Satya Nadella: 萨提亚·纳德拉：微软如何为 AGI 做准备

作为这次采访的一部分，萨提亚·纳德拉让 Dylan Patel（SemiAnalysis 创始人）和我独家率先参观了全新的 Fairwater 2 数据中心。

微软正在建设多座 Fairwater 数据中心，每座都配备数十万颗 GB200 和 GB300。把这些相互连接的建筑加在一起，总容量将超过 2 GW。给大家一个参照：单座 Fairwater 建筑的算力就超过了目前其他所有 AI 数据中心。

随后，Satya 回答了许多问题，谈微软如何在技术栈的各个层面为 AGI 做准备。

00:00今天我们采访萨提亚·纳德拉。这里的“我们”是我和 Dylan Patel，他是 SemiAnalysis 的创始人。萨提亚，欢迎。

00:07谢谢。很高兴见到你们。感谢你们专程来到亚特兰大。

00:10谢谢你带我们参观这座新设施。能亲眼看看太棒了。

00:13当然。

00:15萨提亚和微软云与 AI 执行副总裁 Scott Guthrie 带我们参观了全新的 Fairwater 2 数据中心，这是目前世界上算力最强的数据中心。

00:25我们一直努力每 18 到 24 个月把训练能力提高 10 倍。这座设施的规模大致相当于 GPT-5 训练算力的 10 倍。举个例子，这栋楼里的网络光学器件数量，差不多相当于两年半前 Azure 所有数据中心的总量。

00:44这里大约有五百万个网络连接。

00:47不同园区之间以及两个区域之间都有这么大的带宽。这是不是对未来的一次重大押注？你们预计未来会出现某个超大型模型，需要跨两个完整区域联合训练吗？

00:59目标是能够汇集这些浮点运算能力，用于大型训练任务，再把不同园区连接起来。实际上，这些设施会用于训练、数据生成，也会以各种方式用于推理，不会永远只承担一种工作负载。

01:20你们很快会看到附近正在建设的 Fairwater 4，它也会接入每秒 1 petabit 的网络，这样我们就能高速连接两座设施。然后我们还会通过 AI 广域网连接到密尔沃基，那里也在建设多座 Fairwater。

01:35你可以清楚看到模型并行和数据并行。这座校园基本上就是为训练任务和超级集群打造的。通过广域网，还能连接到威斯康星州的数据中心，把所有算力汇集起来运行一个训练任务。

02:00我们现在看到的是一个还没有服务器和机架的机房单元。

02:04一个机房单元里有多少机架？

02:06这个数字我们不一定会公开，不过……

02:10我问这个是有原因的。

02:12你们上楼就会看到。

02:14那我就开始数。

02:15你可以开始数，我们让你数。

02:16这栋楼里有多少个机房单元？

02:17这个我也不能告诉你。

02:19不过除法很简单，对吧？

02:24天哪，这里真吵。

02:27你看到这些，会不会想：“现在我知道我的钱都花到哪里去了。”

02:30大概就像：“我经营的是一家软件公司。欢迎来到软件公司。”

02:35当你决定使用 GB200 和 NVLink 之后，设计空间还剩多大？还有多少其他决策要做？

02:41模型架构会影响最优的物理布局，这两者是相互关联的。另一方面，这也有点令人担忧，因为新芯片会不断推出。比如 Vera Rubin Ultra，它的功率密度会大不相同，冷却需求也会完全不同。所以你不想所有设施都按照同一套规格建造。这又回到我们稍后会谈到的一点：你希望随时间逐步扩展，而不是一次扩张到位后就被固定在那个规模。

03:20回顾过去所有技术转型——铁路、互联网、可替换零部件、工业化、云计算等等——从技术被发现到扩大规模并普及到整个经济体系，所需时间一次比一次短。Dwarkesh 节目里的很多嘉宾都认为，这是最后一次技术革命或转型，而且这一次非常、非常不同。

至少从市场来看，三年之内，我们已经看到超大规模云服务商的资本支出飙升到明年 5,000 亿美元，这种发展速度在以往的技术革命中前所未见。最终状态似乎也会截然不同。你的看法和我所谓的“AI 兄弟派”很不一样；他们会说：“AGI 就要来了。”我想更深入地理解你的想法。

04:17我也为这件事感到兴奋，觉得它也许是工业革命以来最重大的变革。我从这个前提出发，但同时也提醒自己，现在仍处于早期阶段。我们已经建成了一些非常有用的东西，看到了很好的特性，缩放定律似乎有效。我乐观地认为它们会继续成立。当然，这需要真正的科学突破，但也需要大量工程工作。

此外，我也认为，过去 70 年计算技术的发展本身就是一条持续推动社会前进的道路。我喜欢图灵奖得主、卡内基梅隆大学的 Raj Reddy 对 AI 的一个比喻。他在 AGI 出现之前就提出，AI 应该是“守护天使”或“认知放大器”。我很喜欢这个比喻，因为它简单地说明了 AI 对人类的用途：它会成为认知放大器，也会成为守护天使。这样看，我会把它视为一种工具。

当然，你也可以把它说得很玄乎，认为它不只是工具，因为它能做许多过去只有人类能做的事。但过去的很多技术也经历过这种情况：有些事原本只有人类会做，后来我们创造了工具来完成它们。

05:56这里不必纠结定义。一种想象是，五年、十年或二十年后，机器终会生成萨提亚 token，而微软董事会会认为这些萨提亚 token 很有价值。

06:10你采访萨提亚，浪费了多少这样的经济价值？

06:15我付不起萨提亚 token 的 API 费用。不管你怎么称呼它们，是工具还是智能体，现在的模型每百万 token 只要几美元或几美分，这中间就有巨大的毛利扩张空间。一百万个萨提亚 token 会很值钱。这些利润会流向哪里？微软会参与到什么程度？这是我想问的问题。

06:45从某种意义上说，这又回到了一个问题：经济增长最终会是什么样子？公司会是什么样子？生产力会是什么样子？我认为这正是关键。工业革命之后，经过 70 年的扩散，经济增长才开始显现。这一点也要记住。即使这一次技术扩散得很快，要真正出现经济增长，技术也必须普及到足以改变工作本身、工作成果和工作流程。我们不该低估一家企业要真正转型所需的变革管理。

展望未来，无论是 Dwarkesh token 还是 Dylan token，人类以及他们创造的 token 是否会发挥更大的杠杆作用？想想技术带来的变化。没有技术，你们能经营 SemiAnalysis 或这档播客吗？完全不可能，更不用说做到现在的规模。

问题是，这个规模会扩大多少？会不会因为某些新事物而扩大十倍？当然会。所以无论你关注的是营收规模、受众规模还是其他指标，我认为都会发生。工业革命花了 70 年、甚至 150 年才实现的变化，可能会在 20 到 25 年内完成。如果有机会，我很希望把工业革命 200 年的历程压缩到 20 年。

08:28微软一直以来也许是最伟大的软件公司，也是最大的软件即服务公司。你们经历过一次转型：过去卖 Windows 许可证和 Windows 光盘，也卖 Microsoft 软件，现在则销售 Microsoft 365 等订阅服务。

从那次转型到今天，你们的业务又面临新的变化。软件即服务的用户增量成本极低，需要大量研发和客户获取支出。这大概解释了为什么 SaaS 公司（不是微软）在市场上表现惨淡：AI 的销货成本太高，彻底打破了原有商业模式的计算方式。

