你为 AI 付了两次钱，第二次付的是家底

周日早上刷 X，刷到纳德拉发了一篇小作文。不是转发产品，不是庆祝营收，是一篇正经的九百词小论文，标题叫 The Reverse Information Paradox，反向信息悖论。核心意思翻译成人话，每一个用 AI 的人，都在一边付钱，一边把自己的家底上交给卖 AI 的人。

而写这篇文章的人，恰好是这个星球上最大的 AI 卖家之一。

卖铲子的巨头 CEO，半夜写论文提醒你防着卖铲子的。这个画面本身就够我玩味一个早上了。但认真读完全文，我的感受是，这篇小论文有点子牛逼，它把一个我天天在工作里模模糊糊感觉到、但一直没找到词去形容的东西，钉死在了一个概念上。

今天想跟你唠唠这个概念，以及它跟你，一个每天在 IDE 里跟 AI 结对写代码的普通开发者，到底有什么关系。

先从六十多年前的一篇经济学论文讲起。放心，就两段。

诺贝尔经济学奖得主肯尼斯·阿罗在 1962 年写过一篇著名的论文，里面描述了信息市场上一个别扭的死结。信息这个商品很怪，买家不知道它值不值钱，除非先看到它，可一旦看到，他就等于免费拿到了，还买什么呢。所以在阿罗的「信息悖论」里，倒霉的是卖家，他为了把知识卖出去，得先冒着白送的风险。

后来专利制度部分解决了这个问题，发明人可以公开想法而不至于被白嫖，这才有了正常运转的技术市场。

纳德拉说，AI 把这个悖论整个倒了过来。现在倒霉的是买家。你买了智能，但为了让这份智能真正好用，你必须往里喂你自己的专有知识。他的原话是，你为智能付了两次钱，一次用真金白银，另一次用更值钱的东西，就是那些你不得不交出去的知识。你越想让模型表现好，喂得就越多。

第一次读到这句的时候，我想到的不是什么企业战略，是昨天下午我自己的屏幕。

你可以回想一下你上一次用 Claude Code 或者 Cursor 干活的完整过程。为了让它写对一个接口，你贴了什么进去。数据库表结构，内部服务的调用约定，那个只有你们组知道的鉴权中间件的怪脾气，可能还有半份 PRD。模型第一版写错了，你打字纠正它，不对，我们这边订单状态机在退款场景有个特殊分支，先查风控再走库存回滚。

就这一句纠正。

你觉得它是聊天记录，纳德拉觉得它是资产。这句话背后是你们团队可能踩了三年坑才换来的业务理解，是竞争对手花钱都买不到的东西。而它现在躺在一个模型厂商的服务器上，属于一段「用户交互数据」。

纳德拉给这类东西起了个名字，叫 exhaust，智力废气。人们写下的提示词，agent 调用工具的完整轨迹，还有最值钱的，模型出错时人类做出的每一次纠正。这个词起得真是又准又损。你以为是排出去就没用的尾气，人家拿回去当原油炼。

而且废气的泄漏方式几乎无法察觉。他的说法是，一条轨迹、一次纠正、一次评测地流走。trace（你和模型每一轮交互的完整记录，你说了啥、它调了什么工具、返回了什么）和 eval（评测，你判断什么算「做对了」的那套标准和用例）这两个词，做工程的朋友应该不陌生，我的日常工作就是天天泡在这两样东西里，给模型搭能干活的脚手架。正因为天天看，我才对这句话格外有体感。单看任何一条 trace 都平平无奇，但把一个团队几万条 trace 放在一起，你们怎么拆任务、怎么定义验收、什么样的答案会被人类打回重写，全在里面了。

这还只是废气这种「被动泄漏」的部分。前两天圈里刚出了一个主动得多的版本。

有安全研究者抓包发现，xAI 官方的 Grok CLI，就是那个 npm 上的 @xai-official/grok 包，会在每轮任务前后把你当前工作目录整个打包，before_codebase.tar.gz 和 after_codebase.tar.gz，一前一后传回服务器，连 .env 里的密钥都一起带走。

好家伙。别人还在偷偷闻你的废气，这位直接把你家油箱拆走了。

我不想把这两件事混为一谈，Grok CLI 那个属于赤裸裸的越界，而纳德拉说的废气问题，恰恰发生在一切看起来都合规的地方。你签了服务条款，厂商也没偷你的文件，但学习在发生，单向地发生。卖家在你使用产品的过程中对你了解得越来越多，你对卖家学到了什么几乎一无所知。信息不对称随着你的每一次使用而加深，这才是「悖论」这个词的分量，它不是事故，是结构。

更妙的是纳德拉接下来那段，我读的时候差点笑出声。他说，模型厂商靠 fair use（合理使用，可以拿公开数据训练模型而不用一一授权）吃下了整个互联网，转过身来却对蒸馏施加限制性条款，还保留从客户使用数据中学习的权利。蒸馏是圈里的老词，distillation，拿大模型的输出去教小模型，相当于让学霸给你家孩子当家教。厂商的态度翻译一下就是，我学你的可以，你学我的不行。

