修正。
。。。。 每一次纠正，，，，都会被模子提炼为组织层面的知识。
。。。。这类知识是竞争敌手永远无法购置的，，，，也是最容易在不知不觉中泄露的内容：一点一点的痕迹，，，，一次又一次的修正，，，，一轮又一轮的评估。
。。。。 在使用智能的历程中，，，，你也在创立智能。
。。。。而你创立出来的工具，，，，应该属于自己。
。。。。这是你的特定知识，，，，用哈耶克的话说：那些关于时间、所在和详细情形的知识，，，，是任何其他人都无法拥有的。
。。。。它相识你的思索方式，，，，相识你的价值取向，，，，也相识你权衡乐成的标准。
。。。。 虽然，，，，模子供应商拥有合理使用权，，，，使用果真数据训练模子所带来的重大立异是须要的，，，，但讥笑的是目今的行业现状：一方面，，，，模子提供商可以使用果真数据举行学习；；另一方面，，，，他们却对模子蒸馏（distillation）施加限制性条款，，，，并保存从客户使用数据和交互数据中学习的权力。
。。。。 若是学习历程只朝一个偏向流动，，，，那么经济价值最终会一直向掌握学习基础设施的企业集中流动，，，，而不是流向真正创立知识的人。
。。。。 正如Alex Karp所说：“手艺客户真正想要的是控制自己的盘算资源、模子、数据栈，，，，以及自己的焦点优势。
。。。。他们希望确保，，，，自己拥有生产资料，，，，而这些工具不会被转移给其他人。
。。。。”而目今的行业模式，，，，恰恰造成了Karp和企业所担心的资源转移。
。。。。 在这个界线内，，，，企业的数据、信息痕迹、评估系统、调解后的模子权重以及组织影象能够配合积累，，，，并一连刷新。
。。。。同时，，，，这也是一道严酷的界线：未经企业授权，，，，任何工具都不应该跨越这条界线，，，，包括所谓的“智能残留”（intelligence exhaust）。
。。。。 企业将要求拥有使用模子输出举行微协调训练自身模子的权力。
。。。。我以为，，，，这是每一家企业凭证自身责任要求，，，，对模子举行调解和适配的基本权力。
。。。。 在云盘算时代，，，，企业积累的是数据。
。。。。而在AI时代，，，，企业积累的是“学习能力”。
。。。。因此，，，，信任界线也必需随之转变，，，，从已往保；ば畔ⅲ，，，转变为保；て笠笛啊⑺秤σ约盎壑悄艿幕。
。。。。 企业内部需要建设自己的私有评估系统，，，，由于评估标准决议了组织内部关于“什么是好的效果”。
。。。。同时，，，，企业需要保存对自身组织影象、信息痕迹、反馈、决议以及制度配景的所有权，，，，并能够将模子输出应用于企业自身的使命和盘问中。
。。。。 企业需要在租户界线内部建设自己的专有学习情形来训练或调解模子。
。。。。在这样的情形中，，，，模子可以在不泄露公司知识的情形下基于真实营业流程举行学习。
。。。。 企业需要确保编排层（orchestration layer）不会与任何简单模子绑定。
。。。。并且应该问自己：若是正在使用的某一个模子被移除，，，，你是否仍有能力使用其他模子来运行和优化你的评估。
。。。。纵然某个“通用”模子被拿走，，，，你企业自身的资深能力（veteran capability）是否仍然留在自己手中？？
？？ 将以上四点连系起来，，，，企业就能够建设自己的一连学习闭环，，，，也就是一种“爬坡机械”（hill climbing machine）。
。。。。这种闭环能够让企业的AI投资一直积累价值，，，，并推动企业智能能力一连增添。
。。。。 AI时代，，，，企业竞争不再只是比拼数据规模和模子能力，，，，更主要的是能否一连积累和使用自身知识。
。。。。纳德拉提出的“反向信息悖论”，，，，展现了企业在拥抱AI历程中面临的新挑战：怎样让AI提升企业能力，，，，而不是让企业知识成为模子能力训练的资源。
。。。。