企业AI的真正战场，是学习过程的控制权

本文来自微信公众号： 未尽研究 ，作者：未尽研究

互联网时代有句名言：如果你免费使用一个产品，你就是产品。

到了AI时代，这句话产生了增强版：即使你正在为AI付费，你也可能仍然是它的训练材料。

企业为token支付费用，购买模型的能力；但在真实工作中，它们又不断向AI系统提供业务上下文、工作流、人工修正、偏好反馈和异常案例。这些看似只是使用痕迹，实际上却是AI时代最有价值的学习信号。

过去的软件商业模式，是企业购买工具；今天的大模型商业模式，则可能变成企业一边购买工具，一边成为工具进化的一部分。

这正是token经济尚未解开的死结，也是从纳德拉到卡普都没有整明白的问题是：企业到底是在消费智能，还是也在为模型供应商生产智能？

智能体浪潮推动AI资产持续上涨。市场相信，随着AI真正进入企业生产流程，一套新的商业模式似乎已经建立起来：企业不断购买token，模型不断创造价值，智能最终像云计算一样成为新的基础设施。

但是，当token经济真正展开，事情并没有这么简单。几位美国科技行业的大佬开始直白提醒：今天的大模型商业模式，建立在一种越来越紧张的价值交换之上。

问题不只是token贵，而是谁掌握由token消耗产生的学习过程。

这里所说的学习过程，不只是模型预训练，也不只是员工学习，而是AI在真实业务中完成任务、接受反馈、修正错误、积累上下文、沉淀流程和形成判断标准的过程。它包括提示词、工具调用、人工修正、任务轨迹、评估结果、异常处理、权限规则和业务语义。

这些东西共同构成一种“特定智能”（particular intelligence）。它不是互联网上的通用知识，而是某家企业、某个行业、某套流程在长期实践中积累出来的能力。

真正的竞争优势，往往来自这种持续学习。无论企业还是模型，能形成护城河的，都不是一次性的知识，而是在实际工作中不断积累、修正和反馈的过程。

问题在于，今天这个学习过程，正在越来越多地向基础模型和AI平台集中。企业购买AI，并不仅仅是在消费智能，也在持续创造智能。企业产生的知识、反馈、工作流和经验，可能反过来成为模型、平台和智能体系统继续进化的燃料。

微软是这一轮AI浪潮最大的受益者之一，先后重金投资OpenAI和Anthropic。但纳德拉最近却连续发文，直指这个耐人寻味的问题。他认为，模型提供商一边保留从客户使用和交互数据中学习的权利，一边又反过来对“知识蒸馏”施加限制性条款，实在具有讽刺意味。

这也是他连续第二个月表达担忧。上一次，他说，社会绝不会允许一个掏空整个行业的AI未来存在。真正能够长期成立的平台，不应该只是不断吸收价值，而应该帮助更多企业创造新的价值。

矛盾在于：模型公司希望扩大自己的学习飞轮，企业则希望保留自己的学习闭环。

Palantir首席执行官卡普（Alex Karp）说，技术型客户想要的是对自己的算力、模型、数据栈和核心竞争优势的控制权；他们希望确保自己拥有生产资料，而不是将其转移给他人。

这句话切中了企业AI的深层焦虑。企业并不只是担心数据泄露，也不是单纯想降低token成本。它们真正担心的是，把AI能力长期外包出去之后，自己的组织学习能力、行业语义、流程知识和创新能力也被一并外包。

在生产中学习，是创新的关键来源之一。制造业企业外包生产，失去的不只是工厂和工人，更是在生产过程中不断积累的工艺、经验和组织能力。AI时代，类似问题正在进入知识工作领域。

如果企业只是在外部模型上不断消耗token，却无法把经验沉淀为自身资产，那么AI带来的生产率提升，可能更多体现为对模型供应商的持续支付，而不是企业自身能力的复利。

