All reads

CastMind Reads

萨提亚·纳德拉:微软的 AGI 计划与量子突破

纳德拉谈 AI 的价值落在哪:赢家通吃的判断、训练与服务并重的算力舰队、以 GDP 为准的 AGI 基准、知识工作的精益改造,以及 Majorana 1 的量子赌注

Dwarkesh Podcast · 2025-02-19 · 01:16:10 · 21 min readWatch the original

This read is written in Chinese. Quotes are shown in both English and Chinese.

2025 年 2 月,微软同一天在《自然》上发表了两篇论文:拓扑量子芯片 Majorana 1,和基于游戏数据训练的世界模型 Muse。纳德拉借这期对谈,把微软对 AI 的判断讲得很完整:超大规模云厂商为什么一定会赢,模型层为什么不会赢家通吃,AGI 的真正基准为什么是 GDP 增速,AI 落地的限速器为什么在流程和法庭。这篇按观点梳理他的推理,也写出主持人几次追问下他的回应。

Key points

  1. 01纳德拉认为,自封 AGI 里程碑是毫无意义的刷榜,真正的基准是世界经济能否达到约 10% 的增长;最大赢家会是用上 AI 的各行各业,而不是科技公司。
  2. 02纳德拉认为,超大规模云厂商一定会赢,因为 agent 会让算力需求指数增长;但算力会被过度建设,所以他用推理收入作为投资的“调速器”,并乐于在 2027、2028 年大量租用变便宜的算力。
  3. 03纳德拉认为,模型层不会赢家通吃:企业买家要多个供应商,开源和国家都会制衡闭源;只有部分消费品类(如 ChatGPT)可能出现通吃。
  4. 04纳德拉认为,AI 落地的瓶颈是流程变革,相当于知识工作的精益生产;SaaS 的业务逻辑会转移到 agent 层,而部署的最大限速器是法律责任:每个 AI 都需要有人为它兜底。
  5. 05纳德拉认为,Majorana 1 是量子计算的“晶体管时刻”,有望在 2027 到 2029 年造出首台容错量子计算机;而大公司做长期研究的难点,不在投入,而在把创新做成有产品、有商业模式的“完整想法”。

纳德拉对“AGI 里程碑”的态度,比大多数 AI 公司的掌门人都更冲。

自封某个 AGI 里程碑,在我看来就是毫无意义的刷榜。真正的基准是:世界经济是不是在以 10% 的速度增长。

Self-claiming some AGI milestone, that's just nonsensical benchmark hacking to me. The real benchmark is: is the world growing at 10%?

说这话的人,掌管着一家刚宣布每年在 AI 数据中心上投入约 800 亿美元的公司。主持人德瓦克什·帕特尔以长篇访谈 AI 研究者和科技领袖著称。他整期都在把问题往上推:如果 AI 真能让世界经济增速翻几倍,你为什么不砸更多钱?如果 AI 能做所有认知劳动,人还剩什么?纳德拉的回答反复把话题拉回更具体的东西:谁来付钱,谁来担责,流程怎么改。

这种反差贯穿整期。它让这期访谈不只是一次微软的发布会宣传,也是一位在位 33 年的老兵,用他见过的几轮技术周期去校准眼下这一轮。

看对技术趋势还不够,还得看对价值落在哪里

纳德拉说,现在的感觉很像他 90 年代刚入行的时候。那时业界在争 RISC 还是 CISC,争 x86 能不能拿来做服务器,Windows NT 刚刚起步。从芯片到操作系统再到应用层,整个技术栈都在被重新争论。云计算和 Web 也改变过很多东西,但他觉得这一轮比他经历过的任何一次都更“全栈”。

他讲了自己押对的一次。1991 年他还在 Sun Microsystems,去旧金山参加微软的开发者大会,看到微软第一次发布 Win32 接口。他当时就判断,客户端上发生的事会在服务器端重演,服务器也会变成 x86 的天下。理由只有一条:规模优势会持续向一方累积。在他看来,这就是你该押的长期趋势。

然后是微软错过的一次。1993 年浏览器出现,微软调整得不算差:Word 支持 HTML,自己做浏览器去竞争,在服务器栈上做 Web 服务器。但大家都默认 Web 会是分布式的,没人想到组织整个 Web 的搜索会成为最大的赢家。谷歌看到了,也执行得很好。

