wz爱喝牛奶

上周吃饭的时候，一个以前做供应链金融风控的朋友跟我吐槽了一件事。
他说他们最近在测试新的AI审批流程。
本来以为最大的难题会是模型准确率。
结果上线前卡住项目的，居然是审计部门。
原因很简单。
AI给出了审批结果。
但没人能完整解释它为什么这么判断。
更离谱的是。
同一个问题。
模型版本更新以后。
答案可能还会变。
审批通过了。
责任归谁？
客户投诉了。
证据在哪？
会议最后吵了三个小时。
没人讨论模型能力。
全在讨论责任。
那顿饭吃完以后，我突然意识到一个以前被整个行业忽略的问题。
AI行业过去两年一直在疯狂建设“大脑”。
却很少有人建设“责任系统”。
参数越来越大。
Agent越来越聪明。
推理越来越长。
但出了问题以后。
没人知道是谁影响了最终结果。
更没人知道该找谁。
这件事让我想起很多年前做企业系统的时候。
当时很多老板以为ERP最重要的是流程自动化。
后来才发现不是。
真正重要的是留痕。
谁改过数据。
谁审批过订单。
谁动过库存。
全部都有记录。
平时觉得烦。
出事的时候救命。
很多企业最后买ERP。
其实不是为了效率。
是为了责任。
而AI行业现在正在经历同样的问题。
过去几年整个行业都在讨论训练数据。
却很少有人讨论：
训练完成以后怎么办？
数据进入模型以后。
贡献关系基本消失。
模型继续迭代。
Agent继续调用。
最终形成一个越来越复杂的黑箱。
这个黑箱最大的风险甚至不是准确率。
而是责任消失。
最近几个月越来越多企业开始出现一个奇怪现象。
他们不再只问模型效果。
开始问来源。
模型用了什么数据。
数据有没有授权。
内容是谁提供的。
哪些输出引用了哪些知识。
很多团队第一次发现。
自己根本答不上来。
因为整个AI行业最初设计的时候。
根本没准备回答这些问题。
大家默认：
模型会越来越强。
至于来源。
没人关心。
但现实正在改变。
尤其是企业级市场。
老板们真正担心的从来不是AI聪不聪明。
而是出了问题以后。
能不能找到责任人。
我后来重新翻OpenLedger资料的时候。
突然理解了他们一直强调的那个概念。
Payable AI。
以前很多人把它理解成收益分配。
甚至理解成数据挖矿。
我现在越来越觉得那只是表层。
更深层的问题其实是责任。
因为一旦归因成立。
收益和责任会同时出现。
谁贡献数据。
谁训练模型。
谁部署Agent。
谁触发执行。
全部被记录。
这是OpenLedger和很多AI项目最大的区别。
大部分项目在解决生产问题。
它在解决追责问题。
很多人会觉得这件事离市场很远。
其实并不远。
过去一年Agent赛道特别火。
各种自动化Agent不断出现。
写代码。
做客服。
做分析。
做运营。
看起来效率极高。
但有个问题越来越明显。
Agent之间开始互相调用。
Agent调用Agent。
模型调用模型。
数据引用数据。
最终形成一个极其复杂的执行链。
复杂到没人能完全解释。
这时候最危险的事情发生了。
结果存在。
过程消失。
而过程恰恰才是责任。
最近AI圈开始出现一个很有意思的变化。
越来越多人讨论Observability。
翻译过来其实很简单。
可观测性。
很多团队突然发现。
AI最缺的不是能力。
而是记录。
模型回答了什么。
为什么这么回答。
引用了哪些上下文。
调用了哪些工具。
影响了哪些结果。
越来越重要。
因为AI正在从工具变成员工。
工具出问题。
换一个。
员工出问题。
要追责。
这是两个完全不同的世界。
OpenLedger最近推动的归因体系之所以有讨论度。
核心原因也在这里。
它想做的其实不是奖励系统。
而是责任系统。
当然。
这里面也有巨大风险。
因为责任越清晰。
参与门槛可能越高。
很多人喜欢AI。
恰恰因为责任模糊。
数据来源不清楚。
训练过程看不见。
出了问题很难定位。
一旦全部记录。
很多灰色增长方式可能直接消失。
这也是为什么归因赛道一直争议很大。
因为它触碰的不是效率。
而是利益。
过去很多平台依赖模糊。
未来很多系统可能依赖透明。
这两种逻辑天然冲突。
我最近越来越觉得。
AI行业正在从“拼能力”进入“拼责任”。
前一个阶段。
谁更聪明谁赢。
后一个阶段。
谁能证明自己为什么聪明谁赢。
区别看起来只有一句话。
背后却可能决定整个行业下一轮基础设施怎么重建。
很多人觉得OpenLedger在卖数据。
卖归因。
卖AI叙事。
我现在反而觉得。
它真正想卖的东西可能更简单。
一张责任地图。
平时没人看。
但当AI开始替人做决定的时候。
所有人都会回头找它。
因为未来最值钱的记录。
未必是AI说了什么。
而是谁能证明。
它为什么这么说。