这也解释了为什么开源模型正在成为另一种竞争路径。开源模型不再只是降低token成本的工具，而是企业保留学习闭环的一种制度选择。

只要开源模型足够强，企业就可以在自己的基础设施内完成推理、微调、评估、路由和持续优化。真实业务中产生的反馈、异常、修正和工作流经验，可以尽可能沉淀在企业自身体系，而不是持续外包给模型供应商。

换句话说，开源模型提供的不只是成本优势，而是一种“学习主权”。

当然，开源并不是万能答案。企业仍然需要评估能力、安全治理、工具链、模型服务和持续迭代能力。很多企业也没有能力自己维护完整AI基础设施。未来市场不会只有一种形态，而会形成闭源托管、私有部署、开源自建、多模型混合、行业平台等多种模式。

但方向已经很清楚：越是拥有核心数据、核心流程和强监管要求的企业，越会重视学习闭环的控制权。

这也是蒸馏争议真正重要的地方。蒸馏争议表面上是模型之间的复制问题，本质上却是学习权之争：谁有权从谁的输出、反馈和工作过程中学习？

Anthropic认为，如果没有蒸馏，开源模型与前沿闭源模型的差距会拉大。但相似地，如果没有来自用户真实任务的隐性知识和实践反馈，闭源模型的扩展也未必能一直顺畅。

针对美国几大前沿闭源模型在华盛顿近来加紧游说政府对开源模型下手，前艾伦研究所研究员兰波特（Nathan Lambert）认为，在现阶段，“知识蒸馏”某种程度上已经演变成一场监管俘获运动，因为许多被提出的解决方案，都明显有利于推动限制蒸馏的前沿模型公司。

这并不意味着限制蒸馏完全没有理由。模型公司投入巨额资本训练前沿模型，当然担心能力被低成本复制，也担心安全能力被绕过。但如果限制被设计得过宽，它也可能抬高前沿模型的稀缺性，削弱开源生态和研究共同体的追赶能力。

因此，这场争论不能简单理解为闭源与开源之争，而是创新回报、安全治理和知识扩散之间的冲突。

与此同时，模型公司也在向应用层、工作流和硬件入口延伸。原因很简单：谁控制工作流，谁就控制反馈；谁控制反馈，谁就拥有下一轮模型进化的燃料。

OpenAI不断向应用和硬件入口扩张，SpaceX收购Cursor背后的Anysphere，模型公司派遣前向部署工程师进入客户组织，本质上都不只是为了增加收入，而是为了获得真实世界中持续产生学习信号的入口。

代码、金融、医疗、制造、办公、客服、设计，都是高价值学习流。模型一旦进入这些工作流，就不只是回答问题，而是在观察任务如何被提出、如何被拆解、如何被修正、如何被评价。这些才是智能体时代最宝贵的燃料。

围绕价格的竞争也是如此。近来OpenAI、Meta、xAI等公司降低调用成本，表面上是在争夺客户预算，本质上也是在争夺学习信号。谁能以更低价格进入更多真实工作流，谁就能获得更多任务轨迹、评估反馈和应用场景。

但这里仍有一个问题：如果企业只是从一家昂贵闭源模型迁移到另一家更便宜闭源模型，而学习流仍然被外部平台掌握，那么今天试图解开的结，只是重新系到了另一家公司身上。

因此，token经济的真正问题，不是企业是否应该使用闭源模型，也不是开源模型能否完全替代前沿模型，而是企业如何避免把自己的学习过程永久外包出去。

答案是不同的。黄仁勋的解法，是建立更广泛的开源和生态同盟；纳德拉倡议构建一个“前沿生态系统”，而不仅仅是打造一个“前沿模型”；萨顿则重新创业，试图寻找不同于今天大模型的新学习范式——远离数据集，而是从自我的经验中学习。

最终哪一种会胜出，还没有答案。

但有一点已经越来越清楚：AI时代真正稀缺的，不只是模型能力，而是在真实工作中持续学习的能力。谁拥有这个学习闭环，谁才拥有token经济的复利。