# 萨提亚·纳德拉：AI不是技术，是公司本身

---

2026年6月初，Microsoft Build大会在旧金山举行。大会结束三天后，Reid Hoffman在自己主持的Possible播客中与微软CEO萨提亚·纳德拉（Satya Nadella）坐下来做了一场对话。这个有两周了，不过才看到，感觉有些内容还是不错。能够感觉萨提亚现在对模型公司很警惕，或者说替客户警惕。

## 一、Token Capital：企业隐性知识的攻防战

1、**"Token资本"是与人力资本平行的新资产类别**

萨提亚提出了一个核心框架：未来经济将由human capital和token capital的交互来驱动。这个判断不分企业类型，无论是微软这样的科技公司、一家新创公司，还是一家经营了一百年的银行，都需要学会管理两者之间的复利效应。

他对token资本的定义口径极宽：可以是一段context，一个skill，一组模型权重，不限于某一种固定形态。关键是你能不能具体指出：这是我拥有的、我控制的、我创造的，并且我有一套系统让它持续增值。

2、**企业的隐性知识正在加速泄漏**

什么是一家公司真正独特的东西？萨提亚说，是那些你甚至无法在资产负债表上列出的隐性知识（tacit knowledge）：独特的运营方式、判断力、品味。这些东西过去只存在于员工的脑子里和一些数字化的工作产物中。

AI模型的能力恰恰在于，它可以通过人类的工作轨迹提取这些隐性知识，并编码进模型权重。问题在于，如果这些知识泄漏出去了，就是一扇单向门，回不来了。

3、**Hill-climbing machine：企业守住知识主权的核心机制**

萨提亚在Build大会和这期播客里都用了一个概念：hill-climbing machine。播客里他给出了更完整的解释。

企业应该欢迎外部模型进入，但这些模型必须在你控制的环境里做hill climbing，即在特定目标上持续优化。你的数据是你喂给模型的上下文，你收集的是人和智能体在企业内部协作时产生的轨迹和痕迹，然后用这些轨迹持续训练你自己的模型，形成闭环。

关键操作原则是：不让这些轨迹泄漏到外部。

4、**一年之内，"AI供应链"将成为企业核心议题**

萨提亚在对话接近尾声时给出了一个带时间线的预判：他说如果一年后Hoffman再坐在这里，整个商业世界关心的核心问题将不再是"我的AI战略是什么"，而是"我的AI供应链长什么样"。哪些模型在帮我积累token资本？哪些在帮别人积累？数据轨迹流向哪里？谁在控制？

## 二、编程领域的五次演化，预告一切知识工作的未来

萨提亚用编程领域的变化作为最清晰的观察窗口，描述了人机协作经历的五个阶段。

1、**从代码补全到完全自主，五步走完**

第一步，AI代码补全。AI进入IDE，做自动补全，和早期的IntelliSense没有本质区别，只是更聪明了。

第二步，聊天助手。以前写代码遇到问题要开浏览器搜Stack Overflow，现在直接在IDE里开一个chat窗口就能获得编码知识。

第三步，Agent模式。有了推理模型和初步的agent循环，可以分配小任务，看它完成，然后接受或插入结果。

第四步，完全自主。长时间运行的agentic循环，你只需要给出高层意图，它去完成整个PR，你做最终审核。

第五步，ADE——Agentic Development Environment。当你同时运行上百个agent的CLI会话，认知负荷变得不可承受。GitHub新推出的Canvas功能本质上就是一个新的IDE，但它是为管理智能体而设计的：看起来像一个收件箱，里面是正在你所有代码仓库中工作的智能体，你可以对它们做微观的方向调整，而宏观任务已经委派出去了。Kanban看板视图用来追踪PR进度，对智能体和人来说都比线性聊天会话有效。

2、**微软内部的思维实验：2万员工对应2000万智能体**

萨提亚给出了一个数字模型来说明比例关系：假设一家公司有2万名员工，未来可能有200万甚至2000万个智能体与之协同工作。所有这些智能体都在一个循环中运行，彼此之间、与人之间交换工作产物。这就是他所说的"下一代知识工作"的原型。

他拿80年代做类比：如果当时有人说"未来会有40亿人每天早上起床就开始打字"，所有人都会觉得荒谬。因为当时只有专门的打字员和幻灯片制作员。但个人电脑发明了一种全新的工作形态——知识工作，每个人都在打字和创建数字产物。AI时代正在发明的新工作形态，目前还没有人能完全描述清楚。

