新智元报道
最近，微软CEO Satya Nadella和Palantir CEO Alex Karp几乎在同一时间，从不同角度提出了一个越来越尖锐的问题：
当人工智能开始深度参与企业的思考、决策和执行之后，企业究竟是在获得一种新的生产力，还是在逐渐把自己的知识、经验、判断和竞争优势交给外部模型公司？
这并不是一个简单的数据安全问题，也不仅是一个模型成本问题。它真正触及的是企业在AI时代最核心的权力结构：谁拥有企业的认知资产，谁控制企业的学习闭环，谁能够从每一次业务交互中持续进化，以及最终谁拥有企业的大脑。
从这个角度看，纳德拉近期的两篇文章和Karp的CNBC访谈非常重要。它们标志着全球顶级科技企业的讨论重点，正在从「模型能力有多强」，转向「企业如何避免失去自己的认知主权」。
佟佳睿（Richard Jiarui Tong）博士最近发布了一篇评论，将纳德拉的两篇长文、Karp的CNBC 访谈，与他本人更早提出的企业认知系统和认知主权框架放在同一条思想演进线上。
值得注意的是，纳德拉等公开提出的问题，正是佟佳睿博士更早在企业认知系统、ECS、NSEAP和KSTAR体系中已经开始系统设计和工程化解决的问题。
佟佳睿（Richard Jiarui Tong）博士担任IEEE人工智能标准委员会（AISC）主席，并领导IEEE P3394大语言模型智能体接口标准工作组，在AI标准化与产业实践方面具有重要影响力。
纳德拉的第一层判断
2026年6月14日，美国东部时间上午11:33，纳德拉在X上发表长文《A frontier without an ecosystem is not stable》。对应北京时间为2026年6月14日晚上11:33。
推文链接：https://x.com/satyanadella/article/2066182223213293753
这篇文章中最重要的概念，是他提出的Token Capital。
传统企业积累的是Human Capital，也就是员工、专家、组织经验、专业判断和管理能力。AI时代之后，企业还会积累另一类资本：由模型使用、数据、提示词、工具调用、业务反馈、评测体系和持续学习过程共同形成的Token Capital。
纳德拉强调，真正有价值的AI能力，并不是简单调用一个外部模型。任何企业都可以买到相似的模型，也都可以使用相似的API。
企业真正的差异化来自于，它是否能够围绕自己的业务建立一个学习闭环，并把每一次模型使用转化为组织自身的能力积累。
换句话说，模型本身并不是壁垒。
真正的壁垒是企业是否能够把自己的业务知识、专业判断、执行过程和反馈结果，持续沉淀为一种可以重复使用、持续优化和独立拥有的能力。
纳德拉实际上承认了一个非常关键的事实：
企业不能只拥有AI的使用权，企业必须拥有AI使用过程中形成的学习资产。
这已经比早期「购买大模型、部署Copilot、提高员工效率」的叙事向前走了一大步。
但是，Token Capital仍然只是一个资本层面的概念。
它指出企业需要积累AI能力，却还没有完全回答这些能力到底以什么形式存在、如何被管理、如何被验证、如何被更新，以及如何防止它们依附于某一个模型供应商。
而这正是佟博士提出企业认知系统的原因。
纳德拉的第二层判断
2026年7月12日，美国东部时间上午11:09，纳德拉又在 X 上发表了关于Reverse Information Paradox，反向信息悖论的论述。对应北京时间为2026年7月12日晚上11:09。
推文链接：https://x.com/satyanadella/article/2076323181154230284
传统的Arrow Information Paradox指出：信息卖方如果不披露信息，买方无法判断价值；但如果先披露，买方可能已经免费获得了信息，因此不再需要购买。
纳德拉认为，AI时代出现了相反的情况。
