DeepMind最新發佈了一項關於AGI安全的研究，提出了一個全新的視角：AGI未必會以單一、龐大的巨型模型形式出現，而極有可能通過多個次級AGI（Sub-AGI）智能體的協作與拼湊，率先湧現出通用智能這項研究題為《分佈式AGI安全》（Distributional AGI Safety），由Nenad Tomašev等Google DeepMind研究人員撰寫論文指出，當前的AI安全和對齊研究主要集中在保護單個AI系統上，假設AGI將以單一實體的形式出現。然而，通過擁有互補技能和工具使用能力的個體智能體群體進行協調，進而表現出通用能力的“拼湊型AGI”（Patchwork AGI）假設，此前受到的關注甚少為了應對這一被忽視的風險，DeepMind團隊提出了一套分佈式AGI安全框架，核心在於設計和實施一個虛擬智能體沙盒經濟（Virtual Agentic Sandbox Economy），並為此建構了包含四層機制的深度防禦模型以下是該研究的核心內容被忽視的“拼湊型AGI”假設目前的AI安全方法（如RLHF、憲法AI、機械可解釋性等）大多是針對單一強大的AI實體開發的。這種思路假設AGI會作為一個由特定機構開發的個體AI出現。然而，DeepMind認為存在另一種高度合理的場景：AGI通過次級AGI智能體在群體或系統內的互動而湧現拼湊系統（Patchwork System）：這種AGI是一個分佈式系統，由一組具有互補技能和可供性（affordances）的個體Sub-AGI智能體組成集體智能：系統中的通用智能主要作為集體智能出現。個體智能體可以將任務相互委託，路由給技能最高的智能體，或使用最合適的工具經濟驅動：相比於昂貴的單一全能模型，建構專門化、微調過的低成本智能體生態系統在經濟上更具優勢。這種需求驅動的生態系統類似於市場經濟在這種觀點下，AGI不是一個實體，而是一種“事態”（state of affairs）：一個成熟的、去中心化的智能體經濟體系這帶來了新的安全挑戰：智能體之間可能發生共謀，或者出現意外的集體行為能力，且在大規模多智能體系統中追蹤責任（“許多手的問題”）極具挑戰性。解決方案：虛擬智能體市場與深度防禦為了應對分佈式AGI的風險，論文提出了一個基於虛擬智能體市場的框架。該框架不侷限於評估單個智能體，而是側重於通過市場機制、審計、聲譽管理和監督來治理智能體之間的交易該框架採用深度防禦（Defense-in-Depth）模型，包含四個互補的防禦層：第一層：市場設計 (Market Design)這是最基礎的一層，旨在通過結構性約束和協議來緩解系統性風險。隔離（Insulation）：智能體市場必須在受控的沙盒環境中運行，與開放網際網路和關鍵基礎設施隔離。建議採用“可滲透沙盒”，所有輸入/輸出通道都需經過明確定義、監控和門控激勵對齊（Incentive Alignment）： 市場應獎勵符合安全目標的行為，並對負外部性（如消耗過多計算資源、資訊污染）徵稅（類似庇古稅）透明度（Transparency）：建立不可篡改的分佈式帳本，記錄交易和決策日誌，確保可追溯性熔斷機制（Circuit Breakers）：自動化措施。當檢測到風險或波動性閾值被突破（如互動頻率激增、資源壟斷）時，自動暫停或減緩智能體活動身份（Identity）：每個智能體需擁有與法律實體（所有者）繫結的唯一加密ID，確保持續的問責制聲譽與信任（Reputation and Trust）：建立抗女巫攻擊的聲譽系統。對於違規智能體，快速凍結其資產並將其加入黑名單智能合約（Smart Contracts）：利用程式碼自動驗證任務完成情況和對齊約束。結構性控制（Structural Controls）：針對“智能失控”場景，實施靜態的市場分層（如防火牆）和動態的能力限制第二層：基線智能體安全 (Baseline Agent Safety)這一層確保參與市場的個體智能體本身是可控和可靠的，這是進入市場的先決條件。對抗魯棒性（Adversarial Robustness）：智能體必須通過認證，證明其能抵抗對抗性攻擊可中斷性（Interruptibility）：必須具備標準化的機制，允許授權的監督者安全地停止智能體及其衍生的分散式運算過程遏制（Containment）：每個智能體應在自己的局部沙盒中運行，只有在滿足本地安全檢查後才允許與更廣泛的市場互動對齊（Alignment）：個體智能體需經過RLHF或憲法AI等方法的對齊，並適應多智能體互動的動態環境機械可解釋性（Mechanistic Interpretability）：利用稀疏自編碼器等技術監控智能體的內部動機，並審計其決策鏈防禦惡意提示：實施分層防禦策略，防止智能體在互動中被越獄或操控。第三層：監控與監督 (Monitoring & Oversight)這一層位於基礎設施之上，負責主動檢測新型故障模式和湧現行為。系統性風險即時監控： 跟蹤關鍵風險指標（如計算資源集中度、惡意共謀路徑）。由於互動頻率可能超過人類能力，需利用AI輔助工具進行監控獨立監督：建立擁有干預權力的獨立人類監督機構（經認證的專業人員）前AGI（Proto-AGI）特徵檢測：通過圖分析等方法，識別網路中是否突然湧現出更高的解決問題能力或形成穩固的“智能核心”紅隊測試（Red Teaming）：持續進行多智能體對抗性測試，利用專門的對抗性AI系統來發現集體行為中的漏洞取證工具（Forensic Tooling）：開發能解析大量互動資料並重建因果鏈的工具，以便進行快速的事故後分析。第四層：監管機制 (Regulatory Mechanisms)這是最外層，提供外部權威、問責制以及與人類社會的介面。法律責任與問責（Legal Liability）：建立明確的框架，解決分佈式決策中的責任歸屬問題。即使是群體智能行為，也需追溯到具體的責任主體（如作為單一法律實體的公司）標準與合規（Standards）：制定智能體安全、互操作性和報告的標準保險（Insurance）：引入基於風險定價的保險機制，利用市場力量激勵更安全的開發實踐反智能體壟斷措施（Anti-Agent-Monopoly）：防止單個智能體或集團在沙盒中獲取過多的算力或資源，維持生態系統的多樣性國際協調（International Coordination）：鑑於AGI風險的全球性，需協調統一安全標準，避免監管套利基礎設施治理：防止安全基礎設施被惡意勢力或湧現的AGI本身捕獲或破壞。結語DeepMind的研究強調，AGI或超級智能（ASI）的出現可能不遵循線性路徑，而是作為一個更加分佈式的、多樣化AI智能體網路的聚合屬性而湧現即使AGI不以這種方式出現，隨著多智能體系統的快速部署，理解和管理大規模智能體互動的安全性也已迫在眉睫。這篇論文提出的框架，旨在為應對這種分佈式的、可能迅速演變的未來做好準備 (AI寒武紀)

當蘋果Vision Pro的光芒尚未褪去，庫克手中的下一張王牌已若隱若現。多方資訊透露，蘋果的AI眼鏡正瞄準2026年。一場關於“眼前”未來的爭奪戰，哨聲已經吹響。AI智能眼鏡的賽道，從未像今天這樣擁擠而充滿火藥味。這不僅僅是發佈一款新產品，更像是吹響了決賽圈的號角。然而，在巨頭的光環之外，一場基於底層技術的“暗戰”早已悄然打響。決定勝負的，或許不是誰的概念更炫酷，而是誰能率先解決那幾項最“樸實”的使用者痛點。01 戰場核心：從“玩具”到“工具”的生死跨越過去十年，智能眼鏡經歷了從驚豔到沉寂的過山車。核心原因在於它們未能完成從 “極客玩具” 到 “日常工具” 的跨越。真正的工具，需要無感的可靠。當前的痛點赤裸而直接：·** “找不到”'**的尷尬：兒童手錶定位精度從10米提升至3米，這不僅是數位遊戲，它意味著孩子從 “一片區域” 被鎖定到 “一棵樹下” 。對於眼鏡，室內精準導航、AR資訊與實物的釐米級貼合，都依賴於定位的精髓。· **“用不久”**的焦慮：續航是智能穿戴的 “阿克琉斯之踵” 。當同類產品還在為3天續航掙扎時，前沿方案已將目標錨定7天。這背後，是為未來5G時代、全天候AI互動奠定的基石。· **“不安全”**的疑慮：當眼鏡成為24小時的貼身伴侶，它 “看到” 和 “聽到” 的一切，如何保障？更強的本地化AI能力與隱私安全架構，是與使用者建立信任的生命線。這些看似基礎的問題，構成了體驗的底線。誰能系統性地解決，誰就拿到了進入主流市場的入場券。02 破局關鍵：一顆“全能芯”驅動的體驗革命所有體驗的飛躍，最終都要回歸到方寸之間的晶片上。這場暗戰的勝負手，在於能否擁有一顆驅動未來的 “全能心臟”。以突破性的W527晶片為例，它勾勒出了下一代智能眼鏡核心的輪廓：· ▶ 極速通訊與智享體驗  支援4G全網通與高速Wi-Fi 6，保障了即時AI互動、高畫質視訊通話的流暢，這是 “智能”的血管。· ▶ 超微高整合與凌駕級性能  採用先進的12nm工藝與3D SiP封裝技術，在極小的空間內整合了強大算力（一大核三小核架構），實現應用響應速度提升近1.5倍，這是 “智能”的大腦。· ▶ 強勁續航的底層最佳化  從智能網路搜尋最佳化到待機資源動態節能，一系列晶片級功耗控制技術，將有限的電池能量精準輸送給最需要的任務，這是 “智能”的耐力之源。