## 三、企业AI的三层基础设施

1、**体验层：人与智能体的交互界面**

ADE、Canvas、Copilot中的co-work模式、Build上发布的Scout和Autopilot，都属于体验层。核心任务是降低人管理大量智能体时的认知负荷。

2、**Hill-climbing machine：模型个性化层**

每家企业需要自己的hill-climbing machine，用自己的数据、自己定义的eval和rubric来训练和微调模型。萨提亚在这里给出了一个关键判断：

"把你真正在意的目标和评估标准想清楚、写清楚，这就是新的知识产权。" — "Being very clear about the evals and the objectives that you care deeply about, knowing how to evaluate them — that's the new IP."

模型的训练流程日益机械化，真正的知识产权在于你设定的评估标准和训练数据。

## 四、给CEO的判断：AI不是技术，是公司本身

1、**科技CEO必须身先士卒**

对科技公司CEO来说没有退路：你必须对技术栈有深入理解，对未来方向有自己的世界观，在常识还没形成之前就做出判断。AI时代的技术转型非常残酷，犹豫就会被淘汰。

2、**非科技CEO的处境已经变了**

萨提亚说他正在修正自己过去的判断。过去，非科技行业的CEO只要在自己的领域足够专业，加上好的技术顾问和合作伙伴就够了。但现在不行了。

"AI不是一种技术，是公司的未来。" — "AI is not a technology. It's the future of the firm."

这句话放在企业语境下的含义是：你不能把AI当成IT部门的事，就像你不能说"我不了解公司的人力资本"一样。

他对当前CEO群体的状态感到困惑：很多人还停留在"跟科技公司发个联合新闻稿，宣布做了八个agent"的阶段，觉得自己已经有了AI战略。

3、**CEO必须能回答的一个问题：你的token资本在哪？**

萨提亚把检验标准具体化了：你能不能说清楚，"昨晚基于我们所有业务运营产生的工作，我们把它转化成了什么知识，这些知识现在是我的token资本的一部分"？不需要是某一种固定形态，但你必须能识别、拥有、控制它，并且有系统让它持续复利。

他强调，这次变化和之前的移动互联网、PC、云计算时代不同。那些时代只需要一个懂得跟供应商打交道的IT部门。这次是结构性的：当AI掌握了在你的行业里运作所需的一切知识，你的行业会发生什么结构性变化？

## 五、Token效率：不要用前沿模型解决非前沿问题

1、**在token充裕时代，用token的能力本身变得稀缺**

萨提亚提出了一个值得深想的问题：在token充裕的时代，什么东西变得更有价值？答案之一是使用token的能力。谁能更高效地使用token来达成对世界有意义的结果，谁就会领先。

构建这种直觉的关键在于：你追求的结果是什么？怎么衡量？评分维度是什么？尤其在强化学习范式下，设定高品味的rubric和eval维度，是只有人类才能定义的工作。如果你做到了，token使用自然会变得高效。

2、**"不要用前沿模型解决非前沿问题"**

萨提亚给出了一个操作原则，并用了一个具体案例说明。

假设你是一家零售商或消费品公司，有一个业务是处理渠道促销的交易索赔。各零售商提交索赔，你需要审核处理，目前由人工完成。这个流程完全可以用agentic workflow自动化，但你不需要为此动用前沿模型。这不是发现新材料的前沿问题，而是一个可重复的确定性流程。

正确的做法是：用一个像MAI 5B这样的小模型，配合工作轨迹数据，用RL做hill climbing，让它在这个特定任务上的表现甚至超过直接提示前沿模型。这才是token效率的体现。

3、**"认知覆盖率"：一个可能改变人机协作的新概念**

萨提亚在谈到cognitive coverage（认知覆盖率）时用了"fascinated"这个词。这个概念来自他的一位同事在GitHub Copilot中开发的一项新功能。

类比test coverage的概念：代码写完要跑测试看覆盖了多少路径；现在智能体帮你完成工作后，认知覆盖率衡量的是人类对智能体所做工作的理解程度。具体实现方式是给人出一套测验，让人从智能体的工作中学习，形成自己的演绎性理解。

萨提亚认为这可能是人机协作时代人类最重要的技能之一：智能体需要对齐，这是一面；但另一面是全新的，人类要能证明自己真正理解了智能体做了什么。

他同时指出，未来模型自身也要向可操控性（steerability）进化。他想要的模型不仅是遵循指令，更要真正可调。当人对模型有了操控感，信任感才会随之建立。认知覆盖率解决的是人端的理解力问题，steerability解决的是模型端的可控性问题，两者互为补充。

