Anthropic因使用盗版图书训练AI支付15亿美元和解金，揭示了AI时代最关键的竞争法则：问题不在模型能力，而在数据来源是否合法、是否可追溯。随着大模型日益商品化，真正的护城河已从模型转向企业自身的知识资产、数据治理与“知识飞轮”。

15亿美元，不是因为AI做了什么，而是因为数据的来源。

7月20日，一位联邦法官正式批准了美国历史上最大规模的版权和解案，Anthropic将为其从海盗图书馆抓取用于训练模型的约50万本书，按每部作品3000美元进行赔偿。

这里有一个大多数报道都忽略的细节：法院此前已经裁定，使用受版权保护的文本训练AI属于合理使用，这项能力本身是合法的，但数据的来源并不合法。

请仔细品味这句话，这场定义行业走向的法律决战，结果并非取决于模型能做什么，而是取决于是否有人能说明其知识来自何处。

而在和解协议深处，还隐藏着一个更强烈的信号：Anthropic同意销毁这些盗版文件，这意味前沿模型的语料库现在可能因法院命令而缩减。如果从基座模型中扣除50万本书，请试想一下：你的团队明天所依赖的模型，还会像昨天一样强大吗?

这绝不仅仅是一家公司的故事，该和解案并没有设定具有约束力的先例，Google、Meta、OpenAI和Midjourney依然身处被告席上，与此同时，每一个部署AI的企业都在积累微缩版的同类负债：无法追溯的数据、无法验证的来源、无法归因的输出，我将此称为“验证债务”，它永远不会出现在资产负债表上——直到它连同开庭日期一起，突然集中爆发。

我们中的一些人会将7月20日记忆为GenAI泡沫破裂的日子，在这一天，通用模型被暴露为一种正在贬值且存在法律争议的投入要素。

正确的应对不是审慎退缩，而是野心勃勃，未来十年能够胜出的企业，将不再租用智能，而是开始让自身的智能产生复利。

改变投资逻辑的两个理念

过去一年里，我一直在为追求同一个愿景的企业构建框架和系统，那就是：AI原生型企业。与我合作的高管们早已认同这一愿景，但让他们感到挫败的是，这一愿景与日常现实之间存在鸿沟——日常所用的通用模型不可靠，虽然通晓万物，却对他们自身的业务一无所知。

缩小这一鸿沟，归根结底取决于两个理念。

首先是数据飞轮，Jim Collins提出了这一隐喻，而Amazon将其转化为了运营模式：系统的每一次使用都能改善其数据，而更好的数据又能提升未来的每一次使用。飞轮每转动一圈，都会降低下一次转动的成本，并提高其价值。

其次是复利智能，可以将其理解为作用于企业已知知识上的复利效应。当知识被捕捉、验证并反馈回决策系统时，每一项决策都会继承此前所有决策的完整历史。智能不再贬值，而是开始产生利息。

现在的关键问题，也是7月20日给出的真正教训：复利不在乎正负符号。一个喂入未验证数据的飞轮(即Collins所说的“毁灭循环”)，在放大错误方面的效率，与治理良好的飞轮累积价值的效率是一模一样的。幻觉会变成明天的上下文，漂移会变成明天的基线。我将此称为“野性飞轮”，而和解案核心的盗版语料库，正是这种飞轮在行业规模下的具体体现。

而经过验证的飞轮在设计上就截然不同，它的回答立足于经过精心筛选、人类编写的知识，它的作用范围被有意限定，它的输出可以追溯至源头，当数据失效时，总有人能察觉。

这就引出了我希望每支高管团队深思的一句话：数据精选与数据治理并不是飞轮上的额外负担，它们本身就是飞轮。

模型不再是产品

OpenAI的Greg Brockman曾发推文称：“模型不再是产品。”在最近的一期20VC Podcast中，Perplexity的CEO Aravind Srinivas解释了为什么这个观点是正确的。Srinivas认为，如果你只是转售原始的模型Token，“你根本算不上拥有业务，因为模型终将被商品化(平庸化)”。真正的业务属于那些能够接管模型、将其置于有价值的上下文之中、用正确的工具进行编排并交付统一系统的人。

换句话说：能够持久存在的资产不是模型本身，而是围绕模型的系统，以及你喂给它的上下文。

这场和解让这一点更加清晰，如果每个竞争对手都在租用相同的商品化模型——内置了相同的通用知识和相同的法律风险——那么唯一具备防御力的资产，就只剩下你喂给它们的专有飞轮：你专家的判断、你的决策历史，以及你经过验证的语料库。