這顆 “芯” 所代表的，是一種系統性的工程思維：它追求通訊、算力、功耗在極限約束下的全域最優解。正是這樣的底層突破，讓智能眼鏡從 “偶爾玩玩”走向 “一直可用”。03 未來形態：AI的終極載體與場景裂變有了可靠的底層基礎，眼鏡的形態與想像力才開始真正綻放。它正沿著一部清晰的 “能力升級史” 演進：▌ 1.0 基礎智能型Glass+ Audio + AI。智能音訊眼鏡的普及形態，以語音互動為核心。▌ 2.0 視覺增強型加入Camera，成為世界的“第二雙眼” ，實現即時翻譯、視覺搜尋。▌ 3.0 資訊互動型再加入Display，初步的AR資訊開始浮現在眼前。▌ 4.0 全時獨立型最終整合eSIM，實現全天候、全場景的獨立線上，成為脫離手機的下一代個人終端。每一步演進，都意味著全新的場景被解鎖。它可以是一副戶外AI眼鏡，成為年輕人的潮流裝備；更可以是一個 “智慧中樞” ，通過AI主動提供你需要的一切。眼鏡，因其佔據人類最主要的資訊輸入管道，且最貼近大腦，正無可辯駁地成為AI最好的物理載體。04 中國玩家的全球棋局：差異化與精準卡位在這場全球競爭中，中國玩家展現出了靈活而精準的全球化佈局智慧：在東南亞，以極致的性價比和深度的市場教育先行，快速佔領增量市場。在成熟市場（如歐洲），則將重點放在嚴格的隱私保護與紮實的本地化能力建設上，以贏得挑剔使用者的信任。這種 “區域差異化” 策略，使得智能穿戴產品的海外收入佔比成功突破30%，並仍在快速增長。它證明，對全球不同市場使用者需求的深度理解和尊重，是打開增長天花板的另一把鑰匙。當蘋果在2026年攜其生態與設計之力正式入場時，它面對的將不再是一片藍海，而是一個底層技術不斷突破、產品形態持續演進、市場策略高度務實的活躍戰場。智能眼鏡的競賽，上半場是概念與demo的展示，下半場則是核心技術、使用者體驗與生態建構的硬核較量。蘋果的入局，不會終結比賽，反而會以巨大的聲量教育全球市場，將整個賽道推向沸騰。拐點已至，未來已來。這場關於 “眼前” 的變革，將重新定義我們與數字世界互動的方式。或許，下一代計算平台的王冠，並非註定屬於某一家巨頭。它屬於所有能精準切入痛點、並用紮實技術實現優雅體驗的破局者。 (譚大帥Milton)

【新智元導讀】祖克柏的「元宇宙」執念終於向現實低頭，Meta計畫削減該部門人力，將資源全面傾斜至銷量意外火爆的AI智能眼鏡。在Reality Labs四年燒掉700億美元後，伴隨著競爭對手的退潮，Meta決定不再死磕笨重的VR頭顯。為了打贏這場新的戰役，祖克柏甚至挖來了前蘋果資深設計師，試圖讓可穿戴裝置真正成為時尚單品。祖克柏宏大的「元宇宙」願景，正式宣告大敗局。據三位知情人士透露，Meta正在醞釀對其Reality Labs（現實實驗室）旗下的元宇宙相關部門進行裁員。這把「手術刀」最早可能在下個月落下，預計將波及該部門10%到30%的員工。該部門主要負責VR頭顯以及基於VR的社交網路開發。儘管具體的裁員人數仍在變動中，但這無疑是一個明確的訊號。需要釐清的是，Meta並沒有打算徹底放棄建造元宇宙的夢想。與其說是撤退，不如說是一次戰略資源的「乾坤大挪移」：高管們計畫將節省下來的資金，從單純的VR領域，轉移到目前勢頭更猛的AR眼鏡和可穿戴裝置上。從「頭號玩家」到「時尚單品」這一轉變並非無跡可尋。早在2021年，Meta就與雷朋（Ray-Ban）聯手推出了一款內建攝影機和麥克風的智能眼鏡，使用者可以用它接電話、聽音樂。而隨著近期AI助手的加入，這款眼鏡搖身一變，成了使用者可以通過語音互動的智能終端。出人意料的是，這款眼鏡在市場上大獲成功，銷量遠超內部預期。相比之下，厚重的VR頭顯在消費者普及度上依然步履維艱。Meta發言人Nissa Anklesaria在一份聲明中證實了這一動向：「鑑於目前的發展勢頭，我們正在調整Reality Labs的投資組合，將部分資源從元宇宙轉向AI眼鏡和可穿戴裝置。」她同時也強調，公司並沒有計畫進行除此之外更廣泛的變革。700億美元的代價，與競爭的退潮回溯到2021年，祖克柏將公司從Facebook更名為Meta，以此宣示他致力於建構基於VR的下一代網際網路（元宇宙）的決心。自2014年收購Oculus以來，這始終是他眼中的「應許之地」。然而，通往未來的路費極其昂貴。Reality Labs作為承載這一願景的硬體和軟體核心部門，在過去四年裡累計虧損超過700億美元。隨著Meta在人工智慧領域的投入也在不斷加碼，預計未來將在資料中心和AI開發上燒掉數百億美元，而投資者的耐心已被這一連串驚人的數字消磨殆盡。此外，外部環境的變化也給了Meta「喘息」的機會。知情人士指出，Meta之所以敢在此時考慮削減元宇宙投入，部分原因在於競爭壓力的減弱。2021年時，蘋果和Google都在瘋狂推進各自的VR裝置，但在對手們的腳步逐漸放緩後，Meta的高管們認為，公司也可以適度調低在VR領域的衝刺速度。設計為王的新篇章Reality Labs由元宇宙部門和可穿戴裝置部門組成。知情人士透露，此次裁員的重災區將集中在VR崗位。與此同時，祖克柏正在為智能眼鏡注入更多的時尚與設計基因。在今年的開發者大會上，Meta展示了三款新型智能眼鏡，其中一款甚至在鏡片內嵌入了微型螢幕。而在本周三，祖克柏宣佈了一項重要任命：聘請曾在蘋果任職多年的資深設計師Alan Dye，領導Reality Labs內部一個新的創意工作室，專注於設計、時尚與科技的融合。Alan Dye將直接向Meta首席技術官Andrew Bosworth匯報。祖克柏在周三的Threads帖子中寫道：我們正在進入一個新時代，AI眼鏡和其他裝置將改變我們要技術以及彼此之間的連接方式。有了這個新工作室，我們將專注於讓每一次互動都經過深思熟慮、直觀自然，並真正服務於人。通往未來的最短路徑，或許並不是建構一個全新的虛擬世界。 (新智元)

打造最強智能體平台，最大雲巨頭狂堆猛料。智東西拉斯維加斯12月3日報導，在年度雲端運算盛會AWS re:Invent大會上，AWS Agentic AI副總裁Swami Sivasubramanian發表主題演講，詳細闡述為什麼是亞馬遜雲科技（AWS）建構和運行智能體的最佳選擇，並行布多項智能體（agent）開發新工具。Strands Agents SDK智能體框架新增對TypeScript和邊緣裝置的支援，讓智能體建構更輕鬆，並拓展至更廣泛的汽車、遊戲、機器人等邊緣領域。Amazon Bedrock AgentCore智能體平台推出多項創新：策略功能支援團隊為智能體的工具使用設定邊界，評估功能幫助團隊瞭解智能體在實際場景中的表現，情景記憶功能讓智能體能夠從經驗中學習並持續最佳化。Amazon Bedrock全託管AI平台新增強化微調功能，提供自動化微調能力；Amazon SageMaker AI平台新增模型定製功能，支援深度底層調整，簡化高效AI的建構流程。Amazon SageMaker HyperPod新增的無檢查點訓練功能則實現了大規模、低成本的訓練，整體目標是最大化客戶在生產環境中這些工作負載的價值和投資回報率（ROI）。此外，針對建構智能體可靠性的Amazon Nova Act服務，正式版全面可用，有助於實現智能體大規模生產部署。01. Strands Agents SDK新增兩大功能，支援TypeScript和邊緣裝置Strands Agents SDK是一款開源、模型驅動的AI智能體框架，提供模型驅動編排，自發佈以來下載量已達到529.9萬次。今日，亞馬遜雲科技宣佈兩項新功能：一是支援TypeScript（預覽版）。TypeScript是全球最受歡迎的程式語言之一，這將讓全端智能體應用的建構變得更加輕鬆。Strands Agents對TypeScript的核心特性提供全面支援，包括類型安全、async/await非同步語法，以及現代JavaScript/TypeScript程式設計範式。開發者可借助AWS CDK（雲開發工具包），全程使用TypeScript建構完整的智能體技術堆疊。二是支援邊緣裝置。客戶可通過Strands Agents SDK建構能在小型裝置上運行的自主式AI智能體，落地汽車、遊戲、機器人等領域的智能體應用場景，在現實世界中交付智能服務。02. Amazon Bedrock AgentCore新增策略、評估、情景記憶功能，助力下一代智能體開發將智能體引入生產困難重重，需要快速規模化部署智能體，記住過去互動和學習，識別和訪問所有智能體和工具的控制，掌握用於執行複雜工作流的智能體工具使用，最後觀察和偵錯問題。而複雜性會拖慢創新。如何幫助客戶大規模建構、部署安全的生產級智能體？這正是Amazon Bedrock AgentCore的核心價值所在。Amazon Bedrock AgentCore是一款專為安全、大規模建構和部署智能體而設計的智能體平台，相容各類框架和模型，於今年7月在AWS紐約峰會上首次發佈預覽版，隨後快速迭代，10月已正式全面可用。企業要將智能體從原型推向生產環境，需要一套安全、可靠、可擴展且適配智能體非確定性特性的專用基礎設施。智能體需要動態擴展的底層支撐，能支援長期運行的工作負載，並可即時、安全地儲存和檢索上下文資訊。