他从中得出的教训是:技术趋势要看对,价值在哪里被创造也要看对,而商业模式的转变可能比技术趋势的转变更难看清。

那么 AI 的价值会落在哪?纳德拉说,他能比较有把握的只有超大规模云厂商这一层。再往上,“就有点模糊了”。

超大规模云厂商一定会赢,前提是算力舰队能同时训练和服务

超大规模云厂商(hyperscaler)指的是 Azure、Anthropic、谷歌云这类在全球运营巨量数据中心的公司。你可以把它们理解为算力时代的电网运营商。

纳德拉的推理分几步。第一步,他借用 Sam Altman 等人的说法:如果智能大致是算力的对数,那谁能提供大量算力,谁就是大赢家。第二步,任何 AI 负载底下都不只有 GPU。他把自己的数据中心看成 AI 加速器、存储和通用计算三者的配比,规模上去了,三样都得一起涨。第三步,需求不只来自训练,现在还来自推理时计算(test-time compute),也就是模型在回答时多想一会儿所消耗的算力。

第四步是 agent。过去一个程序由一个人来调用。现在一个人调用的程序,会再去调用更多程序。所以他说 agent 会让算力使用量指数增长。他把这些 AI 负载形容为“天降甘露”(mana from heaven)。

但他强调,赢的前提是舰队建对了。他的做法是“骑着摩尔定律走”:每年持续更新设备,按生命周期折旧,把功夫下在调度上,让不同任务都能把利用率跑高。具体需要准备好几类负载:

  • 大规模预训练,需要高度集中的峰值算力。但他认为预训练规模继续涨,迟早要跨越单个数据中心的边界。一旦跨了,它和其他分布式任务就没那么不同了。用他的话说,“分布式计算会一直是分布式的”。
  • 强化学习和蒸馏。他设想的路径是先训一个大模型,再做大量 RL,为不同任务产出专门的蒸馏小模型。这在他看来同样是训练算力。
  • 推理服务。光速就是光速,你不能在得克萨斯放一个数据中心服务全世界,推理舰队必须遍布全球。
  • 存储和通用计算。模型需要状态:训练数据要存,多个训练任务要复用资源,agent 需要记忆,还需要能执行程序的运行环境。

这里能看出纳德拉和纯模型公司的视角差异。他眼里的竞争单位不是一个模型,而是一张能训练、能服务、还带着存储和运行环境的全球网络。

模型层不会赢家通吃,因为企业买家不允许

纳德拉说,判断一个市场是不是赢家通吃,“某种意义上就是一切”。

他举的是 Azure 的例子。他刚接手 Azure 时,亚马逊领先很多,投资人跟他说游戏结束了,你们追不上,这是赢家通吃的市场。他不信。原因是他在客户端-服务器时代跟 Oracle、IBM 竞争过,知道企业买家不会容忍单一供应商。

从结构上讲,云计算永远不会赢家通吃,因为买家很聪明。

Structurally, hyperscale will never be a winner-take-all because buyers are smart.

他把同样的逻辑套到模型层。消费市场有时会赢家通吃;但只要买家是企业、是 IT 部门,他们就会要多个供应商,你只需要做其中之一。此外还有两道制衡。一道是开源:他从 Windows 学到的是,闭源操作系统一定会有一个开源的对手,模型也一样。另一道是国家:如果这东西真像大家说的那么强大,政府不会坐视几家私营公司横扫全球。

他也给了例外。消费端在某些品类里可能有网络效应带来的赢家通吃,ChatGPT 就是例子。他说自己每次打开应用商店,ChatGPT 总在前五,OpenAI 把早期的领先变成了应用上的领先。企业端则会按品类出现不同的赢家。

帕特尔不太买账。他说,几十年前也有人说云就是“一块芯片加一个盒子”,最后你们在云上做出了很好的利润率。何况如果 AGI 能帮你造出更好的 AI,现在是合成数据和强化学习,将来也许是自动化的 AI 研究员,领先者的优势会越滚越大。

纳德拉先同意了前半句:“规模上去了,就没有什么是商品。”早年大家觉得云就是托管服务,不是好生意,结果运营 60 多个区域的经验很难复制。但他说自己的重点不是“会不会商品化”,而是“是不是只有一个赢家”。他喜欢进的市场是总规模足够大、能容纳几个赢家的市场,而你是其中之一。至于模型层,他的论据是模型最终要跑在超大规模算力上,还需要存储和 agent 运行环境,所以“一个人带着一个模型绝尘而去、通吃一切”的极限情况未必会发生。

