近期，两大科技巨头的领航者几乎在同一时间段，从各自不同的视角，共同指向了一个日益尖锐的核心议题。

当人工智能开始深度渗透企业的思考、决策与执行环节时，企业究竟是在获取一种全新的生产力，还是在不知不觉中，将自己积累的知识、经验、判断力乃至竞争优势，逐步让渡给了外部的模型服务商？

这绝非简单的数据安全或模型成本问题。它真正触及的，是企业在人工智能时代最根本的权力结构：究竟谁拥有企业的认知资产？谁掌控着企业的学习闭环？谁能从每一次业务交互中持续进化？以及，最终，谁来掌握企业的大脑？

从这个维度审视，微软首席执行官萨提亚·纳德拉近期发布的两篇深度文章，以及帕兰提尔（Palantir）首席执行官亚历克斯·卡普（Alex Karp）在CNBC的访谈，其分量不言而喻。它们标志着全球顶尖科技企业的讨论焦点，正从“模型能力有多强”，转向“企业如何避免丧失自身的认知主权”。

佟佳睿（Richard Jiarui Tong）博士最近的一篇评论，将这些观点与他本人更早提出的企业认知系统和认知主权框架，置于一条清晰的思想演进脉络中。值得关注的是，纳德拉和卡普公开指出的问题，恰恰是佟博士更早阶段，在ECS（企业认知系统）、NSEAP和KSTAR体系中，已经开始系统性设计与工程化实践的内容。

佟佳睿博士现任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标准化与产业应用方面拥有重要影响力。

纳德拉的第一层判断：Token Capital（代币资本）

2026年6月14日，纳德拉在社交媒体X上发表了一篇题为《A frontier without an ecosystem is not stable》的长文。文中，他提出了一个极为关键的概念：Token Capital（代币资本）。

传统企业积累的是“人力资本”（Human Capital），即员工、专家、组织经验、专业判断与管理能力。而在AI时代，企业将积累另一类新型资本：它由模型使用、数据、提示词、工具调用、业务反馈、评测体系以及持续学习过程共同构成，这便是Token Capital。

纳德拉强调，真正有价值的AI能力，绝非简单调用一个外部模型所能实现。任何企业都可以购买相似的模型，使用相似的API。企业真正的差异化优势，来源于它能否围绕自身业务构建一个完整的学习闭环，并将每一次模型使用，都转化为组织自身能力的沉淀。

换言之，模型本身并非壁垒。真正的壁垒，在于企业能否将自己的业务知识、专业判断、执行流程与反馈结果，持续沉淀为一种可重复使用、持续优化且独立拥有的核心能力。

纳德拉实际上承认了一个极为关键的事实：企业不能仅仅拥有AI的使用权，还必须拥有AI使用过程中所形成的所有学习资产。这比早期“购买大模型、部署Copilot、提升员工效率”的叙事，向前迈出了实质性的一步。

不过，Token Capital仍然只是一个资本层面的概念。它指出了企业需要积累AI能力的方向，却尚未完全解答：这些能力究竟以何种形式存在？如何被有效管理？如何被验证？如何被更新？以及，如何防止它们过度依附于某一个模型供应商？而这，正是佟博士提出构建企业认知系统的根本原因。

纳德拉的第二层判断：反向信息悖论

2026年7月12日，纳德拉在社交媒体X上再次论述了关于“反向信息悖论”（Reverse Information Paradox）的观点。

传统的“阿罗信息悖论”（Arrow Information Paradox）指出：信息卖方若不先披露信息，买方无法判断其价值；但如果先披露，买方可能已免费获取信息，从而不再需要购买。

纳德拉认为，AI时代出现了截然相反的情景。企业为了获得模型服务，必须首先将自己的问题、上下文、数据、工作流程以及判断标准暴露给模型。模型公司不再仅仅是向企业出售知识，反而能通过企业的使用过程，深入理解企业是如何思考、如何运作、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：真实的业务难题、高价值的行业语境、专家的判断逻辑、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隐性知识。

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，它们构成的并非普通数据，而是一张企业的“认知地图”。模型供应商或许能逐渐看清：企业关注哪些问题，如何定义目标，如何评价答案，哪些建议会被采纳，哪些会被拒绝，以及企业真正依赖的价值判断究竟是什么。