然而，當前早期採用者需要投入大量資源從零建構這類基礎設施，過程耗時費力，嚴重拖慢開發周期。Amazon Bedrock AgentCore則通過提供全託管服務來解決這一挑戰。它包含一系列關鍵元件，提供了大規模運行生產級智能體所需的種種，包括：Runtime：無伺服器、安全且隔離的執行階段計算資源；Observability：可觀測性工具（開源且相容OpenTelemetry協議），幫助客戶瞭解智能體的運行狀態；Memory：記憶功能，讓智能體能夠長期與使用者互動，記住過往互動內容，從而建構智能、個性化的應用；Code Interpreter：程式碼直譯器，讓智能體能夠通過編寫程式碼訪問以往無法使用的工具；Gateway：閘道器功能，支援連接AWS內外系統；Managed Browser與Identity：網路使用權限和身份認證功能，明確智能體的身份及其代表的主體，這與治理和可觀測性密切相關。客戶既可以使用Amazon Bedrock Agent建構智能體，也可以結合任何開源智能體建構框架。目前該平台已獲得廣泛採用，迄今開發者下載量已超過200萬次。在此基礎上，Bedrock AgentCore新增兩項新功能：一是Policy in AgentCore，策略功能，為智能體的操作設定明確邊界。通過獨立於智能體程式碼的即時確定性控制，主動攔截未授權的智能體操作。企業只需用自然語言描述規則即可建立精細化策略，可以為智能體定義策略（可訪問的工具和資料、可執行的操作、適用條件等），比如“當報銷金額超過1000美元時，拒絕所有客戶的退款申請” 之類的策略。這些策略會在智能體執行前進行評估，確保智能體始終在設定的規則邊界內運行。二是AgentCore Evaluation，評估功能，幫助開發者基於智能體的行為持續檢測其質量，確保其行為符合預期。AgentCore評估功能無需管理複雜基礎設施，提供了13種預置評估器，覆蓋正確性、實用性、工具選擇精準性、安全性、目標達成率、上下文相關性等常見質量維度。開發者還可靈活使用自己偏好的大語言模型和提示詞，編寫自訂評估器。三是AgentCore Memory Episodic Functionality，情景記憶功能，自動保存互動過程中的關鍵事件和狀態，助力智能體從過往經驗中學習，提升決策水平。它包含短期記憶和長期記憶。短期記憶用於記錄當前的互動過程，幫助智能體瞭解與使用者或操作者的即時互動狀態；長期記憶用於追蹤長期的互動歷史。情景記憶則能在這些記憶基礎上，疊加特定互動場景的上下文資訊，讓智能體能夠給出更智能的建議。舉個實際例子：假設有一個預訂智能體，你第一次使用時，它為你預訂了車輛，並預留了45分鐘的趕航班時間，但你當時因照顧家人和孩子而錯過了航班，不得不重新預訂。借助情景記憶，系統會記錄下這次互動經歷。當你6個月後再次預訂航班時，智能體將記得你需要更多的準備時間，會自動為你預留2小時的車輛預訂窗口，而非45分鐘。這一功能已深度整合到AgentCore中。這些功能的核心目標，都是加速智能體從想法到大規模生產落地的處理程序。03. Amazon Bedrock與SageMaker AI新功能：簡化模型定製流程，建構更快速高效的智能體隨著智能體應用的普及和生產環境中模型規模的擴大，效率已成為客戶必須關注的核心問題。企業客戶在使用現成模型時面臨一種挑戰：這些模型功能強大，但往往未針對效率和規模進行最佳化，最終導致不必要的成本支出、響應速度變慢以及資源浪費。而效率並不僅僅關乎成本，它涉及多個關鍵因素：延遲（智能體能否快速響應，實現即時互動）、擴展性（能否應對預期的高負載）、敏捷性（能否根據應用演進和客戶互動快速迭代調整）。解決這一問題的關鍵在於定製化：通過定製小型專用模型，處理智能體最常執行的工作，以更低成本實現更快、更精準的響應。但在此之前，強化學習等先進定製技術需要深厚的機器學習專業知識、龐大的基礎設施支援，且開發周期長達數月。對此，亞馬遜雲科技宣佈Amazon Bedrock與Amazon SageMaker AI推出全新功能，以便開發者運用先進的模型定製技術。1、Reinforcement Fine-tuning in Amazon Bedrock：強化微調，提升模型精準率亞馬遜雲科技宣佈Amazon Bedrock的一項新的強化微調功能——Reinforcement Fine-Tuning（RFT）。該功能簡化了模型定製流程，核心目標是讓客戶無需具備深厚的機器學習和AI模型開發專業知識，就能輕鬆提升模型精準率。其相比基礎模型平均可提升66%的精準率，幫助客戶無需依賴龐大昂貴的模型，而是通過更小、更快、更具成本效益的模型，獲得更優結果。操作流程很簡便：開發者選擇基礎模型，指定呼叫日誌或上傳資料集，選擇獎勵函數，然後Amazon Bedrock中的自動化工作流會全程處理微調流程，以最大化獎勵函數的結果。如此一來，客戶無需專業知識，就能獲得更貼合自身需求的定製化模型。發佈初期，Amazon Bedrock強化微調功能將支援Amazon Nova 2 Lite模型，後續將逐步相容更多模型。2、Model Customization in Amazon SageMaker AI：模型速度更快、成本更低、精準率更高還有一類客戶是領域專家，希望對AI工作流擁有更多控制權。雖然Amazon Bedrock的強化微調功能非常便捷，但部分客戶希望深入底層進行自訂調整，因此亞馬遜雲科技在用於大規模訓練和定製模型的平台SageMaker AI中新增了Model Customization深度模型定製功能。SageMaker AI自2017年推出以來，一直是客戶進行AI和機器學習模型開發的核心平台。為了滿足客戶的深度定製需求，亞馬遜雲科技讓這一過程在SageMaker中變得更加簡單：客戶無需管理基礎設施，可為其生成合成資料，助力提升應用效果。亞馬遜雲科技提供了兩種體驗模式：一是智能體驅動模式（預覽版）：通過智能體引導開發者完成模型定製流程。客戶用自然語言描述需求後，智能體將全程引導完成定製流程，從生成合成資料到模型評估無一不包。二是自主引導模式：適合喜歡自主操作、希望獲得精細化控制和靈活性的開發者。這種模式無需管理基礎設施，同時提供合適的工具供開發者選擇定製技術，並能調整相關參數。通過這兩種模式，開發者都能運用先進的定製技術，包括基於AI反饋的強化學習、帶可驗證獎勵的強化學習、監督式微調及直接偏好最佳化。SageMaker AI新增功能將支援Amazon Nova以及Llama、Qwen、DeepSeek、gpt-oss等熱門開源模型。亞馬遜雲科技希望通過多樣化的介面，為專業客戶提供所需的全部功能、控制權和靈活性，讓客戶能夠定製模型，以最低成本獲得最佳性能，並根據自身專業水平和偏好的工作模式提供適配的解決方案。04. SageMaker HyperPod無檢查點訓練：數分鐘內從模型訓練故障中恢復在與客戶合作進行模型定製和訓練的過程中，亞馬遜雲科技意識到仍有改進空間，模型訓練成本高昂且流程繁瑣。通常，客戶需要運行大型GPU叢集，這些叢集執行階段成本不菲，閒置或故障時損失更大，無法開展有效工作。為解決這一問題，亞馬遜雲科技開發了Amazon SageMaker HyperPod。它是SageMaker中的託管訓練功能，是目前大規模模型訓練成本最低的方案之一， 能最大化叢集執行階段間，讓客戶在進行訓練和定製任務時，充分發揮叢集的價值。Amazon SageMaker HyperPod簡化了模型訓練與部署的基礎設施管理，最高可降低40%成本。當訓練規模擴展至數百或數千個加速器時，可能會出現硬體或軟體故障等問題。傳統基於檢查點的恢復方式耗時最長可達1小時，不僅成本高昂、佔用儲存資源，還會導致價值數百萬美元的計算叢集在恢復期間處於閒置狀態。對此，亞馬遜雲科技宣佈SageMaker HyperPod推出Checkpointless Training無檢查點訓練功能。該功能無需人工干預，即可在數分鐘內自動從基礎設施故障中恢復，使包含成千上萬張AI加速器的叢集訓練效率最高可達95%。對於大型長期運行的任務，重啟和重跑極其痛苦。而無檢查點訓練徹底改變了這一模式：系統自動記錄所有操作，若發生故障，可在幾分鐘內快速恢復，客戶能迅速繼續工作。當故障發生時，系統會自動替換故障元件，並通過從鄰近正常加速器進行模型和最佳化器狀態的點對點傳輸來恢復訓練。這一機制大幅縮短了停機時間。這不僅降低了整體營運成本，還能讓客戶更快地將定製模型部署到生產環境。它真正實現了，無論客戶需要多大的規模，都能以簡單、經濟、可靠的方式完成訓練。05. Amazon Nova Act正式發佈：建構可靠智能體，實現UI工作流程自動化當智能體應用和這些工作流部署運行後，可靠性就成為了核心要求。每個企業都有希望自動化的流程，但他們需要的，是可預測、可靠、可規模化的自動化，而這一點靠企業自身很難實現。為了簡化這一過程，亞馬遜雲科技建構了一套端到端服務Amazon Nova Act，幫助開發者建構、部署和管理大量可靠的智能體，實現生產環境使用者介面（UI）工作流程的自動化。