如果这听起来像你的RAG试点项目，请注意，它并不是。检索只是单向管道，而飞轮才能形成闭环——经过验证的结果会流回语料库中——因此在第四季度回答问题的系统，会比你在第一季度部署的系统聪明得多。

这绝非停留在理论层面，我正在一个很少有人预料到的领域目睹其上演：企业培训。

许多公司正在悄然用数字孪生——即由内部专家经过治理的AI化身——来替代传统的培训与开发，其经济效益令人难以反驳，课程库从录制好的那天起就开始老化，而数字孪生能够保持实时更新，因为它连接着企业活生生且经过精心维护的知识库。

此外，数字孪生还能因材施教，同样的专业知识可以按需转换——为工程师提供技术深度，为董事会提供通俗语言，为法务提供精确措辞。

这使得像Udemy、LinkedIn Learning和KnowBe4这样成熟的平台直接陷入了被替代的危险区，基于自身经过验证的语料库进行的即时学习，正在击败从他人那里许可获得的“以防万一”型内容。

请注意早期赢家们的共同点：他们并没有购买比竞争对手更好的模型，而是在相同的模型周围构建了更好的系统——这些系统随着每一次使用而变得更加聪明，因为企业自身的知识正在产生复利。

这里有一个供你下次董事会讨论的问题：如果模型现在已经变成了一种通用商品，我们机构正在围绕它构建什么持久的系统?竞争对手会将其视为护城河吗?

投资回报率不是预测出来的，而是设计出来的属性

大多数AI商业案例都在预测ROI，而飞轮经济学则将ROI内置于系统之中。

逻辑非常清晰：一个每转动一圈都能增加经过验证的价值的飞轮，从定义上看就是ROI为正的。每一个经过治理的循环都会降低下一次可信决策的边际成本，并提升底层数据资产的价值。唯一会输的举措，就是喂给它未经治理的数据。

这一切并非免费，前期精选数据需要资金，建立治理体系需要人力。区别在于后续发生的事情：这些支出会被摊销，而资产则会增值。

其中三项回报显现得最快：

边际成本下降，验证工作并非一项重复发生的费用，而是一项可以摊销的投资。你验证的每一项决策，都会让下一次决策的信任成本变得更低。在我自己的工作中，我亲眼看到一个经过治理的飞轮将供应商安全审查时间从几周缩短到几小时——效率提升了17倍。

合规成为副产品，当数据溯源被内置于飞轮中时，满足EU AI Act(欧盟人工智能法案)和FINRA(美国金融业监管局)的要求就会成为日常运营的自然产物，而非独立的专项工程。在7月20日之后，数据溯源也就是你的法律护城河：你可以证明你的智能来自何处，你的模型供应商能做到吗?

知识产权升值，精心维护、经过治理的专业知识，是任何竞争对手都无法抓取、任何法院都无法下令销毁的资产。数据血统过去只是合规性文件，现在它变成了护城河。

但最深远的回报，是我在我的著作《The CISO on the Razor's Edge》中所写的：治愈企业失忆症。每家企业都深受其害。专业知识随员工离职而流失，决策被重新争论，因为没人记得当时为何做出这样的决定，年复一年，同样的教训还要花大价钱从咨询公司和课程供应商那里重新购买。我曾目睹价值百万美元的决策停滞数周，仅仅是为了等待公司内部本就拥有的知识。

数据飞轮就是具备复利回报率的企业记忆，它能固化困在数据孤岛中的知识，并在需要时精准交付。显而易见的结果是更快的业务周期和加速的即时学习，而更为隐性的结果则更重大：这是一个基线每季度都在上升、而不是不断重置的企业。

从周一早上开始启动飞轮

好消息是，你不需要从庞大的项目开始，而是从飞轮的一次治理转动开始，按顺序完成以下三步：

盘点，清点以你企业名义运行的每一个AI实体，以及喂给它的每一个数据源，你无法对无法定量的东西进行复利。

要求可追溯性，对于高于你设定阈值的每一个AI驱动决策，都必须提供数据溯源——一条可追溯至源头的清晰路径，为了追求速度也不能例外，这次的和解案，就是跳过这一步所付出的明码标价。

挑选一个数字孪生，选择单个智能体或数字孪生应用场景，进行端到端的治理。培训与开发是经过验证的最佳切入点——从知识流动最快、课程内容衰退最快的地方开始。将其作为你的参考架构，完成你飞轮的第一次转动。

这些都不需要等待下一个前沿模型的出现，这正是关键所在，模型是通用商品，而你的知识不是。

AI行业刚刚吸取了未验证数据的代价：每部作品3000美元。对于每一位CIO来说，问题要简单得多，且值得列入董事会议程：你企业的知识价值几何?你是在让它产生复利，还是在租用别人的知识?