從Token Capital到企業(yè)認(rèn)知主權(quán)：別把大腦交給大模型公司！

新智元報(bào)道

最近，微軟CEO Satya Nadella和Palantir CEO Alex Karp幾乎在同一時(shí)間，從不同角度提出了一個(gè)越來(lái)越尖銳的問(wèn)題：

當(dāng)人工智能開(kāi)始深度參與企業(yè)的思考、決策和執(zhí)行之后，企業(yè)究竟是在獲得一種新的生產(chǎn)力，還是在逐漸把自己的知識(shí)、經(jīng)驗(yàn)、判斷和競(jìng)爭(zhēng)優(yōu)勢(shì)交給外部模型公司？

這并不是一個(gè)簡(jiǎn)單的數(shù)據(jù)安全問(wèn)題，也不僅是一個(gè)模型成本問(wèn)題。它真正觸及的是企業(yè)在AI時(shí)代最核心的權(quán)力結(jié)構(gòu)：誰(shuí)擁有企業(yè)的認(rèn)知資產(chǎn)，誰(shuí)控制企業(yè)的學(xué)習(xí)閉環(huán)，誰(shuí)能夠從每一次業(yè)務(wù)交互中持續(xù)進(jìn)化，以及最終誰(shuí)擁有企業(yè)的大腦。

從這個(gè)角度看，納德拉近期的兩篇文章和Karp的CNBC訪(fǎng)談非常重要。它們標(biāo)志著全球頂級(jí)科技企業(yè)的討論重點(diǎn)，正在從「模型能力有多強(qiáng)」，轉(zhuǎn)向「企業(yè)如何避免失去自己的認(rèn)知主權(quán)」。

佟佳睿（Richard Jiarui Tong）博士最近發(fā)布了一篇評(píng)論，將納德拉的兩篇長(zhǎng)文、Karp的CNBC 訪(fǎng)談，與他本人更早提出的企業(yè)認(rèn)知系統(tǒng)和認(rèn)知主權(quán)框架放在同一條思想演進(jìn)線(xiàn)上。

值得注意的是，納德拉等公開(kāi)提出的問(wèn)題，正是佟佳睿博士更早在企業(yè)認(rèn)知系統(tǒng)、ECS、NSEAP和KSTAR體系中已經(jīng)開(kāi)始系統(tǒng)設(shè)計(jì)和工程化解決的問(wèn)題。

佟佳睿（Richard Jiarui Tong）博士擔(dān)任IEEE人工智能標(biāo)準(zhǔn)委員會(huì)（AISC）主席，并領(lǐng)導(dǎo)IEEE P3394大語(yǔ)言模型智能體接口標(biāo)準(zhǔn)工作組，在AI標(biāo)準(zhǔn)化與產(chǎn)業(yè)實(shí)踐方面具有重要影響力。

納德拉的第一層判斷

2026年6月14日，美國(guó)東部時(shí)間上午11:33，納德拉在X上發(fā)表長(zhǎng)文《A frontier without an ecosystem is not stable》。對(duì)應(yīng)北京時(shí)間為2026年6月14日晚上11:33。

推文鏈接：https://x.com/satyanadella/article/2066182223213293753

這篇文章中最重要的概念，是他提出的Token Capital。

傳統(tǒng)企業(yè)積累的是Human Capital，也就是員工、專(zhuān)家、組織經(jīng)驗(yàn)、專(zhuān)業(yè)判斷和管理能力。AI時(shí)代之后，企業(yè)還會(huì)積累另一類(lèi)資本：由模型使用、數(shù)據(jù)、提示詞、工具調(diào)用、業(yè)務(wù)反饋、評(píng)測(cè)體系和持續(xù)學(xué)習(xí)過(guò)程共同形成的Token Capital。

納德拉強(qiáng)調(diào)，真正有價(jià)值的AI能力，并不是簡(jiǎn)單調(diào)用一個(gè)外部模型。任何企業(yè)都可以買(mǎi)到相似的模型，也都可以使用相似的API。

企業(yè)真正的差異化來(lái)自于，它是否能夠圍繞自己的業(yè)務(wù)建立一個(gè)學(xué)習(xí)閉環(huán)，并把每一次模型使用轉(zhuǎn)化為組織自身的能力積累。

換句話(huà)說(shuō)，模型本身并不是壁壘。

真正的壁壘是企業(yè)是否能夠把自己的業(yè)務(wù)知識(shí)、專(zhuān)業(yè)判斷、執(zhí)行過(guò)程和反饋結(jié)果，持續(xù)沉淀為一種可以重復(fù)使用、持續(xù)優(yōu)化和獨(dú)立擁有的能力。