企業使用智能體進行自動化時，通常都是針對螢幕和介面的自動化操作，而Amazon Nova Act的設計初衷就是讓這類開發更簡單，同時保障可靠性和規模化部署能力。今年早些時候，亞馬遜雲科技發佈了Amazon Nova Act研究預覽版。為了將智能體投入生產環境，亞馬遜建構了一個完全整合的解決方案，用於實現可用於生產環境的可靠瀏覽器自動化。今日，Amazon Nova Act正式版即日起全面可用。該服務與Amazon Nova、Bedrock和AgentCore深度整合，讓客戶能夠輕鬆建構可靠的智能體。它能夠大規模地提供超過90%的任務可靠性，同時與其他AI框架相比，還能更快實現價值，並簡化部署過程。客戶可在自己選擇的任何開發環境中建構這些應用，系統支援部署大量平行的UI智能體，這些智能體依託模型，具備高可靠性。Amazon Nova Act基於定製的Amazon Nova 2 Lite模型，能夠出色地驅動瀏覽器、支援API呼叫，並在必要時將問題升級至人工處理。該服務具備Web質量保證（QA）測試、資料錄入、資料提取和結帳流程等核心功能。如今大多數模型都是獨立訓練的，與執行任務的協調器和執行器分離，這降低了可靠性。Amazon Nova Act採用不同的方法，利用強化學習，讓智能體在模擬真實世界使用者介面的定製合成環境（Web Gym）中運行。這種模型、協調器、工具和SDK的垂直整合，以及所有元件的同步訓練，實現了規模化下更高的任務完成率。最終得到的智能體系統不僅偶爾有效，而且能夠大規模可靠運行，並具備推理和適應變化的能力。Amazon Nova Act將適配客戶使用的各種整合開發環境（IDE）。它是一套可擴展的框架，完全適配客戶的開發習慣，同時讓客戶能夠輕鬆實現大規模生產部署。其核心適用場景是任何需要自動化UI的場景。它包含一個動作模型，亞馬遜雲科技還針對該模型開發了大量SDK和工作流，用於操控UI。06. 結語：建構智能體的最佳平台，亞馬遜雲科技志在必得亞馬遜雲科技堅信生成式AI是人們正在經歷的關鍵變革之一，將助力客戶實現業務轉型，並在未來數月、數年內普及開來。當前，這家雲巨頭致力於成為客戶建構智能體、實現業務自動化的最佳平台，不僅讓開發過程更簡單，還提供了安全、高彈性的基礎架構，保障營運的領先性和世界級的基礎設施，讓客戶能夠按需定製所使用的基礎設施和技術堆疊，從而獲得理想的結果。其平台提供了豐富的AI功能，內建負責任的AI機制，擁有支撐這些技術在現實世界發揮作用所需的資料資源，還依託全球最大的合作夥伴網路，使其客戶可通過市場輕鬆獲取各類智能體。而亞馬遜雲科技會處理好各種底層複雜工作，助力企業及開發者通過生成式AI應用實現業務變革。 (智東西)

最近，微軟CEO納德拉與Stripe聯合創始人約翰·科里森（John Collison）進行了一次對話。本次對話深入探討了AI時代的範式變革、技術架構與企業戰略。核心要點如下：1、建構企業AI護城河與隱性知識主權。納德拉認為，企業應建構自己的“AI工廠”，核心是利用 Microsoft 365 Graph（知識圖譜）將企業內部的非結構化資料（郵件、文件、會議）語義化，釋放長久以來丟失的隱性知識。在AI時代，真正的公司主權在於擁有捕獲自身隱性知識的模型微調層（LoRA），這是新的競爭優勢。2、智能體（Agent）架構與未來軟體形態。智能體要實現持續學習，必須將記憶、權限體系和行動空間這三大基石置於模型之外，並與模型深度結合。未來的軟體將是跨工作流的，核心UI（如表格、收件箱）將保持不變，但工作將由大量平行Agent在後台驅動，新一代IDE或收件箱將成為管理這些Agent的“抬頭顯示器”（HUD）。3、歷史教訓與範式轉變。微軟從錯過網際網路浪潮中吸取教訓：認清技術範式後，關鍵在於找到新的“組織層”（如搜尋引擎、應用程式商店，現在是聊天機器人）和正確的商業模式。同時，不能高估競爭的“零和”性質，必須堅持模組化和開放性（如Azure支援Linux），以最大化市場。4、AI基礎設施與文化。當前AI發展的最大瓶頸是“熱機房”（電力、土地等供應），而非需求不足。在企業文化上，CEO必須通過與客戶溝通保持“親民”，並堅持“成長型心態”，學習創始人基因，即始終關注開發者和創業公司，以保持技術平台的相關性。01. 與其羨慕別人不如建構自己的護城河1. 知識圖譜，將是“殺手級”應用對微軟來說，要確保AI真正“滲透”到企業內部。不是讓大家去仰望別人家的AI工廠或 AI Agent，而是思考“如何建構屬於你自己的AI 工廠”。其中最複雜的部分是組織企業內部的資料層，這需要跨越整個企業體系，並讓資料能夠與智能層真正對接。我想這會是我們重點推進的方向。我們要做的最大一件事建立了圖譜，把那張隱藏在企業最重要資料庫之下的關係圖釋放出來。那些資料庫就是包括你的郵件、文件、Teams會議等等背後的系統。所有人都不是臨時、無結構地工作，而是在圍繞某個業務事件進行協同。這將是一種“殺手級應用”，以前，語義關係一直都只存在在人腦裡，也一直都丟失掉了，而現在你第一次可以真正呼叫起來。當然，這一切其實剛剛開始。和我們以往推出 Office 套件相比，這次算是歷史上“最快”的一次變革。但歸根結底，這屬於“變革管理”。你得真正把它部署進去，人們得真正用起來。而且在企業環境中，一切還必須滿足審計要求，資料治理要能跑通。這是很大的工程，但我們現在終於開始看到加速的跡象。另一點是：讓它在Microsoft 365 Graph（圖譜）內部工作是一回事，那 ERP 系統怎麼辦？現在的連接器“能用但很弱”，就像一根細吸管。你需要的是一個更好的資料架構，把所有東西語義化嵌入在同一個層裡。如果我沒記錯的話，Bill（比爾·蓋茲）90 年代就提出了“information at your fingertips（資訊觸手可及）”。他一直非常執念。我記得很清楚，我那時還只是個新人，他說過一句話：“軟體只分一個類別：資訊管理。你只需要結構化人、地點和事物，就夠了。”他討厭檔案系統，因為它不結構化。若所有東西都是SQL資料庫，那他就能寫 SQL 來處理所有資訊，那才是優雅的解決方案。問題是人是混亂的。即便資料結構化了，它也不可能真的給你一個統一的索引或 SQL 查詢把所有內容都調出來。這就是過去時代最大的挑戰。我們以前從來沒想過，最後解決這個問題的不是某種極複雜的資料模型，而是一個規模巨大的深度神經網路，靠算力堆出的參數的“捕捉模式”。2. agent的三大基石模型有兩個關鍵——“上下文學習”和“持續學習”。如果你把模型的認知能力和知識分離，那麼從本質上，你就得到了一個持續學習的架構：演算法是獨立的，知識可以被更新。不過模型執行階段，有三樣關鍵東西必須放在模型之外：記憶：包括短期、長期，以及人類擅長的長期信用分配。權限體系：模型必須遵守角色權限、訪問規則。行動空間：模型可執行的操作必須被系統定義。這三個就是“環境”。如果模型擁有行動、權限管理和記憶，就能持續學習。而這些都必須在模型之外、但又與模型深度結合。例如， Copilot 今天用的是 OpenAI 模型，也能用 Claude，系統必須讓它們都能工作。我認為下一階段的突破就在這裡。3. 微軟的AI技術堆疊微軟的AI佈局分為三層：第一層：基礎設施業務（token 工廠）。我們必須極其擅長打造“token工廠”，也就是以最低的“成本/能耗”生產最多的 token。第二層：智能體工廠（agent 工廠）。與 token 工廠不同，agent 工廠的目標是用token 驅動真實業務價值或消費者價值。這就像新的應用伺服器（App Server），是 AI 時代的新“應用層”。第三層：AI 系統（Copilot 家族）。包括資訊工作（Office）、軟體開發（GitHub Copilot）、安全（Security）這是三個水平層。除此之外，我們在業務應用上也深度投入到醫療與科學領域。02. 微軟的歷史教訓範式正確不代表一定會贏1. 差點錯過網際網路浪潮1994 年，我住在微軟園區旁邊的公寓，那裡聚集了一大幫天才，我們卻錯過了網際網路。作為當年一個新人，回看那段歷史，我的感覺是：我們其實理解網際網路，但又不完全理解。比如我們不相信TCP/IP 能成，我們覺得必須有服務質量保證，所以建構的是資訊高速公路。MSN 最早還是X.25 網路，因為我們在和AOL的撥號上網競爭。但 Bill在 95 年果斷轉向了。就在 Windows 95 推出時，他說：“一切都會改變。”所以大概93–95年之間，技術堆疊到底會不會是開放網際網路，還不清楚，但 Mosaic 瀏覽器出來之後，一切變得清晰，然後微軟全面轉向。還有另外一個教訓。我一直關注的一件有趣事情是——我認為這可以遷移到 AI 上：首先你得把“範式”認清楚。但即使你認清了範式，也不意味著你能找到那個殺手級應用，甚至不意味著你能找到正確的商業模式。歷史上一直如此。比如網際網路，誰能想到在開放 Web上，一個具有網路效應的搜尋引擎竟然會成為“組織層”？我常說，根本不存在所謂的“開放網頁”，只有“Google的網頁”，因為Google徹底統治了它。回頭看很有意思：AOL和MSN輸給了開放Web，大概可以這麼說。但它們又被新的 AOL 和 MSN 形式替代了：它們叫搜尋引擎、叫應用程式商店。