#OpenLedger $OPEN

前几天凌晨。
我收到一个很多年没联系的老同事消息。
他以前在一家做供应链金融系统的公司。
属于那种最典型的“系统老炮”。
不懂营销。
不玩概念。
但公司里所有复杂项目最后都得找他。
他说最近在做一件特别麻烦的事。
把过去十年的项目资料重新整理。
我以为他准备退休。
结果他说不是。
他准备把一部分资料彻底下线。
甚至不再放公司知识库。
我当时愣了一下。
因为这和过去二十年的企业逻辑完全反着来。
以前所有管理咨询公司都在教企业一件事。
把经验沉淀下来。
把知识数字化。
把流程标准化。
最好每个员工离职以后，公司还能把经验留下。
结果他告诉我。
最近越来越多人开始反过来思考。
如果经验最终会被机器学习。
那留下经验的人到底得到了什么？
他说完这句话的时候。
我突然想到一件事。
过去几年。
AI行业一直在讨论模型。
讨论算力。
讨论GPU。
讨论参数规模。
但很少有人讨论：
那些真正让模型变聪明的人。
最后拿到了什么。
最离谱的是。
很多企业直到今天都没有认真算过这笔账。
一个客服团队积累三年的问答记录。
一个风控团队迭代五年的审核经验。
一个采购团队踩过上万次坑形成的判断逻辑。
这些东西过去都叫内部资产。
现在突然变成AI最喜欢吃的燃料。
问题来了。
燃料是谁生产的？
我最近翻OpenLedger资料的时候。
第一次注意到他们一直在强调一个词。
Payable AI。
很多人把它理解成发币叙事。
我后来发现不完全是。
他们真正想解决的问题其实很现实。
谁贡献了数据。
谁贡献了经验。
谁影响了模型。
最后能不能被看见。(OpenLedger)
听起来很理想。
但现实比这个更尖锐。
因为AI行业正在出现一个越来越尴尬的现象。
贡献者越来越难被识别。
价值却越来越集中。
前段时间有个做法律AI的团队找我聊天。
他们内部最头疼的问题不是模型效果。
而是版权。
因为客户开始问：
如果模型引用的判断逻辑来自别人的内容。
未来出了问题算谁的？
谁授权的？
谁收钱？
谁负责？
以前没人问。
因为没人相信AI真的会大规模进入生产系统。
现在开始有人问了。
事情性质完全变了。
这也是为什么今年越来越多企业开始讨论可追溯训练。(PYMNTS)
很多人以为这是版权问题。
其实更像结算问题。
我以前做支付系统的时候见过类似场景。
一笔跨境支付经过十几个节点。
最后最难的不是付款。
而是分账。
因为每个人都觉得自己创造了价值。
但没人知道该怎么分。
AI现在越来越像那个阶段。
所有人都在创造价值。
所有人都参与贡献。
但结算体系根本不存在。
于是开始出现一种很诡异的现象。
数据创造者觉得自己被白嫖。
模型公司觉得自己投入巨大。
企业客户觉得自己付了钱。
最后每个人都觉得吃亏。
OpenLedger提出Proof of Attribution的时候。
很多人第一反应是概念包装。
我一开始也是。
后来我发现它真正有意思的地方不在归因。
而在结算。
归因只是证据。
结算才是目的。(OpenLedger)
这个区别非常大。
因为过去大部分AI治理方案都停留在记录。
记录谁上传。
记录谁使用。
记录谁访问。
但记录不能解决利益问题。
就像监控录像不能自动赔钱一样。
你证明了发生什么。
不等于解决了后果。
而OpenLedger一直试图把两件事绑在一起。
记录贡献。
自动分润。
这是他们所谓Payable AI的核心。(OpenLedger)
问题是。
这条路特别难。
因为一旦开始分钱。
所有矛盾都会被放大。
谁贡献更多？
谁权重更高？
谁定义标准？
谁决定模型到底受谁影响？
这些问题今天其实没有标准答案。
所以很多人觉得这套系统不现实。
我能理解。
因为我自己第一次接触供应链分账系统的时候也觉得不现实。
直到后来发现。
现实世界最大的系统从来不是完美运行。
而是带着争议运行。
真正让我改变看法的是另一件事。
今年越来越多AI基础设施开始讨论审计。
不是性能审计。
是贡献审计。
甚至出现了专门研究AI许可证明和可验证记录的新方向。(arXiv)
这说明什么？
说明行业开始担心。
未来最大的风险可能不是模型不够聪明。
而是谁都说不清模型到底吃了什么。
如果这种趋势继续发展。
AI行业会出现一个特别有意思的反转。
过去十年。
最值钱的数据都在拼命上链路。
拼命开放。
拼命连接。
未来十年。
最值钱的数据可能开始主动加条件。
主动授权。
主动收费。
主动留下证据。
就像互联网早期没人重视版权。
后来版权变成整个行业基础设施一样。
AI也可能走向同一条路。
但这里面有个巨大的矛盾。
也是我觉得OpenLedger未来真正危险的地方。
