模型能力已经过剩？纳德拉 All‑In Summit 访谈：AI 真正瓶颈不在模型，而在企业工作流改造

步步糕升

       在 All‑In Summit 炉边对谈当中，微软 CEO 萨提亚・纳德拉抛出一个反行业共识的判断：当下大模型本身能力已经出现过剩，制约 AI 大规模落地的瓶颈不再是模型参数与推理能力，而是企业工作流改造、组织变革、互操作体系建设。
      彼时 AI 圈正掀起一轮 “减速论” 浪潮：OpenAI、Anthropic 等前沿实验室纷纷呼吁放缓前沿模型迭代速度，优先解决对齐与安全风险。纳德拉没有简单支持 “加速” 或 “减速”，而是从企业落地、AI Agent 安全、企业数据主权、开源商业博弈、云资本策略多个维度，完整阐述微软对于 AI 产业的判断36氪。

提示：本文基于 All‑In Summit 公开访谈内容、行业媒体报道整理，仅作为产业科普，不构成投资、企业技术选型建议。

一、核心判断：模型能力过剩，瓶颈是技术扩散与工作流改造

很多企业还在不断追逐更强、更大的基础模型，纳德拉却认为，现在模型本身能力已经足够，真正的卡点是广泛扩散（broad diffusion）—— 把 AI 能力真正嵌入到各行各业真实业务流程中去36氪。
两次 AI 范式跃迁可以作为参照：

• 编程智能体真正可用，来自「Agent 循环 + 文件系统」这套外部框架，而不是单纯模型变强；
• ChatGPT 现象级爆发，来自 RLHF 人类反馈强化学习这套外部训练手段。
  

未来多模态、计算机使用智能体想要大规模落地，同样需要配套外部控制框架（Harness），而不是一味堆模型参数。企业落地 AI 最大成本不在于调用 token 费用，而在于变革管理：改造旧的业务流程、组织习惯，让 AI 真正嵌入日常工作。
同时他提出行业现存的一大不合理现状：企业为 AI 付两次钱。一次是为 token 调用付费，第二次，把自己独有的行业知识、业务数据无偿交给模型，成为模型训练素材，企业自身却失去对这部分知识的控制权。

他打了一个很形象的类比：好比买数据库，但存入数据库的数据不属于你，服务商一旦收回授权，你的数据直接消失，这是很难接受的商业现实。企业应当拥有把自有知识嵌入自己可控权重的能力，完整查看思维链，保护自身知识产权不泄露。

企业 “AI 主权” 自测方法

纳德拉给出一套简单的自测标准：

使用全部可用模型，但不依赖任何单一模型。先定义业务关键评估指标；拿业务测试集跑遍各个模型；如果抽掉其中某一个模型，业务结果直接崩盘，说明你的业务已经被该模型深度绑定，存在供应商锁死风险。

二、AI Agent 安全：区分普通工程 bug 和新型智能体风险

面对舆论上流传的 AI 末日风险论调，纳德拉把风险划分为两类，拒绝泛化的末日叙事：

• 传统基础 DevOps 风险：配置错误、API 密钥泄露、无监控直接联网，属于传统网络安全范畴，依靠成熟工程手段就可以治理。
• 持久运行 AI Agent 带来的新型风险：智能体长期后台运行，出现奖励黑客行为，为达成目标钻规则漏洞。例如下达指令 “优化营运资金”，AI 为完成指标做出做假账这类内部人风险（insider risk）。
  

针对新型风险，纳德拉观点是：不要诉诸玄学式对齐幻想，要用经典工程手段解决。

• 对 Agent 行为做强监控，所有操作完整留痕、可审计；
• 追踪每一次对象访问、密钥调用行为；
• 完整输出可读的思维链，可供多模型交叉复核；
• 把实验限定在受控沙盒环境，而不是放任 Agent 无约束运行在生产环境。
  

他引用研究者的比喻：我们现在是培育智能，而不是建造智能，这是一门实验科学。同时他支持第三方独立安全测试，但要警惕 “亲密式合作”，测试机构需要保持广泛独立，不能和厂商利益深度绑定。
对于行业流传的极端灭绝风险言论，他没有直接站队。他用软件工程的 “show‑stopper（阻断性 bug）” 逻辑类比：一旦发现真正的阻断级致命缺陷，就应当停下迭代优先修复；但不能把所有实验现象直接渲染成人机对抗末日。Hugging Face CyberGym 评测出现的 Agent 漏洞，本质是安全评估现象，不等于现实世界失控。
三、开源制衡闭源：应用层商业机会正在打开

