0:00 / --:--
Latent Space · 6 月 3 日
Satya Nadella 认为平台的价值在于让企业拥有自己的 AI 能力，而不只是调用模型；企业应通过私有评测和模型可替换性来检验自身控制权。
Satya Nadella 将微软的 AI 战略概括为一种生态系统承诺：企业不只调用别人的模型，还应能凭借自己的数据、评测、工具和工作流，持续构建并掌控属于自己的智能。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
The Twenty Minute VC (20VC)· 2026-10-2620VC：Satya Nadella 谈开放与闭源模型：谁会赢｜是否该信任前沿模型提供商｜为什么公司需要拥有自己的智能｜垂直整合的重要性：从芯片到模型等20VC: Satya Nadella on Open vs Closed Models: Who Wins | Whether to Trust Frontier Model Providers | Why Companies Need to Own Their Own Intelligence | The Importance of Verticalisation: From Chips to Models and More同一位嘉宾：Satya Nadella
No Priors· 2026-06-04AI 需要一个生态系统，而每家公司都能在其中赢得一席之地We Need An Ecosystem in AI, And Every Company Can Win A Place In It同一位嘉宾：Satya Nadella
Latent Space
⚡️Satya Nadella: No Priors x Latent Space Crossover Special at Microsoft Build
YouTube
音频
这场访谈发生在 Nadella 完成 Build 主题演讲之后。主持人提到，他此前用了约三小时介绍微软各业务的发布内容；访谈因此没有逐项复述产品，而是追问发布背后的战略逻辑。Nadella 的回答从「什么才算平台」出发，逐步延伸到 MAI 模型、企业私有评测、智能体运行环境、SaaS 定价、工程组织、数据中心和教育。
阅读时需要区分三种内容：微软已经展示或正在提供的产品与做法，例如 Foundry 中的 harness、Work IQ 和 GitHub Copilot；Nadella 对未来的预测，例如长时间运行的智能体将承担更多工作；以及受访者提出、尚待验证的判断，例如企业评测与智能体经验可能成为重要资产。以下仅依据所给转写和播出信息整理，不把预测写成已发生的结果。
整场对话的主线，是把 AI 从「谁拥有最强单一模型」转向「谁能让更多组织持续创造自己的智能」。Nadella 认为，平台的价值不应只由平台方截留；企业必须能够使用外部模型，同时保有自己的数据、上下文、工具、运行环境和私有评测。他把私有评测视为检验控制权的方法：如果企业能在不泄露经验轨迹的前提下更换模型、继续提升效果，才更接近掌握自己的 AI 能力。与此相配套，微软既训练 MAI 模型，也提供多模型 harness；模型、工具和上下文要共同服务于真实任务，而不能只追逐公开榜单。
访谈的新信息不在于宣告「软件终结」，而在于拆解软件原有的价值。Nadella 认为，SaaS 的数据模型和业务逻辑仍有用，变化的是它们需要如何向智能体开放、重新组合并计费。智能体使编写应用更容易，却也带来维护、安全修复和 token 消耗；因此，企业仍须比较自建与采购的完整成本。他以 Azure 网络团队的 Miles、自己制作的长期运行智能体为例，说明组织可能从亲自完成每项操作，转向设计和管理完成操作的系统。
争议同样贯穿全场：私有评测是否足以构成持久优势，智能体经验能否成为可计量资产，按成果收费是否真能为买卖双方接受，都没有在访谈中得到定论。Nadella 还把数据中心扩张与社区许可联系起来，强调能源、水、就业、税基和可感知的生产率收益必须经得起检验。其最终立场不是要求社会先相信 AI 的远景，而是要求行业尽快交付广泛、具体的好处。