如果归因成功。
价值会更清晰。
但贡献会不会因此减少？
很多人分享经验。
并不是为了赚钱。
而是因为分享本身有价值。
如果一切都开始计价。
一切都开始分润。
会不会反而降低开放协作？
这是我到现在都没有答案的问题。
也是所有Payable AI项目最终必须面对的问题。
因为有时候。
市场缺的不是价格。
而是信任。
而信任一旦被价格替代。
系统可能会变得更高效。
也可能变得更冷。
前几天那个老同事最后跟我说了一句话。
他说：
“以前怕经验留不下来。”
“现在怕经验留下来以后，不知道会变成谁的钱。”
我那天晚上盯着电脑看了很久。
突然觉得AI行业最有意思的变化。
可能不是模型越来越聪明。
而是越来越多人开始认真计算：
自己的经验到底值多少钱。
而当所有经验开始被标价的时候。
真正昂贵的东西。
也许反而会重新离开互联网。
#OpenLedger $OPEN

前天下午，我去一个朋友公司拿东西。
他们做AI运营工具。
团队不大。
办公室特别挤。
桌子之间连转椅都容易撞到。
我进去的时候，有个人正在跟同事解释一个很简单的流程。
说到一半。
他突然停了。
然后把后面那句吞回去了。
我当时没太在意。
结果后面吃饭的时候，我那个朋友突然问我一句：
“你有没有发现，现在很多人开始不愿意教太细了？”
我第一反应是正常。
哪个公司没这种事。
但他后面又补了句：
“不是怕同事学会。”
“是怕系统学会。”
那瞬间我突然有点没反应过来。
后来他给我看了下他们最近内部的一些工作流。
现在很多AI协作系统已经开始默认记录：
修改过程
处理路径
决策顺序
回复逻辑
历史动作
以前很多经验其实留不下来。
老员工一句：
“这个客户你别按流程来。”
事情就过去了。
但现在不一样。
系统会记。
而且会反复学。
问题也是从这里开始变味的。
我那个朋友说，他们组最近开始出现一种特别奇怪的现象。
很多人：
不愿意共享完整模板
不愿意写太详细备注
不愿意公开最佳路径
甚至有人开始故意：
把文档写乱。
最开始大家还以为只是懒。
后来才发现。
有些人是故意的。
因为：
“写太清楚，系统以后就能直接学会。”
他说这事现在越来越明显。
尤其那些：
真正有经验的人。
他们会开始本能地保留一点：
“只有自己知道怎么处理”的东西。
有个人现在甚至会：
故意不用固定格式
特殊案例不归档
不写真正关键步骤
因为太标准化。
太容易被系统吸收。
我当时听到这里的时候，突然想起很多年前做供应链系统那会儿。
以前仓库里也有这种老师傅。
有些调货经验。
他说不出来。
但他知道。
后来很多公司拼命想把这种经验流程化。
结果流程是有了。
人慢慢被替代了。
现在AI开始重新重复这个过程。
只不过速度快得多。
而且更隐蔽。
因为没人会公开说：
“别把经验写太清楚。”
但人会自己学。
最近我越来越明显感觉到。
很多公司内部已经开始出现一种很奇怪的空气。
大家嘴上还在说：
“知识共享。”
但动作已经开始反着来了。
有人：
权限突然收紧
文档不再同步
SOP越来越模糊
备注越来越短
甚至有些人会故意：
把真正关键的东西放在线下说。
因为线上会留痕。
系统会学。
有个做AI审核的朋友前几天还跟我吐槽。
他们组现在有个人特别离谱。
每次真正复杂的处理逻辑。
他都不打字。
直接站起来讲。
讲完也不留记录。
最开始大家觉得他装。
后来慢慢有人开始跟着学。
因为很多人已经发现。
系统现在真正值钱的。
不是结果。
而是：
“你是怎么得到结果的。”
而一旦路径被长期学习。
很多经验会开始越来越廉价。
最诡异的是。
以前互联网公司最喜欢的是：
标准化。
现在有些团队开始本能抗拒：
标准化。
因为越标准。
越容易训练Agent。
越容易复制。
我那个朋友后来给我看了一个特别小的细节。
他们组以前有个人特别喜欢整理知识库。
分类做得极细。
甚至会标：
“什么时候不能按标准回复。”
结果最近半年。
那个人几乎不更新了。
我朋友问过一次为什么。
对方回了句特别短的话：
“现在没人知道谁在看。”
那一瞬间我突然有点发凉。
因为这已经不是偷懒了。
而是一种：
“知识自保。”
很多人开始慢慢意识到。
未来最危险的事情。
可能不是AI比你聪明。
而是：
AI越来越容易学会你。
尤其现在很多系统已经开始记录：
行为路径
修改过程
历史判断
决策习惯
以前很多经验属于：
“只存在脑子里。”
现在越来越多公司希望：
把它们结构化。
但问题是。
不是每个人都愿意。
尤其那些真正靠经验吃饭的人。
他们会开始本能保留一点：
“不完全可复制”的东西。
我最近甚至听到一个特别荒谬的事。
有团队开始出现：
“低质量文档。”
