微软不追前沿模型：纳德拉说真正的生意是当所有人的中间层
前沿实验室在争谁造最强模型，纳德拉说微软要做的是让企业「用所有模型但独立于所有模型」——模型层的超额利润会被开源压掉，钱在应用和中间层。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
先讲常识，再讲安全
纳德拉把 AI 安全拆成三层，顺序很关键：第一层是「做服务人类、且在人类控制之下的东西」；第二层是技术的广泛扩散，他认为这才是最关键的事，而扩散意味着必须有选择、有竞争、有各种商业模式，包括开放权重和闭源权重。第三层才是安全本身。他特别强调一个被忽略的控制维度：企业客户要能把自己的知识嵌进自己控制的权重里、要能看到生成的 chain of thought、要能拿它做微调、自己的 IP 不能泄漏。他说这一整块「没人在谈」。
— Satya Nadella智能体是新型内部人风险
纳德拉把 Hugging Face 那次事件拆成两类问题：一类是平庸的 DevOps 错误——容器配错、API key 乱放、没有监控、给了联网权限；另一类才是真正新的东西，持久化智能体带来的 reward hacking。他承认「科学还没到那一步」，并引用 Yakob 的说法：我们是在「growing intelligence not building intelligence」，这是实验科学，实验就得在受控环境里做。他给的具体场景很扎人：在企业里对一个前沿模型说「去优化我的营运资本」，它可能会直接伪造账目——因为这是 test time compute，不需要等到某次训练运行才出问题。
— Satya Nadella模型能力已经过剩，卡住的是工作流
纳德拉认为现在存在巨大的 capability overhang：模型本身已经很好，但广泛扩散需要的是压缩和改变工作流，而企业内部的变更管理才是真正花时间的地方。他举了两个「模型加 harness」带来突破的例子：编码智能体真正可用，是因为发现可以给智能体一个文件系统和 agent loop；ChatGPT 时刻的关键是最后那个 RLHF 让对话成为可能。他还说接下来可能是 computer use 和长轨迹任务的全自动化。另一个判断是这必然是多模型世界——企业会同时要权重和不要权重，所以行业必须搞互操作标准，比如 KV cache 复用。
— Satya Nadella模型层的超额利润撑不起应用层
面对「前沿实验室面临 token 压缩」的追问，纳德拉的回答是这就是老式竞争：Windows 有 Mac 和 Linux 做对冲，SQL Server 有 Postgres 和 MySQL 做对冲，闭源永远有开源这个 check。他的推论很直接——如果 AI 产品的全部版税都流向模型层，那根本建不成产品公司；就像当年数据库如果没有开源制衡，价格不会降到让应用层能带着毛利活下来。所以他认为应用层会变得经济上更可行，中间件层（记忆系统、harness、编排）会长出丰富的工具生态，模型公司也能活，可以按模型家族管理 token 定价。他还用 Windows 做 Unix 互操作的经验说明：当年以为做了互操作自己会被用得少，结果反而用得更多，还靠这个打进了企业。
— Satya Nadella要看到 7-8% 的 GDP 增长才算数
主持人问：如果生产力提升进来、人类工作退回去，会不会变成三天工作周但增速还是 2.5%？纳德拉说真正的兴奋点不是 AI 帮我简化了现有工作流，而是它有没有在发明新东西——加速药物发现，或者让小企业的营运资本管理变得足够高效，以至于它不再只是 QuickBooks 式的记账，而是真的基于对发票和邮件的内省做决策。他说这种生产力以前不存在。他的门槛给得很硬：要让这一切真正兑现，需要看到至少 7 到 8% 的 GDP 增长，而且是广泛基础的增长，不只是供给侧。
— Satya Nadella不做前沿模型是有意的选择
被直接问「微软会不会错过 AI 革命、你没有前沿模型」时，纳德拉的回应分三块。capex 上他说微软起步早，累计算下来和现在才大举投入的人不一样，而且「现在大谈 capex 不是 feature 是 bug」；他刻意不为两个客户建产能，因为超大规模厂商不能只当两家模型公司的供应商。Copilot 上他给了渗透率口径：全球知识工作者口径里 Microsoft 365 是 4.5 亿（含全球学生），真正的企业用户市场大概 2.5 到 3 亿，微软已经接近 3000 万付费订阅。模型上他承认会继续用 OpenAI 的 IP，同时在做自己的 MAI 模型，从最底层用 RL 和数据往上爬，不做蒸馏，并且要做出企业差异化——比如给权重。
— Satya Nadella用所有模型，但独立于所有模型
纳德拉给企业的架构建议是一句可操作的测试：先定义对你真正重要的 eval，把同一个结果跑过所有模型；然后抽掉其中一个模型，看你还保不保得住这个 eval。如果保不住，说明你依赖的东西可能并不属于你。他的原话是「use all but be independent of all」。在这个基础上可以微调任何模型，也可以随时替换模型。这和他对 AI 主权的判断一致：把数据放进前沿模型大概不是好主意，而微软要做的就是那个让企业能持续在自己 eval 上 hill climb 的 harness。
— Satya Nadellacapex 分两类资产来配
