This read is written in Chinese. Quotes are shown in both English and Chinese.
2025 年 11 月,Dwarkesh Patel 和 SemiAnalysis 创始人 Dylan Patel 在亚特兰大的 Fairwater 2 数据中心采访了微软 CEO 萨提亚·纳德拉。一位主持人算经济账,一位算产能账,轮番追问:编码 agent 份额大跌怎么办,价值会不会全被模型公司拿走,去年为什么主动放掉一批数据中心。纳德拉的回答背后是一套一致的逻辑:市场变大比份额重要,模型会被竞争压成商品,基础设施要能跑任何模型、任何一代芯片。这篇精读把他的推理和主持人的质疑一并写出来。
Key points
- 01纳德拉认为 AI 可能是工业革命以来最大的事,但真正的经济增长要等企业的工作产物和流程改变之后才会出现,他希望把 200 年压缩到 20 年。
- 02纳德拉认为编码 agent 份额下滑不可怕:市场一年扩大了约 10 倍,微软在客户端-服务器时代份额更高,在云时代份额更低但规模大得多。
- 03纳德拉认为只要有多个模型竞争加上开源制衡,模型公司可能背上「赢家诅咒」,掌握应用层和数据的一方可以拿开源 checkpoint 自己训练;Office 会变成 agent 的基础设施。
- 04纳德拉解释去年暂停扩建,是因为不想只给一家模型公司做托管、不想被一代芯片的折旧困住,要的是能跨模型、跨代际、跨地区调度的集群。
- 05纳德拉认为在主权 AI 和中美竞争的格局下,世界最终看重的是能否信任美国公司和制度做长期供应方,这可能比模型能力更重要。
数据中心里很吵。纳德拉站在一排还没装服务器的机房单元前,主持人 Dwarkesh Patel 问他:看到这些,是不是终于知道钱都花到哪去了?
纳德拉回答:「我经营的是一家软件公司。欢迎来到这家软件公司。」
这句玩笑是整期访谈的底色。陪同参观的是微软云与 AI 执行副总裁 Scott Guthrie。按导览中的介绍,微软大约每 18 到 24 个月把训练算力提高 10 倍。Fairwater 2 相对训练 GPT-5 的算力又是一次 10 倍。这栋楼里的网络光模块,数量快赶上两年半前整个 Azure 的总和。它还会通过一条 AI 广域网,跟附近在建的 Fairwater 4、威斯康星的其他园区连起来,跨站点聚合算力跑同一个训练任务。
纳德拉在现场强调了一点:这些算力不会只服务一种负载。训练、数据生成、推理都会用到。下一代芯片的功率密度和散热要求会完全不同,所以不能「一次性按一个规格建完」。他说,要的是「随时间持续扩展,而不是扩一次就被困住」。后面一个多小时,两位主持人几乎所有尖锐的问题,他都会绕回这句话。
另一位主持人 Dylan Patel 是半导体研究机构 SemiAnalysis 的创始人。访谈里大部分产能、份额、芯片数量的数据,都来自他们的估算。
这是工业革命以来最大的事,但增长要等工作流变了才会来
Dylan 先抛出一个框架。历次技术革命,从铁路到互联网再到云,从发明到普及的时间越来越短。很多上过这个节目的人认为,AI 是「最后一次」技术革命。三年时间,超大规模云厂商明年的资本开支已经到了 5000 亿美元。他问:你的说法怎么跟那些「AGI 马上就来」的人差这么多?
纳德拉说,他也兴奋,也觉得这可能是工业革命之后最大的事。但他同时认为现在还是「早期」。缩放定律(scaling lAnthropic,模型越大、数据和算力越多,能力就按可预期的规律提升)看起来有效,他乐观地认为会继续有效。不过这既需要真正的科学突破,也需要大量工程。
他借用了卡内基梅隆大学图灵奖得主 Raj Reddy 的比喻:AI 应该是守护天使,或者是认知放大器。按这个说法,AI 是工具。他承认可以把它说得很神秘,说它做到了只有人才能做的事。但他的回应是:以前很多技术也是这样,只有人能做的事,后来都有了工具。
Dwarkesh 换了个角度追问。总有一天机器能产出「萨提亚 token」,而微软董事会觉得萨提亚的 token 很值钱。现在模型每百万 token 只卖几美元甚至几美分,这中间有巨大的利润空间。这部分利润最后落到谁手里?微软能分到多少?
纳德拉把问题拉回经济增长本身。工业革命大约经历了 70 年的扩散,才看到经济增长。技术这次扩散得再快,真正的增长也要等到工作产物和工作流程发生改变。 他说,企业做这种变革管理的难度不能低估。
他的预期是人和人产出的 token 会获得更高杠杆。他拿两位主持人举例:没有技术,SemiAnalysis 和这个播客根本做不到现在的规模。下一步是不是再放大 10 倍?他认为是。他希望把工业革命 200 年的进程压缩到 20 年,「如果运气好的话」。
这里的关键是「扩散」这个概念。他关心的不是模型多聪明,而是企业多快把它嵌进日常工作。后面谈到主权 AI 时,他会再次用到这个框架。
份额掉了没关系,只要市场大了十倍
Dylan 接着问商业模式。微软是史上最成功的软件公司之一,经历过从卖 Windows 光盘到卖 Microsoft 365 订阅的转型。SaaS 的好处是每多一个用户几乎不增加成本。但 AI 的 COGS(销售成本,这里主要是每次调用模型的推理算力)很高,这打破了 SaaS 的经济模型。Copilot 每月收 20 美元,这账怎么算?