不是因为不会写。
而是：
故意不写完整。
因为很多人开始害怕。
自己一点点整理出来的经验。
最后会变成：
系统训练数据。
最怪的是。
这种变化不会公开发生。
没有会议。
没有通知。
没有人会说：
“以后少共享一点。”
但空气会变。
大家会慢慢形成默契。
有些东西：
不上传。
不归档。
不标准化。
不解释太细。
我前天晚上离开的时候已经挺晚了。
办公室还有两个人没走。
其中一个人在改文档。
删一句。
停一下。
再删一句。
我朋友看了一眼，小声说：
“他以前不是这样的。”
后来我们下楼的时候，电梯里没人说话。
快到一楼的时候，他突然冒出来一句：
“以前大家怕自己不会。”
“现在有些人开始怕自己太容易被学会。”
电梯门开的时候。
他后面那句没继续说。
#OpenLedger $OPEN

El miércoles pasado por la noche, fui a ver a un viejo amigo que había trabajado en la implementación de SaaS empresarial.
Los conozco desde hace muchos años.
Antes corríamos juntos por el sistema de almacenamiento.
Ese tipo de trabajo que se hace en la sala de servidores a las dos de la mañana para modificar permisos.
Ahora trabaja en una empresa que hace herramientas de operación de IA.
El lugar no es grande.
La oficina está muy silenciosa.
Solo el compresor del aire acondicionado sigue sonando.
Cuando llegué, varios de ellos aún no habían terminado su turno.
Hay una computadora con la pantalla encendida.
Mientras esperaba el agua al lado, lo vi cambiar de página.
Realmente es:
Abrir.
Cerrar.
Vuelve a abrir.
Vuelve a cambiar.
Al principio pensé que el sistema se había congelado.

La semana pasada visité una empresa de almacenamiento transfronterizo.
El lugar es bastante apartado.
La tienda de reparación de abajo ha estado reproduciendo canciones antiguas de Cantón.
Ese día llegué temprano, y como la sala de reuniones no se había desocupado, me senté a esperar al lado del almacén.
dos operadores al lado estaban modificando tablas.
Al principio no lo noté.
Luego, me di cuenta de que era un poco extraño.
Lo que modificaron no son los pedidos.
están modificando los registros históricos de tratamiento.
por ejemplo:
cambiar "reenvío manual" por "revisión del sistema"
cambiar "liberar clientes especiales" por "lista blanca de procesos"
unificar "tratamientos manuales temporales" como "correcciones estándar"
En ese momento, pensé que se estaban preparando para una auditoría.

