編輯 | 聽雨

出品 | 51CTO技術棧（微信號：blog51cto）

繼上回與山姆·奧特曼同臺回應微軟和Open AI的合作細節后，微軟 CEO 納德拉再度出席主持人Dwarkesh Patel的一檔播客節目，并公開微軟在整個技術棧層面為 AGI 做的一系列準備。

微軟對未來AI的布局可謂野心勃勃。他們正在構建一個從芯片、基礎設施到模型和應用的全方位 AI 生態，不僅服務頂尖實驗室，還面向整個經濟的長尾市場。

在節目中，主持人和 SemiAnalysis 創始人Dylan Patel與納德拉一起共同參觀了微軟全新的Fairwater 2 數據中心。

圖片

微軟正在建設多個 Fairwater，每一個數據中心都配備了數十萬顆 GB200 和GB300 芯片。所有這些互聯的建筑合計將擁有超過2 吉瓦（GW） 的總算力容量。作為參照，即便只是其中一座 Fairwater 數據中心，其計算能力也已經超過目前世界上任何一座 AI 數據中心。

圖片

微軟云與人工智能執行副總裁Scotte Guthrie透露，微軟的目標是每 18 到 24 個月，把訓練能力提升 10 倍。這個新數據中心的算力，相比 GPT-5 的訓練規模，是又一次 10 倍提升。這棟建筑里的光纖連接數量幾乎等于 2.5 年前整個 Azure 網絡的總和。

圖片

隨后，納德拉在節目中公開了微軟在整個技術棧層面為 AGI 做的一系列準備，省流版總結：

1、AGI商業模式的底層杠桿不變，微軟的收入仍來自五大支柱：廣告、交易、設備毛利、訂閱、云消耗，從“賣軟件”到“賣算力”，本質仍是提供生產力的通貨。

2、微軟Copilot的優勢：目前 GitHub 每秒就有一個新開發者加入，80% 會自然進入Copilot 工作流。微軟將推出新的“Agent HQ” 概念：讓 GitHub 成為所有AI 智能體的中樞。

3、微軟必須在三層同時具備競爭力：基礎設施層（infrastructure）、模型層（model）、支撐層 / 編排層（scaffolding），而且不能垂直鎖死在一個模型體系中。必須構建能支持多種模型家族的基礎設施，防止某種架構淘汰后資本浪費。

4、自研芯片與OpenAI合作關系：微軟對 OpenAI 研發計劃擁有全面訪問，包括系統層創新，將在未來七年內繼續在所有產品中最大化利用 OpenAI 模型；自研 MAI 模型與芯片研發形成閉環。

5、人才競爭：微軟正在組建世界級的團隊，Mustafa 已經加入，Karen、Amar（Gemini 2.5 的后訓練負責人）、Nando（DeepMind多模態專家）都已在微軟。

6、Azure 的目標是要成為能承載所有長尾 AI工作負載的平臺，而不僅僅是服務幾個超大客戶的裸機訓練基地。

7、微軟認為 AI 和超大規模云業務是資本+知識驅動的新型企業形態，通過軟件優化硬件和合理規劃資本支出，實現長期增長。

8、中美AI競爭的核心在于爭取信任，能不能讓世界相信你、相信你的公司、相信你的國家和制度，會決定誰能贏得這場 AI 競爭。

值得注意的是，納德拉還警示了“贏家的詛咒”（winner's curse)：若你身為模型公司，或許會陷入"贏家的詛咒"——雖已完成艱巨的研發工作，實現驚人創新，但技術壁壘可能僅需一次復制就會被輕易突破。

小編整理了整期播客實錄，信息量極大，干貨滿滿，建議收藏細讀，enjoy!

一、AGI的商業模式會是怎樣的

Dylan Patel： 回顧以往的技術革命——鐵路、互聯網、云計算、藥物研發——每次從發現到普及的周期都越來越短。現在的 AI 革命速度前所未有。光是明年，超大規模云廠商的資本開支（CapEx）就要達到 5000 億美元，這種速度和規模歷史罕見。很多人認為這可能是“最后一次技術革命”。而你似乎看得比“AGI 派”的那種樂觀更冷靜——能講講你的看法嗎？

Satya Nadella：是的，我也很興奮，可能這真的是繼工業革命之后最大的變革。但我也清楚地知道，我們仍在早期階段。我們確實創造出了一些有用的東西，擴展規律（scaling laws）似乎在起作用，我對它們繼續奏效保持樂觀。當然，這不僅僅是科學突破，還包含大量工程工作。

但我也認為，過去 70 年的計算發展本身就是一場持續的進步。卡內基梅隆大學的圖靈獎得主 Raj Reddy 曾提出一個很美的比喻：AI 應該是“守護天使”或“認知放大器”。我非常喜歡這個說法——AI 的終極人類效用，就是放大認知、守護人類。