💬 他们说了什么： Sarah Guo 请 Nadella 提炼当天 Build 发布中最重要的认识。Nadella 说，应将当前 AI 视为「生态系统玩法」，而不是单一模型，甚至不是单一平台。他根据自己在微软经历的平台转变提出定义：平台的关键，是在平台之外创造的价值多于平台自身捕获的价值。他希望 AI 原生公司和传统企业都成为「一等参与者」，能够指出哪些 AI 是自己创造的。这并不排斥使用别人的 AI；微软要提供的是实现这一目标的路径、技术栈和工具。
💡 为什么重要： 这给后续所有产品讨论设定了评价标准：微软是否真的让客户获得可持续的创造与控制能力，而不只是增加模型调用量。它也解释了 Nadella 为什么反复强调开放的模型选择、企业自己的评测及工具。
⚡ 争议点： 「平台外创造更多价值」是战略原则，但访谈没有给出衡量创造价值与平台捕获价值的方法。
💬 面对微软为何训练 MAI 模型的问题，Nadella 首先强调好的预训练数据、消融实验和「干净的训练脉络」。他认为，现有材料很多，排除可能干扰训练判断的内容反而更难。他指出，一些开放权重模型在一两个基准上表现漂亮，实际使用却未必同样好；他尤其关注一个小型 5B 模型为何仍能持续「爬坡」改进。他提出寻找模型的「认知核心」，再由企业围绕模型构建改进脚手架、收集运行轨迹，并建立私有评测。公开评测有参考意义，但企业真正关键的任务不能完全由公开榜单代表。
💡 这里的模型战略并非「训练完毕后交付一个通用模型」，而是让企业能继续把模型变成自己的专用能力。训练脉络、改进过程和评测因而被放在同一条链上。
⚡ 他对开放权重模型实际表现的判断没有在访谈中附上比较方法；转写中部分训练术语和演示模型名称也需要对照原音核实。
💬 主持人问，如果回到两三年前，Nadella 会提醒当时的自己什么。他说，模型能力随计算投入提升这一判断仍大致成立，并用「智能是计算量的对数」作粗略描述。但行业可能低估了把能力部署到真实世界、交付可测量结果的复杂性。基准测试中的成果重要，真正的评测却是用户能否完成只有他们自己才知道价值的独特事情。他还把人们不愿意单纯「最大化 token」的态度，视作行业尚未充分想清楚如何让每一步 token 消耗创造价值。
💡 这将讨论从模型供给侧移到用户成果侧：更多计算和更高得分，不能替代部署设计、任务定义及价值验证。对企业而言，成本与结果必须一起评估。
⚡ 「智能是计算量的对数」在这里是受访者的简化说法，不是访谈证明的定律；真实价值该如何统一量化仍未解决。
💬 谈到客户用例，Nadella 承认编码影响显著，却说正因编码智能体进展太快，IDE 需要重建。若一个人同时面对「一百个智能体会话」，审阅、判断和协调造成的认知负担会转回人类；仅有聊天记录也不足以承载工作成果，所以还需要新的界面和 canvas。他随后谈到持续运行的 autopilot：智能体可以在授权范围内，借助身份和上下文完成大量衔接性工作。他预测，人们可能很快需要一个新的工作环境，清楚查看智能体整夜做了什么、哪些任务已完成，以及哪些结果仍需自己判断。
💡 智能体的瓶颈不只有生成能力，还有人如何监督并理解并行工作。可检视的成果、权限和界面，是工作流能否扩大的组成部分。
⚡ 「一百个会话」和「六个月后」是谈话中的示意与预测，并非已验证的普遍使用状态。
💬 Sarah Guo 从编码智能体的运行环境追问：一般企业工作的「harness」是什么。Nadella 回答，它应组织模型、数据和工具，使三者形成循环。他说，GitHub Copilot、安全相关产品以及访谈提到的其他系统，都是能接入工具的多模型 harness；工具还应逐步呈现，以提高 token 效率。微软过去两年的一项艰难经验，是必须投入大量工作准备上下文层，让计划得以高效执行。他表示，微软的 GitHub harness 已用于多个产品并在 Foundry 提供，同时也欢迎客户使用自己的或其他开放 harness。
💡 harness 把智能体从一次回答变成能够在具体环境中完成任务的系统。尤其是上下文准备，决定模型是否知道该依据什么信息、使用哪些工具行动。
⚡ 访谈提出多模型 harness 在真实任务中可以很强，但所举安全发现案例尚不足以证明它在所有场景都优于单模型方案。