纳德拉认为收费的几种手段不会变:广告、交易抽成、硬件毛利、订阅、按量消费。变的是订阅的含义。他说,用户喜欢订阅是因为能做预算,订阅本质上是打包好的一份消费额度。 现在各种编码订阅分 pro 档、标准档,就是在给不同的消费额度定价。
然后他讲了一段云转型的往事。当年从服务器迁到云,微软内部担心:如果只是把原来用服务器版 Office 的用户搬上云,再加上云的成本,利润率会缩水,公司会变得更不赚钱。结果云把市场撑大了。以前在印度卖不出几台服务器,上了云,印度的企业也能按需「分着买」。他还提到自己当时没意识到的一点:企业在 SharePoint 底下买存储花了大量的钱,EMC 最大的业务板块之一可能就是给 SharePoint 用的存储。上云之后,这笔前期现金支出没了,市场因此扩大。他认为 AI 也会这样。
Dwarkesh 拿出 Dylan 的数据挑战他。今年年初,GitHub Copilot 收入大约 5 亿美元,几乎没有竞争对手。现在 Claude Code、Cursor 和 Copilot 都在 10 亿美元左右,Codex 也追到了七八亿。微软的优势到底在哪?
纳德拉说他喜欢这张图,理由有三:微软还排在第一;图上其他公司都是近四五年才成立的;还有,对手不是 Borland(上世纪做开发工具、曾与微软竞争的老牌公司)。他的意思是,威胁你的是新公司,说明你在对的方向上。从无到有长到这个规模,本身就是市场扩张。他甚至认为编码可能是比知识工作更大的类别,因为它是一个「软件工厂」。
他给了几组自家的数字。他在访谈中说,上一季度订阅数从 2000 万涨到 2600 万。GitHub 的仓库创建量、PR 数量都在历史最高。大约每秒有一个开发者加入 GitHub,其中八成会用上 GitHub Copilot。默认开启的代码审查 agent 也会被很多人顺手用上。
他更看重的是 GitHub 这个平台位置。Git、issues、actions 这些基础组件都围绕代码仓库展开。微软刚发布的 Agent HQ 里有一个「mission control」:一份订阅里打包 Codex、Claude、Cognition、Grok 等各家 agent,用户可以给它们派任务,让它们各自在独立分支上干活,再统一监控和调整。他把它比作「AI agent 的有线电视」。他判断,同时用多个 agent、消化它们的产出、掌控仓库,需要一个「抬头显示器」式的界面,还需要可观测性,记录哪个 agent 在什么时间对哪个代码库做了什么。
Dylan 没有放过他。GitHub 本身的增长大约是每年 10% 到 20%,是个好的复利生意。但编码 agent 的年化收入从去年底大约 5 亿(基本只有 Copilot),涨到现在五六十亿,翻了 10 倍。按 SemiAnalysis 的估算,微软份额从过半跌到了 25% 以下,只用了一年。凭什么有信心?
纳德拉的回答没有回避:
这里没有什么与生俱来的权利。我们能做的只有去创新。
There's no birthright here that we should have any confidence other than to say, hey, we should go innovate.
他的论证是:微软运气好的地方在于,这个类别会比它以前高份额的任何市场都大。在客户端-服务器时代,微软份额很高;在超大规模云,微软份额低得多,但业务规模大了几个数量级。只要所在的市场在创造更多价值、有多个赢家,份额不如从前也可以活得很好。 他也承认,归根到底还是得有竞争力,他每个季度都盯着这张图。
做模型的公司可能背上赢家诅咒
Dwarkesh 的追问指向更根本的问题,不只是 GitHub,也关系到 Office。一种未来是模型一直有缺陷,人必须时刻盯着。另一种未来是模型现在能做两分钟的任务,以后能做半小时、几天,模型公司按「一个同事」收几千美元。这个同事能用任何界面,在不同平台间迁移。如果是后者,凭什么价值留在 scaffolding(脚手架,指包在模型外面的工具调用、上下文管理、界面和工作流这一层),而不是被越来越赚钱的模型公司拿走?
纳德拉先说「时间会证明」,然后给出他的推理。他最喜欢的 GitHub Copilot 设置叫 auto:买一份订阅,系统根据任务自动挑选模型,在多个模型之间套利 token。如果这种模式成立,模型就是商品。再加上开源模型,你可以拿一个 checkpoint(训练过程中保存的模型权重),用自己的数据接着训。他预计 Cursor、微软都会有自研模型,把大部分任务卸到上面。
推理链是这样的:
- 谁赢了脚手架这一层,谁就要处理模型「参差不齐」的能力缺陷,也就积累了数据;
- 有了数据的流动性,就能顺势向下整合,训练自己的模型;
- 世界上总会有一个足够强的开源模型可用。
结论是:
如果你是模型公司,你可能背上了赢家诅咒。你做了所有艰苦的工作和了不起的创新,结果离被商品化只差一次复制。
If you're a model company, you may have a winner's curse. You may have done all the hard work, done unbelievable innovation, except it's kind of like one copy away from that being commoditized.