移動 Web 就是一個非常迷人的例子。對我來說，更深刻的觀察是：即使在開放生態中，“組織層”仍會不斷出現，而大量的品類力量會流向這個組織層。只是每一次這個組織層是什麼都不確定，上一代是搜尋引擎，今天是聊天機器人。它能持續多久？沒人知道，但今天它毋庸置疑存在。ChatGPT 的成功不可否認，它已經成為一種新的聚合點。搜尋引擎、應用程式商店也曾經是組織層。那麼下一步是什麼？在“智能體市場”或“智能體電商”中，電商又會變成什麼？這些都是未來要討論的問題。2. 做“顯然該做的事”遠遠不夠2000年，我們成為了市值最大的公司，超過了GE。我記得那個時刻。回頭看，即便拋開金融周期，當時的長期趨勢非常明確：網際網路會成為主導。因為那個時候商業模式已經開始出現。對微軟來說，當時最大的教訓是：天啊，連我們的第一反應（做瀏覽器、做 Web 伺服器、把網際網路協議塞進所有產品、用 FrontPage 做網站建構器……）這些“顯然該做的事情”都不夠。我們意識到不能只做顯然的事情，我們必須重新發明自己正在做的東西，同時理解新的商業模式。從某種意義上講，那輪泡沫周期確實像是從天而降，由某種非理性繁榮驅動的。但當泡沫破滅時，它也確實洗掉了一堆糟粕。但真正好的點子都活了下來。現在我看這次浪潮，有兩個特點：一是基礎設施這次是“立刻就需要”的，不像以前那樣——你建好一條暗光纖，還得等某家公司十億使用者才能把它點亮。說實話，這一次我們是落後的一方。我們不是坐在那裡說“我 GPU 都架好了但沒有人用”。完全不是。我只希望更高的利用率……但我沒有“資源空著沒人用”的問題。恰恰相反：我必須趕緊拿到更多的供應。而且不可能做到供應鏈完全匹配需求，因為這次建設周期很長。長周期部分包括：土地批准、電力批准、站點位置……我們現在甚至需要給華爾街解釋：這些資產，有的使用周期20年，有的4–5 年。你必須用不同思路做決策。一個冷機房空在那裡根本沒什麼——就像一個公司有五座空樓，不會成為資產負擔。所以，現在最大的瓶頸就是“熱機房”，能接上電、馬上裝機、馬上點亮。如果我沒有足夠多已經通電的機房，我就無法把機架推進去、裝機、投入營運。3. 高估競爭的“零和”我們經常高估了競爭是“零和”的。你需要很敏銳地判斷那些生意天然是“多玩家”。例如云：當年Azure啟動時，大家都說AWS已經太領先，第二名沒有空間了。但我從與 Oracle 和 IBM 競爭的經驗中知道：企業永遠不會只要一家雲。所以我們堅持做 Azure。如果你“捆綁過度”，反而會縮小市場。例如Azure 原來叫Windows Azure，問題巨大，因為雲不可能只支援 Windows。我們必須把 Linux 當作頭等公民，把 MySQL、Postgres 當頭等公民，這是贏下 TAM 的必要條件。我對模組化的原則是：什麼配置能最大化市場？什麼能真正滿足客戶？什麼能保持競爭力？我們必須先贏下來，至於未來他們是否願意遷移，那是另一回事。Outlook把郵件、日曆、聯絡人整合在一起，Teams則是把聊天、頻道、視訊等功能組合成一個“工作空間”。這類集束本身就是一種產品形態，但你仍然需要在底層保持足夠的原子化能力：確保模組化不會犧牲競爭力。如果你做了一個“超級雲”，但只能跑 Windows 和 SQL，那只能佔市場的一小塊而已。AI 堆疊也是一樣，我希望基礎設施、應用伺服器、應用層，三個層次都能獨立站得住。使用者可以從任意一層進入。03. 對未來的思考1. 未來的軟體是跨工作流的從某種意義上說，表格這種東西……我覺得它體現了“列表與表格的力量”。它和軟體的可塑性結合在一起，才成為一個完美的存在。我們可能會加很多花裡胡哨的功能，但它的核心不會變。電子表格也是一樣，我們從來沒有給它足夠的重視。其實你可以認為它是全世界最容易上手的程式設計環境，甚至在“不知道自己在程式設計”的情況下就開始用了。這是它的另一重美妙之處。反過來看，現在的AI，我們依然把它“神秘化”得太厲害。你我都討論過：天啊，我們需要變革管理、組織重構等等……但當年電子表格剛出現時，沒有人說“需要變革管理”。大家直接用就完了。我們現在處在一個類似的時代，即將出現新的“工作產物與工作流程”，從底層重塑、重新發明。某種程度上，我們已經能生成所有程式碼，所以也就能生成更定製化的 UI 框架。實際上我們過去就在討論：文件、網站、應用之間到底有什麼本質區別？都是不同形式的表達而已。同樣有趣的是，雖然大家說“應用會消失”，但看看我們的老朋友 Excel 和 VS Code——它們其實又回來了。因為 AI 會生成內容，而我需要理解和編輯這些內容。我需要一個優秀的編輯器，能夠讓我對AI生成的結果做 diff、做迭代。因此，IDE 會迎來全新的一代，它們會與智能層有遙測循環，同時像“抬頭顯示器”（HUD）一樣，幫助我管理數千個平行的 agent。我得理解它們的工作，並對其進行“微調度”。這就是未來 IDE、收件箱、消息工具的樣子。我在思考：未來我們如何與大量 agent 協作？我會發佈大量指令，agents 會執行數小時甚至數天，然後不斷回報進度。我又如何在有上下文的情況下進行微調？絕不能是今天這種“通知地獄”——給我 5 個字，我完全不知道上下文。未來的軟體必須是跨應用、跨工作流的。最終，大多數軟體在成熟後都會變成：一個 inbox（收件箱）、一個消息工具、一個畫布，螢幕上不斷閃爍結果，但大量工作已在後台完成。我認為仍然是少數幾個。甚至從“極簡主義”的角度看，可能還是那幾個，只是它們執行的任務變了。比如說：人類喜歡表格、喜歡線性的文件、喜歡 inbox / messaging，這些 UI 其實是經過驗證的。2. 智能體電商我們一直以來都有一個想法：什麼樣的“基礎設施”對商家最友好？什麼樣對消費者最友好？有沒有一種完美匹配？“對話式電商”大家談了很多年，而現在靠你們與其他團隊的工作，我們真的能把商家、使用者，通過一個智能體式的體驗連在一起。當然現在還很早，必須做得“有品位”、能贏得使用者信任。但我真的非常激動。我經常在各個平台上找東西。亞馬遜、沃爾瑪等等的站內搜尋真的不太行。但聊天式體驗真的太好用了。而且關鍵是，它會回到商家的商品目錄。目錄依然是王，但如果我能把“目錄 + 支付”結合起來，那體驗就完全無縫了。目前，“關鍵詞搜尋”是最合理的找東西方式，本質上是一個“定製化商品目錄”。它的結果不像搜尋引擎結果頁那樣機械。現在有一個巨大問題：目錄質量參差不齊，缺少可推理的資料結構。解決這個問題之後，每一個商品都能找到屬於它的搜尋請求。那對每個商家來說，怎樣才能以最低摩擦接入“智能體工作流”？最終每個商家可能都會說：“我有商品目錄，我有支付系統。請幫我以最簡便的方式接入所有智能體。”“通用介面”的方式正在流行，讓他們點一個按鈕就能啟用“智能體電商”，而不是跑去自己搭MCP伺服器。而誰把這件事做得“優雅、有品位”，誰就贏得未來。在智能體世界裡，這些流程可以完全打通，不再像今天這樣處處是縫。3. 重新定義“公司主權”：隱性知識的權重化所有國家與政策制定者都非常關注資料主權的話題，也確實有合理原因。但在 AI 時代，我對“主權”的看法有些變化了。真正的主權問題其實是：公司的未來是什麼？按照科斯定理的邏輯，如果模型是那個掌握所有知識的東西，那為什麼組織內部還需要存在？組織存在是因為內部交易成本更低、存在“隱性知識”。但如果模型知道一切，這會被徹底顛覆。所以我現在認為：未來核心主權，是企業對其自身模型的主權，不是別人家的基礎模型，而是你的公司是否擁有一個屬於自己的基礎模型，它能夠吸收你的隱性知識，使組織內部知識的積累與擴散成本更低。這就是未來意義上的“主權”。我最關心的是“隱性知識到底存在於那裡”。它顯然存在於人腦中，是通過時間積累的 know-how。但它也會以權重的形式存在於某些屬於你的 LoRA（模型微調層） 層中。未來的智慧財產權，不僅是員工和檔案，還有一些“嵌在模型裡的東西”。但你怎樣保護這些能力不會“洩漏”回基礎模型？我認為未來公司形態是這樣的：基礎模型提供通用能力，而公司自己通過多個模型、記憶、工具呼叫、獨特的資料，建構出屬於自己的“智能層”。4. 打造模型選擇器在消費產品領域，這是我們第一次看到：當你切換模型時，變化並不一致，而且每個人受到的影響都不一樣。人格、風格等等，會成為全新的維度。從另一個角度看，這說明：AI 模型的差異化不止IQ，還有EQ，還有風格偏好等維度。但從長期來看，我認為關鍵是模型必須持續提升，尤其是在最難、最高價值的任務上。然後你要不斷根據任務進行最佳化。對我們這種產品建構者而言，我的目標是讓最強的模型上線，但真正投入生產的，會是一組“多模型陣列”。我最終希望有一個“模型選擇器”。你需要建構一組模型，中間由 agent 來協調，根據使用者偏好和任務來決定使用什麼。它要足夠智能，能夠知道這個任務需要多少算力、需要那種智能——如同GitHub裡的Auto功能。我們都很難改變自己的默認設定，這就是為什麼“預設值”如此重要。甚至連模型選擇介面，如果你拿掉，人們都會不滿。但從長期來看，如果我能信任某個系統，它每次幫我選模型時都能做出“令人愉悅的選擇”，我就會把選擇權交出去。04. 微軟的企業文化1. 最親民的工作方式，是與客戶保持溝通我日常工作的核心其實有兩個部分：首先，是與客戶相關的事情。