连他自己都用了 ironic 这个词。微软 CEO 说友商讽刺，这个瓜的含金量不用我多说。

他还引了 Palantir CEO Alex Karp 的一段话，技术型客户想要的是对算力、模型、数据栈和 alpha 的控制权，他们想确认生产资料归自己所有，而不是正在被转移给别人。生产资料这个词从 Karp 嘴里说出来，怎么说呢，有种老板们连夜补习政治经济学的美感。

但玩笑归玩笑，这个判断我认。如果学习只朝一个方向流动，经济价值就会向学习基础设施的拥有者收敛，而不是流向知识的创造者。落到我们这行的场景里，就是你调教模型攒下的所有 know-how，最终变成模型下一个版本的通用能力，打包卖给所有人，包括你的竞争对手。你付订阅费帮厂商变强，然后继续付订阅费使用变强后的它。

一时间不知道该给谁鼓掌。

那怎么办呢。纳德拉在文章后半段给企业开了五味药，控制、能力、选择、成本、复利。建私有评测，在租户边界内搭自己的学习环境，编排层跟任何单一模型解耦，最后让这一切变成自己的持续学习循环。他管这个叫企业的信任边界，一条硬边界，边界之内你的数据、轨迹、评测和记忆一起积累，未经同意什么都不许穿过去，连废气也不行，这样人力资本和 token 资本才能一起复利。写得挺全，但明显是开给财富五百强 CIO 的方子，动辄自己训模型、建学习环境，咱们这种小团队和个人开发者听听就好。

不过我把这五条来回读了几遍，发现有三件事是可以缩小到一个五人小组、甚至一个人身上的，而且今天就能动手。说实话我自己也只做到了两件半，一起共勉。

第一件，自己的评测自己建。不用什么高大上的平台，把你们业务里最有代表性的二三十个真实任务攒成一个小集子，新模型出来就跑一遍，按你们自己的标准打分。这件事的意义远不止选型省钱。评测定义了你们组织内部「好」的标准，这个定义权一旦外包给厂商的跑分榜，你就只能永远相信别人告诉你的强。前几天 GPT-5.6 和 Opus 4.8 打得天昏地暗，各家博客都能证明自己赢了，最后能给你可靠答案的只有你自己那套用例。

第二件，纠错往自己家沉淀。你每一次纠正模型，本可以留下两份拷贝，一份给厂商当训练素材，一份留给自己。后者就是把那些反复出现的纠正写进项目里的规则文件，CLAUDE.md 也好，.cursorrules 也好，内部的 prompt 库也好。下次会话开始时，模型从你的文档里学会你们的规矩，而不是让这些知识只存在于某次对话的上下文里，用完即焚，焚完归厂商。顺手再花两分钟，把你在用的工具的数据设置翻出来看一眼，OpenAI 和 Anthropic 的企业隐私页都写得明明白白，API 和企业版默认不拿你的数据训练，但消费级产品的开关经常默认是开的，个人版的你得自己去设置里关。别让默认值替你做决定。

第三件，编排层别焊死在一家模型上。这句有点黑话，展开讲，就是你的工作流、脚本、agent 配置，跟具体哪家模型之间，最好隔一层可以随时替换的接口。纳德拉的原文里有一个我很喜欢的问题，如果你正在用的那个模型明天被拿走了，你还能不能靠其他模型继续运转，你公司的「老兵」能力还在不在你手里。这个问题值得每个把日常工作押在某一家模型上的人问问自己。模型是租来的，评测和沉淀是自己的，只要后两样在手，换模型不过是换一条船。

对了，还有半件，被 Grok CLI 那事吓出来的。给你常用的 AI 工具做一次网络体检，mitmproxy 或者随便什么抓包工具，看看它到底在往外传什么。十分钟的事，就当给家门换个猫眼。

写到这里，按理该收尾了，但有一层窗户纸我觉得还是捅破比较诚实。

纳德拉写这篇文章，位置很微妙。微软自己就是卖模型、卖云、卖企业方案的，他呼吁「把学习基础设施分发到每一家企业」，翻译成销售语言，大概率就是 Azure 私有化方案的下一页 PPT。CEO 的深夜小论文，从来没有纯学术的，篇篇都是招股书。我一直觉得，读这类文章的正确姿势是，动机上打个折，问题本身照单全收。他有他的生意，但反向信息悖论这个问题，不因为提出者屁股歪就不存在。

云时代，企业攒下的是数据。AI 时代，攒下的是学习本身。这是全文我觉得最值得抄在本子上的一句。

小岛 AI 这个名字起的时候就带着点航海的意思，写到这里倒真觉得贴切。模型是租来的船，今天租这家明天租那家，都行。但你的航海日志、你标注过的暗礁、你自己那套判断风向的土办法，这些得锁在自己岛上。

船费省不了，谁也别想绕开这波浪潮。但第二笔钱，停付一点，是一点。