納德拉炮轟 AI 廠商：用公共數(shù)據(jù)訓(xùn)練，卻不許客戶蒸餾

2026 年 7 月 12 日，微軟 CEO 薩提亞·納德拉公開質(zhì)疑部分 AI 模型廠商的做法，稱這些公司一邊主張使用公共數(shù)據(jù)訓(xùn)練模型屬于合理使用，一邊嚴(yán)格限制其他企業(yè)利用模型輸出進(jìn)行蒸餾，還保留使用客戶交互數(shù)據(jù)繼續(xù)訓(xùn)練模型的權(quán)利，這種做法“頗具諷刺意味”。

納德拉表示，模型廠商依靠公共數(shù)據(jù)訓(xùn)練模型所帶來(lái)的創(chuàng)新確有必要，但這些公司隨后又通過(guò)服務(wù)條款限制模型蒸餾，并保留從客戶使用數(shù)據(jù)和交互數(shù)據(jù)中學(xué)習(xí)的權(quán)利，這種現(xiàn)狀并不合理。

他進(jìn)一步表示，如果“學(xué)習(xí)”只能單向流動(dòng)，掌握 AI 學(xué)習(xí)基礎(chǔ)設(shè)施的平臺(tái)將獲得大部分收益，而真正創(chuàng)造知識(shí)的企業(yè)和個(gè)人則可能被排除在外。

納德拉此次表態(tài)正值 Anthropic 持續(xù)指責(zé)其他 AI 公司通過(guò) Claude 進(jìn)行模型蒸餾之際。

納德拉認(rèn)為，企業(yè)如果長(zhǎng)期依賴外部前沿模型，實(shí)際上可能將自身專有數(shù)據(jù)和業(yè)務(wù)知識(shí)交給模型廠商，隨后再付費(fèi)購(gòu)買由這些數(shù)據(jù)形成的 AI 能力。

他建議企業(yè)掌握自己的 AI 基礎(chǔ)設(shè)施、評(píng)測(cè)體系和“學(xué)習(xí)閉環(huán)”，利用內(nèi)部數(shù)據(jù)持續(xù)訓(xùn)練或優(yōu)化適合自身業(yè)務(wù)的模型，而不是將核心能力完全交給單一模型供應(yīng)商。

納德拉表示，企業(yè)需要為“人力資本”和“Token 資本”建立真正的信任邊界。未經(jīng)企業(yè)許可，包括模型使用過(guò)程中產(chǎn)生的“智能廢氣”在內(nèi)的數(shù)據(jù)，都不應(yīng)越過(guò)這一邊界。

這并非納德拉首次主張企業(yè)建立自己的 AI 能力。

此前他曾表示，全球應(yīng)該擁有與企業(yè)數(shù)量一樣多的模型，因?yàn)槊考夜颈举|(zhì)上都是一套持續(xù)學(xué)習(xí)的系統(tǒng)。微軟目前也在推動(dòng)多模型戰(zhàn)略，希望企業(yè)通過(guò) Azure 等平臺(tái)組合使用外部模型、自研模型及內(nèi)部數(shù)據(jù)，而非完全依賴少數(shù)前沿模型廠商。

納德拉全文：

反向信息悖論

在智能時(shí)代，企業(yè)應(yīng)該如何保護(hù)自己的核心知識(shí)產(chǎn)權(quán)？

諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主肯尼斯·阿羅曾提出信息市場(chǎng)中一個(gè)著名的悖論：

“購(gòu)買者在獲得信息之前，并不知道它的價(jià)值；但等到他知道其價(jià)值時(shí)，實(shí)際上已經(jīng)無(wú)償獲得了這條信息。”