作为或许最伟大的软件即服务公司，你们如何让微软转向这个销货成本很重要、用户增量成本也不同的新时代？现在你们收取 Copilot 订阅费，比如“每月 20 美元”。

09:29这是个很好的问题，因为商业模式中的各种杠杆在某种程度上仍会相似。从消费者市场到企业市场，收费方式会很多：广告、交易抽成、设备毛利（适用于制造 AI 设备的公司）、消费者与企业订阅，以及按使用量收费。我认为这些计量方式仍然都会存在。

你说得对，订阅究竟意味着什么？到目前为止，人们喜欢订阅，是因为可以做预算。订阅本质上是把一定的使用权打包在一起的额度。所以我认为，这最终会成为定价决策：用户能获得多少使用量。如果看看各种编程订阅，基本上就是这样，对吧？然后有专业版、标准版等不同档位，我认为定价和利润结构会据此分层。

这件事对微软有利的一点是，我们在所有这些收费方式上都有业务。从整个产品组合来看，我们有按量消费、订阅，以及其他消费者市场的收费模式。随着时间推移，我们会看到哪些模式适合哪些类别。

既然你提到了 SaaS，有一件事我经常思考。以 Office 365 或 Microsoft 365 为例。低 ARPU（每用户平均收入）很不错，因为有个有意思的历史经验。我们从本地服务器转向云服务时，曾经问自己：“天哪，如果我们只是把原来使用 Office 许可证和本地 Office 服务器的用户搬到云端，还要承担销货成本，这不但会压缩利润率，微软整体上也会变得更不赚钱。”

但实际上，转向云端让市场大幅扩大。我们过去在印度只卖出少量服务器，销量并不大；到了云端，印度的每个人都可以按需购买一小部分服务器能力，也就是 IT 成本。我之前没有意识到的一个最大变化，是很多人过去会花钱购买 SharePoint 底层的存储。EMC 最大的业务板块可能就是 SharePoint 存储服务器。转到云端后，这些开支基本消失，因为客户不必自己采购。那部分原本还会占用营运资金，也就是现金流出。所以云服务大幅扩大了市场。

AI 也会如此。以编程为例，我们花了几十年构建 GitHub 和 VS Code，而编程助手在一年内就发展成如此大的市场。我认为接下来也会发生类似的事：市场规模会大幅扩大。

12:48问题是，市场扩大了，但其中有多少营收会流向微软？Copilot 就是一个例子。按 Dylan 的数据，今年年初 GitHub Copilot 的营收大约是 5 亿美元，当时没有强劲的直接竞争对手。现在有 Claude Code、Cursor 和 Copilot，营收都差不多达到 10 亿美元左右。Codex 也在追赶，营收约为 7 亿到 8 亿美元。所以问题在于，微软能够触达的各种产品界面中，微软版 Copilot 的优势究竟是什么？

13:25顺便说一句，我很喜欢这张图。

我喜欢这张图有很多原因。第一，我们还排在最前面。第二，这里列出的公司都成立于过去四五年。这是最让我高兴的信号。出现了新竞争者，也出现了新的生存压力。你说“现在是谁要干掉你们？Claude？Cursor？”这可不是 Borland。谢天谢地。这说明我们走在正确方向上。

这就是市场扩张。我们从零发展到现在的规模，这就像云计算带来的市场扩张。编程和 AI 这一类别很可能会成为最大的市场之一，也就是“软件工厂”类别。事实上，它甚至可能比知识工作市场更大。我想对此保持开放态度。

我们会面临激烈竞争。你说得很对。但我很高兴我们把已有的业务拓展到了这个规模，现在必须继续竞争。就竞争情况而言，刚刚结束的上一季度，我们发布季度业绩时，我记得订阅用户从 2,000 万增加到了 2,600 万。我对订阅增长和整体发展方向感到满意。

不过，更有意思的是：那些写出大量代码的竞争对手，他们的代码仓库最后都放在哪里？都放在 GitHub 上。GitHub 的仓库创建量、拉取请求数和其他指标都创下历史新高。某种意义上，我们希望保持这种开放。当然，我们希望看到这种增长，但不想把它和我们自己的增长混为一谈。有意思的是，我想现在每秒钟就有一位开发者加入 GitHub。大概 80% 的人会直接进入某种 GitHub Copilot 工作流，因为这些工具就在那里。顺带一提，很多工作流还会使用我们的代码审查智能体，其中一些默认开启。我们因此拥有很多结构性机会。我们还会像当初发展 Git 一样，继续扩展 GitHub 的基础功能。从 Git 到 Issues，再到 Actions，这些都是围绕代码仓库构建的强大、出色的工具。我们想把它们继续扩展下去。

上周在 GitHub Universe 大会上，我们就做了这样的事。我们说 Agent HQ 是正在建设的整体概念。比如这里有个叫 Mission Control 的功能。进入 Mission Control 后，我可以启动任务。有时我把它形容成 AI 智能体的有线电视套餐，因为我可以在一个订阅里使用 Codex、Claude、Cognition 的产品、Grok 以及其他公司的智能体。我只需订购一个套餐，就可以下达任务并引导它们，让它们分别在独立分支上工作，还能监控各自进度。我认为这里会是最重要的创新阵地之一，因为现在我想同时使用多个智能体，也想整合它们的输出，同时还要掌控自己的代码仓库。

如果我们能建成某种仪表盘，让我快速引导和筛选编程智能体生成的结果，那么结合 VS Code、GitHub，以及我们通过 Mission Control 控制平面构建的所有新工具，就会出现很大机会。还有可观测性：想想所有部署这些工具的人，他们需要完整记录哪个智能体在什么时候对哪个代码库做了什么。我认为这就是机会所在。

归根结底，你的观点是对的：我们必须保持竞争力并持续创新，否则就会被淘汰。但只要我们还排在前面，我还是很喜欢这张图，即使市场上存在竞争。

17:26关键在于，无论哪家公司的编程智能体胜出，GitHub 都会继续增长。不过 GitHub 市场本身可能只增长 10%、15% 或 20%，虽然这已经远高于 GDP，是非常好的复利型业务。另一方面，AI 编程智能体市场从去年年底大约 5 亿美元的年化营收（当时基本只有 GitHub Copilot），增长到今年第四季度 GitHub Copilot、Claude Code、Cursor、Cognition、Windsurf、Replit 和 OpenAI Codex 合计 50 亿至 60 亿美元的年化营收。这是十倍增长。

软件智能体的总潜在市场规模，是 2 万亿美元的人力工资，还是比这更大？毕竟现在全世界的每家公司都能开发更多软件。微软肯定会从中分得一部分。但你们的市场份额在一年内从接近 100%、至少远高于 50%，降到了 25% 以下。大家有什么理由相信微软能继续赢？

18:30Dylan，这又回到一点：这里没有什么是天经地义的。我们没有任何先天权利，唯一能做的就是继续创新。好在这个市场会比我们曾经占有高份额的任何市场都大得多。我换种说法：我们曾在 VS Code 和 GitHub 代码仓库市场占有很高份额，而这些市场已经很好了。但即使在一个扩张得多得多的市场里占据相当份额……

我们曾在客户端—服务器计算领域占有高份额，在超大规模云计算领域的份额则低得多。但后者是不是大了好几个数量级？这至少证明，即使市场份额不如过去强，只要竞争所在的市场创造了更多价值，微软依然可以做得很好。而且市场上会有多个赢家。这就是关键。

