行业资讯
在智能时代，企业应当如何保护自己的核心知识产权？
The Reverse Information Paradoxhttps://x.com/satyanadella/article/2076323181154230284Satya Nadella(Chairman and CEO at Microsoft)PS: 最近玩耍的项目EngineeringOS/Athena在智能时代企业应当如何保护自己的核心知识产权核心归纳Reverse Information Paradox企业使用AI模型时必须输入专有知识prompts、corrections、evals等而这些知识被模型提供商吸收导致信息优势单向集中企业核心智力资产无形流失。现状批判模型商主张公共数据 fair use却限制客户蒸馏和使用数据形成双重标准。解决路径建立trust boundary企业需掌握 Control、Capability、Choice、Cost、Compound 五要素构建自有学习闭环使AI投资成为长期复利引擎。Detail诺贝尔经济学奖得主 Kenneth Arrow 曾有过著名的论述指出信息市场存在一个悖论“其价值对购买者而言在获得信息之前是未知的但一旦获得他实际上等于免费得到了它。”在 Arrow 的“Information Paradox”中卖方为了出售知识不得不冒着将知识拱手送人的风险。而人工智能则制造了相反的难题。在AI时代买方为了使用所购之物反而要冒着泄露自身知识的风险。你实际上为智能支付了两次代价一次是金钱另一次则更为宝贵——你必须将专有知识暴露出来才能使那套智能真正发挥作用。你越希望模型表现出色就必须向它投喂越多的知识。随着时间的推移信息不对称会愈发严重。你在使用所购产品的同时卖方对你的了解越来越多而你对卖方正在获取什么却知之甚少。这就是我所认为的“Reverse Information Paradox”。专利制度解决了 Arrow 悖论的一个方面它允许发明者公开一项创意而不至于白白将其赠与他人。Reverse Information Paradox 也需要它自己的对等方案。这需要的不仅仅是数据保护。模型会从“exhaust”中学习——人们撰写的 prompts、智能体使用的 tools尤其是当模型出错时用户所做的 corrections。每一次 correction 都被提炼为机构特有的institutional know-how。这种知识是竞争对手永远无法买到的但其泄露方式却几乎难以察觉一条 trace 接一条 trace、一次 correction 接一次 correction、一项 eval 接一项 eval。在消费智能的过程中你也在创造智能。而你所创造的东西应当属于你自己。这就是 Hayek 意义上的“你的特定知识”关于时间、地点和具体情境的知识是其他任何人无法拥有的。它知晓你的想法、你的价值标准以及你衡量成功的方式。尽管模型提供商基于 fair use 权利利用公共数据训练模型是一项伟大的创新但我感到讽刺的是现状却是它们反过来对distillation施加严苛的限制条款并保留从客户使用和交互数据中学习的权利。如果学习只能单向流动经济价值将向学习基础设施的所有者集中而非向知识本身的创造者倾斜。因此我们迫切需要将学习基础设施分散到每一家企业使它们能够掌控自己的学习闭环。正如 Alex Karp 所言“技术客户真正想要的是对其 compute、models、data stack 和 alpha 的控制权。他们希望确保自己拥有 the means of production而这些资料不会被转移给其他人。”当前的管理体制恰恰在实施 Karp 和许多企业所担心的那种转移。这就是为什么企业需要一个真正的trust boundary来让其human capital and token capital实现复合增长。在这个 boundary 内组织的数据、traces、evals、adapted weights 和 memory 将共同积累并协同改进。这应当是一道严格的 boundary——未经同意任何东西哪怕是 intelligence exhaust都不得跨越。企业必将要求获得使用模型输出以 fine-tune 和/或 train 自有模型的权利。我将此视为每一家企业将其模型对齐到自身 accountability obligations 的正当权利。在 cloud 时代企业积累的是数据在AI时代它们积累的是“学习成果”。trust boundary 必须随之演进——从保护信息升级为保护组织学习、适应和智能复利的整套机制。为确保这一点每家企业都必须做到以下几件事Control建立私有的 evals因为 evals 决定了组织内部对“好”的定义。同时保留对组织 memory、traces、feedbacks、decisions 和 institutional context 的拥有权并确保能够使用来自自身 tasks 和 queries 的模型 outputs。Capability在 tenant boundary 内构建自有的学习环境用以 train 或 fine-tune 模型使模型在真实 workflows 中学习而不会暴露公司的知识。Choice确保 orchestration layer 与任何单一 model 解耦。不妨问自己如果正在使用的某个 model 被撤走你是否还能凭借自己的 evals利用其他 models 继续运营即使某个“generalist” model 被拿走你公司的“veteran” capability 是否仍然保留Cost通过解耦 orchestration layer你还能以最高效、最具性价比的方式组合 context、models 和 tasks同时不牺牲 quality。Compound将以上四点整合起来你便能构建一个 continuous learning loop即hill climbing machine让你的AI investments 不断为企业 value 带来 compound 增长。换言之一家公司应当能够使用一个 model而无需交出使其独一无二的知识。这就是我们必须正视的Reverse Information Paradox。洞察评估与所有权先行自建私有 evals并在合同中明确约定模型输出、交互数据、traces 等归己方所有且禁止供应商用于改善其基础模型。架构解耦与私有化采用多模型编排确保编排层、记忆层独立优先私有化部署或开源模型实现内部完整学习闭环防止 vendor lock-in。长期复利思维将每一次交互、纠正、评估都视为“组织学习资产”的再投资持续积累差异化智能而非仅追求单次提效。PS, 模型变成最懂你的人 而且他变成那个孜孜不倦吸纳总结的角色你像被用完的药渣。ReferKenneth Arrow: https://www.nber.org/system/files/chapters/c2144/c2144.pdfA frontier without an ecosystem is not stable https://x.com/satyanadella/status/2066182223213293753Palantir CEO Alex Karp 所言: https://x.com/PalantirTech/status/2072326189079757277
郑州网站建设
网页设计
企业官网