當然，也可以把它看得更神秘一點：AI 做的許多事情原本只有人類才能做。但其實，每一次技術革命都是如此。

Dwarkesh Patel： 我們不一定要糾結定義，但假設在未來的某個時間，機器能生成“Satya tokens”，微軟董事會也認為這些 token 很有價值。

Dylan Patel：你們可能付不起這些“Satya token” 的 API 調用費（笑）。

（注：“Satya token” 是主持人開的一個玩笑，暗指在未來，AI可能生成如此有價值、近乎等同于納德拉本人決策和智慧的“token”。但當AI的能力強大到可以替代頂級CEO的戰略決策和價值創造時，經濟的形態和利潤的分配會變成什么樣？）

Dwarkesh Patel： 沒錯，不論你叫它工具還是智能體，一旦模型的計算成本降到每百萬 token 只需幾美分，那就存在巨大的利潤空間。問題是：這些利潤的分配——微軟會占多大一部分？

Satya Nadella： 這其實回到更大的問題：經濟增長會變成什么樣？企業形態和生產率會怎么變？歷史上，工業革命的技術擴散用了幾十年，經濟增長才真正顯現。哪怕今天擴散更快，真正的增長仍取決于工作流的重塑。所以企業的“變革管理”是關鍵。未來，人的產出是否能獲得更高杠桿？想想看，沒有技術，你們能運營 Semianalysis 或這個播客嗎？根本不可能。技術讓你們獲得了巨大的規模。未來它可能再放大 10 倍。工業革命用了 150 年，而這次我們可能在 20、25 年內完成。

Dylan Patel： 微軟歷史上可能是最偉大的軟件公司，從賣 Windows 光盤轉向 SaaS，再到今天 AI 驅動的 Copilot。但 AI 的高成本打破了 SaaS 的低邊際成本邏輯。在這種環境下，你如何讓微軟完成這場轉型？

Satya Nadella： 很好的問題。其實商業模式的基本杠桿不會變：廣告、交易、設備毛利、訂閱和云消耗，這些仍是主軸。區別只是定價和層級。例如訂閱其實就是“打包的消耗權”，你為一段使用量付費，AI 訂閱會延續這種邏輯。我們在所有這些模式上都有布局，這正是微軟的優勢。而且歷史證明：低 ARPU 并不壞。當年我們從服務器遷移到云時，也擔心利潤會被吃掉，但云讓市場大幅擴張——像印度這樣的新用戶群體以前買不起服務器，如今能“按需買一塊”。AI 也會重演這個故事。以編碼為例：我們用了十幾年建立 GitHub 和 VS Code，而一年內 Copilot 已經讓整個類別爆發。這就是市場擴張的威力。

二、微軟Copilot如何應對競爭

Dwarkesh Patel：但現在競爭也變激烈了。Claude Code、Cursor、Cognition 等都快速增長，你怎么看微軟 Copilot 的優勢？

圖片

Satya Nadella：我特別喜歡這張圖，我們仍然在榜首，但榜上全是近四五年誕生的新公司——這是好事。說明市場正在爆發。競爭激烈沒問題，關鍵是市場夠大。AI 編碼可能會成為比知識工作更大的類別。目前 GitHub 每秒就有一個新開發者加入，80% 會自然進入 Copilot 工作流。我們也在推出新的“Agent HQ” 概念：讓 GitHub 成為所有 AI 智能體的中樞。

在那里，你能像用“任務控制臺”一樣管理多智能體：比如一個“AI 有線電視”式平臺，里面打包 Claude、Codex、Grok 等多個智能體，一次訂閱即可調用、監控、協調它們共同開發。

未來每個部署這些智能體的組織都需要可觀測性——知道哪個智能體在什么時候改了什么代碼。這將是一個巨大機會。

Dylan Patel： GitHub 會繼續增長，但市場份額可能下降，從過去近 100% 降到 25% 以下。你們有多大信心？

Satya Nadella：沒有什么“天賦特權”。我們只能靠持續創新。就算份額下降，市場本身更大，我們仍能做更大的生意。關鍵是：微軟能在更廣闊的生態中成為多贏家之一。

三、模型層or應用層，誰的利潤增長最快？

Dwarkesh Patel：但假如未來的模型越來越強大，能自主完成幾天的工作，那模型公司豈不是賺走了所有利潤？Office、Copilot 這些“外層軟件”會不會逐漸失去價值？

Satya Nadella：這要看價值鏈怎么演變。比如在 GitHub Copilot 里，我最喜歡的設置是“Auto 模式”——它會自動選擇最優模型去完成任務，甚至在多個模型之間套利（arbitrage）。

