本文来自微信公众号：划重点KeyPoints，作者：林易，题图来自：Unsplash

　　近日，微软CEO纳德拉与Stripe联合创始人约翰·科里森（John Collison）进行了一场关于AI技术、商业本质与组织进化的深度对话。纳德拉将当前的AI浪潮与90年代的互联网泡沫进行冷静对比，认为此次AI浪潮并不是泡沫，而是真实存在算力供不应求的产能危机。

　　纳德拉在访谈中描绘了一幅反直觉的软件未来图景：应用的边界正在消融，而集成开发环境（IDE）将以一种全新的面貌回归。他认为，未来的交互界面将不再是单一的聊天窗口，而是融合了电子表格、文档和消息流的任务控制中心。在这个图景中，无论是程序员，还是会计师、律师，他们都将拥有属于自己的IDE，工作的本质将变为对成千上万个AI智能体（Agent）进行微观引导（Micro-steering）。

　　这不仅是UI的革新，更是人类与机器协作关系的重构，人类不再是单纯的操作者，而是拥有宏观委派能力的指挥官。

　　在访谈中，纳德拉强调，在AI时代，公司主权（Corporate Sovereignty）是一个的核心价值。他认为，在通用大模型无所不知的情况下，企业的护城河不再仅仅是传统的知识产权，而是将内部难以言传的“隐性知识”转化为私有模型的权重。

　　如果说30年前比尔·盖茨梦想将世界结构化为SQL数据库，以实现信息触手可及的梦想，那么今天，纳德拉正在用神经网络和Agent来构建企业独特的隐性知识，防止企业核心优势泄露到通用模型中。

　　在访谈最后，纳德拉剖析了微软的组织文化。他致力于将微软的文化内核从“自以为是派”（Know-it-all）彻底重塑为开放的“学习一切派”（Learn-it-all）。在他看来，要对抗外界刻板印象与内部官僚主义，微软必须拥有统一的“成长型思维”，以应对每一次技术范式的剧变。

　　Satya Nadella访谈内容划重点： 1. 企业级 AI 的真相：别羡慕别人的工厂，建自己的数据护城河 拒绝模型焦虑：纳德拉直言，企业最核心的任务不是羡慕别人的AI智能体，而是构建自己的AI工厂。其中最复杂也最重要的工作是在组织数据层，让企业数据能够满足智能化需求。 记忆与关联：真正的杀手级应用在于建立“图谱”（Graph）。工作并非杂乱无章，而是围绕业务事件展开的，AI的价值在于找回这些在系统中丢失的语义连接。 Agent的三大基石：一个有效的Agent系统必须具备三个模型之外的要素：记忆（长期信用分配）、权限（严格遵守访问限制）和有效的行动空间。 2. 重新定义“公司主权”：隐性知识的权重化 科斯定理的AI版：既然通用大模型无所不知，公司存在的意义是什么？纳德拉认为，公司的价值在于其内部交易成本低于市场交易成本的“隐性知识”。 未来的IP是模型权重：“公司主权”意味着企业拥有自己的基础模型，该模型捕捉了组织内部独特的隐性知识。未来的知识产权将以LoRA（大模型微调层）权重的形式存在，这是防止企业核心优势泄露到通用模型的关键。 3. 基础设施建设：这次不是泡沫，是产能地狱 与2000年泡沫的区别：纳德拉指出，2000年是暗光纤泡沫，基础设施铺设过度但利用率低；而现在的AI基础设施建设中，所有算力资源都已售罄，瓶颈在于电力、涡轮机和“增强型外壳”的供应不足。面对日益严格的数据法规，微软必须在全球范围内建设数据中心，以应对各国对数据主权的要求。 技术栈布局：纳德拉将微软的AI堆栈概念化为两层核心。底层是基础设施业务，即“Token工厂”，其核心指标是追求极致的资本效率，即每美元、每瓦特能生产多少Token；上层则是“Agent工厂”，其核心在于如何最有效地利用这些Token来驱动业务成果，即最大化每个Token的价值。 拒绝过度捆绑的诱惑：尽管微软拥有从芯片、云设施到应用的全栈能力，纳德拉却强调每一层（基础设施、数据层、应用）都必须具备独立生存的市场竞争力。他反对过度依赖生态捆绑，认为客户不应被迫接受“全家桶”，而应拥有自主选择“从哪扇门进入”微软生态的权利。 4. 软件界面的未来：人人都有“IDE” IDE的回归：尽管人们常说“应用将消失”，但纳德拉认为IDE（集成开发环境）将以新的形式回归。未来的软件界面将是收件箱、消息工具和“闪烁光标画布”的融合，程序员，会计师、律师都将拥有自己的“任务控制中心”，微观引导成千上万的AI智能体。 5. 历史的教训：范式正确不代表赢 微软的互联网往事：90年代微软虽然看准了“信息高速公路”的方向，但最初押注的“交互式电视”路径却被开放互联网击败。这给AI时代的启示是：即使看对了范式（Paradigm），具体的架构选择和商业模式仍决定成败。 组织层的必然性：即使在开放的生态系统中，最终也会出现掌握话语权的“组织层”（如搜索引擎、应用商店）。在AI时代，谁能成为新的组织层（如ChatGPT目前的角色）仍是未定之数。

