從Token Capital到企業認知主權：別把大腦交給大模型公司！

新智元報道

最近，微軟CEO Satya Nadella和Palantir CEO Alex Karp幾乎在同一時間，從不同角度提出了一個越來越尖銳的問題：

當人工智能開始深度參與企業的思考、決策和執行之后，企業究竟是在獲得一種新的生產力，還是在逐漸把自己的知識、經驗、判斷和競爭優勢交給外部模型公司？

這并不是一個簡單的數據安全問題，也不僅是一個模型成本問題。它真正觸及的是企業在AI時代最核心的權力結構：誰擁有企業的認知資產，誰控制企業的學習閉環，誰能夠從每一次業務交互中持續進化，以及最終誰擁有企業的大腦。

從這個角度看，納德拉近期的兩篇文章和Karp的CNBC訪談非常重要。它們標志著全球頂級科技企業的討論重點，正在從「模型能力有多強」，轉向「企業如何避免失去自己的認知主權」。

佟佳睿（Richard Jiarui Tong）博士最近發布了一篇評論，將納德拉的兩篇長文、Karp的CNBC 訪談，與他本人更早提出的企業認知系統和認知主權框架放在同一條思想演進線上。

值得注意的是，納德拉等公開提出的問題，正是佟佳睿博士更早在企業認知系統、ECS、NSEAP和KSTAR體系中已經開始系統設計和工程化解決的問題。

佟佳睿（Richard Jiarui Tong）博士擔任IEEE人工智能標準委員會（AISC）主席，并領導IEEE P3394大語言模型智能體接口標準工作組，在AI標準化與產業實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，美國東部時間上午11:33，納德拉在X上發表長文《A frontier without an ecosystem is not stable》。對應北京時間為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。

傳統企業積累的是Human Capital，也就是員工、專家、組織經驗、專業判斷和管理能力。AI時代之后，企業還會積累另一類資本：由模型使用、數據、提示詞、工具調用、業務反饋、評測體系和持續學習過程共同形成的Token Capital。

納德拉強調，真正有價值的AI能力，并不是簡單調用一個外部模型。任何企業都可以買到相似的模型，也都可以使用相似的API。

企業真正的差異化來自于，它是否能夠圍繞自己的業務建立一個學習閉環，并把每一次模型使用轉化為組織自身的能力積累。

換句話說，模型本身并不是壁壘。

真正的壁壘是企業是否能夠把自己的業務知識、專業判斷、執行過程和反饋結果，持續沉淀為一種可以重復使用、持續優化和獨立擁有的能力。

納德拉實際上承認了一個非常關鍵的事實：

企業不能只擁有AI的使用權，企業必須擁有AI使用過程中形成的學習資產。

這已經比早期「購買大模型、部署Copilot、提高員工效率」的敘事向前走了一大步。

但是，Token Capital仍然只是一個資本層面的概念。

它指出企業需要積累AI能力，卻還沒有完全回答這些能力到底以什么形式存在、如何被管理、如何被驗證、如何被更新，以及如何防止它們依附于某一個模型供應商。

而這正是佟博士提出企業認知系統的原因。

納德拉的第二層判斷

2026年7月12日，美國東部時間上午11:09，納德拉又在 X 上發表了關于Reverse Information Paradox，反向信息悖論的論述。對應北京時間為2026年7月12日晚上11:09。

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

傳統的Arrow Information Paradox指出：信息賣方如果不披露信息，買方無法判斷價值；但如果先披露，買方可能已經免費獲得了信息，因此不再需要購買。

納德拉認為，AI時代出現了相反的情況。

企業為了獲得模型服務，必須首先把自己的問題、上下文、數據、工作流程和判斷標準暴露給模型。模型公司不再只是向企業出售知識，反而能夠通過企業的使用過程，理解企業是如何思考、如何工作和如何創造價值的。