未來，模型可能成為可替換的商品（commodity），而真正的價值在于掌握“數據 + 腳手架（scaffolding）”的一方。

尤其是隨著開源模型的發展，任何人都能拿 checkpoint 加上自己的數據重新訓練。所以模型公司可能面臨“贏家的詛咒”：投入巨大創新成本，但成果很快被復制。擁有數據流動性（data liquidity）和上下文工程（context engineering）的人，反而可能主導價值。

Dylan Patel：所以這是兩種世界觀：一種認為模型會普及，開源化讓“腳手架”變得更重要；另一種認為模型才是核心知識產權（IP），模型公司將拿走大部分利潤。

畢竟今年我們看到，Anthropic 的推理毛利率從 40% 提升到 60% 以上，即使競爭加劇、開源模型激增，模型層的利潤仍在快速擴張。

Satya Nadella：好問題。我覺得幾年前，很多人還認為“我只要套一層大模型外殼就能做出一家成功的公司”，但這種想法已經被證明不太成立了，因為模型能力和工具的使用方式已經變了。不過有趣的是，比如說我們看看 Office 365，就拿我們最近做的一個小東西“Excel Agent”來說，這個項目挺有意思的。

Excel Agent 并不是那種在用戶界面層包一層殼的應用，而是一個嵌在中間層的模型。因為我們擁有 GPT 系列的全部知識產權，我們把這些能力嵌入 Office 系統的核心中間層，讓模型能夠“原生理解”Excel 的語義與邏輯。

這不僅僅是識別屏幕上的像素，而是讓模型對 Excel 的所有內部結構都有全面的理解。當我給模型一個推理任務時，它必須能發現并修正自己的推理錯誤。也就是說，它不能只看“表面”，還得能看懂公式、理解錯誤的來源。

這些都是在中間層完成的，不是靠界面提示詞，而是通過教會模型 Excel 的全部工具和語法，就像給它一整套“Excel 專業技能手冊”一樣。

這有點像在構建一個“AI 大腦”。我們不僅僅是在做 Excel，而是把 Excel 背后的業務邏輯與一個“認知層”結合起來，讓模型具備使用這些工具的能力。換句話說，未來的 Excel 會自帶一個“分析師”，并且能熟練使用所有工具。

這種東西未來會被所有人開發出來。模型公司之間也會有競爭——如果模型定價太高，我作為工具開發者就可以替換掉它。只要市場上存在多個模型的競爭，就不會是“贏家通吃”的局面。就像云計算那樣，有多家競爭者，也有開源的制衡空間，大家都能在模型之上創造價值。

在微軟，我們的思路是：

我們會繼續做超大規模的基礎設施業務，支持多種模型。我們將繼續在未來七年內使用 OpenAI 的模型，并在其之上進行創新和付費授權。換句話說，我們擁有一個前沿級模型的全部使用和創新自由。

同時我們也會通過MAI（微軟自研模型項目）構建自己的模型。我們會在不同領域（安全、知識工作、編程、科學等）上，打造以模型為核心的應用框架——不是簡單“包裝模型”，而是讓模型成為應用的核心組成部分。

Dwarkesh Patel：我還有很多問題，但在我們繼續之前，我想確認一點——你說的似乎是假設今天的模型還不能像人一樣真正使用電腦。比如現在它們可能只能看到屏幕截圖，不能真正理解 Excel 單元格和公式。但未來的模型也許可以像人類知識工作者一樣使用電腦：能看懂公式、能在 Office 365 和其他軟件之間遷移數據、能自由使用各種工具。

Satya Nadella： 是的，這正是我的意思。

Dwarkesh Patel：那這樣的話，與 Excel 的深度集成似乎就沒那么重要了？

Satya Nadella：確實不用太糾結于 Excel 集成。Excel 本來就是分析師的工具——未來的“AI 分析師”也會有一整套自己的工具。

Dwarkesh Patel：這些工具就是電腦本身，對吧？

Satya Nadella：沒錯。我的意思是，我們在打造的其實是一個“AI 分析師”，它天生就掌握如何使用各種分析工具的知識。

Dwarkesh Patel：所以你設想的是，它是完全自主的？

Satya Nadella：可以這么說。設想公司未來會有兩種形態：第一種是現在這種，人類使用電腦和 Excel，并且有一個 Copilot 輔助你——你仍然是主導者。

第二種是公司直接為 AI 智能體分配計算資源，讓它完全自主地工作。這個智能體會“內嵌”各種工具，因為相比直接推理，用工具來完成任務更高效。

所以我認為微軟的業務將從“終端用戶工具”逐漸演變成“支持 AI 智能體運行的基礎設施”業務。

即使未來主要是 AI 在工作，我們依然需要存儲、歸檔、搜索、管理這些過程的底層系統——這正是我們現有的 M365 基礎設施將繼續發揮作用的地方。

Dwarkesh Patel：所以你意思是：未來即使一個模型沒有和微軟合作，它也可以使用微軟的軟件；但如果它使用微軟的基礎設施，就能獲得更底層、更高效的訪問能力，對吧？