納德拉實(shí)際上承認(rèn)了一個(gè)非常關(guān)鍵的事實(shí)：

企業(yè)不能只擁有AI的使用權(quán)，企業(yè)必須擁有AI使用過(guò)程中形成的學(xué)習(xí)資產(chǎn)。

這已經(jīng)比早期「購(gòu)買(mǎi)大模型、部署Copilot、提高員工效率」的敘事向前走了一大步。

但是，Token Capital仍然只是一個(gè)資本層面的概念。

它指出企業(yè)需要積累AI能力，卻還沒(méi)有完全回答這些能力到底以什么形式存在、如何被管理、如何被驗(yàn)證、如何被更新，以及如何防止它們依附于某一個(gè)模型供應(yīng)商。

而這正是佟博士提出企業(yè)認(rèn)知系統(tǒng)的原因。

納德拉的第二層判斷

2026年7月12日，美國(guó)東部時(shí)間上午11:09，納德拉又在 X 上發(fā)表了關(guān)于Reverse Information Paradox，反向信息悖論的論述。對(duì)應(yīng)北京時(shí)間為2026年7月12日晚上11:09。

推文鏈接：https://x.com/satyanadella/article/2076323181154230284

傳統(tǒng)的Arrow Information Paradox指出：信息賣(mài)方如果不披露信息，買(mǎi)方無(wú)法判斷價(jià)值；但如果先披露，買(mǎi)方可能已經(jīng)免費(fèi)獲得了信息，因此不再需要購(gòu)買(mǎi)。

納德拉認(rèn)為，AI時(shí)代出現(xiàn)了相反的情況。

企業(yè)為了獲得模型服務(wù)，必須首先把自己的問(wèn)題、上下文、數(shù)據(jù)、工作流程和判斷標(biāo)準(zhǔn)暴露給模型。模型公司不再只是向企業(yè)出售知識(shí)，反而能夠通過(guò)企業(yè)的使用過(guò)程，理解企業(yè)是如何思考、如何工作和如何創(chuàng)造價(jià)值的。

也就是說(shuō)，企業(yè)不僅在支付 Token 費(fèi)用，還在持續(xù)向模型系統(tǒng)貢獻(xiàn)：

• 真實(shí)的業(yè)務(wù)問(wèn)題；

• 高價(jià)值行業(yè)語(yǔ)境；

• 專(zhuān)家的判斷方式；

• 任務(wù)分解路徑；

• 決策偏好；

• 成功與失敗的反饋；

• 結(jié)果評(píng)價(jià)標(biāo)準(zhǔn)；

• 以及企業(yè)內(nèi)部尚未顯性化的知識(shí)。

這些信息單獨(dú)看可能只是一次提示詞、一次模型調(diào)用或一次用戶(hù)糾正，但積累起來(lái)，它們構(gòu)成的并不是普通數(shù)據(jù)，而是一張企業(yè)的認(rèn)知地圖。

模型供應(yīng)商可能逐漸看到：

企業(yè)關(guān)注什么問(wèn)題，如何定義目標(biāo)，如何評(píng)價(jià)答案，哪些建議會(huì)被接受，哪些會(huì)被拒絕，以及企業(yè)真正依賴(lài)的價(jià)值判斷是什么。

這就是反向信息悖論的本質(zhì)：

企業(yè)以為自己只是在購(gòu)買(mǎi)智能，實(shí)際上也可能在向外部系統(tǒng)持續(xù)輸出自身的智能。

企業(yè)原本最有價(jià)值的部分，并不一定存在于某一張數(shù)據(jù)庫(kù)表里，而可能存在于員工如何解決問(wèn)題、主管如何做判斷、專(zhuān)家如何平衡風(fēng)險(xiǎn)，以及組織如何從結(jié)果中學(xué)習(xí)。

AI 系統(tǒng)恰恰能夠從這些交互中提取這些隱性的認(rèn)知資產(chǎn)。

Karp的憤怒

2026年7月1日，Palantir CEO Alex Karp 在 CNBC《Squawk Box》節(jié)目中接受采訪(fǎng)。CNBC 隨后在同日發(fā)布了訪(fǎng)談視頻。

如果說(shuō)納德拉的表達(dá)仍然帶有平臺(tái)生態(tài)和產(chǎn)業(yè)結(jié)構(gòu)的抽象性，那么 Karp 的表述則更加直接，甚至帶有明顯的憤怒。