💬 讨论平台方同时经营自有产品时，Nadella 承认成功的平台建设者可以拥有第一方产品；他认为关键在于，不能因此限制其他参与者取得成功。他提出，每家公司拥有的私有评测可能是极重要的知识产权，因为它能体现公司任务中真正新颖、真正有价值的部分。其「试金石」是：使用模型 A 时建立的评测、上下文和工具，能否在切换模型 B 后继续改善效果，并避免泄露运行轨迹。若能做到，企业较有控制权；若做不到，控制权可能仍掌握在供应方手里。他把「用我们的平台，为你的数据获得你的智能」概括为开发者大会的承诺。
💡 这为「开放」提供了比接口数量更具体的检验方式：客户是否能迁移模型，并保有自己的改进能力。它也指出初创公司、SaaS 公司和大企业可能共同需要的一组能力。
⚡ 私有评测是否会成为「最大的知识产权」仍是判断；模型迁移能否顺利，还取决于转写没有量化的实际差异和成本。
💬 swyx 请 Nadella 展开企业价值与评测、智能体经验的关系。Nadella 首先强调，人力资本仍然宝贵：人能够发现持续出现的缺口，并提出新的目标。他设想企业同时拥有大量人类工作和 token 驱动的工作，而两者在 Teams 等环境中的协作轨迹，包含企业如何创造价值的重要上下文。这些轨迹或可用来训练并非通用型、而是熟悉本公司的「老员工智能体」。他甚至提出，这类随时间积累的能力值得思考能否进入资产负债表；主持人随即打趣，监管机构恐怕需要相应的会计标准。
💡 这个观点把智能体从节省单项任务时间的工具，推进为保存与累积组织经验的载体。它也提醒企业：要让经验复用，先得知道哪些轨迹值得保留和学习。
⚡ 智能体能在多大程度上捕捉默会知识，以及能否、如何在会计上确认为资产，访谈均未给出依据或现行规则。
💬 面对「软件终结」和企业自行生成工作流的讨论，Nadella 回顾 SaaS 的旧结构：先建立数据模型，再叠加业务逻辑和用户界面。他认为，智能体时代需要重新审视这种纵向封装，而不是把每一层都推倒重来。总账等数据模型的稳定性仍重要；Power BI 仪表盘背后花力气建立的语义模型和指标，也仍是有价值的业务逻辑。他以 Microsoft 365 的 Work IQ 为例，称过去主要由邮件、Teams、Word、Excel 等应用使用的信息，如今可以用于跨应用的智能体任务。他描述的例子是：在 GitHub 仓库中查询上周设计会议的相关记录，进而形成修改代码库的计划。
💡 企业软件的可持续价值，可能从固定界面转向稳定数据结构、可信语义和可被智能体调用的能力。SaaS 厂商面临的是重新开放、组合并销售这些层次，而非只守住原包装。
⚡ Nadella 认为智能体世界的价值创造机会可能达到「10X」，但访谈未提供这一幅度的测算；跨应用信息用于代码建议的准确性与权限边界也需验证。
💬 Nadella 认为，按用户收费满足了企业制定确定预算的需要，因此订阅和按用户计费不会立刻消失；智能体使用增加后，还需要用量计费。他提醒，客户起初可能喜欢按成果付费，但成果一旦变大，又可能不愿持续分享收益。他以 GitHub Copilot 为例：早期按用户构建的定价，面对大量、全天运行的智能体时需要调整。谈到企业重做 SaaS，受访者强调应比较自行构建并维护的边际成本与采购成本；安全漏洞被发现后，修复同样需要责任人和 token。Nadella 主张经历完整预算周期，才能更清楚看到新均衡。
💡 计费方式应与真实使用强度相适应，而不是只按最初的交互式使用场景设计。自建或采购的比较，也必须覆盖上线后的修复、维护及智能体消耗。
⚡ 按用户、按用量和按成果的组合尚无统一答案；「经历一个完整预算周期」是观察建议，不保证之后就会形成稳定模式。
💬 Nadella 说，GitHub Copilot 的新 Sessions 应用让他更容易查看、学习并操作过去难以触碰的代码产物。他举例称，自己用 Work IQ 构建了一个持续运行的 Foundry 智能体，用于监测类似幕僚长会关注的事务，并将它发布到 Teams。主持人随后提出一种猜想：未来工程岗位会否大幅收敛为管理智能体、现场部署、安全和大规模基础设施等少数类别。Nadella 没有接受这种确定划分，而是说需要边试边看；他举 LinkedIn 组建「full stack builder」角色的例子，说明设计、产品和前端人员可以扩大职责范围，同时保留各自专长。他还说，Excel 团队建设让奖励得以学习的环境，本身就是困难的基础设施问题。
💡 AI 增强的未必只是程序员，也包括能检查代码、提出需求并完成端到端项目的通才。与此同时，支撑智能体可靠工作的基础设施与专业技能不会凭空消失。