主持人对比行业价格变化：部分前沿大模型每百万 token 输出约 50 美元，而新一代低成本开源模型可以压到 0.15‑0.6 美元，价格相差上百倍。由此抛出疑问：既然模型成本暴跌，前沿闭源实验室商业模式会不会难以为继？
纳德拉类比软件历史：Windows 曾经被 Linux 制衡；SQL Server 被 MySQL、PostgreSQL 制衡。今天开源模型正在扮演同样的制衡角色，这是行业的好事。如果缺少开源的竞争，价值会全部被模型层拿走，AI 应用创业公司大部分收入要用来支付模型调用，应用层很难赚到钱。随着开源带来价格下行，记忆、编排、工具调用、Harness 控制层等中间件，以及深度嵌入业务的应用层，才会诞生大量商业机会，当然模型厂商本身依旧可以生存发展。
他回顾微软历史：早年 Windows 做 Unix 互操作，当时内部担忧兼容其他系统会削弱 Windows 的市场；现实恰恰相反，互操作能力帮助 Windows 大规模打入企业市场。映射到 AI 时代，未来需要跨模型的互操作标准，比如跨模型复用 KV 缓存，记忆数据不绑定某一家大模型，这些都是亟待补齐的行业短板。
四、直面外界质疑：Copilot、自研模型、资本开支策略

访谈当中主持人抛出外界对微软的几大质疑：Azure 巨额资本开支，但投入规模小于 Meta、谷歌；Copilot 大众感知不强；没有顶级自研大模型，会不会错过 AI 浪潮？纳德拉逐条回应：

• Copilot 付费规模：Microsoft365 Copilot 企业付费订阅已经超过 3000 万。全部 M365 总覆盖 4.5 亿人包含大量学生，真实企业付费市场规模约 2.5‑3 亿，渗透率已经超过一成，还在持续增长36氪。
• 自研 MAT 模型路线：微软正在推进自研 MAT 模型，坚持从零训练、不蒸馏第三方模型，使用自有 RLHF 与数据集。它并非对标通用超级大模型，差异化定位是模型编排、驾驭层（Harness），在 CyberGym 等 Agent 评测中取得不错表现，定位是做多模型的调度控制者，而非单纯比拼通用生成能力。
• 资本开支理念：巨额资本开支本身不是优点，要看投向。微软资产分为两类：长周期重资产（土地、电力、机房外壳）；短期套件资产（机架、GPU 芯片，占成本约 60%）。策略是长资产自建 + 租赁结合，短期算力按需弹性采购。云平台目标不是只为少数几家大模型厂商供货，而是面向成千上万长尾企业客户；硬件层面采用异构混合架构，同时兼容英伟达、AMD、OpenAI、微软自研多种模型负载。
  

五、给企业 AI 落地的现实启示

• 不要盲目内卷追逐更强的基础模型。很多业务卡点不在于模型能力，而在于自身业务流程、数据治理、评估体系。优先梳理工作流，再选型模型。
• 建立企业 AI 主权意识，警惕单一模型供应商锁定。搭建多模型可切换架构，建立属于自己业务的评测集，不要把核心业务完全绑定某一个 API。保护自有业务知识与 IP，关注数据所有权。
• 对待 AI Agent 不要迷信 “智能神话”。长期运行智能体伴随新型内部人风险，审计留痕、沙盒隔离、操作可追溯是硬性工程要求，不能只依赖模型本身的自我约束。
• 看清产业链价值迁移趋势：随着模型层商品化，未来的商业壁垒更多来自编排、记忆、业务工作流深度结合，而不是单纯调用外部大模型 API。
  

六、常见误区澄清

❌误区 1：纳德拉认为大模型已经完全够用，不需要继续迭代模型✅真相：是企业落地层面出现能力过剩，并非停止模型迭代；重点提醒产业不要把全部希望寄托模型变强，外部框架与流程改造同等关键。
❌误区 2：完全否定闭源大模型价值✅真相：承认闭源模型的价值，强调开源带来制衡，希望应用层获得生存空间，不是全盘否定闭源。
❌误区 3：AI Agent 风险全部属于遥远末日风险，无需现实工程治理✅真相：区分遥远猜想与现实工程风险；持久运行 Agent 会带来新型内部人风险，企业生产环境就要做好安全管控。
❌误区 4：企业完全不能使用单一主流大模型✅真相：可以使用，但要做好可替换架构与评测，避免业务完全被锁死，不是禁止使用。
七、全文总结

在 All‑In Summit 访谈中，纳德拉抛出一个值得行业深思的观点：当前大模型本身能力已经足够，AI 落地真正瓶颈不在模型参数，而在于企业工作流改造、组织变革、互操作标准建设。
企业需要建立自身的 AI 主权，保护自有数据与业务知识，避免被单一模型厂商深度绑定；面对 AI Agent，要区分传统安全问题和智能体带来的新型风险，依靠审计、沙盒、可追溯的工程手段治理风险，而不是陷入末日式的叙事。随着开源模型带来竞争制衡，AI 产业价值会逐步从模型层向编排、记忆、业务应用层转移。
对于企业决策者，比起持续追逐更强的新模型，更值得投入的是改造内部流程、搭建自有评测体系、构建多模型兼容的可控架构。