企业为了获得模型服务，必须首先把自己的问题、上下文、数据、工作流程和判断标准暴露给模型。模型公司不再只是向企业出售知识，反而能够通过企业的使用过程，理解企业是如何思考、如何工作和如何创造价值的。
也就是说，企业不仅在支付 Token 费用，还在持续向模型系统贡献：
真实的业务问题；
高价值行业语境；
专家的判断方式；
任务分解路径；
决策偏好；
成功与失败的反馈；
结果评价标准；
以及企业内部尚未显性化的知识。
这些信息单独看可能只是一次提示词、一次模型调用或一次用户纠正，但积累起来，它们构成的并不是普通数据，而是一张企业的认知地图。
模型供应商可能逐渐看到：
企业关注什么问题，如何定义目标，如何评价答案，哪些建议会被接受，哪些会被拒绝，以及企业真正依赖的价值判断是什么。
这就是反向信息悖论的本质：
企业以为自己只是在购买智能，实际上也可能在向外部系统持续输出自身的智能。
企业原本最有价值的部分，并不一定存在于某一张数据库表里，而可能存在于员工如何解决问题、主管如何做判断、专家如何平衡风险，以及组织如何从结果中学习。
AI 系统恰恰能够从这些交互中提取这些隐性的认知资产。
Karp的愤怒
2026年7月1日，Palantir CEO Alex Karp 在 CNBC《Squawk Box》节目中接受采访。CNBC 随后在同日发布了访谈视频。
如果说纳德拉的表达仍然带有平台生态和产业结构的抽象性，那么 Karp 的表述则更加直接，甚至带有明显的愤怒。
Karp认为，当前大模型产业存在两个严重问题。
第一个问题，是企业正在支付大量Token成本，却没有获得相应的业务价值。
第二个问题更严重：企业可能正在把自己的数据、流程、业务逻辑和竞争优势交给模型公司。
他把企业区别于竞争对手的核心能力称为Alpha。
Alpha不只是客户名单、财务数据或技术专利。它还包括企业知道如何运营、如何做决策、如何配置资源、如何识别风险，以及如何在复杂环境中实现结果的独特能力。
Karp要求每一家使用 AI 的企业都必须能够回答几个问题：
谁拥有这些数据？
数据被缓存在什么地方？
提示词是否受到保护？
交互产生的知识是否会被转移给供应商？
企业是否正在被模型公司理解、抽象，甚至复制？
Axios后来将这一问题总结为：AI正在成为企业思考、销售和决策的操作系统，因此企业必须像保护自己的专有大脑一样保护 AI 系统。Axios 还将「Alpha」定义为企业区别于市场的知识，将「主权 AI」定义为企业对模型和连接专有知识的应用层保持控制。
《华尔街日报》也指出，Karp 的言论击中了美国企业界对 AI 实验室权力持续扩大的焦虑：模型公司能够从客户的数据和决策过程中获取洞察，而这些恰恰是企业成功的「秘方」。
Karp的核心观点可以概括为：
企业不能一边向模型公司支付费用，一边帮助模型公司理解和吸收自己的核心价值。
从商业角度看，这是一种极其不对称的交换。
企业承担成本，贡献语境，暴露问题，提供反馈，而模型公司则有机会获得跨企业、跨行业和跨场景的认知积累。
久而久之，企业可能越来越依赖模型供应商，而模型供应商却越来越理解企业。
解决方案
纳德拉和Karp的判断都非常重要，但他们的论述主要是在解释问题：
纳德拉提出，企业应当拥有自己的 Token Capital 和学习闭环；
纳德拉进一步指出，企业面临反向信息悖论；
Karp 警告企业，不要把自己的 Alpha 交给外部模型公司；
Palantir 强调数据控制、模型控制、路由控制和主权 AI。
而佟博士的企业认知系统（NSEAP ECS）和认知主权观点，从一开始关注的就不仅是防止数据泄露，也不仅是部署一个企业内部模型。
佟博士提出的问题是：
企业的认知究竟由什么构成？
如果不能回答这个问题，就无法真正讨论认知主权。
在佟博士的框架中，企业认知至少包括以下几个组成部分：
企业如何定义世界的 Ontology；