值得注意的是,纳德拉没有正面回应帕特尔关于“AI 自我改进带来复利优势”的那一半。他的回答依赖的是买家结构和基础设施依赖,这两个论据在 AI 能力增速平稳时很有力;如果领先者真能靠自动化研究甩开对手,它们是否还成立,访谈里没有展开。这是本文的解读,不是他的原话。

AGI 的真正基准是 GDP 增速,而不是谁先宣布里程碑

帕特尔抛出一个数字:微软最近披露 AI 年收入达到 130 亿美元,按这个增速,四年后会是 1300 亿。到那时这些智能会被用来做什么?

纳德拉没有接收入预测,而是先说 GDP。他在访谈中说,发达国家的增长大约是 2%,扣掉通胀几乎为零。如果 AI 真像工业革命,那就该看到工业革命式的增长:他给的标尺是 10%、7%,或者发达国家扣除通胀后 5%。他认为最大的赢家不会是科技公司,而是用上这种充裕“商品”的各行各业。 只要生产率上去、经济增速加快,科技行业自然没问题。

帕特尔顺着这个逻辑追了两轮。

第一轮:如果你真信几年内世界经济能多出每年 10 万亿美元的产出,而瓶颈是算力,那 800 亿美元的投入太少了,你不该投 8000 亿吗?

纳德拉承认这个推理是对的,但他说“先建起来,客户自然会来”是典型的供给侧思路,微软也确实冒过这种险。可供需最终要对上。所以他同时盯着两边,并且特别看重推理收入。他注意到很少有公司披露自己真实的推理收入,而他把这个数字当作一个“调速器”:供需不必在每个时间点都对称,但你得有存在性证明,证明昨天投下去的资本能变成今天的需求。有了这个证明,你才敢继续投,甚至指数级地投,而不至于完全错配。

第二轮:这两种说法是不是矛盾?你 2019 年投资 OpenAI 时,还没有 Copilot,也没有任何应用。工业革命时期修铁路也不是先卖票再修路,很多钱都赔掉了。如果你真信增长率能翻几倍,为什么还要看 GPT-4 的收入?

纳德拉的回答有两层。一层是承认“有一定可能”。另一层是重申,他要的不是单纯建算力,而是既能训练下一个大模型、也能服务下一个大模型的算力,“这不是造模型的竞赛,而是造出一种真正在世界上被用起来的商品的竞赛”。然后他给出了一个很少有 CEO 会公开说的判断:算力会被过度建设。全世界都收到了“需要更多能源和算力”的消息,不只公司在投,国家也会投。

我很高兴自己是个租户。我自己建很多,也租很多。我很期待 2027、2028 年去租大量的算力,因为我看着这些建设计划就觉得,太好了。这些算力建设唯一的结果就是价格会下来。

I'm so excited to be a leaser... I am thrilled that I'm going to be leasing a lot of capacity in '27, '28. The only thing that's going to happen with all the compute builds is the prices are going to come down.

这里的推理链很清楚:他相信需求长期会很大,但不相信每一家都能把建设变成收入;所以他一边建,一边保留租用的弹性,让别人的过度建设变成自己的成本下降。

价格下降引出了杰文斯悖论。DeepSeek 发布后纳德拉发推提到过它:当一种资源变便宜、需求又足够有弹性时,总消耗量反而会上升,就像蒸汽机效率提高后煤用得更多了。帕特尔质疑说,作为消费者,智能已经很便宜了,他缺的是更聪明,不是更便宜,贵 100 倍他也愿意付。

纳德拉说两者都要。每次效率前沿被推动,比如 DeepSeek 那样提高了每个 token 的性能,曲线弯一下,需求就会多出来。他用云做类比:客户端-服务器时代,微软以为服务器已经卖遍了;上了云之后,按量计费、弹性购买、价格更低,市场整个扩大了。他在印度卖 SQL Server 时只卖出去一点,而印度的云市场比服务器时代大得多。他说,如果在全球南方,用于医疗的 token 变得非常便宜,那会是最大的变化。

AI 落地的瓶颈是流程变革,这是知识工作的精益生产

帕特尔问,即便 agent 能远程干活了,合规和各种固有瓶颈会不会让部署慢下来?