但他紧接着说,这个论证「两个方向都能成立」。
Dylan 给出了反方的证据。OpenAI 的收入,是在它终于有了跟 Anthropic 相当的编码模型之后才猛涨的。按 SemiAnalysis 的数据,Anthropic 今年的推理毛利率从 40% 以下涨到了 60% 以上。这段时间里中国开源模型比以前都多,OpenAI、谷歌、xAI 都有竞争力。竞争这么激烈,模型层的利润率反而大幅扩张了。
纳德拉没有直接反驳这个数据。他先让了一步:几年前「包一层模型就能做成公司」的想法,已经被证伪了,因为模型能力和工具调用进步太快。然后他用 Excel Agent 说明微软想做的不是包装。Excel Agent 不是 UI 层的壳,而是放在 Office 中间层的模型。微软拿 GPT 系列的 IP,教它原生理解 Excel 里的一切。它能看到像素,也能看到「这个公式我写错了」,这样才能修正自己推理中的错误。微软甚至给它一份 markdown 文档,教它成为一个熟练的 Excel 用户应该会哪些技能。他的说法是,Excel 以后会自带一个分析师。
他对模型公司定价权的回应是竞争。模型公司定价太高,像他这样做工具的人会换掉你。只有当某个模型比所有人都领先一大截时,才会赢家通吃。 只要有多个模型竞争,加上开源的制衡,就像云厂商之间的竞争一样,模型之上就有足够空间做价值。
微软自己的位置,他概括为三层:做支持多个模型的云;在未来七年里使用 OpenAI 的模型并在上面创新,同时用 MAI(微软 AI 部门)做自己的模型;在安全、知识工作、编码、科学等领域做「模型优先」的应用层。用他的话说,不是在模型外面包应用,而是把模型包进应用里。
Office 会从人用的工具,变成 agent 用的基础设施
Dwarkesh 认为纳德拉还是在按今天的模型想问题:模型截图看屏幕,看不见单元格里的公式。更好的假设是,未来模型能像人一样用电脑。人类分析师能看公式、换软件、在 Office 和别的软件之间迁移数据。如果模型也能,Excel 集成就没那么重要了。
两人有一段短促的来回。纳德拉说:Excel 本来就是给分析师用的工具,AI 分析师当然也该有工具。Dwarkesh 说:它有电脑啊,电脑就是它的工具。纳德拉回答:「工具就是电脑。」他的意思是,他造的分析师 agent 自带关于这些分析工具的先验知识。
然后他摊开了自己对未来企业的设想,分两个世界:
- 工具世界:人用电脑、用 Excel,有一个 Copilot,Copilot 下面还有 agent,但仍然是人在掌舵,结果都汇报给人。
- 自主世界:公司直接为一个 AI agent 配置计算资源,它完全自主工作。这个 agent 不只拿到一台裸电脑,还带着同一套工具,因为用工具完成任务更省 token。
他由此得出一个判断:微软今天是终端用户工具生意,以后会变成支撑 agent 干活的基础设施生意。 即使是 AI agent,也需要地方存储、归档、做合规检索(e-discovery),需要管理这些活动。
Dwarkesh 复述确认:理论上,任何有电脑操作能力的 AI 都能用微软软件,但如果在微软的基础设施上,微软会给你更底层的接入,做同样的事更高效。纳德拉说「100%」。他拿虚拟化打比方:先有服务器,有了虚拟化之后服务器多得多。不要把工具当成终点,要看人用的工具下面整套基础设施,它也是 agent 的起点。
他给了一个早期信号。很多做 Office 类产出的自主 agent 公司,想要配置 Windows 365(微软的云端 Windows 电脑),给 agent 一台电脑。所以他认为按用户收费的生意会变成「按用户加按 agent」收费。每个 agent 都需要一台电脑、一套安全措施、一个身份、可观测性和管理层。这部分会比用户数增长得更快。
Dylan 又提出一个担忧。模型公司现在在训练模型做迁移:把大型机系统迁到云,把 Excel 里的数据迁进真正的 SQL 数据库,把 Word 和 Excel 里的工作改成更程序化的流程。这可能是未来几年 AI 最直接的价值来源。那 Office 生态的使用量会不会大幅下降,就像大型机?他自己也补了一句:大型机这二十年其实一直在增长。
纳德拉的回答分两层。第一,会有很长一段混合时期:人在用工具,跟同样在用工具的 agent 协作,彼此要交换产出,人要看得懂 agent 生成的东西。第二,他承认这没完全回答问题,因为确实可能出现一个只有 agent 跟 agent 协作的高效前沿。但即便如此,agent 之间也需要存储、合规检索、可观测性,需要一个能跨多个模型的身份系统。这些就是今天 Office 底下的基础设施。他说自己巴不得 Excel 马上都有数据库作后端。结构化和非结构化数据之间的关联做得更好,底层基础设施的消耗就会增长,只是消耗它的是 agent。
他也承认另一种可能:所有这些都会被模型公司「即时生成」的软件取代。他的回应是微软也会是这样的模型公司之一,同时提供模型和全部基础设施,跟其他能做到的公司竞争。
自研模型,但不重复花 OpenAI 已经花过的算力
Dwarkesh 指出,微软 AI 两个月前发布的最新模型,在 Chatbot Arena 上排第 36 名。微软明明有 OpenAI 的 IP 权利,理论上可以直接 fork 代码或者蒸馏它的模型,为什么还落后?