但我明白你的意思：归根结底必须具备竞争力。我每个季度都会关注这一点。所以我很看好我们通过 Agent HQ 要做的事：把 GitHub 打造成所有这些智能体汇聚的地方。正如我说的，我们在那里会有很多次争取成功的机会。结果不必是非此即彼，其他公司也可以和我们一起成功，不一定只剩一个赢家和一种订阅。

20:02我想之所以关注这个问题，是因为它不只是 GitHub 的问题，也关系到 Office 和微软提供的所有其他软件。关于 AI 的发展有一种看法是，模型会继续受到各种限制，因此人们始终需要清楚观察模型在做什么。

另一种看法是，这些模型现在只会做两分钟的任务，未来会做 10 分钟、30 分钟的任务，再往后也许能自主完成好几天的工作。届时模型公司可能会收取数千美元，提供的实际上是一位同事：他可以用任何界面与人沟通，还能在不同平台间迁移。

如果我们正在走向那种未来，为什么利润率不会全被那些盈利能力越来越强的模型公司拿走？随着 AI 能力增强，脚手架的重要性会越来越低。为什么脚手架所在的平台还能如此重要？这正是我想问的：今天的 Office，与自主完成知识工作的同事之间，究竟有什么关系？

21:07这是个很好的问题。所有价值会不会都流向模型？还是会由脚手架和模型共同分享？我认为还得看时间发展。但从根本上说，激励机制会逐渐明朗。以信息工作或编程为例，GitHub Copilot 里我最喜欢的功能之一叫 Auto，它会自动优化。我买了订阅后，Auto 会根据我的需求挑选并优化模型，甚至可以完全自主运行。它还能在多个模型之间调配可用 token，以完成任务。

按照这种观点，模型会成为一种商品。特别是有开源模型之后，你可以选择一个检查点版本，再结合自己的大量数据进行定制。我们所有人都会开始看到企业内部模型，不管是通过 Cursor 还是微软的产品构建。然后，大部分任务都会交给这些内部模型处理。

所以有一种可能是：如果你赢得了脚手架市场——如今这意味着解决智能能力仍不均衡、会受各种限制的问题——你就能垂直整合进模型层，因为你手头有丰富的数据和其他资源。市面上会有很多可用模型检查点，这就是另一点。

从结构上看，世界上始终会有一个能力相当不错的开源模型。只要你有数据和脚手架可以配合使用，就能用它。我也可以反过来说，模型公司可能面临赢家的诅咒：你做了所有艰难工作，实现了令人难以置信的创新，但只要复制一次，创新就可能变成商品。接着，拥有落地数据、上下文工程能力和充沛数据的人，就可以拿这个检查点继续训练。因此两种观点都说得通。

23:36把你的观点展开来看，世界可能有两种走向。第一，模型非常多，开源模型也存在。模型间的差异会影响谁胜谁负，但真正让你赢的是脚手架。

另一种看法则是模型才是核心知识产权。所有人都在激烈竞争，客户可以选择用 Anthropic 或 OpenAI。营收图表就能说明这一点：OpenAI 最终拥有了能力与 Anthropic 相近（虽然特点不同）的代码模型之后，营收才开始飞速增长。

还有一种看法是，利润最终都会归模型公司。看看今年，至少 Anthropic 的推理毛利率从远低于 40% 上升到年底时超过 60%。尽管中国开源模型比以往更多，模型层的利润率仍在扩大。OpenAI 很有竞争力，Google 很有竞争力，X/Grok 现在也有竞争力。所有这些公司都有竞争力，但模型层的利润率还是大幅提高了。你怎么看？

24:43这是个很好的问题。几年前，人们可能会说：“我只要在模型外面套个壳，就能创办成功公司。”但模型能力以及配套工具的发展，大概已经证明这种想法行不通。

不过有意思的是，看看 Office 365，再看看我们开发的小工具 Excel Agent。它不是一个界面层的薄封装，而是处在中间层的模型。由于我们拥有 GPT 系列模型的全部知识产权，这里我们把相应能力放进 Office 系统的核心中间层，让模型学会原生理解 Excel 及其中的一切。这不只是让模型看懂像素。如果它要帮我完成推理任务，就必须能够发现并纠正自己的推理错误。比如它要知道：“哦，我把这个公式写错了。”所以它不能只看屏幕像素，还必须理解 Excel 的原生结构。

在某种程度上，这并不是通过界面封装和一个提示词来实现的，而是在中间层教会模型使用 Excel 的所有工具。我会用 Markdown 文档教它具备高级 Excel 用户的技能。这有点奇怪，因为它又回到了“AI 大脑”的概念。你构建的不只是传统意义上的 Excel 业务逻辑，而是在原有业务逻辑外包上一层认知能力，让模型学会如何使用工具。某种意义上，Excel 会自带一位分析师及其工具。这就是大家都会开发的那类产品。

所以模型公司也必须参与竞争。如果它们把价格定得太高，你猜怎么着？如果我是这种工具的开发者，我就会换供应商。也许我会暂时使用你们。只要竞争存在……当然，如果出现一个遥遥领先所有其他模型的模型，那会是赢家通吃。但只要市场上有多个模型互相竞争，就像超大规模云服务市场那样，而且还有开源模型形成制衡，模型之上就仍然有足够空间创造价值。

我认为微软会继续经营超大规模云服务，支持多种模型。未来七年，我们还能使用 OpenAI 的模型，并在此基础上创新。我认为我们拥有一个前沿级模型，可以灵活使用并持续创新；我们还会通过 MAI 开发自有模型。也就是说，我们始终会参与模型层。接着，无论在安全、知识工作、编程还是科学领域，我们都会构建自己的应用脚手架。它们会以模型为核心，但不是简单地把模型包起来，而是把模型深度整合进应用。

28:04你刚才提到的其他问题我还有很多想问。不过在转到那些话题之前，我仍然想问：你谈的是未来 AI 能力，还是只把模型想成今天的样子？现在模型会截屏，却不能直接查看每个单元格中的内容和公式。我认为更好的思考方式，是想象这些模型最终能像人类一样使用电脑。使用 Excel 的知识工作者可以查看公式、使用其他软件，也可以在 Microsoft 365 与另一款软件之间迁移数据。

28:43我想说的就是这个。

28:45但如果是这样，那么与 Excel 的集成就没那么重要了。

28:48不，不用担心 Excel 集成。毕竟 Excel 是为分析师打造的工具。那么，不管这是什么 AI 分析师，它都应该有工具可用。

29:03它有电脑。就像人类可以使用电脑一样，那就是它的工具。

29:05电脑就是工具。我想表达的只是：我正在构建一位分析师，也就是一个 AI 智能体，并让它预先掌握如何使用所有这些分析工具。

29:20我确认一下我们说的是同一件事：一个像我这样的人在使用 Excel……

29:30不，这是完全自主的。也许我们现在该讲讲我认为公司的未来是什么样子。未来会有工具业务：我有一台电脑，可以使用 Excel。未来我也会有一个 Copilot，而它也会有智能体。但仍然是我来引导一切，所有结果都会回到我这里。这是一种未来。

另一种未来是，公司直接为 AI 智能体配置计算资源，让它完全自主地工作。这个完全自主的智能体会拥有一套具象化的工具，和现在可用的那些工具类似。因此，这种 AI 工具不只有一台普通电脑，因为调用工具完成任务会更节省 token。