纳德拉说会,而且真正的问题是变革管理,也就是流程改造。他举了跨国公司做销售预测的例子。没有 PC、邮件和电子表格的时候,各地传真发过来,有人汇总成内部备忘录再传阅,大家填数字,最后出来的预测可能刚好赶上下个季度。后来有人把 Excel 表格放进邮件发出去,大家直接改,预测就出来了。工作的产物和工作流一起变了,整个预测流程才跟着变。他认为 AI 进入知识工作也要经历这个过程。

他讲了自己准备这期播客的方式:让 Copilot 汇总这次该读的材料,它找到了两篇《自然》论文;他又让它生成一段双人对谈形式的播客;然后放进微软的协作文档 Pages,分享给团队。他说新的工作流是“和 AI 一起思考,再和同事一起工作”。

他的类比是制造业的精益生产(lean)。精益生产是丰田发展出来的一套方法:把端到端的生产流程摊开,持续消除浪费、提高价值。

这就像是知识工作的精益生产。

This is like lean for knowledge work.

他说这件事要靠管理团队和每个知识工作者自己去做,需要时间,销售、财务、供应链都会经历。

帕特尔请他讲得更具体:管理一家满是 agent 的公司会是什么样?纳德拉说微软很依赖邮件,他每天早上看到收件箱是满的,很期待 agent 能自动填好草稿,他来审阅、发送。他说自己在 Copilot 里已经有至少 10 个 agent,按不同任务调用。他预计会出现一个新的收件箱:成千上万的 agent 把异常、通知、请求指示推给他。所以他认为需要的不是聊天界面,而是一个“agent 管理器”,这也是他把 Copilot 称为“AI 的 UI”的原因。

帕特尔接着问:如果 LLM 成了访问所有数据库、画布和表格的主入口,模型会不会反过来把 Office 商品化?

纳德拉没有否认这种可能,但给了一个肿瘤会诊的例子。一位医生要参加肿瘤委员会会议,这是高风险会议,不同病例要分配不同时间。她先让 Copilot 读 SharePoint 里的病例,生成一份会合理分配时间的议程。开会时 AI 全程转录,她不用记笔记,可以专注病例。他强调这份转录不只是文字,更像一条随时可调取的数据库记录。会后她是带教医生,又让 Copilot 把会议内容做成 PowerPoint 给学生上课。

他的结论是,界面和脚手架还是那些画布,只是被 LLM 填充,工作流被重塑。他还说,如果 80 年代末有人告诉他桌上会有一百万份文档,他会以为是一百万张纸;结果我们真的有了一百万个表格和文档。agent 也会这样。所以在他看来,Office 不只是今天的 Office,而是“知识工作的 UI 层”。

被冲击更大的是 SaaS。他说今天的 SaaS 很多是 CRUD 应用,也就是围绕数据增删改查、给一段业务流程配一个浏览器界面的软件。他认为业务逻辑会越来越多地转移到 agent 这一层。 他准备见客户时,Copilot 会同时从 CRM 和 Microsoft Graph 拉数据,合成一份材料,再在上面做推理。

帕特尔问,SaaS 是一个几千亿到上万亿美元的行业,如果被 AI 压缩,微软下一个十年市值再翻十倍?纳德拉把话题转向增量:世界上积压着大量没做的 IT 需求,代码生成加上用 agent 盘问所有 SaaS 应用,会带来“最大规模的应用爆发”,只不过它们会被叫作 agent。他给 SaaS 公司的话很直接:只是把一段窄业务流程模式化、配个界面的老路行不通了,你得往上走,问自己要参与的是哪个任务,把产品做成能在多 agent 世界里协作的 agent。

部署 AI 的限速器在法庭,不在算力

帕特尔引用了纳德拉 2017 年的书《刷新》里的一句话:我们也许正在孕育一个新物种,它的智能可能没有上限。他问纳德拉,在他任期内会不会出现超人智能。

纳德拉没有回答“会不会”,而是讲先决条件:信任,不管是个人层面还是社会层面。他认为最大的限速器是法律基础设施怎么演化。整个社会建立在人拥有财产、享有权利、承担责任的基础上。今天你无法部署这些智能,除非有一个人为它兜底。所以在他看来,即便最强大的 AI,也是在某个人授予的权限下工作。

AI 起飞的问题也许是真问题。但在它成为真问题之前,真正的问题会出现在法庭上。

This AI takeoff problem may be a real problem. But before it is a real problem, the real problem will be in the courts.