Satya Nadella：完全正確。就像從物理服務器到虛擬化一樣，不要只把“工具”當成最終產品。真正重要的是人類使用這些工具背后的那整套“底層系統”——這正是 AI 智能體運行所需要的計算基底。

現在我們已經看到一個趨勢：做自主辦公智能體的公司，都在采購 Windows 365，因為他們想為 AI 智能體分配一臺完整的電腦。

這意味著我們的終端計算基礎設施業務還會持續增長，而且增長速度可能會超過人類用戶數。未來的“按用戶計費”模式，可能會演變成“按用戶+按智能體”計費。每個智能體都需要計算機、身份、安全和管理系統——這些都會成為新的收入層。

Dylan Patel：我理解的框架是：各家模型公司都在訓練模型去掌握各種實際應用——比如用 Excel、在亞馬遜購物、訂機票等等。

與此同時，他們也在訓練模型去完成“遷移”：把主機系統遷移到云端、把 Excel 數據轉成 SQL 數據庫、把 Word 和 Excel 文檔轉成更程序化的形式。

這類自動化遷移在未來幾年將是 AI 價值的主要來源。微軟在其中扮演什么角色？因為隨著這些遷移進行，Office 生態的使用率可能會下降，類似于主機系統的情況——雖然沒人談論它們，但主機市場其實過去二十年仍在增長。

Satya Nadella：完全同意。未來很長一段時間都會是“人類與 AI 混合共事”的世界。AI 智能體會使用工具，與人類協作，人類也要能理解智能體生成的結果。

這意味著“輸入-輸出協同”仍然重要，不會完全遷移走。

但你的問題更深層，因為未來確實可能出現一個新的效率前沿：智能體與智能體之間直接協作、完全自動化。

而即使在這種“智能體與智能體”的世界中，我們仍然需要底層基礎設施：存儲系統、日志系統、身份系統、跨模型的身份統一、可觀測性……

這些其實就是我們今天的 Office 和云底座。

再比如數據庫。我非常希望 Excel 全部有數據庫后端。那樣能極大提高數據結構化與關聯效率。

當智能體能更好地處理結構化與非結構化數據時，底層的基礎設施需求只會越來越大。到那時，模型公司生成的軟件可能是“即時生成”的，但底層算力和基礎設施仍由我們這樣的公司提供。微軟也會既做模型，也做基礎設施，兩者結合與其他公司競爭。

4.微軟如何在人才競爭中保持領先

Dylan Patel： 那七年后微軟失去 OpenAI 模型訪問權時，如何確保你們依然擁有領先的 AI 實驗室？畢竟現在很多關鍵突破都來自 OpenAI 或 Google。頂尖人才競爭也極其激烈，Meta、Anthropic 都在瘋狂挖人。

微軟打算如何在這場人才與研究競賽中保持領先？

Satya Nadella： 我們正在組建世界級的團隊，Mustafa 已經加入，Karen、Amar（Gemini 2.5 的后訓練負責人）、Nando（DeepMind 多模態專家）都已在微軟。

本周 Mustafa 會進一步公布實驗室方向。微軟會做三件事：

1）構建支持多模型的超大規模基礎設施；

2）在產品中充分利用 OpenAI 模型；

3）自研MAI 模型，并與其他前沿模型（如 Anthropic）共存整合。

最終，產品在特定任務上的表現才是評判標準，我們會根據實際效果決定垂直整合深度。

Dwarkesh Patel： 未來如果模型能“持續學習”，像人一樣邊用邊學，情況就會變得不同。那時擁有“遍布全經濟體系、能從每個崗位學習”的模型將獲得巨大的優勢。如果那時微軟不是領先的模型公司，就可能被甩開。

Satya Nadella： 我理解。如果未來真的只剩一個全球主導模型，并且它能持續學習、看遍所有數據，那確實是“游戲終結”的局面。

但現實不會那樣。就像數據庫領域一樣，從來不可能只有一個系統。不同的地區、領域、任務都會需要不同的模型。

所以關鍵在于：你得同時具備基礎設施層、模型層、應用框架層的能力，而且要保持開放與兼容。

如果你只為一個模型架構優化基礎設施，一旦別人換了新架構，你所有投入都會報廢。微軟的目標是構建能支持多種模型家族的開放式基礎設施。

5.Azure 的目標：成為能承載所有長尾 AI 工作負載的平臺

Dylan Patel： 去年微軟正朝著成為最大基礎設施提供商的方向發展。你們在 2023 年率先行動——搶占數據中心租賃資源、啟動建設、鎖定電力供應，一切都在推進中。按照那個速度，微軟原本會在 2026 或 2027 年超過亞馬遜，最遲到 2028 年一定會超過。