我有时会这样看：我们今天做的是面向最终用户的工具业务，未来会转变为支持智能体工作的基础设施业务。换个角度也可以这么理解。我们在 Microsoft 365 底层构建的所有东西依然很重要。即使你是 AI 智能体，也需要地方来存储和归档信息、发现内容、管理所有活动。这是一种新的基础设施。

31:00我确认一下：理论上，未来能够实际操作电脑的 AI（现在各家模型公司都在开发这种能力），即使没有和微软合作、也不在微软体系下，也能使用微软软件。但你的意思是，如果接入我们的基础设施，我们会提供更底层的访问方式，让它更高效地完成本来也能完成的任务？

31:24完全正确。以前有服务器，后来有了虚拟化，接着服务器数量又增加了。可以这样看：不要把工具当成最终产品。人类使用的工具底下有怎样的完整底层平台？这整套平台也会成为 AI 智能体的启动基础，因为它同样需要一台电脑。

事实上，我们看到的一个显著增长方向是，许多开发 Office 文档等内容的智能体会想要配置 Windows 365。它们确实想为这些智能体配一台电脑。没错，所以我们会有面向最终用户的计算基础设施业务，而且它会持续增长，因为增长速度会超过用户数量。

人们还会问：“那按用户收费的业务会怎样？”至少从早期迹象看，或许不应只按用户计费，而应该按用户和智能体计费。关键是：每个智能体需要配置什么？一台电脑、一套安全机制、一个身份，以及可观测性等管理层。这些都要为每个智能体配置。

32:54我目前的理解是，模型公司在训练模型使用 Excel、亚马逊购物、订机票等工具的同时，也在训练它们进行系统迁移。因为这可能是眼下最有价值的事：把大型机系统迁移到标准云系统，把 Excel 数据库转换为真正的 SQL 数据库，或将 Word 和 Excel 中的工作转换成更具程序化、更高效、并且人类也能完成的形式。只是软件开发者通常没有足够成本效益去做这些迁移。

至少未来几年，大家似乎都会用 AI 大幅创造价值。模型能够自行操作工具并完成迁移时，微软如何参与？没错，微软在数据库、存储及其他类别中处于领先地位，但 Office 生态的使用量可能会显著下降，类似大型机生态的使用量也可能下降。不过过去二十年里大型机的规模其实仍在增长，只是现在没人再谈它们了。

34:16完全正确，我同意。

34:17那这种变化会如何传导？

34:18最终有相当长的一段时间，世界会处于混合状态：人们使用各种工具，智能体也需要使用工具，两者必须互相沟通。我的工作产出中，哪些东西需要交给人类查看？任何地方都会面对这些输入、输出和其他现实问题。我不认为我们只会说：“哦，我已经迁移离开了。”归根结底，我必须生活在这个混合世界里。

不过这还没有完全回答你的问题，因为未来可能出现一个真正高效的新前沿：智能体与智能体协作，而且整个过程都经过优化。即便如此，智能体之间仍需要哪些基础工具？需要存储系统吗？需要电子取证吗？需要可观测性吗？需要一个能让多个模型共享的身份系统吗？这些都是今天 Office 系统等服务所依赖的底层基础设施，未来也仍然需要。

你提到了数据库。天哪，我真希望整个 Excel 都能有数据库作为后端。我希望这马上实现，而且那个数据库要足够好。数据库将会是一个快速增长的领域。设想 Office 中的所有文档和表格都变得更结构化；在智能体世界里，结构化和非结构化数据也更容易关联。这会扩大底层基础设施业务，只不过资源消耗是由智能体驱动的。

你也可以说，这些都是模型公司即时生成的软件。这也可能发生。我们自己也会成为这样的模型公司之一。我们的竞争方向可能是同时构建模型和全部基础设施，并负责配置服务；届时会有好几家公司都能这么做、彼此竞争。

36:17说到模型公司，你说微软不仅会提供基础设施，也会拥有自己的模型。微软 AI 最近发布的模型在两个月前的 Chatbot Arena 排名中是第 36 位。你们显然拥有 OpenAI 的知识产权。如果你也认可这个排名，模型看起来确实落后。尤其考虑到你们理论上有权分叉 OpenAI 的单体仓库，或对模型进行蒸馏；如果拥有领先的模型公司是战略重点，为什么会出现这种情况？

36:51首先，未来七年我们绝对会在所有产品中最大限度地使用 OpenAI 模型。这是核心方向。我们不只会使用模型，还会在其上增加价值。比如分析师和 Excel Agent，都是我们会开展的工作：在 GPT 系列上做强化学习微调，也会利用独特的数据资产进行一些中期训练，以提升能力。

对 MAI 模型，我的规划是：这次新协议的好处在于，我们可以明确表示，要组建一支世界级的超级智能团队，并以很高的目标推进。但与此同时，我们也会审慎地同时利用这两种能力。一方面，我们会高度专注于产品；另一方面，我们也会专注研究。因为我们已经能使用 GPT 系列，我最不希望的就是把浮点运算资源浪费在重复造轮子、却没有创造额外价值的工作上。

我希望能充分发挥用于 GPT 系列的算力价值，同时让 MAI 的算力用于其他方向。比如我们发布的图像模型，我想它在图像竞技场排名第九。我们用它来优化成本，并把它部署在 Copilot 和 Bing 中。我们在 Copilot 里还有一个带有个性特征的音频模型，也针对产品需求做了优化。这些事情我们都会继续做。

即使在 LMArena 上，我们的文本模型刚推出时排名大约第 13。顺便说一下，它只用了约 15,000 张 H100 训练，是个非常小的模型。我们的目标是验证核心能力、指令遵循等表现，确保能达到当时的前沿水平。基于缩放定律，这让我们看到，如果投入更多算力，模型可能达到什么水平。下一步会是全模态模型，整合我们在音频、图像和文本方面的成果。这将是 MAI 路线图中的下一个停靠点。

在 MAI 路线图上，我们会组建一支一流的超级智能团队，持续发布一些模型，并且会公开发布。它们可能会用于我们的产品，因为在延迟、成本等方面更适合；也可能具备某项特殊能力。我们还会开展真正的研究，为未来五到八项重大突破做好准备，推动迈向超级智能；与此同时，也会利用我们可以继续改进的 GPT 系列模型。

39:45假设七年后你们不再能使用 OpenAI 模型。微软要怎样确保自己或微软的 AI 实验室仍然领先？如今 OpenAI 已经实现了很多突破，无论是规模扩展还是推理。Google 则发明了许多关键突破，例如 Transformer。

这也是一场人才竞争。你们看到 Meta 在人才上投入超过 200 亿美元；去年 Anthropic 从 Google 挖走了整个 Blueshift 推理团队；最近 Meta 又从 Google 挖走了一大批推理和后训练团队。这些人才争夺非常烧钱。可以说，如果你要在基础设施上投入 1,000 亿美元，也应该投入一定金额给使用这些设施的人，让他们更高效地创造新突破。

大家凭什么相信微软会拥有一支世界级团队，能够做出这些突破？如果你们最终决定大举投入资金——目前你们比较注重资本效率，不去浪费钱做重复工作，这看起来是明智的——但当你们决定必须投入时，为什么人们应该相信微软能一下子冲到顶尖模型的前五名？

41:00归根结底，我们会组建一支世界级团队，而且已经开始搭建这样一支团队。Mustafa 即将加入，Karen 也在。Amar Subramanya 曾在 Gemini 2.5 负责大量后训练工作，现在加入了微软。Nando 曾在 DeepMind 负责多媒体领域的许多工作，也在微软。我们会组建世界级团队。事实上，本周晚些时候，Mustafa 会发布一些内容，更清楚地介绍我们的实验室计划做什么。