⚡ 主持人的「未来只剩四类工程角色」是提问中的观点，不是 Nadella 的结论；个人智能体示例也不能直接代表大企业部署难度。
💬 谈到雄心，Nadella 引用 Kevin Scott 的区分：让困难的事变容易是一种杠杆，让原本不可能的事成为可能，才是更大的雄心。他说，Azure 网络团队面对容量扩张，重新定义了自己的职责：不是逐件处理网络事务，而是建设处理这些事务的智能体系统 Miles。他提到团队负责涉及 500 多家光纤运营商的广域网络工作，并转述他们「需要 token，而不是增加人数」的说法。随后话题转向数据中心；Nadella 主张行业必须让社区真实感受到收益，并正面回答电价、用水、就业、培训和税基问题。他认为，如果这些收益不存在，行业便不会获得继续建设的社区许可。
💡 Miles 展示了一种组织转型路径：把重复执行的工作提升为设计、监督和改进执行系统的「元工作」。但数据中心所需的物理资源，又使 AI 价值必须接受社区层面的检验。
⚡ Nadella 关于电网改善、水补充和社区收益的表述，在访谈中没有项目级证据；「需要 token 而不是人数」也不等于已经证明可普遍替代招聘。
💬 被问及 AI 社会影响，Nadella 回到开场主题：每个人都应有机会成为新经济的一等参与者。他认为，在未来 12 至 18 个月，人们需要亲眼看到医疗结果、创业能力或经营本地商店等方面的具体好处；科技公司不能只说「相信我们，未来会很好」。讨论教育时，他提到与 Alpha School 创办人交流，认为仍须认真教授概念，不能把学习简化成要求 AI 修好一次训练运行。他进一步提出，信息获取、自学和持续更新方式已变化，教育的激励、证书及证书对应的就业机会都需要重新思考。新的大学或教学法，可能成为过去难以想象、如今值得尝试的方向。
💡 访谈在社会层面重申了平台论点：参与机会必须变成个人可感知的成果。教育若只引入工具而不改变学习与就业之间的衔接，潜在收益可能难以兑现。
⚡ 「12 至 18 个月」是 Nadella 对赢得社会认同时间窗口的判断；访谈没有证明新的学校或教学法一定能带来更好的学习及就业结果。
EN: “A platform is defined by fundamentally its ability to create more value about the platform versus what’s captured in the platform.” 中：「平台的根本定义，在于它能在平台周围创造多少价值，而不只是自己捕获多少价值。」
EN: “Can everybody operate at the frontier with their frontier intelligence?” 中：「每个人能否凭借属于自己的前沿智能，在前沿开展工作？」
EN: “You build with us, you will get your intelligence, for your data.” 中：「与我们一起构建，你就能为自己的数据获得属于自己的智能。」
EN: “If you can, then you’re in control. If you can’t, you’re not in control.” 中：「如果你做得到，你就掌握控制权；如果做不到，就没有。」
EN: “Most people love outcomes until they have an outcome.” 中：「多数人喜欢按成果付费，直到他们真的取得了成果。」
EN: “True ambition is about making the impossible possible.” 中：「真正的雄心，是让不可能成为可能。」
EN: “We don’t need a headcount. We need tokens.” 中：「我们不需要增加人数；我们需要 token。」
EN: “Trust us, we’ve got it. The future is gonna be glorious.” 中：「相信我们，我们能搞定，未来会无比美好。」——Nadella 引述这种说法，是为了说明它已不足以赢得公众信任。
reused_en_transcript（用户提供的英文转写及时间戳）