也就是說，企業不僅在支付 Token 費用，還在持續向模型系統貢獻：

• 真實的業務問題；

• 高價值行業語境；

• 專家的判斷方式；

• 任務分解路徑；

• 決策偏好；

• 成功與失敗的反饋；

• 結果評價標準；

• 以及企業內部尚未顯性化的知識。

這些信息單獨看可能只是一次提示詞、一次模型調用或一次用戶糾正，但積累起來，它們構成的并不是普通數據，而是一張企業的認知地圖。

模型供應商可能逐漸看到：

企業關注什么問題，如何定義目標，如何評價答案，哪些建議會被接受，哪些會被拒絕，以及企業真正依賴的價值判斷是什么。

這就是反向信息悖論的本質：

企業以為自己只是在購買智能，實際上也可能在向外部系統持續輸出自身的智能。

企業原本最有價值的部分，并不一定存在于某一張數據庫表里，而可能存在于員工如何解決問題、主管如何做判斷、專家如何平衡風險，以及組織如何從結果中學習。

AI 系統恰恰能夠從這些交互中提取這些隱性的認知資產。

Karp的憤怒

2026年7月1日，Palantir CEO Alex Karp 在 CNBC《Squawk Box》節目中接受采訪。CNBC 隨后在同日發布了訪談視頻。

如果說納德拉的表達仍然帶有平臺生態和產業結構的抽象性，那么 Karp 的表述則更加直接，甚至帶有明顯的憤怒。

Karp認為，當前大模型產業存在兩個嚴重問題。

第一個問題，是企業正在支付大量Token成本，卻沒有獲得相應的業務價值。

第二個問題更嚴重：企業可能正在把自己的數據、流程、業務邏輯和競爭優勢交給模型公司。

他把企業區別于競爭對手的核心能力稱為Alpha。

Alpha不只是客戶名單、財務數據或技術專利。它還包括企業知道如何運營、如何做決策、如何配置資源、如何識別風險，以及如何在復雜環境中實現結果的獨特能力。

Karp要求每一家使用 AI 的企業都必須能夠回答幾個問題：

• 誰擁有這些數據？

• 數據被緩存在什么地方？

• 提示詞是否受到保護？

• 交互產生的知識是否會被轉移給供應商？

• 企業是否正在被模型公司理解、抽象，甚至復制？

Axios后來將這一問題總結為：AI正在成為企業思考、銷售和決策的操作系統，因此企業必須像保護自己的專有大腦一樣保護 AI 系統。Axios 還將「Alpha」定義為企業區別于市場的知識，將「主權 AI」定義為企業對模型和連接專有知識的應用層保持控制。

《華爾街日報》也指出，Karp 的言論擊中了美國企業界對 AI 實驗室權力持續擴大的焦慮：模型公司能夠從客戶的數據和決策過程中獲取洞察，而這些恰恰是企業成功的「秘方」。

