納德拉：AI護城河在企業獨有學習回路
0xBroomberg
微軟CEO納德拉在史丹福明確表態：大模型本身正在商品化，企業真正的AI護城河是將模型嵌入自身數據與行為軌跡、構建專屬閉環學習系統——做不到的企業，價值可能歸零。
為甚麼「用哪個大模型」不再是關鍵問題？
納德拉的核心判斷：通用基礎大模型正在商品化，誰都能用同一款模型。這意味著→ 光「用AI」本身不構成競爭優勢，就像光用Excel不構成優勢一樣。
真正的壁壘是他所說的「爬山機器」（Hill-Climbing Machine）——企業把模型接入自己獨有的數據、員工行為軌跡和強化學習環境，讓模型在這個閉環裡愈練愈懂自己的業務。
簡單來說＝ 模型是引擎，人人買得到同款；但你拿它跑的賽道、餵它的燃料、攢下的圈速數據，才是別人抄不走的東西。
企業怎樣把這條「護城河」建起來？
納德拉給出的路徑：在內部搭建私有評估集和強化學習環境（RLE），讓前沿模型或開源模型進入這套閉環訓練，知識產權留在企業內部，不外流給大廠。
以微軟365為例，微軟正把這款多租戶SaaS變成多租戶「爬山服務」——系統根據員工實際操作自動生成專屬評估集，數據、環境、模型結果全部歸企業所有。
這意味著→ 企業的隱性知識不再鎖在老員工腦中，而是變成可持續產生複利增長的數碼資產。
AI智能體已經進化到甚麼形態？
納德拉把AI落地分成三個階段：聊天助手（Chat）→ 短期任務協作（Cowork）→ 長期自主運行的「自動駕駛」智能體（Autopilot）。
最新代表是微軟Scout企業雲智能體：用戶把自己的Entra ID（微軟的企業身份系統）授權給Scout，它便能全天候在後台代替用戶工作。
這反映出 AI正從「你問它答」變成「你授權它替你做事」——但安全問題隨之升級：微軟專門推出MXC安全容器技術，為智能體的執行環境做進程級到物理虛擬機級的完全隔離。納德拉透露，他個人後台的智能體全部運行在物理隔離的雲端實例上。
「不計量智能」——怎樣解決雲端Token太貴的問題？
雲端大模型按Token計費，企業跑智能體24小時不停，成本極高。微軟的對策叫「不計量智能」（Unmetered Intelligence）：把算力從雲端拉回本地。
微軟聯同英偉達推出桌面開發者機，本地提供1 Petaflop AI算力，配20核ARM CPU和128GB統一記憶體，可在本地流暢運行接近萬億參數的超大模型。
同時微軟實現對英偉達最新GB300晶片的Windows原生支援，推出DGX工作站。簡單來說＝ 企業部署Scout智能體全天運行時，可以用本地機器替代雲端按量付費，把「電錶」從別人家搬回自己家。
微軟在雲端晶片和量子計算上走到哪了？
雲端側：微軟推出與自家及OpenAI模型軟硬件聯合設計的Maia 200晶片，已在多個數據中心大規模運行GPT 5.5，帶來顯著的總擁有成本優勢。同時推出自研ARM處理器Cobalt，用GitHub Copilot留下的海量真實代碼行為數據做極限優化，專攻智能體多步推理和高頻工具調用的延遲問題。
量子側：微軟堅持拓撲量子計算（一種用特殊粒子狀態來儲存資訊、天然更穩定的量子技術路線）超過二十年，最新的Majorana 2處理器解決了量子位元退相干（量子資訊快速丟失）難題，實現微波數碼控制，具備工業級可製造性。
納德拉預計2030年前建成實用規模量子計算機。這意味著→ 量子計算不替代經典計算，而是作為數據中心裡的超強加速器，直接在微觀層面模擬量子化學和分子動力學——這是經典晶片算不動的領域。
納德拉這番話的底層邏輯是甚麼？
一句話總結：大模型商品化趨勢不可逆，能否在模型之上建出專屬閉環學習系統，是AI時代企業價值能否持續積累的分水嶺。
如果企業只是通用大模型的消費者，護城河就是零——因為你的競爭對手用的是同一個模型。這意味著→ 真正的AI投資方向不是「選哪個模型」，而是「怎樣把模型變成只屬於自己的學習飛輪」。
這反映出 科技行業的競爭焦點正在從「誰有最好的模型」轉向「誰有最好的數據閉環」——微軟自己也在沿這條路重構整個產品線。
Content is for reference only, not financial advice.