　　以下是Satya Nadella的访谈实录。

　　一、关于Ignite 大会与企业级 AI

　　John Collison：那么，大家应该为Ignite大会的哪些内容感到兴奋？

　　Satya Nadella：对我们来说，Ignite大会最核心的任务，就是确保 AI 能在企业内部得到广泛普及。如果说只有一件事最重要，那就是不要只去羡慕别人的“AI 工厂”或 AI 智能体（Agent），而是要探讨如何构建你自己的 AI 工厂。

　　其中，对数据层的组织至关重要，事实证明，这可能是最复杂的一环。你需要覆盖整个企业的数据，使其能够满足智能化的需求。这将是我们接下来的工作重点。

　　John Collison：我们在企业环境中似乎还没有看到真正的深度应用。虽然有了Copilot，但大多数人在日常工作中并没有这种能力。你认为人们是否低估或未充分利用已经存在的 AI？

　　Satya Nadella：是的，这很有趣。因为对我来说，这正是杀手级功能。我们做的最重要的事情就是建立了“图谱”（Graph）。在我看来，这是位于所有数据库之下的、对任何公司都最重要的东西——它承载着你的电子邮件、文档、Teams 通话等数据。

　　关键在于这些数据间的关系。人们的工作并非杂乱无章、非结构化的，所有的工作都是围绕某个业务事件展开的。这种语义上的连接存在于人们的脑海中，但在系统中往往丢失了。而现在，这是第一次，我们能通过 AI 更好地找回这些记忆和关联。

　　John Collison：相比个人用户，为什么 AI 在企业中的渗透率还不足？

　　Satya Nadella：因为我觉得，人们现在使用很多大语言模型（LLM）工具时，可能只是上传单个文档。但大多数公司并没有将所有功能集成起来，没有将公司完整的上下文接入他们日常使用的 AI 中。

　　实际上，这里有两层挑战。第一是变革管理。这是我们历史上发布的所有办公套件中部署速度最快的一次，但最终必须有人去使用它。而在企业环境中，这意味着所有的数据发现（Discovery）环节必须可行，所有的数据治理必须到位。我们必须将权限范围接入 Copilot，确保当我检索内容时，如果是机密信息（如已被 IRM 保护的内容），它能被正确识别和处理。我们已经做了大量工作，现在已经开始看到成效。

　　我要说的第二点是，让 AI 跨越整个 Microsoft 365 图谱运行是一回事，但接下来要解决的是 ERP 系统的数据。目前的连接器就像“两根细吸管”，效率不够。你需要一个更好的数据架构，基本上需要通过语义嵌入（Semantic Embedding）将所有数据整合到一个层面。

　　John Collison：几十年来，让公司数据“触手可及”一直是一个愿景。我读过那本关于 Oracle 历史的书《Softwar》，其中提到，拉里·埃里森（Larry Ellison）在 90 年代末就像高管推介，要把公司所有的数据放在一个地方，让高管可以“一键”获得答案，而不是发邮件让分析师去调查。

　　为什么这个论点经久不衰？是因为公司实际上并没有按时做好数据基础设施这门“苦修课”（eat their data infrastructure vegetables）吗？这一次，我们终于能解决数据管道的问题了吗？

　　Satya Nadella：你可以反驳这个前提，但这正是问题所在。如果我没记错的话，比尔·盖茨在 90 年代的一次 COMDEX 演讲上创造了“信息触手可及”（Information at your fingertips）这个术语。比尔一直对此非常着迷。

　　我清楚地记得，他在 90 年代的一次评审中说过：“软件只有一个类别，那就是信息管理。你必须对人、地点和事物进行建模，仅此而已。你无需再做任何事，因为所有软件在本质上都是信息管理。”

　　这是比尔一直以来的梦想。他讨厌文件系统，因为它们是非结构化的。如果所有东西都是SQL 数据库，他会很高兴，那样他就可以直接运行 SQL 查询，对所有信息进行编程。对他来说，那是让信息触手可及的优雅解决方案。

　　但问题在于，人是混乱的（messy）。即使数据是结构化的，它也并不会被真正集中在一个索引中，我也无法运行一条 SQL 查询来获取所有信息。这一直是根本性的挑战。

　　我会说，那是旧世界的产物。我们当时谁也没想到，AI 和大规模深度神经网络会突然成为解决这个问题的关键。我们要做的不是建立某种程式化的数据模型，而是通过神经网络找出那些模式。事实上，在很长一段时间里，我们都痴迷于探索数据模型需要多么复杂才能捕捉企业的本质。事实证明，在拥有巨大算力的神经网络中通过海量参数就能做到。

　　John Collison：就像有些聪明的远程员工，刚入职五分钟就能通过阅读文档抓住要点。模型可以非常聪明，它们可以执行RAG（检索增强生成），可以访问企业中的所有内容。但这与模型本身真正“知道”某事是不一样的。除非你在公司内部训练定制模型，否则这些模型不会真正精通你们的业务。如果第一千次查询并不比第一次查询更聪明，那你认为这会走向何方？

　　Satya Nadella：这里涉及两点。如果是指上下文学习（Contextual Learning）或持续学习，那这确实是终极目标。这呼应了我之前的观点：如果你把模型的“认知核心”与它的“知识”进行分离，你就拥有了一种持续学习的公式或算法。

　　我认为有三件事必须存在于模型运行之外，我们需要攻克它们：

　　记忆（Memory）：包括短期和长期记忆。人类很擅长长期归因（long-term credit assignment）。当 AI 模型既能根据长期记忆进行奖励，也能进行惩罚（即具备长期信用分配能力）时，你就知道你拥有了真正的记忆。