反向信息悖论：在 AI 时代，先泄密的是买方

本文原题《The Reverse Information Paradox》，作者 Satya Nadella——微软董事长兼 CEO，发表于 2026 年 7 月 12 日。他把诺贝尔经济学奖得主 Kenneth Arrow 1962 年提出的「信息悖论」翻了个面：AI 时代先泄密的不再是卖方，而是买方。这篇的分量不只在观点本身，更在提出者的位置——全球最大的 AI 基础设施供应商之一的一把手，公开点名了「模型厂商单向汲取客户学习成果」这件事。中文翻译、重排、原创配图：Yaqin Hei（非原创，已保留原文出处）。

译者的话：为什么翻这篇

我刚写完《Agent 上线之后》六篇——抽样、标多少、标得准不准、怎么判上线、怎么防静默退化、怎么把数据飞轮转起来。六篇通篇在回答同一个问题：怎么让这台机器越用越准。

Satya 这篇让我看见我漏掉的那个问题，而且是更要命的一个：这台机器转起来之后，它产出的学习成果归谁？

我那六篇里的每一个零件——eval 集、纠错记录、trace、飞轮——在他的框架里都不是「运维细节」，是资产。而且是最特殊的一类资产：竞对拿钱买不到，却会顺着 API 一条 trace、一次纠错、一个 eval 地悄悄漏走。同一堆东西，我一直当质量问题在管，他当产权问题在管。加上这一层，我起项目的第一个问题就变了：以前先问「用哪个模型、怎么搭」，现在先问「这活儿产生的纠错记录和 eval，最后躺在谁的机器上」。

他给的五个 C（Control / Capability / Choice / Cost / Compound），下周需求评审就能直接当检查清单用。尤其 Choice 那条——「如果你现在用的模型明天被拿走，你还能不能照着自己的 eval 继续运转」——这一句就能问倒很多方案。

最后必须说一句：Satya 有生意在里面。 微软卖的正是他文中那个「租户边界」。所以读的时候要把两件事分开——他对病症的描述我认，他顺手递上的那副药，得你自己称。一个论点由既得利益者提出，不代表它是错的，只代表你得自己再验一遍。

---

以下是正文

在智能的时代，企业该怎么保护自己的核心 IP？

Arrow 的信息悖论：卖方为了卖，必须先送

诺贝尔经济学奖得主 Kenneth Arrow 曾经描述过信息市场里的一个悖论：「对买方来说，一条信息的价值，在他拿到这条信息之前是不可知的；可一旦他知道了，他实际上已经不花一分钱就把它拿到手了。」

在 Arrow 的这个「信息悖论」里，卖方为了把知识卖出去，必须冒着白送出去的风险。

AI 把这个悖论翻了个面

AI 制造了一个反过来的问题。在 AI 时代，冒着白送风险的是买方——而且他送出去，只是为了用上自己买来的东西。

你本质上要为智能付两次钱：一次用钱，另一次用的是比钱更值钱的东西——为了让这份智能真正好用，你必须交出去的那些专有知识。而且你越想让模型表现得好，就得喂给它越多这样的知识。

时间一长，信息的不对称会越来越歪：你越用，卖方就越懂你；而卖方到底从你身上学到了什么，你几乎一无所知。

这就是我说的反向信息悖论（Reverse Information Paradox）。

左边是 1962 年的老问题，右边是 AI 时代的新问题——方向反了，而且不对称是随使用时间持续放大的

专利解决了 Arrow 悖论的一个侧面：它让发明人可以披露一个想法，而不必等于白送这个想法。反向信息悖论也需要一个属于它自己的「专利」。

漏走的不是数据，是 exhaust

这件事要的不只是「数据保护」。

模型学习的东西叫 exhaust（尾气）——人写的 prompt、agent 调用的工具，尤其是人在模型出错时做的那些纠正。每一次纠正，都会被蒸馏成机构级的 know-how。

这正是竞争对手花钱也买不到的那类知识，也是最容易在不知不觉中漏走的那类知识：一条 trace、一次纠错、一个 eval，一点一点地漏。

漏走的从来不是文件，是「你们公司怎么判断对错」这件事本身

你在消费智能的同时，也在创造智能

而你创造出来的东西，理应属于你。

这是属于你的那份特定智能——就是 Hayek 说的那种知识：关于时间、地点和具体情境的知识，除了你没人握得住。它知道你在想什么、你看重什么、你用什么标准衡量成功。

如果学习只朝一个方向流

模型厂商拥有「用公开数据训练模型」的合理使用（fair use）权利，这带来的创新是必要的——但我觉得很讽刺的是：现状却是他们转过身来，对蒸馏（distillation）施加严格的限制条款，同时保留从客户的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」聚拢，而不是流向「知识本身的创造者」。

因此，把学习基础设施分发到每一家企业手里，让他们能掌控自己的学习闭环，是一件必须做的事。

正如 Alex Karp 所说：「技术型客户想要的，是对自己的算力、自己的模型、自己的数据栈、自己的 alpha 的控制权。他们想确认，生产资料是自己的，而不是正在被转移给别人。」

而当前的格局，做的恰恰就是 Karp 和这些公司所担心的那种转移。

企业需要一条真正的信任边界

这就是为什么企业需要一条真正的信任边界（trust boundary），好让自己的人力资本和 token 资本在里面复利增长。

这条边界之内，是一个组织的数据、trace、eval、微调后的权重和 memory 一起积累、一起变好的地方。

而这条边界是硬的：没有你的同意，任何东西都不许越过它——连智能的 exhaust 也不行。

企业将会要求获得这样的权利：用模型的输出，去微调、乃至训练自己的模型。 我把这件事理解为——每一家企业都有权让模型对齐自己的问责义务。

在云计算时代，企业积累的是数据。在 AI 时代，企业积累的是学习本身。信任边界也必须随之演进：从「保护信息」，演进到「保护组织赖以学习、适应、复利智能的那套机制」。

每一家企业必须做的五件事

五个 C 不是并列的检查项，是一个闭环——前四个咬合上了，第五个（复利）才会自己转起来

• Control（控制权）： 建立你自己的私有 eval，因为 eval 定义了「什么叫好」在你这个组织里的含义。同时，保有对组织的 memory、trace、反馈、决策和机构知识的所有权，以及使用模型在你自己的任务和查询上产生的输出的能力。
• Capability（能力）： 在租户边界之内，建设你自己的专有学习环境，用来训练或微调模型——让模型在真实的工作流上学习，而不必把公司的知识暴露出去。
• Choice（选择权）： 确保 orchestration 层与任何单一模型解耦。问你自己一个问题：如果你正在用的任何一个模型明天被拿走了，你还能不能用别的模型，照着你自己的 eval 继续运转、继续优化？ 你们公司那种「老师傅」级别的能力，会不会随着某个「通才」模型的消失而消失？
• Cost（成本）： 一旦把 orchestration 层解耦，你也就有能力把 context、模型和任务以最高效、最划算的方式组合起来，而不必牺牲质量。
• Compound（复利）： 把上面四件事合到一起，你就造出了属于你自己的持续学习闭环（也就是一台「爬山机器」），它会让你的 AI 投入，复利式地放大公司本身的价值。

结语

换句话说：一家公司应该能够用上模型，而不必交出那些让它之所以独特的知识。

这就是我们必须正面应对的——反向信息悖论。

---

原文：Satya Nadella,《The Reverse Information Paradox》（2026-07-12）｜中文翻译、重排、原创配图：Yaqin Hei（非原创，已保留原文出处）