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、主管如何做出判断、专家如何平衡风险，以及组织如何从结果中汲取经验。AI系统，恰恰能从这些交互中提取出这些隐性的认知资产。

卡普的愤怒：Alpha不能拱手让人

2026年7月1日，帕兰提尔CEO卡普在CNBC《Squawk Box》节目中接受了采访。如果说纳德拉的表达还带有平台生态与产业结构的抽象性，那么卡普的表述则更加直接，甚至带着明显的愤怒情绪。

卡普认为，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的Token成本，却没有获得相应的业务价值。第二个问题更为严重：企业可能正在将自己的数据、流程、业务逻辑和竞争优势，拱手交给模型公司。

他将企业区别于竞争对手的核心能力，称为“Alpha”。Alpha不仅包括客户名单、财务数据或技术专利，更涵盖企业知道如何运营、如何决策、如何配置资源、如何识别风险，以及在复杂环境中实现预期结果的独特能力。

卡普要求每一家使用AI的企业都必须回答几个问题：谁拥有这些数据？数据被缓存在哪里？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，甚至被复制？

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。《华尔街日报》也指出，卡普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”。

卡普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，一边又帮助模型公司理解和吸收自身的核心价值。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、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：从问题识别到工程体系

纳德拉和卡普的判断都非常重要，但他们的论述主要侧重于解释问题。纳德拉提出企业应当拥有自己的Token Capital和学习闭环，并指出企业面临的反向信息悖论。卡普则警告企业，不要把自己的Alpha交给外部模型公司，并强调数据控制、模型控制、路由控制以及主权AI的重要性。

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。他提出的问题是：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本体论（Ontology）；企业专家如何完成工作的技能（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；企业如何将学习成果重新写入知识、技能和流程。

因此，佟博士所说的认知主权，并不是简单地将模型部署在本地，也不是只将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：企业已有的知识、本体、技能和记忆（K），结合当前业务情境（S），产生需要完成的任务和目标（T），智能体生成并执行行动（A），得到实际结果（R），然后比较预期结果与实际结果之间的差异（ΔR），最终根据这次执行，更新出新的认知资产（K'）。

企业真正需要掌握的，不只是某一次输入和输出，而是这条完整链条的全部。

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。

企业可以将模型部署在自己的服务器里，却仍然可能没有认知主权。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，并没有真正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，却仍然无法实现持续学习。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，而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。

技能：最现实的认知载体

在佟博士的体系中，Skill（技能）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，传统知识库通常只能够描述事实和文档。而技能，则恰好处于知识与行动之间。

一个真正的企业级技能，不只是提示词模板，它应当包括：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，技能是企业“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技能之中。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，就是将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技能。

企业学习闭环：ΔR是关键信号

纳德拉提出企业需要拥有自己的学习闭环，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（ΔR）。当然，在真实企业系统中，结果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：哪一个技能真正有效？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：认知进化机制

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：知道什么（Know What）→ 这些知识意味着什么（So What）→ 需要完成什么任务（Then What）→ 应该采取什么行动（Act What）→ 产生了什么结果（Result What）→ 根据结果应该学到什么（Learn What）。

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。而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：本体资产、技能资产、元技能资产、智能体配置、任务执行记录、情节记忆、评价函数、ΔR信号、技能版本演化、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，这些资产必须独立于任何具体模型存在。

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。

帕兰提尔需要向前一步

帕兰提尔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本体论（Ontology）中。这也是为什么卡普能够比很多纯模型公司的CEO更早看到企业主权问题。帕兰提尔理解，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：哪些技能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、技能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“本体 + 技能 + 记忆 + 智能体 + 评价 + 进化”，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、新的技能、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“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”（Cognitive Asset Growth per Token）。这可能比传统意义上的模型准确率或单次任务效率，更能衡量企业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卡普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、主权AI、企业对模型和应用层的控制权。而佟博士在设计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，纳德拉和卡普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：企业如何将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、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与失败中积累的经验，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。卡普所说的Alpha，只有被编码进企业自己的本体论、技能、记忆和评价函数中，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。