企业专家如何完成工作的 Skills；
企业如何理解具体场景的情节记忆；
企业如何分解任务并形成行动计划；
企业如何定义期望结果；
企业如何衡量实际结果；
企业如何从两者的差异中学习；
企业如何把学习结果重新写入知识、技能和流程。
因此，佟博士所说的认知主权，并不是简单地把模型部署在本地，也不是只把数据保存在企业防火墙之内。
真正的认知主权，是企业对自身完整认知循环的控制权。
这个循环可以概括为：
其中：
K是企业已有的知识、本体、技能和记忆；
S是当前业务情境；
T是需要完成的任务和目标；
A是智能体生成并执行的行动；
R是实际结果；
ΔR是预期结果与实际结果之间的差异；
K'是企业根据这次执行更新后的新认知资产。
企业真正需要掌握的，不只是某一次输入和输出，而是这条链条的全部。
数据主权不等于认知主权
当前大多数所谓的「主权AI」方案，关注的是几个问题：
数据是否留在境内；
模型是否私有化部署；
计算资源是否自主可控；
API 是否经过安全网关；
企业是否能够选择不同模型。
这些都是必要条件，但远远不够。
企业可以把模型部署在自己的服务器里，却仍然没有认知主权。
原因是，如果企业的业务知识仍然只存在于人的头脑中，如果工作方法没有被结构化，如果评价标准没有被显性定义，如果每次执行后的经验无法沉淀，那么企业只是拥有了一套计算基础设施，并没有拥有自己的认知系统。
同样，企业也可以拥有自己的向量数据库、知识库和私有模型，却仍然无法持续学习。
知识库解决的是「系统知道什么」，但企业认知系统还必须回答：
系统应该在什么条件下使用这些知识？
应该调用哪些技能？
应该采取什么行动？
什么结果才算成功？
失败应该归因于知识、技能、计划、执行还是环境？
学习以后，系统应该修改哪一部分？
因此，认知主权比数据主权更深一层。
数据主权解决的是信息存放权。
模型主权解决的是推理资源控制权。
认知主权解决的是企业如何形成判断、执行行动、评价结果和持续进化的控制权。
Skill是最现实的认知载体
在佟博士目前的体系中，Skill是企业认知资产最重要的工程载体。
模型参数很难直接解释和治理，提示词又过于零散和脆弱，而传统知识库通常只能够描述事实和文档。
Skill 则处在知识与行动之间。
一个真正的企业级 Skill，不只是提示词模板，而应当包括：
适用场景；
输入条件；
所需知识；
权限边界；
执行步骤；
工具调用；
决策规则；
预期结果；
成本和时间估计；
风险与约束；
结果验证；
反馈和更新方式。
因此，Skill是企业「如何完成一件事」的可计算表达。
企业真正的Alpha，往往也正存在于这些Skill中。
竞争对手可能拥有同样的大模型，但不一定知道：
企业如何识别一个高价值客户；
如何判断一次设备故障的根因；
如何安排现场维修资源；
如何进行客户补救；
如何在成本、满意度和风险之间做权衡；
如何判断一次任务执行是否值得复用。
这些不是模型的通用知识，而是企业在长期运营中形成的行动智慧。
因此，企业认知主权的核心任务之一，是把这些行动智慧从人的隐性经验中提取出来，转化为企业拥有、可以治理、可以组合并且可以持续学习的 Skill。
企业学习闭环
纳德拉提出企业需要拥有自己的learning loop，这是正确的。
但一个学习闭环要真正运行，必须有一个可靠的学习信号。
这个学习信号不能只是「用户喜欢或不喜欢」，也不能只是模型回答的准确率。企业需要衡量的是，智能体的行动是否真正产生了预期的业务结果。
因此，佟博士一直强调预期结果与实际结果之间的差异：
当然，在真实企业系统中，R 往往不是一个单一数字，而是一个多维价值函数：
一次智能体执行是否成功，不应只看它有没有完成流程，而应看它是否：
提高了收入；
降低了成本；
缩短了处理时间；
提升了客户满意度；
降低了风险；
改善了质量；
或者积累了未来可以复用的认知资产。