圖片

但到了去年下半年，微軟突然「踩了剎車」，放棄了一批原本計劃租賃的數據中心用地，而這些地塊后來被 Google、Meta、Amazon、甚至 Oracle 拿走了。

圖片

我們現在坐在世界上最大的幾個數據中心之一里，說明你們依然在瘋狂擴張。但確實有一些項目停了下來。為什么？

Satya Nadella： 這要回到「什么才是超大規模業務的本質」這個問題。我們當時做出的關鍵決定之一是：如果要讓 Azure 在 AI 的所有階段都做到卓越——從訓練、中間訓練、數據生成到推理——那就必須讓整個計算資源池具有「可替換性」。

這意味著我們不能繼續盲目地按照舊一代硬件架構去擴建大量容量。到目前為止，我們每 18 個月就在訓練算力上為 OpenAI 模型擴大 10 倍。我們意識到，關鍵不只是繼續擴大訓練規模，還要在全球范圍內實現「推理服務」的平衡。

因為最終，盈利率 決定了我們能否持續投入。而基礎設施也必須支持多種模型，而不是為某一家公司量身定制。

一旦我們意識到這一點，我們就調整了路徑。現在我們重新加速開工，同時大量購買「托管容量」——不論是自建、租賃，還是通過 GPU-as-a-Service 的形式。我們要建設的，是能同時滿足訓練和推理需求的靈活算力。

我們不想變成只為一家企業提供托管服務的「代建公司」。那樣你就必須和那家公司深度垂直整合。OpenAI 是一家成功的獨立公司，這很好。但我們自己的業務不能只依賴它。

另外，像 Meta 也可能會暫時用第三方容量，但最終他們都會自建。任何達到一定規模的企業，都會成為自己的超大規模服務商。我們要做的，是建設一個全球性的超大規模算力體系，既能支撐我們自己的研究，又能服務多樣化客戶。

還有一個非常現實的原因：我不想被某一代硬件「套牢」。你剛才看到 GB200，如今 GB300 已經來了，再到下一代 Vera Rubin、Vera Rubin Ultra，每一代數據中心在每機架功率、每行功率上都會完全不同，散熱方式也會完全不同。

所以我不能盲目地建出幾吉瓦、卻只能適配一代硬件的設施。節奏、靈活性、地理分布、任務類型和客戶多樣性——這才是我們要追求的。

另外我們學到的是：AI 工作負載不僅需要加速器，還需要大量其他配套設施，而我們真正的利潤空間也在這些配套部分。因此，Azure 的目標是要成為能承載所有長尾 AI 工作負載的平臺，而不僅僅是服務幾個超大客戶的裸機訓練基地。

微軟不是做「五個大客戶的裸機托管」的公司。我們做的是超大規模業務——一個為 AI 工作負載的長尾市場服務的全球云平臺。當然，我們也會在一部分關鍵模型上提供領先的 bare-metal-as-a-service 能力，包括我們自己的模型。這就是我們追求的平衡。

Dylan Patel：關于「可替換性」還有一個問題。比如說，有些數據中心可能不在理想的地理位置。隨著 AI 任務時長的延展——從 30 秒的推理，到 30 分鐘的深度研究，再到幾小時甚至幾天的智能體任務——人類交互的時間尺度變長了。那為什么還要在意位置差異？

Satya Nadella：這是個好問題。這正是我們重新思考「一個 Azure 區域應該長什么樣、區域間網絡該怎么建」的原因。

隨著模型能力的演化、token 使用方式的變化（同步 vs 異步），我們不能讓布局「失位」。

此外還有數據本地化法規的問題。比如歐盟要求我們建立「EU 數據邊界（EU Data Boundary）」，意思是即使異步調用也不能把數據往返其他地區。那就意味著我們必須建設更多區域性高密度數據中心，同時考慮電價等因素。

你說得對，隨著 AI 使用模式的演變，拓撲結構也得隨之進化。我們要在「每瓦 token 產出」「使用模式」「延遲」「存儲布局」之間找到最佳平衡。例如，推理延遲對某些任務至關重要，數據庫（如 Cosmos DB）和存儲也得靠近算力節點。這些因素共同決定未來超大規模業務的布局。

Dylan Patel：在暫停擴建之前，我們預測到 2028 年你們的總算力會達到 12–13 GW。現在大約是 9.5 GW。

圖片

更有意思的是，Oracle 會在 2027 年前從原本你們五分之一的規模，超過微軟。雖然他們的投資回報率不如你們，但毛利也有 35%。所以問題是——也許這不是微軟想做的業務，但你們的「放棄」，反而造就了一個新的超大規模競爭者。

