据TechRadar 10月10日报道，微软开源生态系统与孵化总监Ryan Waite在开源峰会上表示，人工智能擅长生成有价值的洞察，但企业真正的成就在于如何处理这些洞察，并把它们转化为自身知识。他把AI与人类专业能力的互动称为学习循环，一种帮助企业不断改进的“爬坡机器”。

Waite将AI与人类专业能力的关系描述为学习循环。AI模型能处理海量信息并生成洞察，规模是人类无法匹敌甚至难以理解的；但人类提供上下文和判断。员工把洞察放入更广阔背景并据此得出结论，将信息转化为知识，知识随后成为组织集体专长的一部分。每轮迭代都会让知识增长，帮助企业沿“山峰”继续向上。

所有权与控制权是这场演讲的核心之一。Waite说，AI生成的内容基于企业数据和员工，不应被交给一个单独的AI模型。组织要建立自己的“爬坡机器”和学习小组，就需要在学习循环中建立控制权，而不是受制于单一AI供应商。他称：“它基于你的数据，基于你的员工。它不应该被交给一个单独的AI模型。”

随着企业对AI工具依赖加深，通过工具生成的知识可能绑定特定模型或供应商。企业若想在新更好技术出现时采用，就会遇到迁移问题。Waite认为，为面向未来，企业应建立自己的学习循环，并控制让循环运转的信息、流程和技术。

选择合适AI模型是实现控制的一种方式。Waite表示，许多企业从专有前沿模型开始，尤其在处理自己不完全理解的问题时。随着能力提升、对任务理解加深，它们可能不再需要昂贵的前沿模型，可以转向更小或更便宜的专用模型，甚至转向可自行运行的开源权重模型。他说：“拥有在不同模型之间迁移的能力很重要，尤其是当你考虑算法时。你将使用哪些模型？你不应该因为某个模型掌握着你的知识而被困在特定类型的模型中。”

因此，企业需要保留随时切换和迁移的自由。这也意味着要控制AI工作负载运行在哪里：受本地法规管辖的主权基础设施、本地部署系统或公有云环境，后者可带来更高扩展性和成本优势。Waite总结说，开源技术为这种灵活性提供了基础。