ΔR的重要性在于，它把企业的经营结果转化为认知系统的学习信号。没有ΔR，所谓持续学习很容易退化成无目标的模型微调。
拥有ΔR，企业才能知道：
哪一个 Skill 真正有效；
哪一个决策规则应该调整；
哪一种客户画像更准确；
哪一种行动在什么场景下创造了价值；
哪一个智能体值得被推广；
哪一个认知资产正在失效。
所以，企业学习闭环的核心，不是产生更多Token，而是把执行结果转化为可验证、可归因、可复用的学习信号。
KSTAR
佟博士提出KSTAR，不只是为了描述一个智能体任务流程，而是为了提供一种企业认知进化机制。
KSTAR可以理解为：
Know What：当前知道什么；
So What：这些知识对于当前情境意味着什么；
Then What / Task What：需要完成什么任务；
Act What：应该采取什么行动；
Result What：产生了什么结果；
Learn What：根据结果应该学到什么。
这种机制的关键，是它把认知资产、任务执行和业务结果连接起来。
传统知识管理系统往往停留在文档存储。
传统流程系统往往停留在步骤自动化。
传统大模型系统往往停留在生成内容。
KSTAR则试图回答一个更完整的问题：
企业如何从一次真实业务活动中，自动形成下一次更好的认知和行动能力？
这才是Token Capital真正应该被工程化的方式。
Token Capital如果只是一个会计或战略概念，仍然很抽象。
而在ECS和NSEAP中，它可以被具体化为：
Ontology 资产；
Skill 资产；
Meta-skill 资产；
Agent 配置；
任务执行记录；
情节记忆；
评价函数；
ΔR信号；
Skill版本演化；
业务场景中的持续测评结果。
企业不是因为消耗了更多Token而变得更聪明。
企业只有在每一次Token消耗之后，留下了自己拥有的、更好的知识、技能、评价标准和执行能力，才真正积累了Token Capital。
底层大模型必须可替换
佟博士的一个基本判断是：
大模型应当是企业认知系统中的推理资源，而不应当成为企业认知系统本身。
企业可以使用OpenAI、Anthropic、Google、Microsoft或开源模型。
不同任务可以使用不同模型。
模型可以根据成本、性能、安全等级和场景进行动态路由。
但是，企业自身的以下资产必须独立于任何具体模型存在：
本体；
业务语义；
技能；
工作流；
企业记忆；
权限体系；
评价函数；
结果数据；
学习信号；
审计记录；
认知资产版本历史。
模型可以升级，也可以替换。
供应商可以改变。
但企业不能因为更换了模型，就失去之前积累的业务经验。
如果企业的能力只能存在于某个模型的私有上下文、某个供应商的 Agent 平台或某个不可迁移的提示词系统里，那么企业事实上并不拥有这些能力。
真正的认知主权意味着：
模型是可替换的，企业认知内核是不可替代的。
Palantir需要向前一步
Palantir的强项一直不是训练最大的模型，而是将数据、业务对象、权限和行动连接到一个企业级Ontology中。
这也是为什么Karp能够比很多纯模型公司的CEO更早看到企业主权问题。
Palantir理解，仅有数据和模型并不能形成企业智能。企业必须拥有一个描述业务对象、关系、状态和行动的语义层。
但是，从佟博士的角度看，Ontology仍然只是企业认知系统的一部分。
Ontology 主要回答：
企业世界中有什么对象；
对象之间有什么关系；
当前状态是什么；
哪些行动可以作用于这些对象。
而完整的认知系统还必须回答：
哪些 Skill 应该在什么条件下被调用；
谁有权执行；
预期结果是什么；
如何评价实际结果；
一次执行之后，Ontology、Skill 和策略应该如何更新；
不同员工和智能体的局部经验如何转化为组织级能力。
因此，佟博士认为下一代企业认知系统必须从Ontology继续向前发展到：