圖片

Satya Nadella：首先，我尊重 Oracle 的成功，也祝他們好運。但正如我說的，我們不想做那種「為一家模型公司托管、合同周期短、價值有限」的生意。

我們考慮的不是未來五年，而是未來五十年。微軟對自己的 OpenAI 合作關系和布局非常滿意。我們業務規模不小，也會繼續買 Oracle 的容量。

但從產業邏輯來看，我們追求的是長期合理的增長路徑，而不是短期的「追逐」游戲。我當然會關注 AWS、Google、你們的數據對比報告——但我不會因此盲目追趕。我要追的是微軟能獨家清算（clear）的那部分業務價值。

Dwarkesh Patel：我理解你說的：微軟更愿意服務廣泛的長尾客戶群，而不是幾家超大實驗室，但如果未來 AI 越來越強，行業形態可能會變化：像 OpenAI、Anthropic、DeepMind 成為整個經濟的基礎平臺，而企業通過它們來做業務。那時他們才是平臺層。那長尾客戶為什么還要直接用 Azure？

Satya Nadella：因為那些模型也都在 Azure 上。如果一個客戶想用多個模型——比如一個開源模型、一個 OpenAI 模型——現在到 Azure Foundry 就能直接配置。你可以購買 PTU（推理單位），搭配 Cosmos DB、SQL 數據庫、存儲、計算節點。

真正的“工作負載”不是一次 API 調用，而是一整套應用架構。模型公司自己也需要這些底層設施才能做事。Azure 的超大規模業務就是服務這一層——不是某個模型，而是整個模型生態。

如果你想同時用 Grok、OpenAI 和開源模型，就來 Azure Foundry，部署它們、構建應用、接入數據庫。這才是我們真正的生意。

至于“賣裸機服務”模型公司，那是另一種業務，我們也有，但不會讓它擠占主業。

Dylan Patel：那為什么不能兩者都做？而且你少建的那 3.5 GW，不一定要給 OpenAI，也可以用來跑 Azure、Microsoft 365 或 GitHub Copilot。

Satya Nadella：當然可以——但我可能想在不同的地方建，比如阿聯酋、印度、歐洲。現在我們面臨的最大挑戰之一就是全球容量與監管合規。各地的數據主權要求不同，我們必須全球建點。

我看的是到 2030 年微軟全球業務的全貌：一方是自研（first-party），一方是第三方（third-party），包括頂級實驗室、推理集群、以及內部研究需求。暫停只是為了調整建設方式與地區分布，不是不建。

我們會繼續提升總算力，但要考慮節奏、位置、摩爾定律的推進速度。比如 Nvidia 的產品迭代加快，我們也不想被一代硬件折舊拖住。Jensen（黃仁勛）給了我兩個建議：1、執行速度要接近光速——比如我們在亞特蘭大數據中心，從開工到上線僅 90 天。2、保持代際平衡——讓算力擴張成為一種持續的「工業流動」，而不是一時爆發。

這樣我們就不會在某個地區或某一代硬件上「堆太多產能」，從而被地理或法規約束卡住，比如「歐洲不允許異步回傳到德州」這種情況。

Dylan Patel： 那該怎么理解你最近和 Iris Energy、Nebius、Lambda Labs 等簽署的合作？你們在租用「新云（neocloud）」的算力，而不是自建。

Satya Nadella： 這沒問題。只要我們有明確的需求預測，誰能提供就和誰合作。我們會租賃、定制建設（build-to-suit），甚至使用 GPU-as-a-Service。

而且我歡迎所有「新云」加入我們的市場。這樣他們的算力可以通過 Azure 市場出售——客戶既能用他們的 GPU，也能同時使用 Azure 的計算、存儲和數據庫服務。這對大家都是雙贏。

我并不認為微軟必須「吞下所有算力」——開放互聯的生態才是未來的超大規模業務邏輯。

6.自研芯片與 OpenAI 合作關系

Dwarkesh Patel：說到模型公司，現在微軟自研的MAI 模型在Chatbot Arena 排第 36 名。你們雖然有 OpenAI 的 IP 授權，但為什么自己模型的表現相對靠后？你們完全可以直接基于 GPT 的代碼或蒸餾版本繼續訓練啊。

Satya Nadella：首先，我們會在未來七年內繼續在所有產品中最大化利用 OpenAI 模型，并在其之上增加獨有價值，比如 Excel Agent 這種例子。我們會基于 GPT 系列模型，用我們的數據進行強化學習和再訓練。MAI 模型項目則會專注于打造一支頂級團隊，進行更長期的研究與創新。換句話說，我們不會浪費算力去重復造輪子，而是會讓 GPT 系列的計算價值最大化，同時讓 MAI 的算力用于探索新方向。比如我們推出的圖像模型在榜上排第 9，已經用于 Copilot 和 Bing，實現了成本優化。我們也有音頻模型，具備語氣和個性，專為產品優化。文本模型方面，我們用 1000 張 H100 訓練的實驗模型在 Arena 上排第 13，雖然規模小，但驗證了能力。下一步我們會發布多模態（Omni）模型，結合文字、圖像、音頻。MAI 的路線圖是：組建頂級團隊、發布部分開放模型、服務微軟產品，為未來 5~8 年的重大突破做準備。同時繼續充分利用 GPT 系列模型的優勢。