我希望大家了解的是，我们将建设能够支持多种模型的基础设施。从超大规模云服务的角度看，我们希望打造规模最大的基础设施集群，支持全世界所需的各种模型，无论是开源模型、OpenAI 的模型还是其他模型。这是其中一项任务。

第二，在我们自己的模型能力方面，我们会继续在产品中使用 OpenAI 模型，同时开始构建自有模型。就像 GitHub Copilot 会用 Anthropic 的模型一样，我们也可能把其他前沿模型整合进自己的产品。我认为这就是未来的运作方式。最终，关键是产品能否很好地完成特定任务或工作。我们从产品效果出发，反推所需的垂直整合；只要产品能服务好市场，你就总能再优化成本。

42:31未来有个问题：现在我们会区分训练和推理模型。也有人会说，不同模型之间的差别正在缩小。如果你真的期待人类水平的智能，未来模型就应该像人类一样在工作中学习。想想你过去 30 年的经历：为什么 Satya token 这么值钱？因为你在微软积累了 30 年的智慧和经验。

如果模型达到人类水平，我们最终会有能够在工作中持续学习的模型。依我看，这会给领先的模型公司带来巨大价值，因为同一个模型的多个副本可以广泛部署在整个经济体系中，学习每一类工作。与人类不同，它们还能把学到的经验汇总到同一个模型里。于是就会形成一个持续学习的指数反馈循环，看起来几乎像智能爆炸。

如果真是这样，而微软当时不是领先的模型公司……你说我们可以换用另一种模型，等等。但那时这种替换还有那么重要吗？因为可能有一个模型已经学会了整个经济体系里的所有工作，而其他长尾模型都没有这种能力。

43:39你的意思是，如果有一种模型成为世界上部署最广泛的唯一模型，而且它能看到所有数据并持续学习，那就大局已定，你们可以关门了。但至少我眼中的现实并非如此。无论某个模型多么强势，情况都不是只有它一家。以编程为例，有多个模型，而且这种情况每天都更明显：没有一个模型独占广泛部署，实际部署的是多种模型。这就像数据库。人们总会问：“能不能有一种数据库到处通用？”但事实并非如此。不同用途会部署不同类型的数据库。

我认为持续学习会给单一模型带来一些网络效应，我把它称为“数据流动性”。这种效应会出现在所有领域吗？我不这么认为。所有地区都会如此吗？我也不这么认为。所有细分市场都会如此吗？未必。所有类别会同时发生吗？我看也不会。因此，我认为可探索的设计空间很大，仍然有大量机会。

不过，你的核心观点是，企业需要同时具备基础设施层、模型层和脚手架层的能力，并且能够按照各自用途灵活组合，而不是只做成一个垂直整合栈。你不能建造只为一种模型优化的基础设施，否则一旦落后，投入的基础设施就会被浪费。你必须建设能支持多个模型家族和不同技术谱系的基础设施。否则，你投入资本优化某种模型架构后，只要架构稍作调整，例如出现 MoE 这样的突破，整个网络拓扑都可能报废。这很让人担心。

因此，基础设施必须开放，能够支持自家模型和其他模型家族。你要认真做超大规模云业务，就必须做到这一点；你要认真做模型公司，就必须思考人们可以怎样在模型之上开发产品，这样才能形成独立软件供应商生态。除非你打算垄断每个类别，否则不可能什么都自己拥有。那样就不会有 API 业务，也就不可能成为成功、广泛部署的平台公司。行业结构会迫使企业专业化。微软应该凭自身实力在每一层参与竞争，而不是觉得垂直整合所有层就是通往赢家通吃的道路。现实并不是这样。

47:47去年，微软本来正要成为遥遥领先的最大基础设施供应商。你们在 2023 年最早采取行动，租赁数据中心、启动建设、确保电力供应，采购了所有资源。你们当时有望在 2026 或 2027 年超过亚马逊，最迟到 2028 年肯定会超过。

但之后，大概从去年下半年开始，微软大幅暂停了扩张，放弃了很多原本计划租用的场地。后来 Google、Meta、Amazon，有些地方还有 Oracle，都接手了这些场地。

我们现在身处世界上最大的几座数据中心之一，显然这不是全部情况，你们仍在疯狂扩张。但你们确实停止了某些场地的建设。为什么？

48:32这又回到超大规模云业务的本质。我们做出的一个关键决定是：如果要让 Azure 在 AI 的各个阶段都非常出色，从训练、中期训练、数据生成到推理，我们就需要让整套算力资源可以灵活调度。因此，我们没有继续大量建设某一代硬件专用的容量。

另外你要明白，我们之前每 18 个月都会把可用于 OpenAI 各种模型的训练能力提高 10 倍。我们认识到，关键是保持这条增长路径。但更重要的是保持平衡，不只是训练模型，还要能在世界各地提供服务。因为最终，变现速度决定了我们能否继续获得资金。基础设施还必须支持多种模型。

明确这一点后，我们就调整到了现在这条路径。现在我们启动的项目更多，也尽可能购买受管理的算力，不论是自行建设、租赁，还是作为服务采购 GPU。我们会根据实际需求、服务需求和训练需求建设，而不是只给一家公司当托管商、把大量业务押在一个客户身上。那不算一门好生意；如果只服务一家企业，就应该与它垂直整合。

既然 OpenAI 会成为一家成功的独立公司，这样做就有道理。Meta 也可能使用第三方算力，但最终这些大公司都会自己拥有基础设施。任何达到足够规模的公司都会成为自己的超大规模云服务商。对我来说，我们要建设超大规模云算力集群以及自有研究算力，这就是调整的原因。我对此非常有信心。

还有一点：我不想被某一代硬件的庞大规模套牢。我们刚看到 GB200，GB300 也快来了。等到 Vera Rubin、Vera Rubin Ultra 上市时，数据中心会很不一样，因为每个机架、每排设备的功耗密度会大幅变化，冷却要求也会很不一样。所以我不想建设数吉瓦只适用于某一代、某一系列硬件的设施。扩建节奏很重要，资源的灵活调度和地理位置很重要，工作负载多样性和客户多样性也很重要。我们就是朝这些方向建设。

我们还学到，每种 AI 工作负载除了需要 AI 加速器，还需要很多其他东西。事实上，对我们来说，很多利润空间会来自这些配套服务。因此，我们希望 Azure 能非常适合各种长尾工作负载，这才是超大规模云业务的核心；与此同时，我们也必须从底层裸机算力开始，在最高端训练领域保持极强竞争力。

但这不能挤掉其他业务，因为我们不是只想和五个客户签五份合同、为他们提供裸机服务。这不是微软的生意，那可能是其他公司的生意，而且也很好。我们一直强调，自己做的是超大规模云业务，核心是服务 AI 工作负载的长尾市场。为此，我们会为一部分模型（包括自家模型）提供领先的裸机即服务能力。我认为这就是你看到的平衡。

52:41关于算力灵活调度，还有个问题：现在的设施位置可能不理想，你们更希望建在亚特兰大这样人口密集的地区——我们现在就在这里。但随着 AI 任务不断延长，这种地理位置有多重要？推理提示可能只需 30 秒，深度研究要 30 分钟，未来智能体可能连续工作几小时、几天，期间才需要与人互动。设施位于 A、B 还是 C 地点，为什么还重要？

