纳德拉炮轰 AI 厂商：用公共数据训练，却不许客户蒸馏

2026 年 7 月 12 日，微软 CEO 萨提亚·纳德拉公开质疑部分 AI 模型厂商的做法，称这些公司一边主张使用公共数据训练模型属于合理使用，一边严格限制其他企业利用模型输出进行蒸馏，还保留使用客户交互数据继续训练模型的权利，这种做法“颇具讽刺意味”。

纳德拉表示，模型厂商依靠公共数据训练模型所带来的创新确有必要，但这些公司随后又通过服务条款限制模型蒸馏，并保留从客户使用数据和交互数据中学习的权利，这种现状并不合理。

他进一步表示，如果“学习”只能单向流动，掌握 AI 学习基础设施的平台将获得大部分收益，而真正创造知识的企业和个人则可能被排除在外。

纳德拉此次表态正值 Anthropic 持续指责其他 AI 公司通过 Claude 进行模型蒸馏之际。

纳德拉认为，企业如果长期依赖外部前沿模型，实际上可能将自身专有数据和业务知识交给模型厂商，随后再付费购买由这些数据形成的 AI 能力。

他建议企业掌握自己的 AI 基础设施、评测体系和“学习闭环”，利用内部数据持续训练或优化适合自身业务的模型，而不是将核心能力完全交给单一模型供应商。

纳德拉表示，企业需要为“人力资本”和“Token 资本”建立真正的信任边界。未经企业许可，包括模型使用过程中产生的“智能废气”在内的数据，都不应越过这一边界。

这并非纳德拉首次主张企业建立自己的 AI 能力。

此前他曾表示，全球应该拥有与企业数量一样多的模型，因为每家公司本质上都是一套持续学习的系统。微软目前也在推动多模型战略，希望企业通过 Azure 等平台组合使用外部模型、自研模型及内部数据，而非完全依赖少数前沿模型厂商。

纳德拉全文：

反向信息悖论

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肯尼斯·阿罗曾提出信息市场中一个著名的悖论：

“购买者在获得信息之前，并不知道它的价值；但等到他知道其价值时，实际上已经无偿获得了这条信息。”

在阿罗提出的“信息悖论”中，卖方为了出售知识，往往需要先透露知识，因此面临知识被无偿获取的风险。

AI 带来的问题恰好相反。

在 AI 时代，买方为了使用自己购买的服务，反而可能需要交出自身的知识。

从某种意义上说，你为 AI 能力支付了两次成本：

第一次是金钱；

第二次则是更有价值的东西 —— 为了让模型真正发挥作用，你不得不向它提供自己的专有知识。

而且，你希望模型表现得越好，需要向它提供的知识就越多。

随着时间推移，双方的信息不对称会越来越严重。

模型提供商会在你使用服务的过程中不断加深对你的了解，但你几乎不知道，对方究竟从这些交互中学到了什么。

这就是我所说的“反向信息悖论”。

专利制度解决了阿罗悖论的一部分问题。它让发明者可以公开自己的创意，而不至于直接失去对这项创意的控制。

“反向信息悖论”同样需要一套与之相对应的制度安排。

而这不仅仅是保护数据的问题。

模型还会从 AI 使用过程中产生的各种“智能痕迹”中学习，包括人们编写的提示词、智能体调用的工具，尤其是模型出错后，人们作出的纠正。

每一次纠错，都可能被吸收并转化为组织经验和业务知识。

这类知识是竞争对手花钱也买不到的，却可能以一种几乎难以察觉的方式不断流失：一条运行轨迹接着一条运行轨迹，一次纠正接着一次纠正，一项评测接着一项评测。

当你在使用智能时，你也在创造智能。

而你创造的智能，理应属于你。

借用哈耶克的概念，这是一种只属于你的“情境智能”，来自特定时间、特定地点和特定环境下的知识，其他任何人都无法完整掌握。

它知道你如何思考、重视什么，又如何判断一件事情是否成功。

模型提供商依据“合理使用”原则，利用公共数据训练模型，由此产生的巨大创新确有必要。

但令我感到讽刺的是，当前的行业现状却是，这些模型提供商转过身来，对模型蒸馏设置严格限制，同时保留利用客户使用数据和交互数据继续学习的权利。

如果学习只能单向流动，经济价值最终就会流向掌握学习基础设施的一方，而不是流向知识本身的创造者。

因此，每家企业都必须拥有自己的学习基础设施，并掌握自身的学习闭环。

正如亚历克斯·卡普所说：

“技术型客户想要的是对算力、模型、数据体系和自身核心优势的控制。他们希望确认，生产资料掌握在自己手中，而不是正在被转移给其他人。”

当前的行业机制，恰恰造成了卡普和许多企业所担心的这种转移。

因此，企业需要建立一道真正的信任边界，让人力资本和由模型使用、反馈与训练形成的“Token 资本”能够在企业内部持续积累并产生复利。

在这道边界内，企业的数据、运行轨迹、评测体系、适配后的模型权重和组织记忆能够共同积累、相互促进并持续改进。

这还必须是一道严格的边界。未经企业同意，任何内容都不能越过它，包括 AI 使用过程中产生的各种交互和学习痕迹。

企业将要求获得使用模型输出的权利，以便微调或训练自己的模型。

在我看来，这也是每家企业根据自身责任和合规要求，对模型进行调整和对齐的权利。

在云计算时代，企业积累的是数据。

在 AI 时代，企业积累的是学习能力。

因此，企业的信任边界也必须随之升级：不仅要保护信息本身，还要保护组织学习、适应并持续积累智能的机制。

为了实现这一目标，每家企业都需要做好以下几件事。

控制权：

建立企业自己的私有评测体系，因为评测标准决定了在企业内部，什么样的结果才算“好”。

企业还应当保留对组织记忆、运行轨迹、反馈、决策和内部业务背景的所有权，并有权使用自身任务和查询所产生的模型输出。

自主能力：

在企业自身隔离、可控的环境内，建立专有的学习系统，用于训练或微调模型。

模型可以在这一环境中结合真实业务流程进行学习，而企业的知识不会因此暴露到外部。

选择权：

确保负责连接业务、数据和模型的编排层，不与任何一个模型深度绑定。

企业需要问自己：假如当前使用的某个模型突然无法继续提供服务，企业是否仍然能够依靠其他模型维持业务运行，并按照自己的评测标准持续优化？

即使某个外部通用模型不再可用，企业长期积累的业务能力和组织经验，是否仍然掌握在自己手中？

成本：

当编排层不再依赖单一模型时，企业还可以根据具体任务，更高效、更具成本效益地组合上下文、模型和工作流程，同时不牺牲结果质量。

持续积累：

将以上四点结合起来，企业就能够建立自己的持续学习闭环，形成一套能够不断试验、评测和优化的系统。

这样一来，企业的 AI 投资就能够持续产生复利，不断提升企业自身的价值。

换句话说，一家公司应该能够使用一个模型，而不必因此交出那些真正令自己与众不同的知识。

这正是我们必须面对的“反向信息悖论”。

云头条声明：如以上内容有误或侵犯到你公司、机构、单位或个人权益，请联系我们说明理由，我们会配合，无条件删除处理。