Dwarkesh Patel：你提到數據中心五六年后會折舊，而芯片成本約占數據中心總擁有成本（TCO）的75%。而黃仁勛在這些芯片上拿著75%的毛利。所以現在所有的超大規模云廠商都在嘗試自研加速器，以降低硬件成本、提高利潤。

Dylan Patel：放眼整個行業，谷歌顯然領先所有人。他們做得最久，預計會自產五到七百萬顆 TPU。亞馬遜也在做，大約三到五百萬顆。而微軟自研芯片的訂購量明顯更低。你們的芯片項目其實開展得也很早，為什么量這么少？

圖片

Satya Nadella：這是個好問題。首先，任何新加速器最大的競爭對手，其實是前一代的英偉達 GPU。我們在運營整個集群時看的，是整體 TCO。即便是我們自家的芯片，比如 Maia 200，表現很好，但我們從 CPU 領域也學到了很多。當年我們先有 Intel，再引入 AMD，然后推出自研的 Cobalt。這就是我們如何在不同方案共存的情況下擴展規模。

即使是谷歌和亞馬遜，他們也還在買英偉達的 GPU。這很合理，因為英偉達的產品通用、兼容所有模型、客戶需求也大。如果你自己做垂直一體化的芯片，就得有自己的模型來訓練和推理，自己創造需求或補貼需求。要想規模化，必須把握好節奏。

我們會讓自家的 MAI 模型與芯片研發形成閉環。因為只有這樣，才算“有資格”做自研芯片 —— 芯片微架構設計要和模型協同優化，不斷共同演進。好消息是，我們對 OpenAI 的研發計劃有全面訪問權。

Dylan Patel：什么級別的訪問？

Satya Nadella：

全部。

Dylan Patel：也就是說你們能獲得所有相關 IP？只有消費級硬件的 IP 不在你們手上？

Satya Nadella：沒錯，就那部分。

Dylan Patel：明白。

Satya Nadella：順便說一句，當初我們也給了他們很多 IP 來幫助他們起步。因為我們和他們一起共建了超級計算機。他們理應從中受益。而現在，當他們在系統層繼續創新，我們也能訪問這些創新成果。我們會先幫他們落地，再擴展延伸。

從更大的視角看，微軟希望成為英偉達的“光速執行伙伴”。因為英偉達的生態就是行業生命線。雖然黃仁勛的利潤很高，但 TCO 有很多維度，我們要在整體效率上做到極致。同時，我們還要與 OpenAI 和自家的 MAI 系統形成深度聯動，因為我們在兩端都擁有 IP 權益。

Dwarkesh Patel：你前幾天在采訪中提到，新協議中微軟獲得了 OpenAI 的無狀態 API 調用的獨家權利。我們有點困惑：如果 ChatGPT 在會話中保存狀態，那這還是“無狀態”嗎？

Satya Nadella： 這是個好問題。我們之所以這樣設計，是為了給 OpenAI 保留靈活性。你可以把 OpenAI 看成兩種業務：PaaS（平臺即服務）和 SaaS（軟件即服務）。ChatGPT 是他們的 SaaS 業務，而他們的 API 是 PaaS 業務。PaaS 業務是 Azure 獨家承載的，SaaS 業務他們可以在任何地方運行。

Dylan Patel：那他們可以和任何伙伴合作開發 SaaS 產品？

Satya Nadella： 如果這些合作要用到無狀態 API，那就必須通過 Azure。

Dylan Patel： 那如果是更深度的、有狀態的合作呢？

Satya Nadella： 即便那樣，他們也得在 Azure 上運行。我們和 OpenAI 的合作是在“互信與互利”的基礎上設計的。我們確保他們有足夠的靈活性，同時保護我們認為最有價值的部分。

Dylan Patel： 比如 Salesforce 想和 OpenAI 合作，一起訓練模型并部署在 AWS 上，這種可以嗎？

Satya Nadella： 除非是特定的例外（比如美國政府項目），否則都必須部署在 Azure 上。

7.資本開支要爆了

Dwarkesh Patel： 你剛剛說微軟過去幾年資本支出幾乎翻了三倍。看起來微軟這家公司，雖然表面上是軟件公司，但現在也在變成工業化企業。

Dylan Patel： 其他云廠商現在都在借錢。比如 Meta 在路易斯安那州融資了200億美元。大家的自由現金流都在被吃光。微軟會走到那一步嗎？

Satya Nadella： 這是結構性的轉變。微軟現在既是資本密集型公司，也是知識密集型公司。我們的任務，是用知識來提高資本回報率。

硬件公司喜歡談摩爾定律，但軟件優化同樣強大。以 GPT 系列為例，我們通過優化軟件，在“每美元每瓦能處理的token量”上提升了5倍、10倍，甚至40倍。這就是知識密度帶來的資本效率提升。