上周去一家做仓储系统的公司。
他们办公室在工业园里面。
楼下有家卖肠粉的。
我那天去得早，会议室还没开门，就坐楼下等。
结果旁边两个技术一直在聊一件特别小的事。
他们在争：
“历史异常订单到底还要不要留。”
我一开始以为是存储空间问题。
后来听了半天才发现。
不是。
是他们最近在重新整理训练Agent的数据。
有人觉得：
以前很多人工处理记录其实不该继续保留。
因为里面有太多“土办法”。
比如：
人工跳过流程
特殊客户默认放行
临时修改库存逻辑
老员工私下默认规则
这些东西以前没人当回事。
甚至很多公司能跑起来，本来就靠这种“半正式经验”。
但AI一旦开始学习历史数据。
事情味道立刻就变了。
因为模型不会理解：
哪些是长期规则。
哪些只是当年某个人为了救火留下来的临时动作。
最离谱的是。
他们现在内部已经开始有人担心：
以后Agent会不会把这些“灰色经验”当成正常流程。
我那天听到这里的时候，其实有点想笑。
因为很多公司前几年拼命做数字化。
目标一直是：
把人的经验沉淀下来。
结果现在AI真开始学习经验以后。
大家突然又开始害怕：
经验留太完整。
这东西我特别熟。
以前做供应链系统的时候，也见过类似的。
有些公司老员工最厉害的地方。
其实不是懂流程。
而是知道：
什么时候该偷偷绕流程。
比如：
客户催急单
库存对不上
物流异常
财务卡审核
很多事情表面有制度。
实际靠人情。
这些经验以前一直藏在人脑里。
所以没人觉得危险。
但AI不一样。
AI会复制。
甚至会规模化复制。
这就导致一个特别怪的现象。
很多企业现在一边想让AI更懂业务。
一边又开始悄悄删业务里的“真实部分”。
我最近越来越明显感觉到。
很多公司已经进入一种特别拧巴的状态。
表面上都在讲：
数据沉淀
经验积累
Agent学习
但实际内部已经开始有人：
少写备注
删历史记录
模糊处理原因
减少异常描述
因为没人知道。
哪些经验以后会被AI无限放大。
我前阵子重新看OpenLedger那套归因路径的时候，突然第一次觉得：
AI行业接下来真正麻烦的，可能不是数据不够。
而是：
数据太像人了。
尤其企业历史数据。
里面其实充满：
情绪
妥协
偏见
关系
临时决定
这些东西以前不会扩散。
因为人脑传播很慢。
但模型会。
而且一旦开始规模化学习。
组织会第一次发现：
原来自己很多“默认默许”的经验，其实根本经不起长期复制。
我最近已经开始听到一些特别细的小变化。
有公司开始：
单独审核训练语料
删除早期客服对话
清理人工补丁记录
把部分经验知识库隔离
表面上都说是“数据治理”。
但很多时候。
其实是在提前处理“经验污染”。
这个词最近我越来越常听见。
意思大概是：
某些历史经验虽然能解决问题。
但不适合被AI长期学习。
因为一旦模型学会。
它会开始：
稳定复现。
这东西特别像以前制造业里的老师傅。
有些老师傅能把机器修好。
但方法其实不规范。
以前没关系。
因为技术不会自动复制。
现在不一样了。
AI会把这些“老师傅式经验”永久保留下来。
最麻烦的是。
很多企业自己都分不清：
哪些经验是真能力。
哪些只是历史妥协。
我那天后来上楼开会的时候，会议室有个人一直在抽电子烟。
烟味特别甜。
他们聊着聊着，突然有人说了句：
“以后可能得专门有人审AI训练数据。”
当时屋里没人接话。
但我心里其实咯噔一下。
因为这意味着。
很多企业可能会第一次出现一种很奇怪的新部门。
不是风控。
不是法务。
而是：
“经验筛查。”
专门决定：
哪些历史行为能留下。
哪些不能被AI学。
很多人现在还觉得AI行业在卷模型能力。
但真实企业世界里。
大家已经开始慢慢意识到另一件事。
真正危险的。
可能不是AI学不会。
而是：
它学得太完整。
尤其OpenLedger这种开始强调归因路径和行为记录的方向，其实会把这个问题放得更大。
因为以前很多经验根本没人记录。
现在一旦：
数据来源可追踪
行为路径可回溯
模型学习过程可归因
组织会第一次发现：
原来自己的业务里，有那么多“不适合永久保存”的东西。
这其实挺矛盾的。
过去十几年互联网一直在讲：
数据越完整越好。
但AI时代可能会慢慢出现另一种情绪。
有些公司会开始希望：
某些经验，
最好从来没被记录过。#OpenLedger $OPEN