## 六、国家主权、儿童教育与社会许可

1、**企业才是国家AI主权的真正载体**

萨提亚近期把注意力从抽象的国家主权转向了企业层面的AI主权，原因是：企业遍布全球。如果各国在抽象层面讨论数据主权，反而可能侵蚀本国企业的比较优势。

他的框架引用了李嘉图的比较优势理论：每个国家天然拥有自己的比较优势，现在需要用AI放大它。最佳策略是让本国的企业，无论大小，都用上当前最强的AI能力。最糟糕的策略是以主权之名把自己关在技术进步的门外，那只会越落越远。但反过来，所有企业都依赖同一家公司的同一个基础模型，那也谈不上主权。

2、**微软的芯片策略：系统级优化的思路**

微软的自研芯片Maya和Cobalt的目标不在于取代英伟达和AMD，重点是针对特定的at-scale工作负载做定点优化。Maya与MAI模型和OpenAI模型协同设计，追求最佳性能；Cobalt是ARM架构的通用计算芯片，专门针对GitHub上agentic编码的调用模式优化，因为编码智能体的调用模式和传统人类应用完全不同。

同时，英伟达GPU也在被用于加速非AI工作负载。Build上宣布Fabric数据仓库用GPU加速查询就是一个例子。微软甚至在用老一代英伟达芯片来加速传统工作负载，让整个硬件舰队在全生命周期内持续创造价值。

3、**儿童教育：当专业知识不再稀缺，焦虑也不该存在**

萨提亚在儿童话题上先谈了安全底线：AI chatbot与儿童的对话必须让儿童保有自主性（agency），不能出现AI说服儿童的情况。这是他将child safety与cyber安全、生物武器、alignment并列为AI安全核心议题的原因。

在此之上，他对教育的切入角度不是课程或技术，而是焦虑的来源。他说，过去学习中的焦虑，怕数学、怕科学，很大程度上是机会稀缺和学习资源稀缺的产物。如果在token充裕的世界里，专业知识本身不再稀缺，那真正有价值的就是你对专业知识的认知覆盖率。

4、**赢得社会许可：空洞承诺的时代已经结束**

萨提亚说行业在AI叙事上犯了错误："当你出去说'知识工作者的所有经济机会都会消失''白领工作没了'，然后转头说'我对这个技术感到兴奋'，为什么会有人希望你成功？"

有人在大学毕业典礼上因为谈AI而被嘘。行业已经越过了信任的临界点。叙事说得再多也没用了，只有具体成果才能扭转。

如果你在一个社区建数据中心，那个社区必须真实地感受到好处：税基、社区投入、房产价值、学校、用水、电价。不能只是说了就算。

在就业问题上也一样，不能抽象地援引"劳动力固定量谬误"说永远会有新工作。得说清楚：新工作是什么？工资多少？我怎么培训自己去做这些工作？

第三个维度是参与感：每家公司都必须参与前沿AI生态系统，而不是沦为基础模型的数据饲料。

被问到"你希望别人多问你什么"时，萨提亚的回答是："问我不兴奋什么。" 他兴奋的事情很多，不兴奋的只有一件：行业通过说错话、做错事，丢掉AI的社会许可。

5、**教皇良十四世的通谕与文明正循环**

萨提亚对教皇良十四世（Pope Leo XIV）于2026年5月发布的通谕《Magnifica Humanitas》给予高度评价。他注意到一个历史平行：上一位良教皇在1891年工业革命时期发表了关于劳动者境况的通谕《Rerum Novarum》。现在的良十四世选择在AI时代为人类尊严和人类能动性辩护。

但萨提亚真正想说的更大。他引用了诺贝尔经济学奖得主Joel Mokyr与Avner Greif、Guido Tabellini合著的《Two Paths to Prosperity》来阐述一个观点：西方过去千年繁荣的秘密不只是技术突破，而是道德哲学、科学革命、政治制度和市场这四种力量形成了正循环。AI时代需要重建这样的正循环，教皇的通谕代表了道德哲学这一环。如果这四种力量互相强化，就会有广泛受益的繁荣；如果不能，就会失去社会许可。

当然，我觉得他说的是美国，似乎中国没这个问题？目前而言。