53:14这是个很好的问题。正是如此，我们还要考虑 Azure 区域应该如何布局，以及区域之间如何联网。随着模型能力和 token 使用方式不断演进，不论是同步还是异步，你都不想让自己处于不利位置。

此外还要考虑数据驻留法律。比如欧盟方面，我们必须建立欧盟数据边界。即使调用是异步的，你也不能随便把请求发送到任意地方再传回来。因此你可能需要高密度的区域节点，还要考虑电力成本等因素。

不过你完全正确：建设过程中的网络拓扑也必须演进。首先，要考虑每美元、每瓦能得到多少 token，经济性如何。然后还要叠加使用模式：同步还是异步？还有计算和存储如何布局，因为某些任务会受延迟影响，存储必须在附近。如果我需要在本地 Cosmos DB 中保存会话数据，或支持自主智能体，那数据库也应部署在附近。所有这些因素都会塑造超大规模云业务。

54:38在暂停扩张之前，我们曾预测到 2028 年你们会达到 12 到 13 吉瓦。现在大约是 9.5 吉瓦。

还有件更相关的事。我希望你更明确地说，你们不想做的就是这类业务：Oracle 的规模原本只有你们的五分之一，到了 2027 年底却可能超过你们。

虽然它的投入资本回报率不如微软，但仍能获得 35% 的毛利率。所以问题是，也许这不是微软应该做的业务，但你们放弃了优先承租权等机会后，实际上就创造出了一家超大规模云服务商。

55:23首先，我不想贬低 Oracle 在发展业务方面取得的成功，也祝他们一切顺利。我之前想说明的是，我们不应该成为某一家模型公司的托管商，特别是合同期限和预订收入有限的情况下。就这么说吧。

你该考虑的不是未来五年怎么做，而是未来五十年怎么做。我们已经作出了一系列选择。我对我们与 OpenAI 的合作以及正在做的事很有信心。我们的业务储备也不错，祝他们发展成功。事实上，我们也是 Oracle 算力的买家，当然希望他们成功。

但目前，我们要做什么的产业逻辑已经很清楚了：这不是追着别人跑。顺便说一句，我会关注你列出的 AWS、Google 和微软的数据，这非常有用。但这不意味着我必须追上他们。我追求的不只是他们在某个时期可能带来的毛利，而是微软能够独特地承接、且符合自身业务逻辑的客户需求。我们会去做这些事。

56:40我想退一步问：其他条件相同时，面向大量客户、能获得更高毛利的业务，比为少数实验室提供裸机服务更好，这一点我理解。但行业究竟在往哪个方向发展？如果 AI 越来越聪明，为什么不是 OpenAI、Anthropic 和 DeepMind 成为平台，让大量企业通过它们开展业务？这些企业需要裸机算力，但真正的平台是模型公司。Azure 直接服务的长尾客户会是谁？大家会想用的是通用认知核心。

57:22这些模型都会在 Azure 上提供。任何工作负载如果想结合开源模型和 OpenAI 模型，比如今天去 Azure Foundry，就能配置各种模型、购买专用吞吐量单元、使用 Cosmos DB、SQL 数据库、存储和计算能力。这才是真实工作负载的样子。真实的工作负载不是只调用一次模型 API，而是需要所有这些组件来构建应用或部署服务。

事实上，模型公司自己要开发任何东西，也都需要这些服务。业务不是简单的“我只生产 token”。你需要所有这些基础设施，这就是超大规模云业务。它支持的不是单一模型，而是所有模型。如果你想把 Grok、OpenAI 和某个开源模型结合起来，就可以到 Azure Foundry 配置它们，构建应用，再接入数据库。这就是这门生意。

还有一门单独的生意：把原始裸机服务卖给模型公司。大家争论的是要不要做这块业务、做到多大。这是一个完全不同的业务板块。微软会参与，但如果这块业务挤掉了其他业务，我们也会设定上限。这就是我对它的理解。

58:40这里其实有两个问题。第一，你们为什么不能两种业务都做？第二，根据我们对你们 2028 年算力的估算，规模比原计划低了 3.5 吉瓦。没错，你们原本可以把这部分算力专门用于 OpenAI 训练和推理，但也可以用来运行 Azure、Microsoft 365 或 GitHub Copilot。我完全可以直接建设这些算力，而不是把它提供给 OpenAI。

59:08也可以把设施建到别的地方，例如阿联酋、印度或欧洲。正如我说过的，目前真正受限的是产能。考虑到监管要求和数据主权需求，我们必须在全球各地建设。首先，美国本土的算力非常重要，我们希望把所有项目都建起来。

如果展望 2030 年，我会从微软自营和第三方业务两个角度来整体规划业务形态。第三方业务要再细分：前沿实验室需要多少算力、我们要为多种模型建设多少推理算力，以及自有研究算力需要多少。这些都会纳入我的整体考量。你提到我们暂停扩建是合理的，但我们不是因为“天哪，不想建设这些了”才暂停，而是意识到我们要以稍有不同的方式建设，既要考虑工作负载类型，也要考虑地理位置和建设时机。

我们会继续增加吉瓦级算力，关键在于扩建速度和选址，以及怎样顺应摩尔定律。例如，我是否真的要在 2027 年提前建设额外 3.5 吉瓦，还是把它分散到 2027 至 2028 年？我们甚至从英伟达身上学到，他们的产品迭代迁移速度在加快。

这是一个重要因素。我不想被某一代硬件的四五年折旧周期套住。事实上，Jensen 给过我两条建议。第一，要做到光速般的执行效率。这就是为什么亚特兰大数据中心的执行速度很重要：我们拿到设备后，差不多 90 天就能把它交付到实际工作负载中，这才是真正的光速执行。我希望把这点做好。

这样我就能持续扩建每一代设施，逐步扩大规模。然后每五年左右，整体就会更加均衡。大型工业化运营应该像一条流动的生产线，而不是某段时间集中建了很多、接着因为硬件困在某个地点而暂停很久。那个地点也许适合训练，却未必适合推理服务：即便请求是异步的，如果欧洲不允许请求绕道德州再返回，我就无法在那里提供服务。这些问题都要考虑。

61:38我怎么解释最近几周发生的事？你们宣布了与 Iris Energy、Nebius 和 Lambda Labs 的合作，而且还会有更多交易。你们正在从新兴云服务商那里租赁算力，而不是自己建设。

61:58这对我们没问题。现在只要能看清需求，而且算力能部署在建设这些设施的地方，就很合适。我们会租赁，会采用定制建设模式；如果自己没有产能但需要算力，也会购买 GPU 即服务。

顺带一提，我甚至欢迎所有新兴云服务商加入我们的市场平台。想想看，如果他们把算力带进平台，通过 Azure 找来的客户就能使用他们的算力，同时继续使用 Azure 的计算、存储、数据库等服务。这对他们也是好事。所以我并不认为我们应该把所有这些算力都自己吞下来。

62:44你刚才提到这种会折旧的资产，五六年后会占数据中心总拥有成本的 75%；Jensen 在这部分拿到 75% 的毛利。因此所有超大规模云服务商都在开发自研加速器，希望降低设备成本、提升利润率。

63:09看看目前的进展，Google 遥遥领先。他们做这件事的时间最长。

他们将生产大约 500 万到 700 万颗自研 TPU。你看 Amazon，目标是生产 300 万到 500 万颗芯片（终身出货量）。但微软自研芯片的订购量远低于这个数字。你们的项目开展时间也差不多，内部芯片到底进展如何？