在阿羅提出的“信息悖論”中，賣方為了出售知識(shí)，往往需要先透露知識(shí)，因此面臨知識(shí)被無(wú)償獲取的風(fēng)險(xiǎn)。

AI 帶來(lái)的問(wèn)題恰好相反。

在 AI 時(shí)代，買方為了使用自己購(gòu)買的服務(wù)，反而可能需要交出自身的知識(shí)。

從某種意義上說(shuō)，你為 AI 能力支付了兩次成本：

第一次是金錢；

第二次則是更有價(jià)值的東西 —— 為了讓模型真正發(fā)揮作用，你不得不向它提供自己的專有知識(shí)。

而且，你希望模型表現(xiàn)得越好，需要向它提供的知識(shí)就越多。

隨著時(shí)間推移，雙方的信息不對(duì)稱會(huì)越來(lái)越嚴(yán)重。

模型提供商會(huì)在你使用服務(wù)的過(guò)程中不斷加深對(duì)你的了解，但你幾乎不知道，對(duì)方究竟從這些交互中學(xué)到了什么。

這就是我所說(shuō)的“反向信息悖論”。

專利制度解決了阿羅悖論的一部分問(wèn)題。它讓發(fā)明者可以公開自己的創(chuàng)意，而不至于直接失去對(duì)這項(xiàng)創(chuàng)意的控制。

“反向信息悖論”同樣需要一套與之相對(duì)應(yīng)的制度安排。

而這不僅僅是保護(hù)數(shù)據(jù)的問(wèn)題。

模型還會(huì)從 AI 使用過(guò)程中產(chǎn)生的各種“智能痕跡”中學(xué)習(xí)，包括人們編寫的提示詞、智能體調(diào)用的工具，尤其是模型出錯(cuò)后，人們作出的糾正。

每一次糾錯(cuò)，都可能被吸收并轉(zhuǎn)化為組織經(jīng)驗(yàn)和業(yè)務(wù)知識(shí)。

這類知識(shí)是競(jìng)爭(zhēng)對(duì)手花錢也買不到的，卻可能以一種幾乎難以察覺(jué)的方式不斷流失：一條運(yùn)行軌跡接著一條運(yùn)行軌跡，一次糾正接著一次糾正，一項(xiàng)評(píng)測(cè)接著一項(xiàng)評(píng)測(cè)。

當(dāng)你在使用智能時(shí)，你也在創(chuàng)造智能。

而你創(chuàng)造的智能，理應(yīng)屬于你。

借用哈耶克的概念，這是一種只屬于你的“情境智能”，來(lái)自特定時(shí)間、特定地點(diǎn)和特定環(huán)境下的知識(shí)，其他任何人都無(wú)法完整掌握。

它知道你如何思考、重視什么，又如何判斷一件事情是否成功。

模型提供商依據(jù)“合理使用”原則，利用公共數(shù)據(jù)訓(xùn)練模型，由此產(chǎn)生的巨大創(chuàng)新確有必要。

但令我感到諷刺的是，當(dāng)前的行業(yè)現(xiàn)狀卻是，這些模型提供商轉(zhuǎn)過(guò)身來(lái)，對(duì)模型蒸餾設(shè)置嚴(yán)格限制，同時(shí)保留利用客戶使用數(shù)據(jù)和交互數(shù)據(jù)繼續(xù)學(xué)習(xí)的權(quán)利。

如果學(xué)習(xí)只能單向流動(dòng)，經(jīng)濟(jì)價(jià)值最終就會(huì)流向掌握學(xué)習(xí)基礎(chǔ)設(shè)施的一方，而不是流向知識(shí)本身的創(chuàng)造者。

因此，每家企業(yè)都必須擁有自己的學(xué)習(xí)基礎(chǔ)設(shè)施，并掌握自身的學(xué)習(xí)閉環(huán)。

正如亞歷克斯·卡普所說(shuō)：

“技術(shù)型客戶想要的是對(duì)算力、模型、數(shù)據(jù)體系和自身核心優(yōu)勢(shì)的控制。他們希望確認(rèn)，生產(chǎn)資料掌握在自己手中，而不是正在被轉(zhuǎn)移給其他人。”

當(dāng)前的行業(yè)機(jī)制，恰恰造成了卡普和許多企業(yè)所擔(dān)心的這種轉(zhuǎn)移。

因此，企業(yè)需要建立一道真正的信任邊界，讓人力資本和由模型使用、反饋與訓(xùn)練形成的“Token 資本”能夠在企業(yè)內(nèi)部持續(xù)積累并產(chǎn)生復(fù)利。

在這道邊界內(nèi)，企業(yè)的數(shù)據(jù)、運(yùn)行軌跡、評(píng)測(cè)體系、適配后的模型權(quán)重和組織記憶能夠共同積累、相互促進(jìn)并持續(xù)改進(jìn)。