Karp認(rèn)為，當(dāng)前大模型產(chǎn)業(yè)存在兩個(gè)嚴(yán)重問(wèn)題。

第一個(gè)問(wèn)題，是企業(yè)正在支付大量Token成本，卻沒(méi)有獲得相應(yīng)的業(yè)務(wù)價(jià)值。

第二個(gè)問(wèn)題更嚴(yán)重：企業(yè)可能正在把自己的數(shù)據(jù)、流程、業(yè)務(wù)邏輯和競(jìng)爭(zhēng)優(yōu)勢(shì)交給模型公司。

他把企業(yè)區(qū)別于競(jìng)爭(zhēng)對(duì)手的核心能力稱(chēng)為Alpha。

Alpha不只是客戶(hù)名單、財(cái)務(wù)數(shù)據(jù)或技術(shù)專(zhuān)利。它還包括企業(yè)知道如何運(yùn)營(yíng)、如何做決策、如何配置資源、如何識(shí)別風(fēng)險(xiǎn)，以及如何在復(fù)雜環(huán)境中實(shí)現(xiàn)結(jié)果的獨(dú)特能力。

Karp要求每一家使用 AI 的企業(yè)都必須能夠回答幾個(gè)問(wèn)題：

• 誰(shuí)擁有這些數(shù)據(jù)？

• 數(shù)據(jù)被緩存在什么地方？

• 提示詞是否受到保護(hù)？

• 交互產(chǎn)生的知識(shí)是否會(huì)被轉(zhuǎn)移給供應(yīng)商？

• 企業(yè)是否正在被模型公司理解、抽象，甚至復(fù)制？

Axios后來(lái)將這一問(wèn)題總結(jié)為：AI正在成為企業(yè)思考、銷(xiāo)售和決策的操作系統(tǒng)，因此企業(yè)必須像保護(hù)自己的專(zhuān)有大腦一樣保護(hù) AI 系統(tǒng)。Axios 還將「Alpha」定義為企業(yè)區(qū)別于市場(chǎng)的知識(shí)，將「主權(quán) AI」定義為企業(yè)對(duì)模型和連接專(zhuān)有知識(shí)的應(yīng)用層保持控制。

《華爾街日?qǐng)?bào)》也指出，Karp 的言論擊中了美國(guó)企業(yè)界對(duì) AI 實(shí)驗(yàn)室權(quán)力持續(xù)擴(kuò)大的焦慮：模型公司能夠從客戶(hù)的數(shù)據(jù)和決策過(guò)程中獲取洞察，而這些恰恰是企業(yè)成功的「秘方」。

Karp的核心觀點(diǎn)可以概括為：

企業(yè)不能一邊向模型公司支付費(fèi)用，一邊幫助模型公司理解和吸收自己的核心價(jià)值。

從商業(yè)角度看，這是一種極其不對(duì)稱(chēng)的交換。

企業(yè)承擔(dān)成本，貢獻(xiàn)語(yǔ)境，暴露問(wèn)題，提供反饋，而模型公司則有機(jī)會(huì)獲得跨企業(yè)、跨行業(yè)和跨場(chǎng)景的認(rèn)知積累。

久而久之，企業(yè)可能越來(lái)越依賴(lài)模型供應(yīng)商，而模型供應(yīng)商卻越來(lái)越理解企業(yè)。

解決方案

納德拉和Karp的判斷都非常重要，但他們的論述主要是在解釋問(wèn)題：

• 納德拉提出，企業(yè)應(yīng)當(dāng)擁有自己的 Token Capital 和學(xué)習(xí)閉環(huán)；

• 納德拉進(jìn)一步指出，企業(yè)面臨反向信息悖論；

• Karp 警告企業(yè)，不要把自己的 Alpha 交給外部模型公司；

• Palantir 強(qiáng)調(diào)數(shù)據(jù)控制、模型控制、路由控制和主權(quán) AI。

而佟博士的企業(yè)認(rèn)知系統(tǒng)（NSEAP ECS）和認(rèn)知主權(quán)觀點(diǎn)，從一開(kāi)始關(guān)注的就不僅是防止數(shù)據(jù)泄露，也不僅是部署一個(gè)企業(yè)內(nèi)部模型。

