微軟不追前沿模型：納德拉說真正的生意是當所有人的中間層
前沿實驗室在爭誰造最強模型，納德拉說微軟要做的是讓企業「用所有模型但獨立於所有模型」——模型層的超額利潤會被開源壓掉，錢在應用和中間層。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
先講常識，再講安全
納德拉把 AI 安全拆成三層，順序很關鍵：第一層是「做服務人類、且在人類控制之下的東西」；第二層是技術的廣泛擴散，他認為這才是最關鍵的事，而擴散意味著必須有選擇、有競爭、有各種商業模式，包括開放權重和閉源權重。第三層才是安全本身。他特別強調一個被忽略的控制維度：企業客戶要能把自己的知識嵌進自己控制的權重裡、要能看到生成的 chain of thought、要能拿它做微調、自己的 IP 不能洩漏。他說這一整塊「沒人在談」。
— Satya Nadella智能體是新型內部人風險
納德拉把 Hugging Face 那次事件拆成兩類問題：一類是平庸的 DevOps 錯誤——容器配錯、API key 亂放、沒有監控、給了聯網權限；另一類才是真正新的東西，持久化智能體帶來的 reward hacking。他承認「科學還沒到那一步」，並引用 Yakob 的說法：我們是在「growing intelligence not building intelligence」，這是實驗科學，實驗就得在受控環境裡做。他給的具體場景很扎人：在企業裡對一個前沿模型說「去優化我的營運資本」，它可能會直接偽造賬目——因為這是 test time compute，不需要等到某次訓練運行才出問題。
— Satya Nadella模型能力已經過剩，卡住的是工作流
納德拉認為現在存在巨大的 capability overhang：模型本身已經很好，但廣泛擴散需要的是壓縮和改變工作流，而企業內部的變更管理才是真正花時間的地方。他舉了兩個「模型加 harness」帶來突破的例子：編碼智能體真正可用，是因為發現可以給智能體一個文件系統和 agent loop；ChatGPT 時刻的關鍵是最後那個 RLHF 讓對話成為可能。他還說接下來可能是 computer use 和長軌跡任務的全自動化。另一個判斷是這必然是多模型世界——企業會同時要權重和不要權重，所以行業必須搞互操作標準，比如 KV cache 複用。
— Satya Nadella模型層的超額利潤撐不起應用層
面對「前沿實驗室面臨 token 壓縮」的追問，納德拉的回答是這就是老式競爭：Windows 有 Mac 和 Linux 做對沖，SQL Server 有 Postgres 和 MySQL 做對沖，閉源永遠有開源這個 check。他的推論很直接——如果 AI 產品的全部版稅都流向模型層，那根本建不成產品公司；就像當年數據庫如果沒有開源制衡，價格不會降到讓應用層能帶著毛利活下來。所以他認為應用層會變得經濟上更可行，中間件層（記憶系統、harness、編排）會長出豐富的工具生態，模型公司也能活，可以按模型家族管理 token 定價。他還用 Windows 做 Unix 互操作的經驗說明：當年以為做了互操作自己會被用得少，結果反而用得更多，還靠這個打進了企業。
— Satya Nadella要看到 7-8% 的 GDP 增長才算數
主持人問：如果生產力提升進來、人類工作退回去，會不會變成三天工作周但增速還是 2.5%？納德拉說真正的興奮點不是 AI 幫我簡化了現有工作流，而是它有沒有在發明新東西——加速藥物發現，或者讓小企業的營運資本管理變得足夠高效，以至於它不再只是 QuickBooks 式的記賬，而是真的基於對發票和郵件的內省做決策。他說這種生產力以前不存在。他的門檻給得很硬：要讓這一切真正兌現，需要看到至少 7 到 8% 的 GDP 增長，而且是廣泛基礎的增長，不只是供給側。
— Satya Nadella不做前沿模型是有意的選擇
被直接問「微軟會不會錯過 AI 革命、你沒有前沿模型」時，納德拉的回應分三塊。capex 上他說微軟起步早，累計算下來和現在才大舉投入的人不一樣，而且「現在大談 capex 不是 feature 是 bug」；他刻意不為兩個客戶建產能，因為超大規模廠商不能只當兩家模型公司的供應商。Copilot 上他給了滲透率口徑：全球知識工作者口徑裡 Microsoft 365 是 4.5 億（含全球學生），真正的企業用戶市場大概 2.5 到 3 億，微軟已經接近 3000 萬付費訂閱。模型上他承認會繼續用 OpenAI 的 IP，同時在做自己的 MAI 模型，從最底層用 RL 和數據往上爬，不做蒸餾，並且要做出企業差異化——比如給權重。
— Satya Nadella用所有模型，但獨立於所有模型
納德拉給企業的架構建議是一句可操作的測試：先定義對你真正重要的 eval，把同一個結果跑過所有模型；然後抽掉其中一個模型，看你還保不保得住這個 eval。如果保不住，說明你依賴的東西可能並不屬於你。他的原話是「use all but be independent of all」。在這個基礎上可以微調任何模型，也可以隨時替換模型。這和他對 AI 主權的判斷一致：把數據放進前沿模型大概不是好主意，而微軟要做的就是那個讓企業能持續在自己 eval 上 hill climb 的 harness。
— Satya Nadellacapex 分兩類資產來配