纳德拉的回答是一个算力分配的决定。未来七年,微软会在所有产品里最大程度使用 OpenAI 模型,并在上面做强化学习微调,用独有的数据做 mid-training(预训练和微调之间的继续训练)。新协议让微软可以明确地组建一支世界级的超级智能团队。但既然已经能用 GPT 系列,他最不想做的,就是把算力花在重复、没有增量价值的事情上。
所以 MAI 现在做的是:图像模型,他说发布时在图像榜单排第九,已经用在 Copilot 和必应里,部分目的是降成本;Copilot 里的语音模型,针对产品做了优化,有「个性」;文本模型发布时排第 13,规模很小,用来证明指令遵循等核心能力能达到当前水平,按缩放定律推算加算力能到哪里。下一站是把语音、图像、文本合在一起的全模态模型。他说研究的目标,是为通往超级智能路上还需要的「五六七八个突破」做准备。
Dylan 问:七年后没有 OpenAI 模型了怎么办?人才战非常烧钱,他提到 Meta 在人才上花了超过 200 亿美元。花 1000 亿建基础设施,也得花相应的钱在用这些设施的人身上。
纳德拉列了团队成员:Mustafa Suleyman 加入,还有 Karén Simonyan,做过 Gemini 2.5 大量后训练的 Amar Subramanya,在 DeepMind 做过多模态工作的 Nando de Freitas。然后他把话题拉回他想让外界知道的事:微软要建的是能支持多个模型的基础设施。产品里也不只用 OpenAI,GitHub Copilot 就用了 Anthropic 的模型。最终看的是产品在具体任务上的评测结果,再倒推需要多少垂直整合。只要产品把市场服务好了,成本总能优化。
Dwarkesh 接着抛出整期最有野心的一个设想。人类能在工作中学习,萨提亚的 token 值钱,是因为三十年的经验。如果模型达到人类水平,就会有持续学习的能力。一个模型的副本部署在整个经济里,学会每一种工作,再把学到的东西汇总回同一个模型。这像一个指数反馈回路,几乎是智能爆炸。到那时如果微软不是领先的模型公司,「换一个模型」的策略还有用吗?
纳德拉先承认这个推论的锋利:如果真有一个模型部署最广、看到所有数据、持续学习,那就是「game, set, match」,一锤定音。但他认为现实不是这样。即使今天某个模型很强势,编码领域也是多个模型并存,而且一天比一天更明显。他拿数据库打比方:大家总以为会有一个数据库通吃,结果不同场景用不同的数据库。持续学习和数据的网络效应会存在,但不会在所有领域、所有地区、所有客户群、所有类别同时发生。设计空间太大了。
从这里他推出基础设施的原则。基础设施不能只针对一个模型优化。万一那个模型落后了,建好的东西全都浪费。别人一个类似 MoE(混合专家架构,每次只激活一部分参数)的突破,就可能让你整个网络拓扑作废。模型公司也一样:如果想成为平台,就得让别人在模型上做事,形成 ISV(独立软件开发商)生态。如果想自己通吃每个类别,就不会有 API 业务,也就当不了平台公司。他的结论是,行业结构会逼每家公司专业化,微软应该在每一层凭实力竞争,而不是指望把所有层垂直叠起来一锤定音。
不做一家客户的房东
这是 Dylan 最想问的问题。按 SemiAnalysis 的追踪,微软 2023 年在租数据中心、开工建设、锁定电力上跑得最快,原本有望在 2026 或 2027 年超过亚马逊,最晚 2028 年。但去年下半年,微软突然暂停,放掉了一批原本要租的站点。这些站点后来被谷歌、Meta、亚马逊、甲骨文接走了。为什么?
纳德拉的第一个理由是 fungibility,这里指算力集群的可替换、可挪用:同一批机器既能训练,也能做 mid-training、数据生成和推理,随需求调度。要让 Azure 在 AI 的各个阶段都好用,就不能用某一代硬件建一大堆专用产能。
他说,微软一直按每 18 个月 10 倍的节奏为 OpenAI 的模型提供训练算力。他们意识到,更重要的是保持平衡:不只训练,还要能在全世界服务这些模型。变现的速度决定了能不能持续投入。
第二个理由更直接:
我们不想只给一家公司当托管商,手里攥着一大笔只来自一个客户的订单。那不是一门生意。
We didn't want to just be a hoster for one company and have just a massive book of business with one customer. That's not a business.