佟博士提出的問(wèn)題是：

企業(yè)的認(rèn)知究竟由什么構(gòu)成？

如果不能回答這個(gè)問(wèn)題，就無(wú)法真正討論認(rèn)知主權(quán)。

在佟博士的框架中，企業(yè)認(rèn)知至少包括以下幾個(gè)組成部分：

1. 企業(yè)如何定義世界的 Ontology；

2. 企業(yè)專(zhuān)家如何完成工作的 Skills；

3. 企業(yè)如何理解具體場(chǎng)景的情節(jié)記憶；

4. 企業(yè)如何分解任務(wù)并形成行動(dòng)計(jì)劃；

5. 企業(yè)如何定義期望結(jié)果；

6. 企業(yè)如何衡量實(shí)際結(jié)果；

7. 企業(yè)如何從兩者的差異中學(xué)習(xí)；

8. 企業(yè)如何把學(xué)習(xí)結(jié)果重新寫(xiě)入知識(shí)、技能和流程。

因此，佟博士所說(shuō)的認(rèn)知主權(quán)，并不是簡(jiǎn)單地把模型部署在本地，也不是只把數(shù)據(jù)保存在企業(yè)防火墻之內(nèi)。

真正的認(rèn)知主權(quán)，是企業(yè)對(duì)自身完整認(rèn)知循環(huán)的控制權(quán)。

這個(gè)循環(huán)可以概括為：

其中：

• K是企業(yè)已有的知識(shí)、本體、技能和記憶；

• S是當(dāng)前業(yè)務(wù)情境；

• T是需要完成的任務(wù)和目標(biāo)；

• A是智能體生成并執(zhí)行的行動(dòng)；

• R是實(shí)際結(jié)果；

• ΔR是預(yù)期結(jié)果與實(shí)際結(jié)果之間的差異；

• K'是企業(yè)根據(jù)這次執(zhí)行更新后的新認(rèn)知資產(chǎn)。

企業(yè)真正需要掌握的，不只是某一次輸入和輸出，而是這條鏈條的全部。

數(shù)據(jù)主權(quán)不等于認(rèn)知主權(quán)

當(dāng)前大多數(shù)所謂的「主權(quán)AI」方案，關(guān)注的是幾個(gè)問(wèn)題：

• 數(shù)據(jù)是否留在境內(nèi)；

• 模型是否私有化部署；

• 計(jì)算資源是否自主可控；

• API 是否經(jīng)過(guò)安全網(wǎng)關(guān)；

• 企業(yè)是否能夠選擇不同模型。

這些都是必要條件，但遠(yuǎn)遠(yuǎn)不夠。

企業(yè)可以把模型部署在自己的服務(wù)器里，卻仍然沒(méi)有認(rèn)知主權(quán)。

原因是，如果企業(yè)的業(yè)務(wù)知識(shí)仍然只存在于人的頭腦中，如果工作方法沒(méi)有被結(jié)構(gòu)化，如果評(píng)價(jià)標(biāo)準(zhǔn)沒(méi)有被顯性定義，如果每次執(zhí)行后的經(jīng)驗(yàn)無(wú)法沉淀，那么企業(yè)只是擁有了一套計(jì)算基礎(chǔ)設(shè)施，并沒(méi)有擁有自己的認(rèn)知系統(tǒng)。

同樣，企業(yè)也可以擁有自己的向量數(shù)據(jù)庫(kù)、知識(shí)庫(kù)和私有模型，卻仍然無(wú)法持續(xù)學(xué)習(xí)。

知識(shí)庫(kù)解決的是「系統(tǒng)知道什么」，但企業(yè)認(rèn)知系統(tǒng)還必須回答：

• 系統(tǒng)應(yīng)該在什么條件下使用這些知識(shí)？

• 應(yīng)該調(diào)用哪些技能？

• 應(yīng)該采取什么行動(dòng)？

• 什么結(jié)果才算成功？

• 失敗應(yīng)該歸因于知識(shí)、技能、計(jì)劃、執(zhí)行還是環(huán)境？

• 學(xué)習(xí)以后，系統(tǒng)應(yīng)該修改哪一部分？

因此，認(rèn)知主權(quán)比數(shù)據(jù)主權(quán)更深一層。

數(shù)據(jù)主權(quán)解決的是信息存放權(quán)。

模型主權(quán)解決的是推理資源控制權(quán)。

認(rèn)知主權(quán)解決的是企業(yè)如何形成判斷、執(zhí)行行動(dòng)、評(píng)價(jià)結(jié)果和持續(xù)進(jìn)化的控制權(quán)。