Karp的核心觀點可以概括為：

企業不能一邊向模型公司支付費用，一邊幫助模型公司理解和吸收自己的核心價值。

從商業角度看，這是一種極其不對稱的交換。

企業承擔成本，貢獻語境，暴露問題，提供反饋，而模型公司則有機會獲得跨企業、跨行業和跨場景的認知積累。

久而久之，企業可能越來越依賴模型供應商，而模型供應商卻越來越理解企業。

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題：

• 納德拉提出，企業應當擁有自己的 Token Capital 和學習閉環；

• 納德拉進一步指出，企業面臨反向信息悖論；

• Karp 警告企業，不要把自己的 Alpha 交給外部模型公司；

• Palantir 強調數據控制、模型控制、路由控制和主權 AI。

而佟博士的企業認知系統（NSEAP ECS）和認知主權觀點，從一開始關注的就不僅是防止數據泄露，也不僅是部署一個企業內部模型。

佟博士提出的問題是：

企業的認知究竟由什么構成？

如果不能回答這個問題，就無法真正討論認知主權。

在佟博士的框架中，企業認知至少包括以下幾個組成部分：

1. 企業如何定義世界的 Ontology；

2. 企業專家如何完成工作的 Skills；

3. 企業如何理解具體場景的情節記憶；

4. 企業如何分解任務并形成行動計劃；

5. 企業如何定義期望結果；

6. 企業如何衡量實際結果；

7. 企業如何從兩者的差異中學習；

8. 企業如何把學習結果重新寫入知識、技能和流程。

因此，佟博士所說的認知主權，并不是簡單地把模型部署在本地，也不是只把數據保存在企業防火墻之內。

真正的認知主權，是企業對自身完整認知循環的控制權。

這個循環可以概括為：

其中：

• K是企業已有的知識、本體、技能和記憶；

• S是當前業務情境；

• T是需要完成的任務和目標；

• A是智能體生成并執行的行動；

• R是實際結果；

• ΔR是預期結果與實際結果之間的差異；

• K'是企業根據這次執行更新后的新認知資產。

企業真正需要掌握的，不只是某一次輸入和輸出，而是這條鏈條的全部。

數據主權不等于認知主權

當前大多數所謂的「主權AI」方案，關注的是幾個問題：

• 數據是否留在境內；

• 模型是否私有化部署；

• 計算資源是否自主可控；

• API 是否經過安全網關；

• 企業是否能夠選擇不同模型。

這些都是必要條件，但遠遠不夠。

企業可以把模型部署在自己的服務器里，卻仍然沒有認知主權。

原因是，如果企業的業務知識仍然只存在于人的頭腦中，如果工作方法沒有被結構化，如果評價標準沒有被顯性定義，如果每次執行后的經驗無法沉淀，那么企業只是擁有了一套計算基礎設施，并沒有擁有自己的認知系統。

