The Rise of 深度访谈

访谈开场围绕微软当天发布会的整体反思展开。纳德拉认为，这一轮 AI 变革更应被理解为“生态系统玩法”，而不是某个单一模型或单一平台的胜负。他回顾自己在微软经历多次平台迁移的经验，强调优秀平台的定义不在于平台自身攫取了多少价值，而在于它能否让平台之上的参与者创造更多价值。因此，微软当前的任务不是单纯提供 AI 能力，而是让 AI 原生公司与传统企业都能成为“第一方参与者”，能够明确指向“这是我们自己创造的 AI”。他进一步把问题拆解为：企业需要怎样的技术栈、工具链和方法论，才能在使用他人模型的同时，构建属于自己的 AI 能力。

在被问到微软的训练策略时，纳德拉重点解释了 MAI 模型的设计思路。他强调首先要构建“干净谱系”的基础模型，即从高质量数据和充分消融实验出发，确保预训练质量；因为当前互联网上已有内容过多，反而让构建真正可靠的模型变得更难。他指出，一些开源权重模型在少数 benchmark 上表现漂亮，但在实际使用中并不稳定。微软感兴趣的不只是通用模型本身，而是如何围绕模型建立“hill climbing scaffold”，让企业能把通用模型转化为自己的专用模型。这个过程包括采集 traces、形成强化学习回路，并尤其依赖私有 eval。纳德拉还举例说明：借助更强模型收集轨迹，再让一个 5B 推理模型取得更好结果，是另一种“在前沿工作”的方式。

谈及过去两三年最大的反思时，纳德拉提到自己最初是因 scaling laws 论文而深受鼓舞，也因此推进了与 OpenAI 的合作。他承认，大模型能力提升的趋势基本得到了验证，甚至可以粗略地说“智能约等于计算量的对数”。但他认为整个行业低估了另一件更难的事：把这些能力真正部署到现实世界，并交付可衡量的价值。benchmark 指标当然重要，但不是真正的最终评测；真正的 eval 是用户是否能借此完成独特且可量化的工作。他还指出，当人们抱怨“我不想买 token”时，本质上是行业没有从一开始就把“token 如何逐步创造价值”讲清楚。换言之，AI 的商业化与产品化难点，在于把能力映射成可感知收益。

在具体应用层面，纳德拉承认代码生成是最先大规模产生效果的领域，但他强调其影响已不只是“写代码更快”。由于代理能同时运行大量任务，开发者面对的认知负担反而上升，因此 IDE、UI 和交互方式都需要重建，单纯聊天界面已不足以承载复杂协作。他进一步把视角扩展到企业中的“glue work”，即大量依赖判断、协调和连接流程的人类劳动。借助可长期运行、可授权执行的 agents，这些工作将像代码一样被显著放大。他设想不久后，人们每天醒来都会先查看一批代表自己工作的 autopilots 昨晚做了什么。这里的核心价值，不只是建议生成，而是工作流压缩、任务完成以及代理与人之间的新型协作。

接着，话题转向企业版“harness”概念。纳德拉认为，真正有效的企业 AI 系统并不是单个模型，而是围绕模型构建的数据、工具和上下文循环。微软正试图让 GitHub Copilot、安全产品、科学发现等不同产品都成为多模型 harness，并通过工具权限的渐进暴露提高 token 效率。过去两年的一个关键教训是：上下文层的准备工作极其重要，直接决定计划执行效率与系统效果。他进一步把这一能力上升为微软的新平台承诺：让每家公司都能以自己的数据、工具、eval 和上下文，在前沿模型之上构建“属于自己的前沿智能”。他强调开放 harness、支持模型切换很关键；如果企业能在 model A 与 model B 之间迁移并继续优化，就说明控制权掌握在自己手中。

在讨论公司真正的 IP 与价值捕获时，纳德拉提出了一个重要变化：过去企业价值很大程度上依赖“在公司里积累多年经验的人”，而未来会转化为人类与代理协作过程中沉淀下来的 traces、私有 eval 和上下文。他并不认为人类价值会下降，相反，人类持续发现系统空白与创造新机会的能力仍是核心；只是当“token capital”增加后，企业的关键问题变成如何让人力资本与 token 资本复利增长。如果在 Teams 等系统中，代理与员工共同工作并留下高质量轨迹，这些轨迹就可以用来训练企业特有的“company veteran agent”，把原本难以上账的 tacit knowledge 部分显性化、可复用化。纳德拉甚至认为，这类资产未来某种意义上应进入企业的资产负债表。

当主持人把讨论引向“软件是否终结”时，纳德拉给出的答案并不是简单替代，而是“重新审理软件栈的垂直分层”。他回顾过去二十年 SaaS 的典型结构：先构建数据模型，把业务流程模式化；再叠加业务逻辑；最后用 UI 和少量配置封装出来。进入代理时代，这一堆栈的每一层都可以被重新评估，但并非都要推倒重来。纳德拉明确表示，底层的数据模型——例如总账、实体关系等——依旧非常稳固和有价值，没有必要重新发明；企业反而需要这些稳定结构来喂给 AI。同样，许多由仪表板、指标和语义模型承载的业务逻辑也仍然重要。变化主要发生在上层交互与工作流编排方式上：软件不再只是静态 UI，而会转向由模型、工具和语义层驱动的动态执行系统。

访谈片头先以一组高度概括性的观点，为整场对话定下基调。纳德拉指出，世界将对科技公司保持高度怀疑，不会再轻易接受“相信我们，未来会很辉煌”的叙事；这一次技术影响太深、经济占比太大，因此企业必须拿出切实可感的利益交付。他一方面谈到真正的雄心在于“让不可能变成可能”，并以 Azure 网络团队为例，称微软过去 15 个月新增的 Azure 容量已超过此前 15 年总和，说明 AI 对算力与基础设施提出了空前要求。另一方面，他也强调微软的工作不该只是手工做网络运维，而是要构建能执行这些工作的 agentic system。最后，他把 AI 对信息获取和持续学习方式的改变延伸到教育创业，认为下一个伟大创业机会可能是重做大学与教学法，帮助人们通过新的课程体系获得经济机会。