他的推论是,OpenAI 会成为成功的独立公司,有足够规模的人最终都会自建,Meta 现在也许用第三方产能,但最终都是自有。所以微软要建的是超大规模云的集群,加上自己的研究算力。
第三个理由是代际。刚看到 GB200,GB300 就要来了。到 Vera Rubin、Vera Rubin Ultra 时,每个机柜、每排机柜的功率和散热要求都完全不同。他不想按一代芯片、一个家族建一大堆吉瓦。
他还补充了一个经验:每个 AI 负载除了加速器,还需要大量其他东西,微软很大一部分利润会来自这些「其他东西」。 超大规模云本质上是 AI 负载的长尾生意。顶级训练的裸金属(bare metal,直接租整台物理机,不带上层云服务)要做到有竞争力,但不能挤占其余业务。「只跟五个客户签五份裸金属合同」,不是微软的生意。
Dylan 继续加压。按他们的预测,暂停之前微软 2028 年会到 12、13 吉瓦,现在大约 9.5 吉瓦。更重要的是,甲骨文会从微软规模的五分之一,到 2027 年底超过微软。它的资本回报率比不上微软,但毛利率仍有 35%。他的说法是:你放掉这门生意,放弃了优先承接权,等于亲手造出了一个超大规模云厂商。
纳德拉先说不想贬低甲骨文的成功,祝他们好,微软自己也在买甲骨文的产能。然后他重申:给一家模型公司做托管,而且订单期限有限,对微软不合理。他说要想的不是接下来五年做什么,而是接下来五十年做什么。他也读 SemiAnalysis 对 Anthropic、谷歌和微软的追踪,但这不意味着他要追着这些数字跑。他要问的是,哪些订单是微软独有能力承接、而且值得承接的。
Dwarkesh 换了个角度:如果 AI 越来越聪明,会不会 OpenAI、Anthropic、DeepMind 才是平台,长尾企业都跟它们打交道,它们只需要裸金属?那直接用 Azure 的长尾客户是谁?
纳德拉的回答是,这些模型都会在 Azure 上。在 Azure Foundry 里,企业可以同时配置开源模型、OpenAI 模型、Grok,再配上 Cosmos DB、SQL 数据库、存储和计算。他说真实的负载不是一次 API 调用,而是这一整套东西。模型公司自己要做任何产品,也需要这些。卖裸金属给模型公司是另一个细分市场,微软也在做,但有上限,不能挤掉其余业务。
Dylan 又问:为什么不能两个都做?那 3.5 吉瓦不给 OpenAI,也可以自己用来跑 Azure、Microsoft 365、GitHub Copilot。
纳德拉说,或者他想建在别的地方:阿联酋、印度、欧洲。数据主权和监管要求意味着必须在全球各地建。美国本土的产能也很重要,那边也会建。他强调,暂停不是不想建,而是想按负载类型、地理位置和时间节奏换一种方式建。 吉瓦数会继续往上走,问题是节奏和地点:是在 2027 年一次性超建 3.5 吉瓦,还是分摊到 2027、2028 年?他说一个重要教训是英伟达的迭代节奏加快了,他不想被一代芯片的四五年折旧困住。
他转述了黄仁勋给他的建议,第一条是做到「光速执行」。他说亚特兰大这个数据中心,从交付到跑上真实负载只用了 90 天。另一层意思是每一代都扩一点,像一条持续的流水线。这样不会出现某个时候建一大堆、之后长期停工的失衡,也不会产能全堆在一个地方,适合训练却不适合推理。他说,就算负载全是异步的,「欧洲也不会让我把请求绕到得州再回来」。
那最近跟 IREN、Nebius、Lambda 这些新兴 GPU 云(neocloud)签的租用协议怎么解释?纳德拉说,只要能看到明确的需求,别人在合适的地方建了产能,租就很好。他会接受租赁、定制建设,甚至「GPU 即服务」。他欢迎每家新兴云进入 Azure 的市场:客户通过 Azure 用新兴云的 GPU,同时用 Azure 的计算、存储和数据库。
关于选址,Dylan 还问过一个问题:AI 任务越来越长,从 30 秒的推理到几小时的软件 agent,离用户远近还重要吗?纳德拉同意拓扑会随之演变,要按每瓦每美元能产出多少 token、同步还是异步的使用模式来规划。但他补充了两个约束:一是欧盟数据边界这类数据驻留法律,就算是异步请求也不能随便跨境;二是存储得靠近算力,比如会话数据要放在附近的数据库里。
拼的是整体 TCO,不是芯片毛利
Dwarkesh 算了一笔账。数据中心的总拥有成本(TCO,设备、电力、运维等全部成本)里,大约 75% 是按五六年折旧的设备,而英伟达在这上面拿 75% 的毛利。所以各家云都在做自研芯片。Dylan 补充:谷歌走得最远,大概要做五百到七百万颗 TPU,亚马逊三百到五百万,微软的自研芯片订单远低于这个数。同样早就起步了,这是怎么回事?