真正的區別在于：傳統的托管商只是堆硬件，而超大規模云廠商靠軟件讓硬件“聰明”。比如能實時調度任務、優化資源利用率，這些都是軟件系統層面的競爭力。我們會繼續保持軟件公司的本質，但這是一個截然不同的新業務形態。

Dwarkesh Patel： 聽起來你對 AGI 的到來比較持謹慎態度，認為它會更漸進。那么從資本支出的角度，你該怎么規劃？你們的設備五年就折舊完，但 AGI 可能要到2040才來。

Satya Nadella： 要像做研發一樣分配“研究算力預算”。這部分開支應被視為 R&D 投入。你要規劃好增長的節奏——兩年、16個月、隨你定。那是基礎投入，除此之外都要以需求為驅動。

Dwarkesh Patel： 現在各大實驗室都預測2027-2028年能做到千億美元收入，并繼續每年2-3倍增長。你相信嗎？

Satya Nadella： 市場上現在激勵機制很明顯。獨立實驗室要融資，就得給出足夠吸引投資者的增長預期。這沒問題，他們也確實交出了成績單，無論是 OpenAI 還是 Anthropic。我們和這些實驗室都有龐大的合作業務。

但核心邏輯沒變：必須為 R&D 和頂級人才投入預算；必須投入計算資源；研究員與 GPU 的比例要高；必須有充足現金流提前布局。

8.世界是否會信任美國公司引領AI

Dylan Patel：微軟過去幾十年憑借 Windows、Word 等產品主導了全球科技棧。但 AI 不同，各國政府如今都非常重視 AI。美國、中國、歐洲、印度都強調“主權 AI”。微軟該如何在這個多極世界競爭？

Satya Nadella： 關鍵在于信任。美國的科技領導力建立在全球對美國制度和企業的信任之上。美國只有4%的人口，卻占世界GDP的25%、市值的50%。這是因為全球相信美國的資本市場和科技治理。

所以美國政府與科技行業必須攜手，既要創新領先，也要讓全球相信我們的技術值得信任。比如微軟在全球投資建設 AI 工廠，這是美國企業在全球的直接投資，這應該被當作美國最好的“軟實力宣傳”。

同時我們也必須尊重各國主權訴求。我們在歐洲承諾數據主權、隱私保護，并建設法國和德國的“主權云”，甚至與 Nvidia 合作實現 GPU 級機密計算。這些都是在技術和政策層面構建信任。

Dwarkesh Patel：那未來各國會要求模型必須在本國訓練、數據本地存儲嗎？還是像半導體一樣，大家最終還是去用最好的？

Satya Nadella：關鍵不在于模型在哪里訓練，而在于它能否推動本地經濟創造價值。但各國一定會希望有“連續性”，即不被一家模型壟斷。這就是為什么開源模型永遠會存在。它為各國提供了一種“流動性”和“保險機制”。

Dylan Patel：可半導體就沒有這種流動性。全世界的冰箱、汽車都靠臺積電。

Satya Nadella： 那是“之前”的情況。各國現在都在吸取教訓，追求關鍵供應鏈的自給自足。作為跨國公司，我們必須尊重這種政策訴求。

全球化不會逆轉，但“韌性”將成為新目標。美國要建芯片廠、歐洲要建主權云，這都是時代的必然。我們必須在尊重各國政策和安全需求的前提下，繼續全球化布局。

Dwarkesh Patel：所以你的意思是，每個國家都會要求數據本地化、隱私保障，而微軟因為有長期政府合作和主權云經驗，在這個趨勢中占有優勢？

Satya Nadella：我不會說是“特權”，而是我們花了幾十年在打基礎。無論美國還是歐洲，只要政府提出合理要求，我們都會落實。這就是微軟的全球化方式：尊重主權，服務本地。

Dylan Patel：最后一個問題。中美正在進入雙極競爭。你們不僅面對亞馬遜、谷歌，也面對字節跳動、阿里巴巴、DeepSeek、Moonshot 等中國公司。美國企業要如何重建信任，繼續贏得世界？

Satya Nadella：你正好說到了關鍵點。未來最重要的競爭力，可能不是模型能力，而是信任能力。能不能讓世界相信你、相信你的公司、相信你的國家和制度，會決定誰能贏得這場 AI 競爭。

參考鏈接：https://www.youtube.com/watch?v=8-boBsWcr5A