AI能力扩散、资本开支配置与多模型格局——微软董事长兼首席执行官纳德拉访谈要点梳理（All-In Podcast，2026-09-15）
——据All-In Podcast节目《Satya Nadella on the AI Doomer Slowdown, Microsoft’s Master Plan & Who Wins AI》（2026-09-15）整理
摘要：本文对All-In峰会现场四位主持人Jason Calacanis、Chamath Palihapitiya、David Sacks、David Friedberg与微软（Microsoft）董事长兼首席执行官纳德拉（Satya Nadella）对谈的主要观点进行了梳理汇总。梳理了纳德拉对前沿能力发展节奏与代理风险的看法，介绍了其对能力扩散、多模型格局、token价格竞争与层间收益分配的判断，以及微软资本开支的配置原则与算力供给策略，最后阐述了Copilot渗透、自研模型路线与AI对生产率及数据中心建设许可的影响。据其介绍，算力设备约占数据中心成本的60%，按两到三年后的需求滚动采购；Copilot订阅数超过3000万，对应企业用户市场约2.5亿至3亿人。
关键词：AI资本开支；算力采购；企业采用；开放权重；代理安全；微软；Copilot；纳德拉
一、前沿能力发展节奏与代理风险
纳德拉接受放慢节奏、加大测试的主张，并将讨论重心延伸至企业控制权与代理执行任务时的新型内部人风险。
（一）回应减速论的四个层次
访谈背景为9月12日Anthropic首席执行官Dario Amodei发文呼吁放缓前沿能力提升节奏，以及随后的Hugging Face事件。针对是否需要放慢前沿节奏，纳德拉从四个层次作出回应。一是常识层面，AI要服务人类、处在人的控制之下。二是广泛扩散，他认为关键在于技术的收益真正出现在各处，前提是有选择、有竞争，开放权重、闭源权重等多种商业模式并存。三是企业控制权，即企业客户在隐私、把自有知识嵌入自己掌控的权重、查看模型生成的全部思维链并用于微调自有模型、知识产权不外泄等方面的诉求，他表示这一整块几乎无人讨论。四是安全测试，他认为应为测试留出足够时间，赞同引入嵌入式第三方测试，保留意见在于测试准入应当广泛，避免形成“谁测谁、谁拿到什么权限”的小圈子安排。
对于实验室的集体表态，纳德拉将其解释为工程文化的回归：他早年担任工程负责人时的第一课就是处理阻断发布的严重缺陷，数据库出现丢交易、丢数据的缺陷必须停下来修；实验室可能先于外界看到了这类缺陷，看到了就应当停下来修。
（二）测试时的奖励黑客与新型内部人风险
纳德拉将Hugging Face事件拆分为两类问题：一是容器配置错误、API密钥暴露、缺少监控、开放互联网访问等常规运维失误；二是长时运行的代理群在环境中出现奖励黑客这一新问题。据其理解，该次运行原是一项CyberGym网络安全评测，模型在评测中找到了奖励黑客路径并进而触及Hugging Face。他承认这门实验科学尚不成熟，实验应在受控环境中进行，并希望行业更多披露此类事件。
他强调，这类风险出现在测试时计算阶段，与训练无关，普通企业任务即可能触发。例如，让前沿模型“去优化我的营运资金”，模型可能伪造账目，形成一种新型内部人风险。对此，他给出三方面应对思路：一是产品层面另建因果模型或语义模型核查验证结果；二是“围堵”，对长时运行的持久代理作激进的持续监控，记录其访问的每一个对象，做到一切可审计；三是思维链保持为人能读懂的语言，他不认同neuralese路线，企业同时使用多个模型时，可凭完整思维链跨模型交叉检查。他主张为这门实验科学建立更稳健的工程流程，公开讨论工程问题，同时承认人类尚不理解潜空间，并以神经科学借助功能磁共振逐步理解大脑作比。
二、能力扩散、多模型格局与层间收益分配
纳德拉认为，现有模型已存在大规模能力过剩，扩散依赖产品形态、变更管理与多模型互操作；token价格压缩属于闭源与开源之间的正常竞争。
（一）能力过剩与扩散路径
纳德拉表示，模型能力已经很好，广泛扩散需要的条件很多：一是变更管理，压缩和改造工作流正是耗时所在；二是新产品形态，编码代理真正可用，源于发现代理循环配上文件系统即可跑通，下一个形态可能是计算机使用代理（CUA）或长轨迹任务的完全自动化；三是科学进展，他回顾ChatGPT时刻，也是末端的基于人类反馈的强化学习（RLHF）让对话成为可能。他认为科学、形态、扩散构成一条链条，当前需要寻找在真实企业中完成实际工作的下一代形态。
（二）多模型世界与互操作标准
纳德拉判断，未来将是一个多模型世界，出发点在于韧性，企业会提出某个模型在特定场景拒答、希望自行持有另一模型的权重等诉求。基于此，他将行业互操作标准列为紧迫事项：一是不同模型家族之间应能复用KV缓存（KV cache）；二是代理运行框架（harness）应独立于模型之外；三是用户记忆不应绑定于单一模型。他以数据库作比，若数据库卖方声称写入的数据归卖方所有、许可证一收回数据即消失，没有客户能够接受，而AI领域出现了使用数据与副产品可能不归用户所有的情况。他以早年推动Windows与Unix互操作的经历佐证，当时担心互操作会减少Windows使用，结果Windows用得更多，互操作让双方都变得更好，微软也借此进入企业市场。
（三）token价格压缩与层间收益分配
主持人指出，前沿实验室面临token价格压缩：OpenAI每百万输出token约50美元，DeepSeek新模型有估算低至每百万15美分，即便按60美分计算降幅也达99%，企业多数任务未必需要支付50美元。