纳德拉说,任何新加速器最大的竞争对手,其实是英伟达的上一代产品。 在一个集群里,他看的是整体 TCO。他说刚看了 Maia 200 的数据,看起来很好。他引用了通用计算的先例:微软先用英特尔,再加 AMD,再加自研的 Cobalt 处理器,三者在集群里按比例并存。
他接着解释为什么谷歌和亚马逊也在买英伟达。英伟达在持续创新,是通用的,所有模型都能跑,客户也有需求。自研芯片是垂直的东西,你得有自己的模型用它训练或推理,得自己创造需求,或者补贴需求。所以微软的打法是让 MAI 模型和自研芯片形成闭环,按自己的模型设计芯片的微架构,跟着自己的模型迭代。他认为这才给了一家公司做自研芯片的「资格」。
他还透露了一个信息。OpenAI 有自己的芯片项目,微软能拿到。Dylan 追问能拿到多少,纳德拉说「全部」,唯一拿不到的是消费级硬件的 IP。他说微软当初也给了 OpenAI 很多 IP 帮它起步,两家一起建了那些超级计算机。现在 OpenAI 在系统层面的创新,微软都能拿到,先为 OpenAI 落地,再在此基础上扩展。
但他对英伟达的态度很明确:微软要做英伟达「光速执行」的合作伙伴,因为那个集群「就是生命本身」。黄仁勋的毛利确实高,但 TCO 有很多维度,他要在 TCO 上做到最好。
资本开支的问题由此而来。Dwarkesh 指出,微软的资本开支两年里翻了大约三倍,看起来正在变成一家工业公司。Dylan 补充:其他云厂商在借钱,Meta 在路易斯安那做了 200 亿美元的融资,大家的自由现金流似乎都在趋向零。
纳德拉承认这是结构性变化:
我们现在既是资本密集型企业,也是知识密集型企业。我们得用知识来提高资本支出的回报。
We are now a capital-intensive business and a knowledge-intensive business. And in fact, we have to use our knowledge to increase the ROIC on the capital spend.
他的论据是软件优化。硬件厂商把摩尔定律营销得很好,但对同一代 GPT 模型,微软靠软件优化获得的吞吐量提升,按每美元每瓦的 token 算,他说季度环比、年度同比能到 5 倍、10 倍,有些情况甚至 40 倍。有人问他传统托管商和超大规模云的区别,他的回答是软件。fungibility 里有大量软件:能驱逐一个负载、调度另一个负载,管理好这套调度算法。所以他认为微软仍然是软件公司,只是业务变了。微软的现金流足够让两条线同时发力。
世界最终买的是信任,不只是模型能力
Dylan 把话题转向地缘。九十年代只有美国一个国家重要,美国公司卖遍全球,Windows 在中国也是主流。现在是中美两极,欧洲、印度、新加坡都在做主权 AI。美国政府对互联网泡沫不在乎,但每个国家的政府都很在乎 AI。微软怎么应对?
纳德拉认为,美国科技行业和美国政府最重要的事,是不仅做领先的创新,还要在全世界建立对美国技术栈的信任。他给了一组比例:美国占世界人口的 4%,GDP 的 25%,市值的 50%。他说这 50% 来自世界对美国的信任,对资本市场,也对技术和它在关键产业上的管理。信任一旦破裂,对美国不是好事。他说特朗普总统、白宫、David Sacks 都明白这一点。
他提了一个具体建议:美国政府应该把美国公司在海外的直接投资也算作功劳。大家常讲外资流入美国,但最领先的产业,也就是这些 AI 工厂,正由美国公司建在世界各地。在此基础上,再签订关于连续性、数据驻留、隐私保障的协议,尊重各国正当的主权关切。他举了微软的做法:对欧洲做了一系列关于如何治理当地云投资的承诺,在法国和德国建主权云,在 Azure 上提供主权服务,包括密钥管理和机密计算,其中 GPU 上的机密计算是跟英伟达合作做的。
Dwarkesh 用半导体打比方:各国都想要自己的芯片,但台积电就是更好,所以大家还是得去台湾买。AI 会不会也这样,各国只要求权重放在本地,用的还是最好的那一两个模型?
纳德拉回到扩散理论:最终重要的是各国在经济里用 AI 创造价值,用领先技术形成自己的比较优势,而不是拥有领先产业本身。但它们会想要连续性。这也是他认为不会出现单一模型失控扩张的原因之一:开源会一直存在,必然有多个模型。只要能把自己的数据迁到另一个模型,开源的也好、别国的也好,国家就敢放心大规模部署最好的模型。他把驱动市场结构的力量归结为两个:集中风险,和主权,也就是自主权。
Dylan 直接反驳:半导体从来没有过这种情况,所有冰箱和汽车都用台湾产的芯片。台湾一旦被切断,就没有汽车和冰箱了,台积电亚利桑那厂替代不了多少产能。他说主权有点像个「骗局」,值得追求,但不是真正的主权,我们处在全球经济里。
纳德拉的回应是,这等于说我们还没从韧性这件事上学到东西。包括美国在内,每个国家都会尽力在关键供应链上更自给自足。作为跨国公司,他必须把这当成头等需求,否则就是不尊重这个国家的长期政策利益。他也承认各国短期内会做务实的决定,全球化没法倒带,资本投资也不可能那么快完成。但他反问:如果有人到华盛顿说「我们不建任何半导体厂」,他会被赶出美国,其他国家也一样。疫情让大家意识到效率之外还有韧性。他同意 Dylan 说的节奏问题,不可能打个响指就把台积电全搬到亚利桑那,但会有计划,而且应该尊重这个计划。
Dwarkesh 试着总结:所以微软在一个主权要求更多的世界里有独特优势?纳德拉不接受「独特优势」这个说法。他说这是一项业务要求,微软几十年来一直在做这些苦功。美国政府要求把更多晶圆产能放到美国,欧盟要求数据边界,他都认真对待。
最后一个问题来自两位主持人。Dylan 问美国如何面对字节跳动、阿里巴巴、DeepSeek、月之暗面等中国公司的竞争。Dwarkesh 补充:如果 AI 变成一场长达数十年、需要在供应链每一层快速建设的工业资本竞赛,这听起来正是中国的比较优势。
纳德拉的回答很短:
能不能信任你这家公司?能不能信任你的国家和它的制度,做一个长期的供应方?这也许才是赢下世界的东西。
Can I trust you, the company? Can I trust you, your country, and its institutions to be a long-term supplier? Maybe the thing that wins the world.
