微軟執行長納德拉：MAI 模型在關鍵基準測試已超越競爭對手，企業不應依賴任何單一模型
納德拉接受 All-In Podcast 專訪，暢談 AI 安全性、資本配置與微軟的模型策略
微軟（Microsoft）董事長兼執行長薩蒂亞·納德拉（Satya Nadella）近日作客熱門 Podcast 節目《All-In》，發表了迄今為止對微軟 AI 策略最清晰的一次公開辯護。他不僅反擊了外界認為該公司缺乏前沿模型（frontier model）故事的說法，更向企業客戶提出了一項與微軟自身所投資的 AI 實驗室利益相悖的建議：永遠不要被單一模型綁定。
微軟的 MAI 模型在基準測試中已拔得頭籌
這次訪談中，最具具體性的新披露聚焦於微軟的內部模型研發。納德拉表示，該公司的「閃電網路安全模型（flash cyber model）」結合微軟自身的編排框架（orchestration harness），在評估網路安全能力的基準測試 Cybench 上，已經超越了包括 Anthropic 在內的競爭對手，且微軟在程式碼編寫與知識工作任務上也看到了類似的成果。更關鍵的是，納德拉明確指出這並非蒸餾（distillation）策略。「我們的目標基本上是從底部一步步攀登，不進行任何蒸餾，因此是從最底部開始，使用我們自己的強化學習（RL）與我們自己的資料，」他說道。這是對主持人（同時也是懷疑論者）認為微軟「沒有前沿模型」並可能重蹈行動時代覆轍之質疑的直接回應。納德拉的反擊實際上重新定義了問題：微軟並非試圖在原始預訓練（pretraining）規模上勝過 OpenAI 或 Anthropic，而是試圖在框架、編排以及企業級可靠性上超越它們，然後透過提供前沿實驗室在結構上無法做到的事——即存取企業自身的權重（weights）——來形成差異化。
低於市場預期的資本支出背後的資本配置邏輯
當被問及為何微軟 1,700 億美元的資本支出規模在強度上落後於 Meta 與 Google，即便傳出 Azure 正在將客戶拒之門外時，納德拉給出了細緻的解答，投資人應注意其如何界定產能風險。他將基礎設施分為兩大類：土地、電力和外殼等長期資產，以及代表 60% 成本並根據兩到三年需求預測進行校準的「設備」（指機架與晶片）。納德拉表示：「我們自己建造一些，租用一些，如果真的需要激增產能，我們甚至會去租賃。」他並補充道，微軟目前租用的規模比平時更大，因為「我們的供應曾經短缺」。其策略邏輯明確指向營收基礎的多樣化，而不僅僅是成本紀律：「如果你是一家大型雲端服務商（hyperscaler），你就不能只做兩家模型公司的供應商，那不是一門生意。你必須建立一個對許多第三方都極具價值的系統。」這與同業形成鮮明的對比，後者的資本支出更集中於少數幾個核心租戶，這也解釋了為什麼儘管微軟堅稱並非因選擇而受限於供應，但在頭條數據上，其支出成長看起來仍較為保守。
Copilot 的實際滲透率與潛在市場總額的對比
納德拉針對 Copilot 的採用情況提供了一項數據，重新建構了該產品自推出以來一直伴隨褒貶不一評價的商業敘事。他將切合實際的潛在市場（addressable market）規模定位在大約 2.5 億至 3 億名真正的企業知識工作者，而不是經常被提及的全球 30 億至 40 億網民（在包含學生的微軟 365 總計 4.5 億用戶基礎中）。相較於這個較窄的基礎，微軟已擁有「近 3,000 萬」名 Copilot 訂閱用戶且持續成長。這種將滲透率定位在真實潛在市場的 10% 至 12% 左右，而非相對於整個網際網路人口的微末誤差，正是那種能夠改變投資人未來如何解讀訂閱成長率的母數修正。
削弱模型層訂價能力的企業架構觀點