63:32这是个好问题。首先，任何新加速器面临的最大竞争对手，往往是前一代英伟达产品。在集群层面，我关注的是整体总拥有成本。即使是我们的 Maia 200，我刚看过相关数据，表现很好。但在计算领域我们也学到：我们先有很多 Intel 芯片，后来引入 AMD，再后来推出 Cobalt。我们在核心计算领域已经证明，能够自研芯片，并在集群中以合理比例平衡使用三种芯片。

顺便说一句，Google 和 Amazon 也在购买英伟达芯片。这有道理，因为英伟达不断创新，产品用途广泛，而且客户需求旺盛。如果你垂直整合、自建整套体系，就最好拥有自己的模型，把它用于训练或推理，并且要为它创造真实需求，或者给需求提供补贴。所以你必须确保规模合适。

我们的做法会是让自有 MAI 模型与芯片形成紧密闭环。我觉得这才是自研芯片的正当理由：根据自己正在做的事设计微架构，再与自有模型同步演进。好消息是，新协议让我们可以使用 OpenAI 的项目，所以不能说微软没有……

65:15你们能使用到什么程度？

65:16全部。

65:17你们能拿到全部知识产权？所以只有消费硬件方面的知识产权拿不到？

65:20对。

65:21哦，明白了。有意思。

65:26顺便说一句，我们也给他们提供了大量知识产权，帮助他们起步。这也是我们……我们一起建设了这些超级计算机。我们为他们建设，他们理所当然地从中受益。现在他们继续创新，包括系统层面的创新，我们也能获得相关成果的使用权。我们先会为他们部署所开发的东西，然后再逐步扩展。

所以对你的问题，我会这么看：微软希望成为英伟达非常优秀的“光速执行”合作伙伴。坦白说，算力集群就是命脉。Jensen 的利润率当然很高，但总拥有成本有许多维度，我想把这项成本控制好。在此基础上，我还希望围绕 OpenAI 谱系和 MAI 谱系，以及系统设计展开深度合作；我们两边都拥有相应知识产权。

66:32说到知识产权，几天前你接受采访时说，在与 OpenAI 的新协议中，微软拥有 OpenAI 无状态 API 调用的排他权。我们不太确定，只要存在任何状态，这还算不算无状态。你刚才提到复杂工作负载需要内存、数据库、存储等。ChatGPT 会保存会话内容，这样不就不是无状态了吗？

67:03这正是我们这样安排的原因。我们作出这个战略决定，也为 OpenAI 采购算力保留了所需的灵活性。可以把 OpenAI 看成同时拥有 PaaS 和 SaaS 业务：SaaS 业务是 ChatGPT，PaaS 业务是 API。API 只能通过 Azure 提供，而 SaaS 业务可以在任何地方运行。

67:31那他们可以与任何人合作开发 SaaS 产品吗？

67:34如果他们希望合作，而合作伙伴要用无状态 API，那就只能通过 Azure 使用。

67:43他们似乎可以一起开发产品，那就会有状态……

67:47不，即使是这种情况，他们也必须通过 Azure。这项安排体现了我们对合作价值的判断。我们同时也作为 OpenAI 的良好合作伙伴，给予了他们所需的灵活性。

68:05比如 Salesforce 想整合 OpenAI，不是通过 API，而是双方共同训练模型，再像现在这样部署到 Amazon 上。这样可以吗？还是他们必须使用你们的……

68:16对于这类定制合作，他们必须把服务部署在 Azure 上。我们确实为美国政府等少数客户设有例外，但除此之外，他们都必须使用 Azure。

69:35退一步说，刚才我们在数据中心里来回走时，你提到微软仍可以看作一家软件公司，但现在它正在变成工业企业。这里有巨额资本支出和大量建设。仅看过去两年，你们的资本支出就大约增长了三倍。也许按这个趋势外推，工业扩张会变得非常庞大。

70:01其他超大规模云服务商正在贷款。Meta 在路易斯安那州做了 200 亿美元的贷款，也发行了公司债。显然所有人的自由现金流都要降到零。我敢说 Amy 肯定会极力反对你这么做，但这到底是怎么回事？

70:19你说的是结构性变化，这确实非常巨大。我把它描述为：我们现在是一家资本密集型、知识密集型企业。我们必须利用知识提高资本支出的投入资本回报率。

硬件厂商非常擅长宣传摩尔定律，这确实令人惊叹、很了不起。但如果看看我在财报电话会上提到的一些数据：对于某个 GPT 系列模型，我们每个季度、每年都能提高 token/美元/瓦的吞吐量。有些情况下，提升是 5 倍、10 倍，甚至 40 倍，只是因为优化方式不同。这是知识密集型工作帮助提高资本效率，我们必须掌握这个能力。

有人问，传统托管商与超大规模云服务商有什么区别？答案是软件。是的，这门生意资本密集；但只要你拥有系统层面的专业知识，以及针对不同工作负载、不同算力集群进行优化的软件能力……这就是我们说资源需要灵活调度的原因。关键远不止是算力集群本身。

还包括把一个工作负载迁出、再安排另一个工作负载的能力，以及管理调度算法的能力。我们必须在这些方面做到世界一流。所以，是的，我们仍会是一家软件公司，但业务已经不同了，我们会管理好这项转型。最终，微软的现金流让我们能把这两类业务都做好。

72:18短期来看，你似乎更相信进展会持续一段时间，而且会比较参差不齐。但从长期看，你也许认为那些谈 AGI、ASI 的人最终会是对的。Sam 最终会对。

我想从更宏观的角度问：考虑到硬件需要大规模投资、五年后就会折旧，超大规模云服务商应该怎样安排？假设你需要为某种愿景投资 20 年，但 Sam 预期的状态三年后就会出现，这种情况下合理的策略是什么？

72:52必须划拨一部分资源作为研究算力。坦白说，最好把它按研发费用来核算。我们应该把它当成研发支出，问自己需要多少研究算力、打算如何扩大规模。假设在某个时间段内扩大一个数量级。你可以自行确定是两年、16 个月还是其他周期。这是研发开支，是基本投入。

其余部分都由需求驱动。最终你可以提前建设产能，但必须有一个合理的需求计划。

73:39你会买算力吗？这些实验室现在预测，到 2027 或 2028 年营收会达到 1,000 亿美元，然后每年继续增长三倍、两倍……

73:50如今市场上确实有各种激励机制，而且也很合理。你觉得一家独立实验室为了融资应该怎么做？它们必须公布一些预测数字，这样才能筹到钱，支付算力费用和其他开支。

这也不错。总有人愿意承担风险、投入资金，而且这些实验室已经显示出发展势头。不是说这全是没有依据的风险，它们已经证明了自己的表现，无论是 OpenAI 还是 Anthropic。我对它们的表现很满意，我们也和这些公司有大量业务合作，所以都很好。

总体上很简单，有两件事。第一，要为研发配置资源。你提到了人才，AI 人才非常抢手，必须投入资金；算力也要投入。从某种意义上说，研究人员与 GPU 的比例必须足够高，这就是当今世界要成为领先研发公司的必要条件。这需要扩大规模，而且必须在成为共识之前，先有一张能够支持长期扩张的资产负债表。第二件事，就是知道怎样预测需求。