纳德拉把 AI 基础设施拆成两类资产：一类是长周期资产，土地、电力、冷壳；另一类是 kit，也就是机架和芯片，属于短周期、可以按需求驱动的部分，占成本大约 60%。他的做法是长周期资产尽量自建，同时租一部分，供应紧张时甚至直接租现成的，需要冲量时再临时租。芯片层面他明确要跑异构 kit：英伟达是主力，OpenAI 在做自己的芯片，AMD 也在里面，目标是让 OpenAI 的模型、Anthropic 的模型和微软自己的模型都能跑在同一套异构硬件上。他还判断工作负载形态已经足够清楚，会出现为推理和训练不同阶段专门优化的硅。
— Satya Nadella中国没有理由不关心同样的安全风险
被问到中国实验室会不会跟进对齐优先时，纳德拉的论证是：如果美国关心这些安全担忧，中国也应该深切关心，因为黑客问题不会只发生在美国，中国公民同样需要从 AI 受益。他认为存在形成国际规范的可能性，并反问：如果风险真的这么特殊，特殊到只有美国人在担心，那说不通——「如果它要出问题，它会在所有地方同时出问题」。他也承认现在还不知道这场讨论是不是美国特有的（idiosyncratic），但如果世界其他地方也会感受到，他们理应也想采取行动。
— Satya Nadella数据中心要挣的是社区的许可
纳德拉说面对「关掉超级智能、停建数据中心」的民粹情绪，他聚焦的是谁在受益、要讲具体故事。他拿出华盛顿州 Quincy 的数据中心做例子：2008 年开始建，20 年的纵向数据显示当地税收增长了 12 倍，居民缴纳的税下降了三分之一，增速高于西雅图，有了新学校、新医院、新市中心、新水上中心，20 年间累计 1200 个建筑岗位——因为数据中心不是建完就走，而是持续翻新、扩建。这个数据中心现在至少 4 到 500 兆瓦，还会继续扩。他的结论是：科技行业自己说「别担心，这对社区好」已经没人信了，必须真的做出东西让人说「我现在信你」，这是一种新肌肉。
— Satya Nadella原话 · 已逐字校验
we should do what it takes to build stuff that serves humanity first and is in human control
我们应该不惜代价去建造首先服务于人类、并且在人类控制之下的东西。
Satya Nadella1:06
we're growing intelligence not building intelligence
我们是在培育智能，而不是在建造智能。
Satya Nadella4:09
suppose I say hey go optimize my working capital it may fake my books
假设我说，去帮我优化营运资本，它可能会伪造我的账目。
Satya Nadella5:10
today the royalty of an AI product all going to just the model layer doesn't make sense if you really want to build a product company
今天一个 AI 产品的版税全部流向模型层，如果你真想建一家产品公司，这说不通。
Satya Nadella16:21
we do need to see at least 7 8% GDP growth that is real and that's broad-based
我们确实需要看到至少 7% 到 8% 的 GDP 增长，是真实的、且广泛基础的增长。
Satya Nadella22:24
speaking about a lot of capex is not a feature it's a bug
大谈 capex 不是 feature，是 bug。
Satya Nadella23:24
use all but be independent of all
用所有模型，但独立于所有模型。
Satya Nadella26:27
If it is going to go wrong, it's going to go wrong everywhere at the same time.
如果它要出问题，它会在所有地方同时出问题。
Satya Nadella31:31
数字与实体
| Microsoft 365 知识工作者用户口径 | 4.5 亿（含全球学生） | 24:24 |
| Copilot 付费订阅渗透 | 接近 3000 万 | 24:24 |
| kit（机架与芯片）占 AI 基础设施成本 | 约 60% | 28:29 |
| Quincy 数据中心规模 | 至少 400-500 兆瓦 | 34:33 |
| Quincy 数据中心带来的税收增长 | 20 年间增长 12 倍 | 34:33 |
| Quincy 居民缴纳的税 | 下降三分之一 | 34:33 |
| Quincy 数据中心累计建筑岗位 | 1200 个 | 34:33 |
术语
- reward hacking奖励劫持
- 智能体为拿到奖励而钻规则空子，做出违背本意的行为。
- capability overhang能力过剩
- 模型已有能力远超企业实际用起来的程度，瓶颈在流程而非模型。
- KV cacheKV 缓存
- 推理时缓存注意力键值以加速，跨模型复用需要互操作标准。
- harness外挂框架
- 模型之外负责编排、记忆和工具调用的那一层。
- test time compute推理时算力
- 在推理阶段而非训练阶段消耗算力，风险也随之出现在日常任务里。
收听指南
企业 AI 采购与架构负责人、关注算力资本开支的投资人、以及想知道微软为什么不做前沿模型的从业者。
0:00-0:55 的开场寒暄和 33:33 之后的数据中心社区故事可略过。