基本上沒有那一天我不跟客戶開會，這是讓我保持“親民”的最好方式。然後，就是大量的會議。作為 CEO，我逐漸意識到，其實會議分兩種：一種是我只需要召集大家，然後閉上嘴，不要表現過度，因為召集本身就是這次會議最重要的事。所有的工作要麼已經在會前完成了，要麼會在會後繼續。而另一類會議則很重要，我必須學習、必須做決策、或者必須傳達某些重要內容。然後我必須說，我花大量時間在Teams的頻道里“閒逛”，這對我幫助最大。我從那裡學到的最多，認識的人也最多。最棒的就是，我能在裡面建立最多聯絡。我能知道：“哇，他原來是做Excel Agent的人；哦，那是他們在看的評估結果。”我從裡面學到的東西比別的任何方式都多。其實我覺得我們權限體系太嚴格了，我希望自己能有更多存取權。事實上，我最大的抱怨就是我不能隨便進入所有地方。但能偶爾進去看看確實很有趣，而且它讓一切變得更“正常化”。而且今天的員工可不羞於表達意見。2. 創始人是一家公司最強基因我一直都有一種“開發者關係/技術布道”的基因，微軟文化裡本身也有這個傳統。我對事情的看法一直是：如果你不跟著開發者走，你就很難保持技術平台的相關性；而如果你不瞭解新的工作負載，你也建不好技術平台。這兩件事深深刻在我腦子裡。所以如果你不關注創業公司，你就很難真正理解平台和工作負載的變化。這一直是我非常在意的。還有一點：我可以從中獲得巨大的能量。我一直覺得創始人是能“從無到有”創造東西的魔法師。這簡直像魔術。所以我一直好奇，他們到底是怎麼做到的？例如，我從Stripe學到的最重要的一件事，就是重新發現微軟當年的優勢：跟著開發者、跟著創業公司走。這也是我後來推動 GitHub、NAT 等等的原因之一。GitHub 不只是一個戰略資產，它是整個開源生態的核心，而且每家創業公司的程式碼倉庫都在那裡。我覺得必須參與那條“循環”，不僅是為了戰略地位，而是為了學習、為了建構更好的產品。否則，你很容易丟失那種“低摩擦、快速獲得價值”的產品美學，而創業公司對耐心最少、對效率要求最高。創始人很特殊的一個群體。因為他們從零開始一起成長，這種工作記憶和直覺是獨一無二的。作為繼任CEO，你不可能完全複製創始人的方式。我1992年加入微軟，沒經歷八十年代早期，所以有些認知只能創始人CEO才能把握。所以我認為，要尊重創始人獨特能力，創始人也要尊重繼任者，知道他們不能完全照搬自己做法。這就是所謂的“創始人模式”與繼任CEO模式的微妙差別：你可以部分沿用創始人的模式，但不能把自己當作創始人。3. 文化是團隊塑造的我想，微軟應該追回八十年代的那些精神。八十年代，微軟的願景是“軟體工廠”，不是某個單一平台。九十年代微軟太龐大了，我們的產品自然傾向於繫結。我在上任時意識到：我們沒有移動平台，如果不擁抱更開放的市場，我們就會失去自身的重要性。幸運的是，“把軟體帶到所有平台”本來就是微軟的DNA，不是我憑空指令。我從“部門互相拿槍指著彼此”的著名漫畫中學到兩點。首先，我是微軟的“老內部人”，過去三十多年公司的好壞我都經歷過。那張漫畫反映的問題之一是：我們失去了自己的敘事權，讓別人來替我們定義文化。這就是社交媒體時代的風險。當然，組織間確實有真實的張力，那是必要的，不是壞事。目標不是“內部和諧”，而是“贏得市場”，有時候甚至需要刻意設定兩個競爭團隊。領導者的挑戰是：在一個員工從外界獲得絕大部分資訊的時代，如何讓組織堅持自己的內在力量，而不被綁架？另一個文化誤解是，很多人認為權力高度集中在上層。事實上權力是分散的，文化是“微文化”的集合。我之所以能在微軟一直待下去，是因為我幸運地加入了那些“讓人能成長的團隊”。所以作為CEO，我的任務是：需要提供一個一致的敘事（如“成長型心態”），讓每個團隊能塑造自己的正向文化，不讓社交媒體標籤決定公司是誰，這才是文化真正的關鍵。當你接手創始人建立的公司時，Steve 和 Bill 打下了基礎，Paul 和 Bill 擴大了公司，我算是第一批“非創始人CEO”。我很快意識到：你需要一支團隊。不僅是管理範圍的問題，還包括清楚CEO自己需要做什麼；那些業務需要CEO 來綜合判斷；為文化設定標準；建立績效文化。你不能只關注長期，也不能只關注短期，你必須兩者兼顧。但核心是把只有你能做的四五件關鍵事抓好，然後打造團隊。即便在500人的公司，這也是必須做的，只不過在小公司你還能把細節記在腦子裡。 (藍血研究)

11月30日，微軟首席執行官Satya Nadella接受海外播客MD MEETS的訪談。本次對話深入探討了探討了AI 智能的本質與“模仿”的侷限，Scaling Law 的邊際效應、AI 時代的企業主權與新工作流、生產力悖論與泡沫論的經濟學檢驗、微軟與 OpenAI 的競合形態、能源瓶頸下的全球算力博弈，以及 AI 時代人類“語境工程”與同理心的不可替代性。Satya Nadella指出，儘管 Scaling Law在文字資料上產生了驚人的指令跟隨能力，但目前的 AI 本質上仍處於“模仿遊戲”階段，尚未觸及真正的“認知核心”。他引用 Andrej Karpathy 的觀點提出，破解智能的下一個科學突破在於“扔掉所有訓練資料”，僅保留學習演算法本身。Satya 認為，現有模型是在機械複述中混合了強大的模式識別，未來在於將模型的“知識庫”與其“認知核心”徹底分離，這不僅是科學上的突破，更是解決能源效率的關鍵。Satya Nadella 重新定義了 AI 時代的商業護城河，提出了“企業主權”。他指出，未來企業的生存關鍵不在於接入一個通曉萬物的通用模型，而在於是否建立了自己的“AI 工廠”和獨特的“基礎模型”。他強調，如果一切都依賴於外部模型，企業將失去主權；真正的競爭力在於將企業獨有的知識複利化。針“AI 泡沫論”，Satya指出，唯一的檢驗標準是技術必須跑贏經濟增長，帶來廣泛的 GDP 提升。Satya還回應了微軟與 OpenAI 的競合關係，他將兩家公司比作“共享底盤設計”的兩家賽車製造商，雙方在系統與供應鏈層面共享核心引擎以獲取規模效應，但在產品端保持獨立競爭。關於未來工作，Satya 指出儘管 AI Agent 將接管大量工作，人類的“同理心”和“物理在場”不可替代。他認為，AI 尚未學會捕捉社交訊號的“語境工程”，而這種基於情感與協作的語境感知，正是人類的護城河。01 目前的 AI 仍是模仿，真正的突破在於將模型知識與認知核心分離Satya，我想和你聊聊人工智慧。你經常被問到這個話題，在這個領域裡你是否會感到厭煩？回顧這段時間，有什麼資訊或經歷讓你對人工智慧最感驚訝？此外，大語言模型在涉及情感，或者說是偽造情感，以及創造力甚至幽默時特別令人信服，這是否在你的預料之中？Satya Nadella:在這個領域是不可能感到厭煩的，只會感到興奮。每一天你都會感謝自己，慶幸我們能通過建構這些技術來完成使命。但歸根結底，值得慶祝的是這些技術的使用。你問到驚訝之處，回顧我在生成式 AI 領域的旅程，包括我們要如何與 OpenAI 建立合作關係，如何在當時顯然不符合傳統觀念的情況下贊助他們並下重注，這一切的關鍵在於要有一個有準備的頭腦。Bill Gates 在 1995 年創立了 Microsoft Research。他的想法是 Xerox PARC 曾啟發了許多公司，無論是 Microsoft 還是 Apple，如果沒有它，我們和整個 PC 行業就不會存在。所以他想建立一個基礎研究機構，事實上我們就職的第一個小組就是語音小組。我們一直在做這件事，甚至痴迷於自然語言。畢竟 Microsoft 是一家生產力公司，我們思考文字，思考自然語言，無論是語音還是文字形式。有趣的是，我們在這個方向上進行了多次嘗試，並且堅持不懈。後來 Sam Altman 團隊表示打算將 Transformers 應用於文字。有趣的是，2016 年時他們更專注於強化學習，儘管最近強化學習又重回視野，但他們最初的重點並不完全在文字上。到了 2019 年，他們決定真正追求應用於 Transformers 和自然語言的 Scaling Laws（縮放定律）。那就是魔法時刻。如果你問發生了什麼，雖然後來我們也加入了一些其他技術，現在新事物也在逐漸融合，但當時沒有人想到將 Scaling Laws 應用於文字資料會產生指令跟隨能力。其中一個神奇的時刻涉及兩個產品：GitHub Copilot 和 ChatGPT。GitHub Copilot 出現得更早，基於類似 Codex 的模型。我們可以看到連續敲擊 Tab 鍵就能獲得程式碼補全。看到那一幕時我真的感覺這太瘋狂了，它就像是在補全你的想法，不僅僅是拼寫糾正，而是在高速補全你的思維。那是第一個突破。隨後基於指令跟隨能力，聊天功能出現了。只需稍微教模型一點關於如何對話的知識，它就能進行交流。這就是 GPT-3.5 和 ChatGPT 時刻，之後的事情就順理成章了。如果要總結一個教訓，那就是算力，或者說算力的對數規模就是智能。顯然我們需要變得更有效率，因為對數級增長並不是一件輕鬆的事，這並非獲取智能的最佳算力花費方式。但話雖如此，Scaling Laws 確實正在起作用。（關於情感模擬與認知核心）我認為歸根結底這是一個模仿遊戲。目前這些仍是需要解答的重大科學問題。