同樣，企業也可以擁有自己的向量數據庫、知識庫和私有模型，卻仍然無法持續學習。

知識庫解決的是「系統知道什么」，但企業認知系統還必須回答：

• 系統應該在什么條件下使用這些知識？

• 應該調用哪些技能？

• 應該采取什么行動？

• 什么結果才算成功？

• 失敗應該歸因于知識、技能、計劃、執行還是環境？

• 學習以后，系統應該修改哪一部分？

因此，認知主權比數據主權更深一層。

數據主權解決的是信息存放權。

模型主權解決的是推理資源控制權。

認知主權解決的是企業如何形成判斷、執行行動、評價結果和持續進化的控制權。

Skill是最現實的認知載體

在佟博士目前的體系中，Skill是企業認知資產最重要的工程載體。

模型參數很難直接解釋和治理，提示詞又過于零散和脆弱，而傳統知識庫通常只能夠描述事實和文檔。

Skill 則處在知識與行動之間。

一個真正的企業級 Skill，不只是提示詞模板，而應當包括：

• 適用場景；

• 輸入條件；

• 所需知識；

• 權限邊界；

• 執行步驟；

• 工具調用；

• 決策規則；

• 預期結果；

• 成本和時間估計；

• 風險與約束；

• 結果驗證；

• 反饋和更新方式。

因此，Skill是企業「如何完成一件事」的可計算表達。

企業真正的Alpha，往往也正存在于這些Skill中。

競爭對手可能擁有同樣的大模型，但不一定知道：

• 企業如何識別一個高價值客戶；

• 如何判斷一次設備故障的根因；

• 如何安排現場維修資源；

• 如何進行客戶補救；

• 如何在成本、滿意度和風險之間做權衡；

• 如何判斷一次任務執行是否值得復用。

這些不是模型的通用知識，而是企業在長期運營中形成的行動智慧。

因此，企業認知主權的核心任務之一，是把這些行動智慧從人的隱性經驗中提取出來，轉化為企業擁有、可以治理、可以組合并且可以持續學習的 Skill。

企業學習閉環

納德拉提出企業需要擁有自己的learning loop，這是正確的。

但一個學習閉環要真正運行，必須有一個可靠的學習信號。

這個學習信號不能只是「用戶喜歡或不喜歡」，也不能只是模型回答的準確率。企業需要衡量的是，智能體的行動是否真正產生了預期的業務結果。

因此，佟博士一直強調預期結果與實際結果之間的差異：

當然，在真實企業系統中，R 往往不是一個單一數字，而是一個多維價值函數：

一次智能體執行是否成功，不應只看它有沒有完成流程，而應看它是否：

• 提高了收入；

• 降低了成本；

• 縮短了處理時間；

• 提升了客戶滿意度；

• 降低了風險；

• 改善了質量；

• 或者積累了未來可以復用的認知資產。

ΔR的重要性在于，它把企業的經營結果轉化為認知系統的學習信號。沒有ΔR，所謂持續學習很容易退化成無目標的模型微調。

擁有ΔR，企業才能知道：

• 哪一個 Skill 真正有效；

• 哪一個決策規則應該調整；

• 哪一種客戶畫像更準確；

• 哪一種行動在什么場景下創造了價值；

• 哪一個智能體值得被推廣；

• 哪一個認知資產正在失效。

所以，企業學習閉環的核心，不是產生更多Token，而是把執行結果轉化為可驗證、可歸因、可復用的學習信號。

KSTAR

佟博士提出KSTAR，不只是為了描述一個智能體任務流程，而是為了提供一種企業認知進化機制。

KSTAR可以理解為：

• Know What：當前知道什么；

• So What：這些知識對于當前情境意味著什么；

• Then What / Task What：需要完成什么任務；

• Act What：應該采取什么行動；

• Result What：產生了什么結果；

• Learn What：根據結果應該學到什么。

這種機制的關鍵，是它把認知資產、任務執行和業務結果連接起來。

傳統知識管理系統往往停留在文檔存儲。

傳統流程系統往往停留在步驟自動化。

傳統大模型系統往往停留在生成內容。

KSTAR則試圖回答一個更完整的問題：

企業如何從一次真實業務活動中，自動形成下一次更好的認知和行動能力？

這才是Token Capital真正應該被工程化的方式。

Token Capital如果只是一個會計或戰略概念，仍然很抽象。

而在ECS和NSEAP中，它可以被具體化為：

• Ontology 資產；

• Skill 資產；

• Meta-skill 資產；

• Agent 配置；

• 任務執行記錄；

• 情節記憶；

• 評價函數；

• ΔR信號；

• Skill版本演化；

• 業務場景中的持續測評結果。

企業不是因為消耗了更多Token而變得更聰明。

企業只有在每一次Token消耗之后，留下了自己擁有的、更好的知識、技能、評價標準和執行能力，才真正積累了Token Capital。

底層大模型必須可替換

佟博士的一個基本判斷是：

大模型應當是企業認知系統中的推理資源，而不應當成為企業認知系統本身。

企業可以使用OpenAI、Anthropic、Google、Microsoft或開源模型。

不同任務可以使用不同模型。

模型可以根據成本、性能、安全等級和場景進行動態路由。

但是，企業自身的以下資產必須獨立于任何具體模型存在：

• 本體；

• 業務語義；

• 技能；

• 工作流；

• 企業記憶；

• 權限體系；

• 評價函數；

• 結果數據；

• 學習信號；

• 審計記錄；

• 認知資產版本歷史。

模型可以升級，也可以替換。

供應商可以改變。