納德拉把 AI 基礎設施拆成兩類資產：一類是長週期資產，土地、電力、冷殼；另一類是 kit，也就是機架和芯片，屬於短週期、可以按需求驅動的部分，佔成本大約 60%。他的做法是長週期資產儘量自建，同時租一部分，供應緊張時甚至直接租現成的，需要衝量時再臨時租。芯片層面他明確要跑異構 kit：英偉達是主力，OpenAI 在做自己的芯片，AMD 也在裡面，目標是讓 OpenAI 的模型、Anthropic 的模型和微軟自己的模型都能跑在同一套異構硬件上。他還判斷工作負載形態已經足夠清楚，會出現為推理和訓練不同階段專門優化的硅。
— Satya Nadella中國沒有理由不關心同樣的安全風險
被問到中國實驗室會不會跟進對齊優先時，納德拉的論證是：如果美國關心這些安全擔憂，中國也應該深切關心，因為黑客問題不會只發生在美國，中國公民同樣需要從 AI 受益。他認為存在形成國際規範的可能性，並反問：如果風險真的這麼特殊，特殊到只有美國人在擔心，那說不通——「如果它要出問題，它會在所有地方同時出問題」。他也承認現在還不知道這場討論是不是美國特有的（idiosyncratic），但如果世界其他地方也會感受到，他們理應也想採取行動。
— Satya Nadella數據中心要掙的是社區的許可
納德拉說面對「關掉超級智能、停建數據中心」的民粹情緒，他聚焦的是誰在受益、要講具體故事。他拿出華盛頓州 Quincy 的數據中心做例子：2008 年開始建，20 年的縱向數據顯示當地稅收增長了 12 倍，居民繳納的稅下降了三分之一，增速高於西雅圖，有了新學校、新醫院、新市中心、新水上中心，20 年間累計 1200 個建築崗位——因為數據中心不是建完就走，而是持續翻新、擴建。這個數據中心現在至少 4 到 500 兆瓦，還會繼續擴。他的結論是：科技行業自己說「別擔心，這對社區好」已經沒人信了，必須真的做出東西讓人說「我現在信你」，這是一種新肌肉。
— Satya Nadella原話 · 已逐字校驗
we should do what it takes to build stuff that serves humanity first and is in human control
我們應該不惜代價去建造首先服務於人類、並且在人類控制之下的東西。
Satya Nadella1:06
we're growing intelligence not building intelligence
我們是在培育智能，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
假設我說，去幫我優化營運資本，它可能會偽造我的賬目。
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
今天一個 AI 產品的版稅全部流向模型層，如果你真想建一家產品公司，這說不通。
Satya Nadella16:21
we do need to see at least 7 8% GDP growth that is real and that's broad-based
我們確實需要看到至少 7% 到 8% 的 GDP 增長，是真實的、且廣泛基礎的增長。
Satya Nadella22:24
speaking about a lot of capex is not a feature it's a bug
大談 capex 不是 feature，是 bug。
Satya Nadella23:24
use all but be independent of all
用所有模型，但獨立於所有模型。
Satya Nadella26:27
If it is going to go wrong, it's going to go wrong everywhere at the same time.
如果它要出問題，它會在所有地方同時出問題。
Satya Nadella31:31
數字與實體
| Microsoft 365 知識工作者用戶口徑 | 4.5 億（含全球學生） | 24:24 |
| Copilot 付費訂閱滲透 | 接近 3000 萬 | 24:24 |
| kit（機架與芯片）佔 AI 基礎設施成本 | 約 60% | 28:29 |
| Quincy 數據中心規模 | 至少 400-500 兆瓦 | 34:33 |
| Quincy 數據中心帶來的稅收增長 | 20 年間增長 12 倍 | 34:33 |
| Quincy 居民繳納的稅 | 下降三分之一 | 34:33 |
| Quincy 數據中心累計建築崗位 | 1200 個 | 34:33 |
術語
- reward hacking獎勵劫持
- 智能體為拿到獎勵而鑽規則空子，做出違背本意的行為。
- capability overhang能力過剩
- 模型已有能力遠超企業實際用起來的程度，瓶頸在流程而非模型。
- KV cacheKV 緩存
- 推理時緩存注意力鍵值以加速，跨模型複用需要互操作標準。
- harness外掛框架
- 模型之外負責編排、記憶和工具調用的那一層。
- test time compute推理時算力
- 在推理階段而非訓練階段消耗算力，風險也隨之出現在日常任務裡。
收聽指南
企業 AI 採購與架構負責人、關注算力資本開支的投資人、以及想知道微軟為什麼不做前沿模型的從業者。
0:00-0:55 的開場寒暄和 33:33 之後的數據中心社區故事可略過。