75:07纵观世界，美国在许多技术栈中占据主导地位。微软的 Windows 就是美国拥有的产品，在中国也有部署，是主要操作系统。Word 也在各地广泛使用，许多技术都是如此。微软和其他美国公司也在海外发展，并在欧洲、印度、东南亚、拉丁美洲和非洲等地建设数据中心、扩展产能。

但这看起来和过去很不一样。如今技术和算力都带有很强的政治属性。美国政府当年并不关心互联网泡沫；但现在美国政府以及世界各国政府都非常关注 AI。问题是，我们似乎处于一个双极世界，至少有美国和中国；但欧洲、印度等其他国家也在说：“我们也要实现 AI 主权。”

微软怎样适应这种变化？20 世纪 90 年代，世界上只有一个重要国家，那就是美国。美国公司可以向全球销售产品，微软因此大幅受益。而现在的世界是双极的，微软不一定还能在欧洲、印度、新加坡等地都拥有取胜的权利，各地都在推进主权 AI。你如何看待和应对这种变化？

76:36这非常关键。我认为美国科技产业和美国政府最重要的优先事项，是不仅要做出领先的创新成果，还要在全球建立对美国技术栈的信任。我常说，美国是一个不可思议、在人类历史上独一无二的地方：人口只占全球 4%，却占全球 GDP 的 25%，占全球市值的 50%。我认为大家应该想想这些比例意味着什么。

美国能占到 50% 的市值，说到底是因为世界信任美国，无论是信任美国的资本市场、技术，还是它对各个时代关键领先产业的管理。如果这种信任遭到破坏，对美国而言就不是好事。我从这个前提出发。特朗普总统、白宫、David Sacks 等人，我认为都理解这一点。

因此，我赞赏美国政府与科技产业共同采取的任何行动，例如由美国公司在全球各地共同承担资本风险。我希望美国政府认可美国企业在世界各地的直接投资。这几乎是最少被谈论、却是美国最好的宣传方式。重点不只是外国直接投资流入美国，而是世界上最具领先性的产业之一，也就是 AI 工厂，正在全球各地建设。谁在建设？是美国和美国公司。

从这里出发，还可以建立其他协议，保障运营连续性，并解决各国合理的主权关切，例如数据驻留、真正的自主权和隐私保障。事实上，微软对欧洲的承诺值得一读。我们对如何管理在欧洲的超大规模投资作出了一系列承诺，以保障欧盟和欧洲各国的主权。

我们也在法国和德国建设主权云。Azure 有一项叫 Sovereign Services 的服务，为客户提供密钥管理和机密计算，包括 GPU 上的机密计算。我们和 Nvidia 在这方面做了很多很好的创新工作。因此，无论从技术还是政策角度，我都非常有信心，能够围绕美国技术栈建立这种信任。

79:42随着持续学习和模型层的网络效应出现，你认为事情会怎样发展？超大规模云服务商可能也会有类似效应。各国会不会认为：“显然有一两个模型最好，我们会使用它们，但会立法要求模型权重必须托管在本国？”还是说各国会推动必须使用在本国训练的模型？

可以拿半导体作比方：芯片对经济非常重要，各国都想拥有自己的主权半导体，但台积电做得就是更好。芯片对经济如此重要，所以人们会去台湾采购，不得不去。AI 会是这样吗？

80:26最终，关键是让 AI 在当地经济中得到应用并创造经济价值。这就是扩散理论的核心。决定性因素不是谁拥有领先产业，而是谁能用领先技术创造自己的比较优势。

但各国也会希望服务持续可用。这是我认为会有人限制“能不能让某个模型一家独大”的原因之一。开源模型始终会存在，模型也会有多种。这是各国保障服务连续性、避免集中风险的一种方式。

所以，各国会说：“我想要多个模型，还要有开源模型。”只要这些选择存在，各国就会觉得：“好，我不必担心部署和普及最好的模型，因为我可以把自己的数据和数据流动性转移到另一个模型上，不管它是开源的、来自其他国家，还是别的什么。”集中风险和主权（更准确地说，是自主权），会共同影响市场结构。

81:49半导体领域却没有这种情况。所有冰箱和汽车都使用台湾制造的芯片。

81:56直到现在，这种状况才开始改变。

82:00即便如此，如果台湾被切断供应，汽车和冰箱都会断供。台积电亚利桑那工厂目前还无法替代任何有意义比例的产量。所谓主权有点像一场骗局——虽然建立本地能力值得，也很重要，但这并不是真正的主权。我们生活在全球经济中。

82:21我认为这有点像是在说：“如今我们已经明白韧性意味着什么，也知道需要做什么。”现在任何一个民族国家，包括美国，都会采取必要措施，让某些关键供应链更加自给自足。

作为一家跨国公司，我必须把这一点视为基本要求。如果不这么做，就没有尊重那个国家的长期政策利益。我不是说各国短期内不会作出实际取舍，当然会。全球化不可能一下子倒退，所有这些资本投资也不可能立刻按需要的速度建成。但你想想，如果有人到华盛顿说：“我们不打算再建任何半导体工厂了。”那家公司肯定会被赶出美国。其他国家也会如此。

所以，作为企业，我们必须尊重大家吸取的教训，不管是疫情让我们警醒，还是其他原因。人们会说：“全球化很棒，它让供应链遍布全球、效率极高。但韧性也很重要，我们需要韧性。”因此，这项特性最终会被建设出来。

你指出的关键是速度。你不能打个响指，就让所有台积电工厂和全部产能都搬到亚利桑那州，它们不会那样迁移。但会有计划，而且我们应该尊重这种需要。对我来说，未来就是了解世界的现实，满足世界今后的需求，而不是拿自己的观点去否定别人的观点。

84:24我确认一下：你的意思是，各国都会要求某种数据驻留、隐私保障等等。微软尤其具备优势，因为你们与这些国家有合作关系，也有建设主权数据中心的专业能力。因此，主权要求增加的世界特别适合微软。

84:48我不想说我们因此拥有某种独特特权。我只会说，这是一项业务要求。几十年来，我们一直在努力满足这些要求，也会继续这么做。

所以，对 Dylan 前面的问题，我会这样回答：无论是美国白宫和美国政府要求我们增加美国晶圆厂的投片量，还是欧盟要求建立数据边界，我们都会认真对待。尊重各国对主权的合理关切，并通过软件和实体设施建设满足这些要求，就是我们的做法。

85:40进入美中双极世界后，竞争者不再只是亚马逊、Anthropic 或 Google，还会有很多其他玩家。美国怎样重建信任？怎样让其他国家相信：“美国公司仍然会是我们的主要供应商”？你们如何看待正在崛起的中国公司竞争，例如字节跳动、阿里巴巴、DeepSeek 和 Moonshot？

86:13补充一下：一个担忧是，AI 变成了一场工业资本支出竞赛，要在供应链的各个环节迅速扩建。听到这个，人们首先想到的通常就是中国，因为这似乎是他们的比较优势。尤其是，如果我们并不会在明年一跃进入 ASI，而是还要经历几十年的基础设施扩建，你们要怎样面对中国竞争？中国在这种世界里是否更有优势？

86:43这是个很好的问题。事实上，你刚才已经说明，为什么美国技术最重要的特点可能就是信任，甚至可能比模型能力更重要。关键在于：“我能否信任你们这家公司？能否信任你们这个国家及其制度，成为长期供应商？”这也许才是决定谁能赢得世界的关键。

87:10这是个很好的收尾。萨提亚，谢谢你接受采访。

87:14非常感谢。

87:16谢谢。

87:18你们两位配合得真好。