但企業不能因為更換了模型，就失去之前積累的業務經驗。

如果企業的能力只能存在于某個模型的私有上下文、某個供應商的 Agent 平臺或某個不可遷移的提示詞系統里，那么企業事實上并不擁有這些能力。

真正的認知主權意味著：

模型是可替換的，企業認知內核是不可替代的。

Palantir需要向前一步

Palantir的強項一直不是訓練最大的模型，而是將數據、業務對象、權限和行動連接到一個企業級Ontology中。

這也是為什么Karp能夠比很多純模型公司的CEO更早看到企業主權問題。

Palantir理解，僅有數據和模型并不能形成企業智能。企業必須擁有一個描述業務對象、關系、狀態和行動的語義層。

但是，從佟博士的角度看，Ontology仍然只是企業認知系統的一部分。

Ontology 主要回答：

• 企業世界中有什么對象；

• 對象之間有什么關系；

• 當前狀態是什么；

• 哪些行動可以作用于這些對象。

而完整的認知系統還必須回答：

• 哪些 Skill 應該在什么條件下被調用；

• 誰有權執行；

• 預期結果是什么；

• 如何評價實際結果；

• 一次執行之后，Ontology、Skill 和策略應該如何更新；

• 不同員工和智能體的局部經驗如何轉化為組織級能力。

因此，佟博士認為下一代企業認知系統必須從Ontology繼續向前發展到：

Ontology + Skills + Memory + Agents + Evaluation + Evolution

也就是從「企業業務的數字語義層」，走向「企業業務的認知進化系統」。

學習閉環的競爭

未來企業之間最重要的差異，不一定是誰使用了最強的模型，而是誰擁有更好的閉環。

兩個企業可能同時使用同一個大模型。

但其中一個企業只是讓員工不斷調用模型，生成文檔、寫代碼和回答問題。

另一個企業則把每次調用轉化為：

• 新的案例；

• 新的Skill；

• 新的規則；

• 新的評價標準；

• 新的任務模板；

• 新的行業本體；

• 新的風險控制機制；

• 新的組織經驗。

一年以后，這兩家企業雖然使用了同樣的模型，卻會變成完全不同的組織。

第一家企業只是消耗了大量Token。

第二家企業建立了一套持續增長的認知資產。

所以，未來競爭的核心不是Token消耗量，而是：Cognitive Asset Growth per Token

也就是每消耗一個單位Token，企業能夠留下多少屬于自己的認知資產。

這可能比傳統意義上的模型準確率或單次任務效率，更能夠衡量企業 AI 轉型的長期價值。

比公開敘事更早一步

佟博士并不認為納德拉和 Karp 的判斷只是市場宣傳。恰恰相反，他們抓住了 AI 產業即將發生的一次關鍵轉向。

但是，他們現在才開始公開強調：

• 企業學習閉環；

• Token Capital；

• 反向信息悖論；

• 企業Alpha；

• Sovereign AI；

• 企業對模型和應用層的控制權。

而佟博士此前在設計ECS、NSEAP和KSTAR時，關注的已經不是單一的數據保護或模型選擇問題，而是企業能否擁有一套獨立于底層模型的認知內核。

佟博士更早提出：

• 企業知識必須本體化；

• 專家經驗必須技能化；

• 智能體執行必須結果化；

• 學習過程必須由ΔR驅動；

• 企業認知資產必須能夠持續進化；

• 大模型只能是認知系統的組件，而不是企業大腦的所有者；

• 企業必須擁有對認知形成、認知執行和認知進化的完整控制權。

從這個意義上說，納德拉和Karp的最新敘事確實印證了佟博士的基本判斷。

他們現在開始告訴企業：

不要失去自己的數據、學習閉環和Alpha。

而佟博士更早的問題是：

企業如何把這些東西真正構造成一個自己擁有、可以運行、可以測量、可以治理和可以持續進化的認知系統？

這兩者之間的差別，是問題意識與工程體系之間的差別。

結語

AI時代最危險的誤解，是認為企業只要接入最先進的大模型，就擁有了智能。

實際上，模型公司的智能不等于企業的智能。

企業真正的智能，來自它對自身業務世界的理解，來自專家在長期實踐中形成的判斷，來自組織在無數成功和失敗中積累的經驗，也來自企業如何定義價值、衡量結果并不斷修正行動。

如果這些能力只能通過外部模型獲得，如果每一次交互都沒有留下企業自己的認知資產，如果企業的學習信號和評價標準被外部平臺控制，那么企業使用 AI 越多，未必就越有競爭力，反而可能越依賴外部智能。

所以，認知主權不是一個防御性概念。

它不僅是在說企業要防止自己的知識被拿走。

更重要的是，它要求企業主動建設自己變聰明的能力。

真正擁有認知主權的企業，應當能夠做到：

• 自己定義業務世界；

• 自己沉淀專家技能；

• 自己組織智能體執行；

• 自己評價業務結果；

• 自己掌握學習信號；

• 自己更新認知資產；

• 并且可以自由選擇和替換底層模型。

納德拉所說的Token Capital，只有被沉淀為企業自己的認知資產，才是真正的資本。

Karp所說的Alpha，只有被編碼進企業自己的Ontology、Skills、Memory 和 Evaluation Function中，才不會隨著人員流動或模型依賴而流失。

而佟博士所提出的企業認知主權，最終強調的是一個更基本的原則：

企業不能只擁有調用智能的權利，必須擁有形成智能、評價智能和持續進化智能的權利。

數據是企業的資產，模型是企業可以使用的資源，而認知系統才是企業在 AI 時代真正的大腦。

編輯：LRST