Skill是最現(xiàn)實(shí)的認(rèn)知載體

在佟博士目前的體系中，Skill是企業(yè)認(rèn)知資產(chǎn)最重要的工程載體。

模型參數(shù)很難直接解釋和治理，提示詞又過(guò)于零散和脆弱，而傳統(tǒng)知識(shí)庫(kù)通常只能夠描述事實(shí)和文檔。

Skill 則處在知識(shí)與行動(dòng)之間。

一個(gè)真正的企業(yè)級(jí) Skill，不只是提示詞模板，而應(yīng)當(dāng)包括：

• 適用場(chǎng)景；

• 輸入條件；

• 所需知識(shí)；

• 權(quán)限邊界；

• 執(zhí)行步驟；

• 工具調(diào)用；

• 決策規(guī)則；

• 預(yù)期結(jié)果；

• 成本和時(shí)間估計(jì)；

• 風(fēng)險(xiǎn)與約束；

• 結(jié)果驗(yàn)證；

• 反饋和更新方式。

因此，Skill是企業(yè)「如何完成一件事」的可計(jì)算表達(dá)。

企業(yè)真正的Alpha，往往也正存在于這些Skill中。

競(jìng)爭(zhēng)對(duì)手可能擁有同樣的大模型，但不一定知道：

• 企業(yè)如何識(shí)別一個(gè)高價(jià)值客戶(hù)；

• 如何判斷一次設(shè)備故障的根因；

• 如何安排現(xiàn)場(chǎng)維修資源；

• 如何進(jìn)行客戶(hù)補(bǔ)救；

• 如何在成本、滿(mǎn)意度和風(fēng)險(xiǎn)之間做權(quán)衡；

• 如何判斷一次任務(wù)執(zhí)行是否值得復(fù)用。

這些不是模型的通用知識(shí)，而是企業(yè)在長(zhǎng)期運(yùn)營(yíng)中形成的行動(dòng)智慧。

因此，企業(yè)認(rèn)知主權(quán)的核心任務(wù)之一，是把這些行動(dòng)智慧從人的隱性經(jīng)驗(yàn)中提取出來(lái)，轉(zhuǎn)化為企業(yè)擁有、可以治理、可以組合并且可以持續(xù)學(xué)習(xí)的 Skill。

企業(yè)學(xué)習(xí)閉環(huán)

納德拉提出企業(yè)需要擁有自己的learning loop，這是正確的。

但一個(gè)學(xué)習(xí)閉環(huán)要真正運(yùn)行，必須有一個(gè)可靠的學(xué)習(xí)信號(hào)。

這個(gè)學(xué)習(xí)信號(hào)不能只是「用戶(hù)喜歡或不喜歡」，也不能只是模型回答的準(zhǔn)確率。企業(yè)需要衡量的是，智能體的行動(dòng)是否真正產(chǎn)生了預(yù)期的業(yè)務(wù)結(jié)果。

因此，佟博士一直強(qiáng)調(diào)預(yù)期結(jié)果與實(shí)際結(jié)果之間的差異：

當(dāng)然，在真實(shí)企業(yè)系統(tǒng)中，R 往往不是一個(gè)單一數(shù)字，而是一個(gè)多維價(jià)值函數(shù)：

一次智能體執(zhí)行是否成功，不應(yīng)只看它有沒(méi)有完成流程，而應(yīng)看它是否：

• 提高了收入；

• 降低了成本；

• 縮短了處理時(shí)間；

• 提升了客戶(hù)滿(mǎn)意度；

• 降低了風(fēng)險(xiǎn)；

• 改善了質(zhì)量；

• 或者積累了未來(lái)可以復(fù)用的認(rèn)知資產(chǎn)。

ΔR的重要性在于，它把企業(yè)的經(jīng)營(yíng)結(jié)果轉(zhuǎn)化為認(rèn)知系統(tǒng)的學(xué)習(xí)信號(hào)。沒(méi)有ΔR，所謂持續(xù)學(xué)習(xí)很容易退化成無(wú)目標(biāo)的模型微調(diào)。

擁有ΔR，企業(yè)才能知道：

• 哪一個(gè) Skill 真正有效；

• 哪一個(gè)決策規(guī)則應(yīng)該調(diào)整；

• 哪一種客戶(hù)畫(huà)像更準(zhǔn)確；

• 哪一種行動(dòng)在什么場(chǎng)景下創(chuàng)造了價(jià)值；

• 哪一個(gè)智能體值得被推廣；

• 哪一個(gè)認(rèn)知資產(chǎn)正在失效。

所以，企業(yè)學(xué)習(xí)閉環(huán)的核心，不是產(chǎn)生更多Token，而是把執(zhí)行結(jié)果轉(zhuǎn)化為可驗(yàn)證、可歸因、可復(fù)用的學(xué)習(xí)信號(hào)。