也就是說，我們並沒有發現所謂的認知核心。Andrej Karpathy 最近提到的一個思維模型我認為很貼切：如果你真的想破解智能，需要扔掉所有資料。本質上你不能只是機械複述，必須扔掉所有的訓練資料，只保留學會的學習演算法。試想一下，嬰兒出生後通過體驗世界來學習。我們今天擁有的這種准機器有時確實在機械複述，但在複述的同時也擁有強大的模式識別能力。它確實具有某種我稱之為湧現的認知核心，這種核心與它擁有的知識混合在一起。如果能將模型的知識與其認知核心分離出來，那將是下一個重大的科學突破。順便說一句，如果能做到這一點，能源效率將會高得多。畢竟人腦的功率只有約 10 瓦。因此我們需要更多的科學研究來幫助我們理解擁有一個認知核心學習演算法意味著什麼。02 微軟的再造與“無所不學”的領導力你在公開場合多次提到微軟的轉型，這基本上是公司的再造，同時也是你個人的再造。那麼對於Microsoft 和你自己，最艱難的部分是什麼？在這個過程中，你自己是否也需要改變技能組合？你發展了什麼以前沒有的能力，還是說用完全相同的技能就能管理這場轉型？Satya Nadella:這是一個很棒的問題，對於我們所有人來說都至關重要。對我而言有兩點。Bill 在創辦 Microsoft 時最初的前提，對於我們過去 50 年的成功是一個非常有益的框架。他說有一場軟體革命即將發生。他在 1975 年沒有軟體行業的時候就說了這番話。當時只有 IBM、DEC 這樣的系統公司，還沒有 PC 概念，微型電腦革命也未發生，甚至不清楚是否會出現軟體行業。但他當時就認為軟體是最具可塑性的資源，我們要成為一家軟體工廠。這並不是關於建構作業系統、語言工具或 Office 軟體，這些都是隨之而來的。Microsoft 的道路一直蜿蜒曲折。大多數人不記得我們是先為 Mac 建構了 Office，後來才推出 Windows。我們的第一個工具是 Basic 直譯器，在 Windows 之前就建構了飛行模擬器。所以我們主要是一家軟體工廠，致力於建構世界需要的任何東西。這就是幫助我們度過 50 年的態度。即使技術從 PC 時代演變到雲時代，根本的遊戲規則始終是：你是一家偉大的軟體工廠。但現在，我們必須幫助像 Axel Springer 這樣的公司建立你們自己的軟體工廠。遊戲規則變了，無論我們做什麼，都需要讓每個公司建立自己的 AI 和軟體工廠。這是一個巨大的範式轉移。所以必須回到核心使命：我們代表什麼？我們關於信任和賦能的品牌形像是什麼？並用一種學習新事物的文化來加強它。我總是回歸到目標感、使命感和文化，並在技術和商業模式轉變的新世界中對其重新詮釋。（關於個人技能的重塑）我們經常引用兒童心理學和 Carol Dweck 的成長型思維概念。提到技能組合，我認為為了保持長期相關性，最重要的技能是你如何做一個無所不學的人，而不是一個無所不知的人。這是核心所在。特別是當你已經獲得成功時這變得更加困難，因為你必須忘掉那些讓你成功的事情去學習新東西。即使這個周末我也花了所有時間試圖理解新公司是如何建構產品的，這與我們過去的方式不同。我們的規模是巨大的優勢，但也是巨大的劣勢。這是一個巨大的劣勢，因為為了讓我在產品、科學和基礎設施之間協調，我有三個部門負責人分別管理。而在初創公司，他們可能全部坐在一張小桌子上協調這三者。重新學習在從舊世界到新世界中創造生產力的魔法，你必須這樣做。要做到這一點，必須擁有好奇的心態，能夠埋頭苦讀，不讓自我成為阻礙。這是一件艱難的事情。03 企業的未來不在於依賴通用模型，而在於建立自己的 AI 工廠那些公司將在AI 轉型中生存或受益？對於其他公司的領導者以及公司本身來說，需要什麼樣的技能組合？此外，你認為有一天會有完全由 AI 發明和運行的公司嗎？Satya Nadella:我認為需要更多討論的是：在AI 世界裡公司的未來是什麼？之前大家都在談論數字系統，如 Office、ERP、CRM 等，它們數位化了圍繞人、地點和事物的資產，加速了知識流轉。Andy Grove 曾說，任何公司的好壞取決於它創造新知識並將新知識擴散到整個組織的能力。數位技術曾對此起到了推動作用。現在 AI 帶來了另一個層面的推動。我認為今天真正的問題是 AI 時代一家公司的主權。如果一切都依賴於一個通曉所有的模型，那麼每個公司需要回答的問題是：我知道什麼是獨特的？更重要的是如何參與這個遊戲？如何確保不會迷戀某一個模型公司？現實世界中的每個領導者必須最關心的是：我是否有自己的AI 工廠，能夠建立自己的基礎模型？這不是關於慶祝別人的基礎模型。每個公司的未來將是某種獨特的基礎模型，代表了他們的知識並且持續改進。你們 Axel Springer 會想要建構自己的基礎模型，這對你們公司的知識和複利能力是獨特的。無論是在軟體、內容還是製造業，我們所有人都必須建立自己的AI 工廠，建立對我們需要獨特的基礎模型。（關於全自動 AI 公司）我認為那有點太牽強了，難以想像。如果有人說我們將擁有熄燈工廠，但實際上即便我的資料中心在建造安裝後可以自主運行，前期仍需要很多人。五年或十年後自動化水平會令人震驚，但依然需要人。我更相信宏觀授權和微觀引導這一新範式。我授權給一群 AI Agent，早上對它們說幫我做這項工作。它們去執行，一天結束時回來報告完成了什麼、那裡卡住了、那裡需要指導。所以我需要一個新的收件箱，處理的不是電子郵件，而是所有 AI Agent 的微觀引導資訊。軟體的未來將圍繞新的收件箱、消息工具和空白畫布上的新游標。人類將需要一個與 AI 的介面，即使隨著自動化水平增加，人類的能動性仍是非常重要的一部分。04 檢驗 AI 是否為泡沫的唯一標準大家都在談論生產力和效率，Gartner 的一項調查顯示，74% 的大公司 CFO 相信通過 AI 能獲得顯著效率收益，但只有 5% 的人已經看到了實際效果，你怎麼解釋這個差距？該調查還預測到 2027 年 40% 的企業 AI 項目將會失敗，這種懷疑主義來自那裡？此外，目前市場上似乎多了一些對AI 能成為“不可阻擋的增長引擎”的懷疑，甚至擔心這是否是一個泡沫。特別是考慮到 Sam Altman 曾被問及一家營收 130 億的公司卻承諾 1.4 兆投入的合理性，這種趨勢將如何發展？是線性的單向增長，還是會有修正期？Satya Nadella:實際上，這可能是導致所謂“企業競爭力分水嶺”的根本因素之一。僅就 Microsoft 自身而言，這正在帶來巨大的生產力變革。無論是在客戶服務、供應鏈營運，還是你提到的財務預測領域，實際上，這不再只是自上而下的推行，而是一場正在發生的自下而上的革命。它消除了繁瑣的機械性工作，提高了產出質量，並改善了工作流。舉個小例子：我們已經變成了一個資本非常密集的行業，正在建設大量的資料中心。我們在全球擁有 500 多家光纖營運商。光纖歸根結底是物理資產，會被切斷或出故障，需要人工修理。以往與光纖營運商的互動非常依賴人工，所以負責管理這些事務的內部團隊建構了一個完整的 AI Agent 系統來處理這一切。這是唯一的辦法。我們在過去 18 個月裡增加的資料中心容量相當於 Azure 最初 15 年的總和。這種規模相當驚人，我們管理它的唯一方法就是利用這些 AI 工具。回到你的觀點，Mathias，這對你的 Gartner 報告非常重要。我認為企業必須學習四五件事。首先是思維模式。這不是簡單地把 AI 加到現有的東西上，而是必須用 AI 來重新構想變革管理。在 90 年代，我們常談論“業務流程重組”，現在是時候重拾這種思維模式了。第二，你需要建立新的工具體系。這是我們可以提供的，但你必須裝備一套新工具並將其應用到新流程中。第三，你需要應用工具的技能儲備。對我來說這是組合拳。此外，還需要資料資產。資料不能受限於現有的孤島系統，必須跨多個系統進行標準化。因此，如果你能組合思維模式、工具體系、技能儲備和資料資產，並加以應用，這才是建構AI 系統的方式。如果你打算像處理去年的普通IT 項目那樣去處理它，註定會失敗。這就是為什麼我認為在經濟層面必須進行大量艱苦工作，重塑 IT 技能棧。這很難，因為它涉及變革管理。它需要開明的領導力，需要人們重新掌握技能，適當地界定項目範圍並選擇合適的項目。（關於AI 泡沫的看法）Mathias，我的思考方式很簡單。歸根結底，測試標準只有一個：它需要在整個經濟中產生廣泛影響，改變生產力曲線並帶來廣泛的GDP 增長。因為沒有什麼能跑贏經濟增長，任何供給側的變革最終都必須滿足需求側的需求。隨著時間的推移，這些必須見效。否則正如你所說，它將是一個泡沫。但我們有信心的原因不是基於想像的未來，而是因為未來已經到來，只是分佈不均。如果我沒有在 2019 或 2020 年看到 GitHub Copilot 的實際效果，我不認為我們會進行那些投資。我看到了 Copilot 在推理能力上的改進速度。就在這個周末，發生了一些令人難以置信的事情，甚至是在回覆一封電子郵件時。它不只是按下按鈕生成一些英語回覆，而是真的對問題進行了推理。感覺就像一個思想夥伴在和我一起工作，幫我向發件人提出精確的問題。這很神奇，可以加速一切。正是這種信心讓我們相信這些工具和技術正在產生真正的影響。