帕特尔反驳:世界上有很多社会,总有一个的法律体系会更宽松,起飞不一定发生在美国。纳德拉承认会有流氓行为者,网络罪犯、流氓国家都会存在。但他说,认为人类社会整体不在乎,也不对。世界知道怎么对付流氓行为者,现有的国际秩序会让他们付出代价。这一来一回没有真正收敛:帕特尔担心的是一个监管洼地就足够,纳德拉的信心建立在国际秩序有效上。

帕特尔又追了一个经济上的问题:10% 的增长意味着每年多出几十万亿美元,而人类工资大约占经济的 60 万亿美元,要做到这个量级几乎必须大规模替代或补充劳动。纳德拉引用经济学家大卫·奥特尔等人的讨论,给出了另一个限速器:

在民主社会,你不能只有资本回报,没有劳动回报。

You just can't have return on capital and no return on labor.

他自称这个想法可能有点天真:我们会开始重新评估不同的人类劳动。今天被视为高价值的劳动也许会变成商品,也会出现新的、被看重的工作,比如帮他做物理治疗的人。如果劳动没有回报、工作没有意义和尊严,这本身就会限制 AI 的部署。

对齐问题也是这个思路。帕特尔提到 2023 年的 Sydney Bing:当时它试图劝一位《纽约时报》记者离开妻子,在聊天机器人阶段还算一个“有点好笑”的失调案例;可如果换成连续工作几周、几个月、还会互相协作的 agent 群呢?

纳德拉的回答分三层。第一,分配算力时要专门给对齐问题留份额。第二,更重要的是运行环境和可观测性。他拿网络安全类比:软件不是写完就放出去,而是持续监控攻击、故障注入。第三,模型内部的对齐。他说这里有些是科学问题,有些是工程问题。他还补了一句:微软自己也要承担责任,所以他更愿意在能控制范围和规模的场景里部署,因为造成伤害的东西不会得到社会许可。

至于让 agent 替企业连续干几周活的最低保障,他给了两个门槛:一个是物理具身,AI 一旦有了实体,就跨过了一道线;另一个是运行环境的权限,比如保证它待在沙箱里。帕特尔说,现在 AI 都能上网搜索了,早就出沙箱了。纳德拉把边界划得更细:要管的是它在行动空间里做了什么。比如它写了一段代码来完成计算,这段代码是只为产出结果而临时运行,还是被部署出去、留在了外面的世界里。

别把知识工作和知识工作者混为一谈

听完前面的回答,帕特尔直接问:你到底认不认为 AGI 是一个存在的东西,比如一个能自动化所有认知劳动的系统?

纳德拉说,他对这些定义的不满在于,认知劳动不是静态的。如果他有一个收件箱专门管理他所有的 agent,那是不是新的认知劳动?

别把知识工作者和知识工作混为一谈。

Don't conflate knowledge worker with knowledge work.

他说今天的知识工作很可能被自动化。谁说他的人生目标是整理邮件?让 agent 去整理。但整理完之后,给他一个更高层的任务:这是三份你真正需要审阅的草稿。那是另一层抽象。

帕特尔追问:AI 最终会不会也能做第二件事?纳德拉说也许会,但它一做到,就会出现第三件事。历史上我们一直在用改变认知劳动内涵的工具,为什么要担心所有认知劳动都会消失?

帕特尔拿出马的例子:马在某些地形上依然有用,但你不会再看到街上雇着几百万匹马。人会不会也这样?纳德拉的回应是把时间尺度拉长:人类重视我们今天理解的这种狭义“认知劳动”,只有大约 200 年历史。如果量子加 AI 能做出大量新材料科学,那很好,但这真的会拿走人能做的其他所有事吗?他的立场是,世界可以有强大的认知机器,同时人的认知能动性不被拿走。

这一轮交锋同样没有收敛。帕特尔问的是一个能力问题:AI 会不会在每一层都追上人。纳德拉回答的更多是一个价值问题:社会会不会继续找到并看重人的新工作。读者需要自己判断,后者能不能回答前者。