KSTAR

佟博士提出KSTAR，不只是為了描述一個(gè)智能體任務(wù)流程，而是為了提供一種企業(yè)認(rèn)知進(jìn)化機(jī)制。

KSTAR可以理解為：

• Know What：當(dāng)前知道什么；

• So What：這些知識(shí)對(duì)于當(dāng)前情境意味著什么；

• Then What / Task What：需要完成什么任務(wù)；

• Act What：應(yīng)該采取什么行動(dòng)；

• Result What：產(chǎn)生了什么結(jié)果；

• Learn What：根據(jù)結(jié)果應(yīng)該學(xué)到什么。

這種機(jī)制的關(guān)鍵，是它把認(rèn)知資產(chǎn)、任務(wù)執(zhí)行和業(yè)務(wù)結(jié)果連接起來(lái)。

傳統(tǒng)知識(shí)管理系統(tǒng)往往停留在文檔存儲(chǔ)。

傳統(tǒng)流程系統(tǒng)往往停留在步驟自動(dòng)化。

傳統(tǒng)大模型系統(tǒng)往往停留在生成內(nèi)容。

KSTAR則試圖回答一個(gè)更完整的問(wèn)題：

企業(yè)如何從一次真實(shí)業(yè)務(wù)活動(dòng)中，自動(dòng)形成下一次更好的認(rèn)知和行動(dòng)能力？

這才是Token Capital真正應(yīng)該被工程化的方式。

Token Capital如果只是一個(gè)會(huì)計(jì)或戰(zhàn)略概念，仍然很抽象。

而在ECS和NSEAP中，它可以被具體化為：

• Ontology 資產(chǎn)；

• Skill 資產(chǎn)；

• Meta-skill 資產(chǎn)；

• Agent 配置；

• 任務(wù)執(zhí)行記錄；

• 情節(jié)記憶；

• 評(píng)價(jià)函數(shù)；

• ΔR信號(hào)；

• Skill版本演化；

• 業(yè)務(wù)場(chǎng)景中的持續(xù)測(cè)評(píng)結(jié)果。

企業(yè)不是因?yàn)橄牧烁郥oken而變得更聰明。

企業(yè)只有在每一次Token消耗之后，留下了自己擁有的、更好的知識(shí)、技能、評(píng)價(jià)標(biāo)準(zhǔn)和執(zhí)行能力，才真正積累了Token Capital。

底層大模型必須可替換

佟博士的一個(gè)基本判斷是：

大模型應(yīng)當(dāng)是企業(yè)認(rèn)知系統(tǒng)中的推理資源，而不應(yīng)當(dāng)成為企業(yè)認(rèn)知系統(tǒng)本身。

企業(yè)可以使用OpenAI、Anthropic、Google、Microsoft或開(kāi)源模型。

不同任務(wù)可以使用不同模型。

模型可以根據(jù)成本、性能、安全等級(jí)和場(chǎng)景進(jìn)行動(dòng)態(tài)路由。

但是，企業(yè)自身的以下資產(chǎn)必須獨(dú)立于任何具體模型存在：

• 本體；

• 業(yè)務(wù)語(yǔ)義；

• 技能；

• 工作流；

• 企業(yè)記憶；

• 權(quán)限體系；

• 評(píng)價(jià)函數(shù)；

• 結(jié)果數(shù)據(jù)；

• 學(xué)習(xí)信號(hào)；

• 審計(jì)記錄；

• 認(rèn)知資產(chǎn)版本歷史。

模型可以升級(jí)，也可以替換。

供應(yīng)商可以改變。

但企業(yè)不能因?yàn)楦鼡Q了模型，就失去之前積累的業(yè)務(wù)經(jīng)驗(yàn)。

如果企業(yè)的能力只能存在于某個(gè)模型的私有上下文、某個(gè)供應(yīng)商的 Agent 平臺(tái)或某個(gè)不可遷移的提示詞系統(tǒng)里，那么企業(yè)事實(shí)上并不擁有這些能力。

真正的認(rèn)知主權(quán)意味著：

模型是可替換的，企業(yè)認(rèn)知內(nèi)核是不可替代的。

Palantir需要向前一步

Palantir的強(qiáng)項(xiàng)一直不是訓(xùn)練最大的模型，而是將數(shù)據(jù)、業(yè)務(wù)對(duì)象、權(quán)限和行動(dòng)連接到一個(gè)企業(yè)級(jí)Ontology中。