他说,这可能比模型能力更重要。
这些判断意味着什么
把整期串起来,纳德拉的世界观有一个共同前提:AI 不会出现一家独大。模型会有多个,开源会一直存在,各国会要求可迁移和连续性。在这个前提下,他的每个决定都说得通:编码份额可以掉,只要市场变大;模型可以被商品化,只要你掌握应用层和数据;数据中心不能为一家客户、一代芯片建;自研芯片要跟自研模型闭环;向全球卖的是信任。
这个前提也是两位主持人反复攻击的地方。Dylan 拿出了 Anthropic 推理毛利率上升的数据,这跟「模型被竞争压成商品」并不一致,纳德拉没有正面回应这个数字。Dwarkesh 的持续学习设想,纳德拉承认如果成立就是一锤定音,他只是判断它不会在所有领域同时发生。暂停扩建的决定,是用短期份额换长期灵活性,甲骨文的崛起就是这笔交易的代价,账还没算完。
留下的问题有几个。如果领先模型的利润率继续上升,「模型是商品」还成立吗?一个能持续学习的模型出现时,「支持多模型」的基础设施能不能守住价值?面对把工业建设当作长项的中国,「信任」能抵消多少速度和成本上的差距?
其他值得记下的观点
- 对于前沿 AI 实验室何时到来的不确定,纳德拉的处理方式是把研究算力当作研发费用:定一个扩展节奏,比如在一段时间内扩一个数量级,这是入场门槛。其余算力全部按需求建,可以超前建,但需求计划不能偏得太离谱。他还说研究员与 GPU 的比例要高,资产负债表要能在成为共识之前就撑得住这种投入。
- 对实验室预测 2027、2028 年收入达到千亿美元,纳德拉的态度是理解其动机:独立实验室需要融资付算力账单,必须给出数字。他认为这是好事,它们也确实有过亮眼表现,微软跟它们有大量业务往来。
- 纳德拉解释了与 OpenAI 新协议的一个细节:OpenAI 的 API(PaaS 业务)是 Azure 独家,ChatGPT(SaaS 业务)可以跑在任何地方。第三方伙伴要用无状态 API,只能在 Azure 上。像 Salesforce 那样与 OpenAI 联合训练、部署定制模型的合作,他说也必须跑在 Azure 上,只对美国政府等少数情况有例外。
对 builder 有什么用
- 重新设计你 AI 产品的订阅档位。按纳德拉的说法,把订阅当作「打包的消费额度」:先算清每档用户的平均推理成本,再按额度分出标准档和 pro 档,让每一档的毛利都为正。
- 如果你在做某个专业软件上的 agent,别只做截图加提示词的外壳。把模型接到产品的数据层,让它读到公式、字段、对象这些原生结构,再写一份 markdown 技能说明告诉它熟练用户会怎么做。这是 Excel Agent 的做法。
- 在产品里加一个类似 auto 的模型路由层,至少接两家模型供应商,按任务类型和价格自动切换。同时把用户交互数据整理成可训练的格式,为以后微调开源 checkpoint 留好路。这是纳德拉「赢家诅咒」论证里应用层的那一半。
- 如果你在做企业级 agent,按「每个 agent」列一张清单:它要一台什么样的电脑、一个什么身份、哪些权限、哪些操作日志和存储。客户愿意为这些付费,纳德拉说这部分会比用户数增长更快。
- 签 GPU 或数据中心合同时,避免一次性锁定单一代硬件的长期产能。分批、分地区签,保留迁移到下一代芯片的余地;服务欧洲等有数据驻留要求的客户时,提前规划区域部署。
In their words
“I run a software company. Welcome to the software company.”我经营的是一家软件公司。欢迎来到这家软件公司。
“AI should either be a guardian angel or a cognitive amplifier.”AI 应该是守护天使,或者是认知放大器。
“Now, Claude's gonna kill you. Cursor's gonna kill you. It's not Borland, so thank God.”现在是 Claude 要干掉你,Cursor 要干掉你。不是 Borland,谢天谢地。
“There's no birthright here that we should have any confidence other than to say, hey, we should go innovate.”这里没有什么与生俱来的权利。我们能做的只有去创新。
“If you're a model company, you may have a winner's curse. You may have done all the hard work, done unbelievable innovation, except it's kind of like one copy away from that being commoditized.”如果你是模型公司,你可能背上了赢家诅咒。你做了所有艰苦的工作和了不起的创新,结果离被商品化只差一次复制。
“Excel will come with an analyst bundled in.”Excel 以后会自带一个分析师。
“We didn't want to just be a hoster for one company and have just a massive book of business with one customer. That's not a business.”我们不想只给一家公司当托管商,手里攥着一大笔只来自一个客户的订单。那不是一门生意。