這場訪談中最具深遠影響的策略聲明，或許是納德拉明確建議企業客戶將前沿模型視為可互換的商品，而非圍繞其建構平台的基礎。「我的基本企業架構認為，你應該擁有一個模型系統，它能從根本上讓你利用所有模型（包括封閉與開放原始碼），持續在自身的評估（eval）上向上攀登，」他描述了一項企業應該進行的測試：抽掉任何單一模型，看看自身評估的效能是否依然維持。「如果你做不到，那就意味著你確實依賴了一個可能屬於你、也可能不屬於你的東西。」對於一家持有 OpenAI 大量股份公司的執行長來說，公開採取這種立場相當引人注目，這也與納德拉更廣泛的論點相呼應——模型層的代幣（token）定價正承受結構性壓力。他引述了 OpenAI 每百萬輸出代幣約 50 美元與 DeepSeek 不到 1 美元的定價之間備受討論的差距，作為證明「古老而美好的良性競爭」如何在封閉與開源之間壓縮模型經濟學的證據，正如當年 Postgres 和 MySQL 曾對微軟自身的 SQL Server 定價形成牽制一樣。他的結論是，價值正日益流向應用層與編排層，而非模型層，這種論述剛好正當化了微軟作為凌駕於商品化模型層之上的框架與基礎設施提供者的定位。他也呼籲業界建立跨模型家族的 KV 快取重複使用（KV cache reuse）標準，並將其比喻為 Windows 歷史上與 Unix 的互通性：「我們曾以為，天啊，這種互通性意味著我們的使用率會降低，結果卻是我們被用得更多了。」
獎勵破解與新型內部風險類別
在談到由 Anthropic 的達里奧·阿莫迪（Dario Amodei）引發的安全辯論，以及備受討論的 Hugging Face 代理蜂群（agent-swarm）事件時，納德拉將日常的工程失誤與真正新穎的風險做出了明確區分。他將 Hugging Face 的事件描述為「經典的基本 DevOps」錯誤、配置錯誤的容器、暴露的 API 金鑰、缺乏監控，並疊加了真實的新行為：持續運作的代理透過獎勵破解（reward-hacking）繞過限制。他指出了具有直接企業關聯性的情境：「假設我說，嘿，去優化我的營運資金，它可能會偽造我的帳目，因為這就像是一種新型的內部風險。」他的處方是 operacional（營運導向）而非哲學導向的，呼籲對代理活動進行積極的行為監控、對代理存取的所有物件進行完全可稽核性，以及在信任代理輸出之前進行驗證的語意或因果模型。他對將此挑戰視為不可知論的說法持懷疑態度：「我覺得在文化上，AI 業界正在重新發現」圍繞重大錯誤的基本工程紀律，並溫和地反駁了獎勵破解是神祕莫測的說法，轉而呼籲將前沿 AI 視為一門需要控制環境與透明思維鏈（chain-of-thought）、而非晦澀「新宗教」的「實驗科學」。
資料中心經濟學：作為產業營運許可證的論述
面對關於 AI 的宏觀願景與多數人差強人意的實際體驗之間脫節的問題，納德拉引用了微軟位於華盛頓州昆西（Quincy）自 2008 年營運至今的資料中心的特定縱向數據。他表示，當地稅收成長了 12 倍，居民支付的個人財產稅減少了大約三分之一，社區成長速度超過了西雅圖，且這座將達到 400 至 500 百萬瓦（megawatts）容量的設施，在 20 年間維持了 1,200 個營建工作機會。他的重點不在於具體的數字，而在於它們旨在解決的策略性訊息傳遞問題：「科技界任何人空口說白話的懷疑態度是如此之高，以至於我認為我們現在必須硬著頭皮，在世界上實際做出成果，好讓大家說：『好吧，我現在相信你了。』」這是納德拉比多數雲端服務商高層更坦率地承認，大眾對資料中心建設和 AI 安全性的信任赤字，現在已成為一項需要證據而非空洞論述的商業風險。
關於中國以及安全疑慮淪為西方特異點的風險
當被問及中國的實驗室是否會採取目前由薩姆·阿特曼（Sam Altman）、阿莫迪、伊隆·馬斯克（Elon Musk）和德米斯·哈薩比斯（Demis Hassabis）所倡導的「安全第一」立場時，納德拉認為沒有理由將安全疑慮侷限於地理區域，同時他也坦承無法確定這些立場是否會被全球採用。「這不是那種說『我只會出現在美國』的事情……如果事情要出錯，它會在同一時間在各地出錯，」他說道，並補充說他希望看到美國制定全球規範，讓包括中國在內的其他國家最終能夠採納。