這也是為什么Karp能夠比很多純模型公司的CEO更早看到企業(yè)主權(quán)問(wèn)題。

Palantir理解，僅有數(shù)據(jù)和模型并不能形成企業(yè)智能。企業(yè)必須擁有一個(gè)描述業(yè)務(wù)對(duì)象、關(guān)系、狀態(tài)和行動(dòng)的語(yǔ)義層。

但是，從佟博士的角度看，Ontology仍然只是企業(yè)認(rèn)知系統(tǒng)的一部分。

Ontology 主要回答：

• 企業(yè)世界中有什么對(duì)象；

• 對(duì)象之間有什么關(guān)系；

• 當(dāng)前狀態(tài)是什么；

• 哪些行動(dòng)可以作用于這些對(duì)象。

而完整的認(rèn)知系統(tǒng)還必須回答：

• 哪些 Skill 應(yīng)該在什么條件下被調(diào)用；

• 誰(shuí)有權(quán)執(zhí)行；

• 預(yù)期結(jié)果是什么；

• 如何評(píng)價(jià)實(shí)際結(jié)果；

• 一次執(zhí)行之后，Ontology、Skill 和策略應(yīng)該如何更新；

• 不同員工和智能體的局部經(jīng)驗(yàn)如何轉(zhuǎn)化為組織級(jí)能力。

因此，佟博士認(rèn)為下一代企業(yè)認(rèn)知系統(tǒng)必須從Ontology繼續(xù)向前發(fā)展到：

Ontology + Skills + Memory + Agents + Evaluation + Evolution

也就是從「企業(yè)業(yè)務(wù)的數(shù)字語(yǔ)義層」，走向「企業(yè)業(yè)務(wù)的認(rèn)知進(jìn)化系統(tǒng)」。

學(xué)習(xí)閉環(huán)的競(jìng)爭(zhēng)

未來(lái)企業(yè)之間最重要的差異，不一定是誰(shuí)使用了最強(qiáng)的模型，而是誰(shuí)擁有更好的閉環(huán)。

兩個(gè)企業(yè)可能同時(shí)使用同一個(gè)大模型。

但其中一個(gè)企業(yè)只是讓員工不斷調(diào)用模型，生成文檔、寫(xiě)代碼和回答問(wèn)題。

另一個(gè)企業(yè)則把每次調(diào)用轉(zhuǎn)化為：

• 新的案例；

• 新的Skill；

• 新的規(guī)則；

• 新的評(píng)價(jià)標(biāo)準(zhǔn)；

• 新的任務(wù)模板；

• 新的行業(yè)本體；

• 新的風(fēng)險(xiǎn)控制機(jī)制；

• 新的組織經(jīng)驗(yàn)。

一年以后，這兩家企業(yè)雖然使用了同樣的模型，卻會(huì)變成完全不同的組織。

第一家企業(yè)只是消耗了大量Token。

第二家企業(yè)建立了一套持續(xù)增長(zhǎng)的認(rèn)知資產(chǎn)。

所以，未來(lái)競(jìng)爭(zhēng)的核心不是Token消耗量，而是：Cognitive Asset Growth per Token

也就是每消耗一個(gè)單位Token，企業(yè)能夠留下多少屬于自己的認(rèn)知資產(chǎn)。

這可能比傳統(tǒng)意義上的模型準(zhǔn)確率或單次任務(wù)效率，更能夠衡量企業(yè) AI 轉(zhuǎn)型的長(zhǎng)期價(jià)值。

比公開(kāi)敘事更早一步

佟博士并不認(rèn)為納德拉和 Karp 的判斷只是市場(chǎng)宣傳。恰恰相反，他們抓住了 AI 產(chǎn)業(yè)即將發(fā)生的一次關(guān)鍵轉(zhuǎn)向。

但是，他們現(xiàn)在才開(kāi)始公開(kāi)強(qiáng)調(diào)：

• 企業(yè)學(xué)習(xí)閉環(huán)；

• Token Capital；

• 反向信息悖論；

• 企業(yè)Alpha；

• Sovereign AI；

• 企業(yè)對(duì)模型和應(yīng)用層的控制權(quán)。

而佟博士此前在設(shè)計(jì)ECS、NSEAP和KSTAR時(shí)，關(guān)注的已經(jīng)不是單一的數(shù)據(jù)保護(hù)或模型選擇問(wèn)題，而是企業(yè)能否擁有一套獨(dú)立于底層模型的認(rèn)知內(nèi)核。