這還必須是一道嚴(yán)格的邊界。未經(jīng)企業(yè)同意，任何內(nèi)容都不能越過(guò)它，包括 AI 使用過(guò)程中產(chǎn)生的各種交互和學(xué)習(xí)痕跡。

企業(yè)將要求獲得使用模型輸出的權(quán)利，以便微調(diào)或訓(xùn)練自己的模型。

在我看來(lái)，這也是每家企業(yè)根據(jù)自身責(zé)任和合規(guī)要求，對(duì)模型進(jìn)行調(diào)整和對(duì)齊的權(quán)利。

在云計(jì)算時(shí)代，企業(yè)積累的是數(shù)據(jù)。

在 AI 時(shí)代，企業(yè)積累的是學(xué)習(xí)能力。

因此，企業(yè)的信任邊界也必須隨之升級(jí)：不僅要保護(hù)信息本身，還要保護(hù)組織學(xué)習(xí)、適應(yīng)并持續(xù)積累智能的機(jī)制。

為了實(shí)現(xiàn)這一目標(biāo)，每家企業(yè)都需要做好以下幾件事。

控制權(quán)：

建立企業(yè)自己的私有評(píng)測(cè)體系，因?yàn)樵u(píng)測(cè)標(biāo)準(zhǔn)決定了在企業(yè)內(nèi)部，什么樣的結(jié)果才算“好”。

企業(yè)還應(yīng)當(dāng)保留對(duì)組織記憶、運(yùn)行軌跡、反饋、決策和內(nèi)部業(yè)務(wù)背景的所有權(quán)，并有權(quán)使用自身任務(wù)和查詢所產(chǎn)生的模型輸出。

自主能力：

在企業(yè)自身隔離、可控的環(huán)境內(nèi)，建立專有的學(xué)習(xí)系統(tǒng)，用于訓(xùn)練或微調(diào)模型。

模型可以在這一環(huán)境中結(jié)合真實(shí)業(yè)務(wù)流程進(jìn)行學(xué)習(xí)，而企業(yè)的知識(shí)不會(huì)因此暴露到外部。

選擇權(quán)：

確保負(fù)責(zé)連接業(yè)務(wù)、數(shù)據(jù)和模型的編排層，不與任何一個(gè)模型深度綁定。

企業(yè)需要問(wèn)自己：假如當(dāng)前使用的某個(gè)模型突然無(wú)法繼續(xù)提供服務(wù)，企業(yè)是否仍然能夠依靠其他模型維持業(yè)務(wù)運(yùn)行，并按照自己的評(píng)測(cè)標(biāo)準(zhǔn)持續(xù)優(yōu)化？

即使某個(gè)外部通用模型不再可用，企業(yè)長(zhǎng)期積累的業(yè)務(wù)能力和組織經(jīng)驗(yàn)，是否仍然掌握在自己手中？

成本：

當(dāng)編排層不再依賴單一模型時(shí)，企業(yè)還可以根據(jù)具體任務(wù)，更高效、更具成本效益地組合上下文、模型和工作流程，同時(shí)不犧牲結(jié)果質(zhì)量。

持續(xù)積累：

將以上四點(diǎn)結(jié)合起來(lái)，企業(yè)就能夠建立自己的持續(xù)學(xué)習(xí)閉環(huán)，形成一套能夠不斷試驗(yàn)、評(píng)測(cè)和優(yōu)化的系統(tǒng)。

這樣一來(lái)，企業(yè)的 AI 投資就能夠持續(xù)產(chǎn)生復(fù)利，不斷提升企業(yè)自身的價(jià)值。

換句話說(shuō)，一家公司應(yīng)該能夠使用一個(gè)模型，而不必因此交出那些真正令自己與眾不同的知識(shí)。

這正是我們必須面對(duì)的“反向信息悖論”。

云頭條聲明：如以上內(nèi)容有誤或侵犯到你公司、機(jī)構(gòu)、單位或個(gè)人權(quán)益，請(qǐng)聯(lián)系我們說(shuō)明理由，我們會(huì)配合，無(wú)條件刪除處理。