“Europe ain't gonna let me round trip to Texas.”欧洲也不会让我把请求绕到得州再回来。
“We are now a capital-intensive business and a knowledge-intensive business. And in fact, we have to use our knowledge to increase the ROIC on the capital spend.”我们现在既是资本密集型企业,也是知识密集型企业。我们得用知识来提高资本支出的回报。
“Can I trust you, the company? Can I trust you, your country, and its institutions to be a long-term supplier? Maybe the thing that wins the world.”能不能信任你这家公司?能不能信任你的国家和它的制度,做一个长期的供应方?这也许才是赢下世界的东西。
Concepts to know
- 技术扩散Diffusion
- 技术从发明到真正嵌入企业日常工作流的过程。纳德拉认为经济增长取决于扩散速度,而不只是技术本身多先进。
- 销售成本COGS
- 每卖出一单服务直接产生的成本。传统 SaaS 的边际成本接近零,AI 产品每次调用都要付推理算力,打破了原有的利润模型。
- 脚手架 / 应用层Scaffolding
- 包在模型外面的工具调用、上下文管理、界面和工作流。争论的焦点是价值最终留在这一层还是模型层。
- Checkpoint
- 训练过程中保存的一份模型权重。拿到开源 checkpoint,就可以用自己的数据继续训练。
- 算力可替换性Fungibility
- 同一批算力能在训练、数据生成、推理之间灵活调度,也能支持不同模型。纳德拉把它作为数据中心规划的核心原则。
- 裸金属服务Bare metal as a service
- 直接把整台物理服务器租给客户,不附带上层云服务。纳德拉把它和带数据库、存储等全套服务的长尾云业务区分开。
- 总拥有成本TCO
- 设备、电力、运维、折旧等全部成本之和。纳德拉评估自研芯片时看的是整体 TCO,而不只是芯片采购价。
- 新兴 GPU 云Neocloud
- 专门出租 GPU 算力的新一代云厂商,如 Nebius、Lambda。微软向它们租用产能,并希望把它们纳入 Azure 市场。
- 持续学习Continual learning
- 模型在部署后边工作边学习、不断更新的能力。Dwarkesh 认为它可能带来赢家通吃,纳德拉认为不会在所有领域同时发生。
- 数据驻留Data residency
- 法律要求数据存储和处理留在特定国家或地区之内,例如欧盟数据边界。它决定了数据中心必须在全球分布式建设。
Turning points
2024 年下半年
微软暂停一批数据中心扩建,放掉部分租赁站点,后被谷歌、Meta、亚马逊、甲骨文接手。
纳德拉说不想只给一家模型公司做托管、不想被单一代芯片的折旧困住,要按负载类型、地区和时间重新分配。代价是按 SemiAnalysis 估算,2028 年产能预期从 12 到 13 吉瓦降到约 9.5 吉瓦,甲骨文借机做大。
MAI 不复制 OpenAI 的前沿模型,而是做图像、语音、小规模文本模型,下一步做全模态模型。
微软在未来七年可以使用 GPT 系列,纳德拉不想把算力花在重复工作上,代价是短期内自研模型在榜单上排名靠后。
2025 年下半年
微软向 IREN、Nebius、Lambda 等新兴云租用算力。
纳德拉说只要有明确需求,租、定制建设、GPU 即服务都可以,并希望新兴云进入 Azure 市场,带动 Azure 的存储和数据库消耗。
与 OpenAI 签新协议:API 业务 Azure 独家,ChatGPT 可跑在任何云上。
纳德拉说这既保住了微软看重的部分,也给了 OpenAI 采购算力所需的灵活性。
Read with care
- 访谈里的份额、产能、芯片数量、Anthropic 毛利率、甲骨文规模等数字,大多来自主持人 Dylan Patel 所在的 SemiAnalysis 的估算,纳德拉没有确认或否认其中多数数字。
- MAI 模型的榜单排名、Maia 200「看起来很好」、软件优化带来 5 到 40 倍吞吐提升、90 天上线等,都是纳德拉对自家的说法,访谈中没有第三方印证;与 OpenAI 协议的细节也只来自他的描述。
- 纳德拉的多数判断依赖「不会出现单一模型遥遥领先」这个前提;如果持续学习带来赢家通吃,或领先模型的利润率持续上升,他关于模型商品化和多模型基础设施的推论就要打折扣。
- 访谈录制于 2025 年 11 月,对编码 agent 市场格局、算力规划的描述只代表当时的状况;原片中的赞助商广告已删去,开头数据中心导览部分转写较零散。
Adapted from the public interview transcript. Quotes are excerpts; watch the original for full context. Reviewed 2026-10-26