Ontology + Skills + Memory + Agents + Evaluation + Evolution
也就是从「企业业务的数字语义层」，走向「企业业务的认知进化系统」。
学习闭环的竞争
未来企业之间最重要的差异，不一定是谁使用了最强的模型，而是谁拥有更好的闭环。
两个企业可能同时使用同一个大模型。
但其中一个企业只是让员工不断调用模型，生成文档、写代码和回答问题。
另一个企业则把每次调用转化为：
新的案例；
新的Skill；
新的规则；
新的评价标准；
新的任务模板；
新的行业本体；
新的风险控制机制；
新的组织经验。
一年以后，这两家企业虽然使用了同样的模型，却会变成完全不同的组织。
第一家企业只是消耗了大量Token。
第二家企业建立了一套持续增长的认知资产。
所以，未来竞争的核心不是Token消耗量，而是：Cognitive Asset Growth per Token
也就是每消耗一个单位Token，企业能够留下多少属于自己的认知资产。
这可能比传统意义上的模型准确率或单次任务效率，更能够衡量企业 AI 转型的长期价值。
比公开叙事更早一步
佟博士并不认为纳德拉和 Karp 的判断只是市场宣传。恰恰相反，他们抓住了 AI 产业即将发生的一次关键转向。
但是，他们现在才开始公开强调：
企业学习闭环；
Token Capital；
反向信息悖论；
企业Alpha；
Sovereign AI；
企业对模型和应用层的控制权。
而佟博士此前在设计ECS、NSEAP和KSTAR时，关注的已经不是单一的数据保护或模型选择问题，而是企业能否拥有一套独立于底层模型的认知内核。
佟博士更早提出：
企业知识必须本体化；
专家经验必须技能化；
智能体执行必须结果化；
学习过程必须由ΔR驱动；
企业认知资产必须能够持续进化；
大模型只能是认知系统的组件，而不是企业大脑的所有者；
企业必须拥有对认知形成、认知执行和认知进化的完整控制权。
从这个意义上说，纳德拉和Karp的最新叙事确实印证了佟博士的基本判断。
他们现在开始告诉企业：
不要失去自己的数据、学习闭环和Alpha。
而佟博士更早的问题是：
企业如何把这些东西真正构造成一个自己拥有、可以运行、可以测量、可以治理和可以持续进化的认知系统？
这两者之间的差别，是问题意识与工程体系之间的差别。
结语
AI时代最危险的误解，是认为企业只要接入最先进的大模型，就拥有了智能。
实际上，模型公司的智能不等于企业的智能。
企业真正的智能，来自它对自身业务世界的理解，来自专家在长期实践中形成的判断，来自组织在无数成功和失败中积累的经验，也来自企业如何定义价值、衡量结果并不断修正行动。
如果这些能力只能通过外部模型获得，如果每一次交互都没有留下企业自己的认知资产，如果企业的学习信号和评价标准被外部平台控制，那么企业使用 AI 越多，未必就越有竞争力，反而可能越依赖外部智能。
所以，认知主权不是一个防御性概念。
它不仅是在说企业要防止自己的知识被拿走。
更重要的是，它要求企业主动建设自己变聪明的能力。
真正拥有认知主权的企业，应当能够做到：
自己定义业务世界；
自己沉淀专家技能；
自己组织智能体执行；
自己评价业务结果；
自己掌握学习信号；
自己更新认知资产；
并且可以自由选择和替换底层模型。
纳德拉所说的Token Capital，只有被沉淀为企业自己的认知资产，才是真正的资本。
Karp所说的Alpha，只有被编码进企业自己的Ontology、Skills、Memory 和 Evaluation Function中，才不会随着人员流动或模型依赖而流失。
而佟博士所提出的企业认知主权，最终强调的是一个更基本的原则：
企业不能只拥有调用智能的权利，必须拥有形成智能、评价智能和持续进化智能的权利。
数据是企业的资产，模型是企业可以使用的资源，而认知系统才是企业在 AI 时代真正的大脑。
编辑：LRST
热门跟贴