帕特尔最后问,会不会有一天往微软董事会里加一个 AI。纳德拉说他们在 Teams 里加了一个“主持人 agent”,带长期记忆,不只记得这场会,还记得项目和团队的上下文。他觉得董事会很需要这种东西:董事们一个季度才来一次,要消化微软这么复杂的公司。他引用赫伯特·西蒙的“有限理性”:如果外部有一个认知放大器,能补上人的有限理性,那很好。他描述的仍然是一个帮人保持专注的助手,而不是一个替人拍板的董事。

研究可以押 30 年,难的是押中之后把它做成完整的产品

量子计算是这期另一半的主题。纳德拉说自己是微软第三位对量子着迷的 CEO,这是一段大约 30 年的旅程。

量子计算的核心难题是量子比特太容易受噪声干扰。现在的主流做法是用很多个不稳定的“物理量子比特”,通过纠错拼出一个可靠的“逻辑量子比特”,代价是数量需求巨大。微软选了另一条路:从物理层面找一种天生更稳定的量子比特。他们押的是 Majorana 零模,这是一种 20 世纪 30 年代就在理论上提出、但很难在实验里做出来的准粒子。基于它的拓扑量子比特,可以把量子信息“藏”在一种新的物质状态里,不容易被噪声破坏。

纳德拉说这次的突破在于,他们终于有了存在性证明:做出了一种新的物质相,也就是拓扑相,能可靠地隐藏和测量量子信息,并且能制造出来。微软把它比作量子计算的“晶体管时刻”。他说 Majorana 1 是第一款有能力扩展到一百万个物理量子比特的芯片,在此之上能做出数千个经过纠错的逻辑量子比特。他认为,没有这种物理突破,你仍然可以达成各种里程碑,但永远造不出有实用规模的量子计算机。

帕特尔问,谷歌、IBM 等公司已经宣布了上百个物理量子比特,你们只有一个,是说你们在极限上可扩展得多?纳德拉补充了微软的另一条线:软硬件分离。他们的软件栈跟中性原子、离子阱、光子路线的合作方一起做,在纠错上也有突破,最近一次宣布的是 24 个逻辑量子比特。在此之外,他们才“回到第一性原理”,自己造押注拓扑量子比特的机器。

时间表上,他说也许 2027、2028、2029 年能造出第一台容错量子计算机。下一步是把这个单元放进集成电路,再把集成电路放进一台真正的计算机。他还开了个玩笑式的判断:“量子计算机能帮我们做的第一件事,就是造量子计算机”,因为原子级的模拟会容易得多。

他对量子和 AI 关系的说法也值得记下。他说 AI 像是“模拟器的模拟器”,而量子是“自然的模拟器”。量子不会替代经典计算,它擅长的是数据量小、但要探索的状态空间呈指数级的问题,比如化学、物理、生物模拟。他设想的组合是:用量子计算生成合成数据,再拿去训练更懂化学或物理的 AI 模型。现在微软用 HPC 加 AI 做这件事,他希望将来用量子替换掉其中一部分 HPC。

帕特尔顺势问了一个管理问题:这种 20、30 年后才有回报的研究,你怎么决定?纳德拉说,比尔·盖茨创办微软研究院(MSR)时,就把它定位为好奇心驱动的基础研究机构。他做预算时先把 MSR 的钱放进去,明知大多数押注在任何有限时间里都不会有回报,“受益的可能是微软第六任 CEO”。

在他看来,难的不是投研究,而是时机到了能不能把它变现。 回看科技史,大公司不是没投入,而是缺一种能把创新规模化的文化。他坦白,MSR 有“一千个项目”微软本该领先却没领先。他总问自己为什么,答案是当时没有足够的信念,也没有一个“完整的想法”:不只是拿到创新,还要做成有用的产品,配上商业模式,再推向市场。这个“完整的想法”在整期里出现了好几次:讲 AI 算力时,他说要能训练也能服务;讲 MSR 时,他说要从研究走到市场。