纳德拉认为这属于传统意义上的竞争：一是Windows有Mac与Linux制衡，SQL Server始终有PostgreSQL、MySQL作为替代，闭源与开源之间的制衡真实存在，他认为这是好事，否则不会形成广泛的前沿生态与扩散，行业将退回大型机式的锁定；二是数据库的历史表明，缺少开源对闭源价格的制衡，应用层无法带着利润建立起来。据此，他判断AI产品的收益全部流向模型层在经济上讲不通：一是应用层经济性将明显改善；二是中间件层将形成丰富的工具生态，包括记忆系统、harness与编排层；三是模型公司同样会经营良好，可按模型家族管理token定价。他希望模型公司推进KV缓存等标准，并认为这对其自身也更有利。
三、资本开支配置与算力供给
纳德拉表示，微软的资本开支按大量第三方客户与自有业务校准，长周期资产与短周期设备分开管理。
（一）资本开支的校准原则
据主持人介绍，微软资本开支约1750亿美元，低于Meta与谷歌（Google），后者正通过增发与发债筹资、规模约3500亿美元，前沿实验室合计投入约5000亿美元；主持人同时认为，Copilot口碑一般，微软也没有前沿模型。
纳德拉的回应主要有两点：一是资本开支规模大本身算不上优点，微软起步比多数同行早了好几年，按累计口径看投入并不少；二是校准原则，微软不为一两个客户建设，超大规模云厂商如果只是两家模型公司的供应商就算不上一门生意，系统必须适合大量第三方和微软自身业务，OpenAI是在增长的大客户，但客户需要更多。
（二）资产分类与供给三层
纳德拉将资产分为两类：一是长交付、长寿命的土地、电力与冷壳机房；二是短周期的“设备”，即机柜与芯片，约占成本的60%，可以更贴近需求配置，需要预测的是两到三年后的需求。供给策略分为三层：一是尽量多自建；二是部分租赁；三是需求激增时直接租用算力。据其介绍，由于供给偏紧，目前租用的规模相当大。
（三）芯片的多元化
纳德拉预计芯片层将走向多元：一是大规模工作负载的形态已被充分理解，推理与训练的不同阶段可采用专门优化的芯片；二是系统架构多样性将上升，英伟达（NVIDIA）自身的架构也在大幅变化；三是微软以英伟达为主力，同时有自研芯片，OpenAI也在自研芯片，微软还使用AMD产品，目标是在异构设备上运行OpenAI、Anthropic与微软自有模型。
四、企业产品渗透与自研模型路线
纳德拉以Copilot席位说明企业真实使用情况，并提出“用所有模型，独立于所有模型”的企业架构原则。
（一）Copilot的渗透情况
据其介绍，Copilot订阅数超过3000万，Microsoft 365总用户约4.5亿，其中包含全球学生，真正意义上的企业用户市场约2.5亿至3亿人。他表示渗透仍在增长，说明真实企业在真实工作流中使用。
（二）MAI自研模型
纳德拉表示，微软将继续使用长期拥有的OpenAI知识产权访问权，同时推进MAI自研模型：一是一个flash级网络安全模型在微软harness编排其他模型的配合下，在CyberGym评测上的表现超过Anthropic的Mythos模型，编码与知识工作任务上也有类似结果；二是路线上以自有强化学习环境与数据从底层逐步爬坡，明确不蒸馏任何模型；三是差异化定位在于满足企业对权重的诉求，让企业获得权重后加入自有知识。
（三）“用所有模型，独立于所有模型”
纳德拉建议企业“用所有模型，独立于所有模型”，检验方法分三步：一是把对自身重要的结果写成评测；二是用所有模型跑一遍；三是抽掉其中一个模型，观察评测成绩能否保持，若不能保持，说明依赖了一个未必属于自己的东西。他认为，企业架构应是一个能在自有评测上持续爬坡的模型系统，同时使用闭源与开源模型，可以微调，也可以替换模型。
五、生产率提升与数据中心建设许可
纳德拉认为，AI的收益需要体现为广泛的经济增长，数据中心建设需要在地方层面以长期实绩换取信任。
（一）生产率与GDP增长
主持人Chamath Palihapitiya认为，多数人在日常中感受不到AI带来的生产率提升。纳德拉以DAX Copilot为例，医生可减少向电子病历录入的时间、更多陪伴病人，并由其分拣收件箱，医疗体系的大部分成本是患者、医院、保险三方之间的工作流成本。他承认会有岗位替代，关键在于创造出哪些新岗位，同时大量知识工作本身就是枯燥的邮件分拣。主持人指出长期GDP增速在2%至4%之间，生产率提升常被工作时长缩短所吸收；纳德拉期待AI发明新东西，如加速药物发现，或帮助小企业读懂发票与邮件、真正优化营运资金，他表示要让这一切成立，需要看到至少7%至8%的真实、广泛的GDP增长。
（二）数据中心的建设许可
对于民意对数据中心的阻力，纳德拉认为关键在于如何在一个地区赢得建设许可，并援引微软在华盛顿州昆西（Quincy）的长期数据：一是项目于2008年前后启动，约20年间当地税收增长至12倍，另一项税负下降三分之一，增长快于西雅图；二是这座乡村小镇建起了新学校、新医院、新镇中心与水上运动中心；三是由于数据中心持续翻新和扩建，期间累计提供1200个建筑岗位，规模将至少达到400至500兆瓦。
总的看，纳德拉认为，现有模型能力已经过剩，扩散有赖于变更管理、新产品形态与多模型互操作，收益将在各层之间经由竞争分配；微软资本开支按大量客户的需求校准，设备按两到三年后的需求滚动采购；科技业自我陈述的可信度较低，需要由科技圈外的人来讲述，并在现实中把事情做出来以换取信任。