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 曾用一句著名表述描述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；但一旦获得，他实际上就已经无偿取得了它。”在 Arrow 的“信息悖论”里，卖方为了出售知识，冒着把知识白白交出去的风险。
AI 带来了一个反向问题。在 AI 时代，买方为了使用自己买到的东西，反而冒着把知识交出去的风险。
本质上，你为智能付出了两重代价：一次用金钱，另一次则用更有价值的东西。为了让这种智能真正发挥作用，你不得不透露自己的专有知识。你越希望模型表现得好，就越必须把更多这类知识喂给它！
久而久之，信息不对称会变得越来越失衡。卖方会随着你使用所购买的产品而越来越了解你；而你却很少知道卖方反过来从中学到了什么。
这就是我所说的“反向信息悖论”。
专利解决了 Arrow 悖论的一个侧面。它让发明者可以披露一个想法，而不至于把它白白交出去。反向信息悖论也需要属于它自己的对应机制。
这需要的不只是数据保护。模型会从“智能尾气”中学习：人们写下的提示词、agent 使用的工具，尤其是模型出错时人们做出的纠正。每一次纠正都会被提炼成组织 know-how。这是一种竞争对手永远买不到的知识，也是一种几乎不知不觉就会泄露出去的知识：一条轨迹接一条轨迹，一次纠正接一次纠正，一个 eval 接一个 eval。
在消费智能的同时，你也在创造智能。而你创造出来的东西应该属于你。这就是 Hayek 意义上属于你的特定智能：关于时间、地点和情境的知识，是别人无法拥有的。它知道你怎么想、你重视什么，以及你如何衡量成功。
模型提供商有权基于公平使用原则，用公开数据训练模型；这种权利带来的巨大创新是必要的。但我觉得讽刺的是，现状却是在这之后反过来对蒸馏施加限制性条款，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拥有者集中，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部署到每一家企业内部，让它们能够控制自己的学习闭环。
正如 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 alpha（独特优势）。他们想确保自己拥有生产资料，而且这些东西没有被转移给别人。”当前制度恰恰在发生 Karp 和企业所担心的这种转移。
这就是为什么企业需要一条真正的信任边界，让其人力资本和 token 资本能够复利增长。在这条边界内，组织的数据、轨迹、eval、经过适配的权重和记忆会一起积累、共同改进。这也是一条硬边界：未经同意，任何东西都不能越过它，连智能尾气也不行。企业会要求拥有使用模型输出来微调和/或训练自己模型的权利。我把这看作每家企业都有权让模型对齐自身的企业问责义务。
在云时代，企业积累的是数据。在 AI 时代，企业积累的是学习。信任边界也必须随之演进：不只是保护信息，而是保护那些让组织学习、适应并让智能复利增长的机制。每家企业都必须做几件事，才能确保这一点：
- 控制：创建你的私有 eval，因为 eval 定义了组织内部“好”是什么样子。同时，保留对组织记忆、轨迹、反馈、决策和组织语境的所有权，也要保留使用来自自身任务和查询的模型输出的能力。
- 能力：在租户边界内构建你自己的专有学习环境，用来训练或调优模型，让模型针对真实工作流学习，同时不暴露公司的知识。
- 选择：确保编排层与任何单一模型解耦。问问自己：如果你正在使用的某一个模型被拿走，你是否仍然有能力使用其他模型，继续围绕自己的 eval 运行和优化？即使某个“通才”模型被拿走，你公司长期积累出的资深能力是否仍然留在自己手里？
- 成本：通过解耦编排层，你还可以以最高效、最具成本效益的方式，把上下文、模型和任务组合在一起，同时不牺牲质量。
- 复利：把这四者结合起来，你就创建了自己的持续学习循环，也就是一台不断“爬坡”优化的机器。它会让你的 AI 投资为企业价值带来复利增长。
换句话说，一家公司应该能够使用一个模型，而不必交出让自己独特的知识。这就是我们需要面对的反向信息悖论。