佟博士更早提出：

• 企業(yè)知識(shí)必須本體化；

• 專(zhuān)家經(jīng)驗(yàn)必須技能化；

• 智能體執(zhí)行必須結(jié)果化；

• 學(xué)習(xí)過(guò)程必須由ΔR驅(qū)動(dòng)；

• 企業(yè)認(rèn)知資產(chǎn)必須能夠持續(xù)進(jìn)化；

• 大模型只能是認(rèn)知系統(tǒng)的組件，而不是企業(yè)大腦的所有者；

• 企業(yè)必須擁有對(duì)認(rèn)知形成、認(rèn)知執(zhí)行和認(rèn)知進(jìn)化的完整控制權(quán)。

從這個(gè)意義上說(shuō)，納德拉和Karp的最新敘事確實(shí)印證了佟博士的基本判斷。

他們現(xiàn)在開(kāi)始告訴企業(yè)：

不要失去自己的數(shù)據(jù)、學(xué)習(xí)閉環(huán)和Alpha。

而佟博士更早的問(wèn)題是：

企業(yè)如何把這些東西真正構(gòu)造成一個(gè)自己擁有、可以運(yùn)行、可以測(cè)量、可以治理和可以持續(xù)進(jìn)化的認(rèn)知系統(tǒng)？

這兩者之間的差別，是問(wèn)題意識(shí)與工程體系之間的差別。

結(jié)語(yǔ)

AI時(shí)代最危險(xiǎn)的誤解，是認(rèn)為企業(yè)只要接入最先進(jìn)的大模型，就擁有了智能。

實(shí)際上，模型公司的智能不等于企業(yè)的智能。

企業(yè)真正的智能，來(lái)自它對(duì)自身業(yè)務(wù)世界的理解，來(lái)自專(zhuān)家在長(zhǎng)期實(shí)踐中形成的判斷，來(lái)自組織在無(wú)數(shù)成功和失敗中積累的經(jīng)驗(yàn)，也來(lái)自企業(yè)如何定義價(jià)值、衡量結(jié)果并不斷修正行動(dòng)。

如果這些能力只能通過(guò)外部模型獲得，如果每一次交互都沒(méi)有留下企業(yè)自己的認(rèn)知資產(chǎn)，如果企業(yè)的學(xué)習(xí)信號(hào)和評(píng)價(jià)標(biāo)準(zhǔn)被外部平臺(tái)控制，那么企業(yè)使用 AI 越多，未必就越有競(jìng)爭(zhēng)力，反而可能越依賴(lài)外部智能。

所以，認(rèn)知主權(quán)不是一個(gè)防御性概念。

它不僅是在說(shuō)企業(yè)要防止自己的知識(shí)被拿走。

更重要的是，它要求企業(yè)主動(dòng)建設(shè)自己變聰明的能力。

真正擁有認(rèn)知主權(quán)的企業(yè)，應(yīng)當(dāng)能夠做到：

• 自己定義業(yè)務(wù)世界；

• 自己沉淀專(zhuān)家技能；

• 自己組織智能體執(zhí)行；

• 自己評(píng)價(jià)業(yè)務(wù)結(jié)果；

• 自己掌握學(xué)習(xí)信號(hào)；

• 自己更新認(rèn)知資產(chǎn)；

• 并且可以自由選擇和替換底層模型。

納德拉所說(shuō)的Token Capital，只有被沉淀為企業(yè)自己的認(rèn)知資產(chǎn)，才是真正的資本。

Karp所說(shuō)的Alpha，只有被編碼進(jìn)企業(yè)自己的Ontology、Skills、Memory 和 Evaluation Function中，才不會(huì)隨著人員流動(dòng)或模型依賴(lài)而流失。

而佟博士所提出的企業(yè)認(rèn)知主權(quán)，最終強(qiáng)調(diào)的是一個(gè)更基本的原則：

企業(yè)不能只擁有調(diào)用智能的權(quán)利，必須擁有形成智能、評(píng)價(jià)智能和持續(xù)進(jìn)化智能的權(quán)利。

數(shù)據(jù)是企業(yè)的資產(chǎn)，模型是企業(yè)可以使用的資源，而認(rèn)知系統(tǒng)才是企業(yè)在 AI 時(shí)代真正的大腦。

編輯：LRST