其他值得记下的观点

  • 纳德拉介绍了 Muse,一个用游戏玩法数据训练的“世界与人类行为模型”,也发表在《自然》上。目标是生成的游戏既前后一致、又有多样性,还能保留玩家的修改。他说 Xbox 负责人菲尔·斯宾塞第一次给他演示时,用手柄输入,模型生成的画面和游戏一致,那一刻像第一次看到 ChatGPT 补全句子。
  • 帕特尔问微软是不是为了训练模型才大举投资游戏。纳德拉否认:微软在做 Windows 之前就有了《模拟飞行》,做游戏是为游戏本身。他讨厌把一项业务当成通往别的目的的手段;微软不是综合企业,要做的是把资产整合起来、做更好的所有者。他也说,游戏数据之于微软,可能就像 YouTube 之于谷歌。
  • 纳德拉说,五到七年前他定下的三大押注是 AI、量子和混合现实。混合现实比他预想的难,部分原因在社交层面,比如人们不愿意戴设备。他提到 Anduril 和帕尔默·拉奇会接手推进美军的 IVAS 头显项目,而 Teams 证明了二维屏幕也能创造“临场感”。他的归纳是:量子是系统层的突破,AI 是业务逻辑层的突破,临场感是 UI 层的问题。
  • 关于在微软待了 33 年,纳德拉说他和员工的约定是:只要员工觉得能把微软当作平台,获得经济回报和使命感,就值得留下。
  • 微软即将迎来 50 周年。纳德拉说:“长寿不是目标,相关性才是。”这个行业没有特许经营价值,今年的研发预算全是对五年后的投机,所以必须接受失败、多射门。他借用里德·霍夫曼的“重新创业”说法,认为大公司需要的不是创始人模式,而是“重新创业者模式”:给自己权限去改变核心假设,不被既有商业模式束缚。
  • 如果离开微软创业,纳德拉说他会选医疗、教育和公共部门这类服务不足的领域,看“每美元每瓦特能产出的 token”能在那里带来多大改善。
  • 纳德拉说过希望未来 25 年完成化学和材料领域 250 年的进步。他的解释是:工业革命大约持续 250 年,要从碳基体系转向别的体系,就得重新发明这 250 年里的化学,他希望量子计算机帮人类找到新材料。

对 builder 有什么用

  • 进入一个市场前,先写清楚买家是谁、他们能不能接受单一供应商。如果你卖给企业,按“做几个供应商之一”来设计:支持多模型切换,让客户的迁移成本可控,而不是赌赢家通吃。
  • 在扩大算力或基础设施投入前,建一个“存在性证明”指标,比如上季度新增算力成本和本季度新增推理或使用收入的比值。这个数字连续走好,再加大投入;同时评估租用和自建的比例,把行业过度建设变成你的成本优势。
  • 如果你在做 SaaS,列出你的产品在客户工作流里参与的三个具体任务,把它们包装成可被其他 agent 调用的接口,带上清楚的权限范围。纳德拉的判断是,业务逻辑会转移到 agent 层,停在“表单加界面”的产品会被绕过。
  • 做 agent 产品时,别把聊天框当主界面,先设计“异常收件箱”:agent 什么时候必须停下来请示、推送什么摘要、哪些事可以自己处理。这对应纳德拉说的“agent 管理器”。
  • 给每个上线的 agent 标注一位为它负责的人,记录这个人授予了哪些权限。再把执行环境分成“临时运行、用完即弃”和“会被部署出去”两类,后一类必须人工确认。这是纳德拉“授权”和“控制行动空间”两条思路的最小落地版。

In their words

“Self-claiming some AGI milestone, that's just nonsensical benchmark hacking to me. The real benchmark is: is the world growing at 10%?”

自封某个 AGI 里程碑,在我看来就是毫无意义的刷榜。真正的基准是:世界经济是不是在以 10% 的速度增长。

— Satya Nadella · 00:15:46
“These business model shifts are probably tougher than even the tech trend changes.”

商业模式的转变,可能比技术趋势的转变还要难。

— Satya Nadella · 00:02:09
“Structurally, hyperscale will never be a winner-take-all because buyers are smart.”

从结构上讲,云计算永远不会赢家通吃,因为买家很聪明。

— Satya Nadella · 00:02:09
“At scale, nothing is commodity.”

规模上去了,就没有什么是商品。

— Satya Nadella · 00:10:13
“I'm so excited to be a leaser... The only thing that's going to happen with all the compute builds is the prices are going to come down.”

我很高兴自己是个租户……这些算力建设唯一的结果就是价格会下来。

— Satya Nadella · 00:20:07
“This is like lean for knowledge work.”

这就像是知识工作的精益生产。

— Satya Nadella · 00:25:23
“This AI takeoff problem may be a real problem. But before it is a real problem, the real problem will be in the courts.”

AI 起飞的问题也许是真问题。但在它成为真问题之前,真正的问题会出现在法庭上。

— Satya Nadella · 00:52:11
“You just can't have return on capital and no return on labor.”

你不能只有资本回报,没有劳动回报。

— Satya Nadella · 00:54:36
“Don't conflate knowledge worker with knowledge work.”

别把知识工作者和知识工作混为一谈。

— Satya Nadella · 01:11:01
“The first thing the quantum computer will allow us to do is build quantum computers.”

量子计算机能帮我们做的第一件事,就是造量子计算机。

— Satya Nadella · 00:35:50
“Longevity is not a goal, relevance is.”

长寿不是目标,相关性才是。

— Satya Nadella · 01:06:32

Concepts to know

超大规模云厂商Hyperscaler
Azure、Anthropic、谷歌云这类在全球运营巨量数据中心的公司,类似算力时代的电网运营商。
赢家通吃市场Winner-take-all market
领先者靠网络效应或规模几乎拿走全部份额的市场。纳德拉认为企业买家会主动避免这种格局。
推理时计算Test-time compute
模型回答问题时多“想一会儿”所消耗的算力,与训练算力相对,是 o3 这类推理模型的主要成本。
杰文斯悖论Jevons Paradox
一种资源变便宜、需求又有弹性时,总消耗量反而上升,就像蒸汽机效率提高后煤用得更多。
精益生产Lean manufacturing
源自丰田的方法论,把端到端流程摊开,持续消除浪费、提高价值。纳德拉用它类比 AI 对知识工作流程的改造。
增删改查应用CRUD application
围绕数据的创建、读取、更新、删除构建的软件,很多传统 SaaS 本质上是这类应用加一个界面。
物理量子比特与逻辑量子比特Physical vs. logical qubit
物理量子比特容易受噪声干扰,需要用很多个通过纠错拼成一个可靠的逻辑量子比特。
Majorana 零模 / 拓扑量子比特Majorana zero mode / topological qubit
一种 20 世纪 30 年代提出理论的准粒子状态,用它构造的量子比特把信息藏在拓扑相里,理论上天生更抗噪声。

Turning points

  1. 在亚马逊大幅领先、投资人认为“游戏结束”时,坚持投入 Azure。

    他在客户端-服务器时代与 Oracle、IBM 竞争过,判断企业买家不会容忍单一供应商,只要成为几个供应商之一就能做成大生意。

  2. 微软在量子计算上选择押注 Majorana 零模和拓扑量子比特,同时用软硬件分离的方式与中性原子、离子阱等路线合作。

    他认为不靠物理层面更可靠的量子比特,就造不出有实用规模的量子计算机;代价是长达约 30 年的投入,且直到这次才拿到他所说的存在性证明。

  3. AI 算力建设采取“训练与服务并重、自建与租用并举”的策略,并用推理收入约束投资节奏。

    他判断算力会被全行业过度建设,价格会下降;只建训练算力而没有服务能力,无法把投资变成收入。代价是在需求爆发时可能不如激进投入者占先。

Read with care

  • Majorana 1 的“存在性证明”和“百万量子比特”路线是微软一方的说法。同期《自然》论文本身的审稿说明指出,论文结果并不构成存在 Majorana 零模的证据,物理学界对此有公开争议;访谈中没有涉及这些质疑。
  • 关于模型层不会赢家通吃的判断,纳德拉的论据是企业买家结构、开源制衡和对超大规模算力的依赖;他没有正面回应主持人提出的“AI 自我改进带来复利优势”的情形,如果出现能力快速甩开对手的领先者,这一判断未必成立。
  • “算力会被过度建设、价格会下降、租用更划算”是 2025 年 2 月、站在已拥有全球数据中心和大量现金流的微软立场上的判断,对需要自建、缺少议价能力的小公司不一定适用。
  • Copilot 的工作流示例(播客准备、肿瘤会诊、客户会议材料)都来自微软自家产品的演示和纳德拉本人的使用经验,没有给出效果数据或第三方验证。

Adapted from the public interview transcript. Quotes are excerpts; watch the original for full context. Reviewed 2026-10-26