看看我們的收入，上季度財報顯示 Azure 增長了 40%，這是基於龐大基數的真實數字。如果沒有這些，我們甚至沒有信心進行那些巨額支出。所以我完全同意你的觀點，它必須產生廣泛的經濟影響。技能集需要更加普及，回報不能僅限於某個大陸、某個行業裡的少數幾家公司，必須是一個更廣泛的現象。否則，這將是一條死胡同。我對這條道路充滿信心，但發展不會是線性的。因此，我們非常自律。我們在資本支出方面做的關鍵事情之一，是在全球建立一個通用算力叢集，擁有所有合規控制權，既可以用它來訓練，也可以用來推理，處理介於兩者之間的所有任務，並且跨越多個代際。你必須在投資方式上保持極強的紀律，取得穩步進展，最重要的是，確保技術真正擴散到全世界和每一個公司。05 OpenAI 與內部賽馬我很想聽聽OpenAI 和 Microsoft 之間的真實關係，過去幾年發生了什麼，目前狀況如何？但這中間是否存在競爭張力，這還算是夥伴關係嗎？在 AI 經濟中，夥伴關係的角色是否發生了根本性變化？此外，你似乎同時押注了 Sam Altman 和 Mustafa Suleyman 兩匹賽馬，且其中一匹必須幫助另一匹，從長遠來看這如何運作？Satya Nadella:首先，考慮到起點，這種感覺很棒。最初它是一個非營利研究實驗室，我們贊助了他們的工作，幫助他們擴大規模，顯然我們也從中受益。雖然在邊緣業務上存在競爭張力，但在核心層面，他們現在是一家非常成功的公司，我們是主要投資者。我們擁有IP 權益，可以在此基礎上進行創新。我們也有建立自己模型的雄心。總的來說，我感覺非常好。此外，我很高興我們還建立了世界上最大的非營利組織之一。OpenAI Foundation 和蓋茲基金會是兩個與 Microsoft 緊密關聯的非營利組織。（關於競爭張力）這最初是作為對研究實驗室的贊助開始的。你可以這樣想：OpenAI 今天與所有人競爭，包括 Google，在 Sora 上與 Meta 競爭，他們要開發裝置，所以也會與 Apple 競爭。某種程度上作為投資者，我很高興 OpenAI 擁有巨大的雄心並展示出進步。但歸根結底，Microsoft 完全有能力執行我們需要做的事情。（關於夥伴關係的變化）我認為更重要的是人們為什麼要合作？是為了獲得槓桿效應。這總是關乎垂直整合與專業化的問題。每個人都可以說“我要自己發電直到產出產品”，但歸根結底，專業化有其作用。只要能將夥伴關係和專業化結合起來，進行組合創新，從而做成獨特的事情並獲得槓桿效應，這就是核心論點，也是正和博弈。我最擔心的是：未來的製藥公司、媒體公司、汽車公司，如何以聰明的方式與科技公司合作，以保持自身能力的主導權？科技行業天生就有合作、專業化和差異化的基因。但我擔心其他行業不僅僅面臨資料隱私問題，更重要的是是否有能力編排多個合作夥伴，最終建立我之前描述的東西：你自己的 AI 能力，你自己的 AI 工廠。這將是關鍵。就像我們沒有所謂的“電力行業”，而是每個人都使用電力一樣，每個人也都將使用 AI 來創造增值輸出。（關於 Sam 與 Mustafa）更好的隱喻是：我們各自有一套產品，這是我們競爭的地方，但我們共享核心引擎。就像兩家汽車製造商共享底盤設計一樣，因為底盤設計具有規模經濟效應。我們在系統層面大量合作，包括建設 AI 工廠的計畫。這就像擁有兩個品牌、兩個產品。在我們的產品中，我們將同時使用 Mustafa 的模型和 Microsoft AI。我們有一個很棒的團隊並正在擴張。我們甚至可能使用其他前沿模型，因為我們不想受制於人。我們喜歡 OpenAI，擁有對其技術的免版稅訪問權，所以我們想最大化利用這一點。但歸根結底，我們也有很多方式來共享核心引擎部件及其供應鏈。Bill Gates 真的在你打算進行第一筆十億美元投資時警告過不要投資 OpenAI 嗎？如果是這樣，他後來道歉了嗎？Satya Nadella:不，你知道，Bill 像我們所有人一樣，認為那是一個瘋狂的賭注。老實說，決定投入十億美元在當時並不容易，因為它絕對是一個未知數。他和其他人一樣，懷疑這種針對文字的 Scaling Laws 是否會起作用。坦率地說，即使在起步階段，他也是相當懷疑的，直到 GPT-4.0。我們在他家裡做了一個著名的演示，他用自己的 MCAT 醫學測試等題目進行了測試。那就是他改變態度的時候。Bill 的核心信念更傾向於符號邏輯，他不是神經網路派的人。他之前不相信神經網路可以直接學習，而是希望用符號邏輯來學習人、地點和事物之間的關係。這是我第一次看到他轉變觀念。如果你有機會和他交談，他肯定還會說：“這很棒，但它需要一個基於符號邏輯的認知核心。”老實說，我認為他是對的。因為你不能只依賴一台雖然令人激動但不可預測、能力參差不齊的機器。如果在任務關鍵型系統中部署 AI，而它偶爾犯錯你卻不知道何時發生，那是非常成問題的。06 能源瓶頸：每瓦特每美元的 Token 產出率電力似乎正變得稀缺。例如在弗吉尼亞有一個47 吉瓦容量的資料中心計畫，大致相當於 47 座核電站。這個問題能多快解決？是靠現有的能源技術，還是需要像核聚變這樣快速的新創新？為瞭解決這個問題，AI 公司某種程度上需要變成能源公司嗎？那你最看重未來那種能源技術的發展？Satya Nadella:我認為這一觀點是正確的。我們需要真正的全方位創新。我們要做好那些基礎性工作，比如如何最佳化審批流程，使其更快、更好？如何加快建設速度？這不僅僅關乎電網現代化。我們能否採用部署更快的使用者側解決方案，並在上線的同時助力電網升級？我們如何在加快建設許可的同時，確保符合包括環保在內的所有法規？歸根結底，我所處的這個行業需要贏得消耗能源的社會許可，前提是我們能為世界帶來積極影響。畢竟這回到了你之前的問題。我們不能僅僅說“我要消耗全球 4-5% 的能源”。好消息是我們的起點很低。你看資料的話，目前大概是 3-4%，也許到本十年末會達到 5% 或 10%。大部分的能源增長都發生在這一領域，這也是為什麼我認為它帶來了巨大壓力。但這必須轉化為廣泛的經濟增長，這樣我們才能獲得消耗能源的社會認可。回到你的觀點，我們需要能源來源的創新，也需要在使用方式上的創新，即我所說的能效。在這個領域有很多工作正在進行。（關於 AI 公司是否轉型能源公司）我不這麼認為。我覺得這將是新價值鏈融合的另一個領域，在這個鏈條中會有巨大的創新和高度的專業化，並產生複利效應。或許有一兩個領域我們會做一些所謂的“使用者側”項目，看起來像涉足了能源業務。但我堅信，你不能垂直整合進每一個你不擅長且缺乏專業知識的領域。但針對你的觀點，換個角度想：我們作為超大規模雲服務商的能源承購需求，對於下一個偉大的能源企業家或現有的能源公司來說，可能是一個巨大的激勵因素。（關於看好的能源技術）坦率地說，目前我們簽署了一些核能購電協議，還要看具體進展如何。顯然我們目前也在利用各種形式的可再生能源。實際上，我們可能是全球最大的可再生能源承購方。因此我覺得我們不會對任何一種能源形式持教條主義態度。但我還要說的是，當我看資料中心帳單時，有趣的是我們在電網現代化上的投入也很大。因為最終，電網供電和穩定的基荷電力才是最重要的，所以我們需要多管齊下。我們必須談談歐洲，特別是德國棄用了核能，這是否限制了你們在歐洲的擴張計畫？德國應該重啟核能嗎？如果不回歸核能且沒有新技術，德國是否會錯過AI 帶來的價值創造？Satya Nadella:我不太清楚具體的細節，但我們正在德國建設資料中心。我們在德國需要能源，顯然我們將依賴德國的政策和德國生產能源的能力。因為歸根結底，我認為任何國家都必須衡量自己：如何能成為“每瓦特電力每美元成本生成 Token”的高效生產者？好消息是我們樂意投入資本。從某種意義上說，我們和其他公司會來建設資料中心，讓德國經濟從中受益。但問題是，你需要具備競爭力的“每瓦特每美元 Token”產出率，因為定價最終是本地化的。即使是德國公司，如果無法獲得最優定價，他們就會轉向荷蘭或其他價格更具優勢的地方。（關於德國是否應重啟核能）這不只是一個技術問題。所以與其由我來說，不如讓德國人民自己決定。但我會說，我認為擁有能源能力至關重要。看看美國，本屆政府關注的重點是確保有真正的能源上線。他們擔心兩件事：一是他們不想因為 AI 的新建設需求而增加美國公民的用電成本，二是我們如何建設更多能源以成為 AI 時代的領先者？我認為這是每個國家都需要做的事。（關於德國的機遇）我有幾點想法。你看德國，它很獨特。德國的競爭力不僅源於本土市場，更源於其遍佈全球的智慧財產權。我一直覺得德國很成功，德國本身是個大市場，應該成為 AI 工廠以及能源等領域的偉大生產者。但每次我去看珠寶商或牙醫，我都被德國中小企業的產品包圍。這讓我意識到德國的輝煌所在。這意味著德國更多是一個出口導向型經濟體，比人們談論的還要顯著。因此，坦率地說，對於德國在 AI 時代的競爭力，最重要的是：他們能否利用其世界級的專有技術，將其與 AI 結合，創造出更多世界級的技術、知識、突破和創新，並出口到世界各地？比如看我們的資料中心建設。西門子正在做的事情，以及他們如何真正成為關鍵的一環，我們與他們建立了數字孿生，看到他們推向市場的創新真是太棒了，例如能加速一切的冷卻解決方案。我認為所有這些都非常有利於德國的經濟增長。07 AI競賽中最終的贏家往往不是技術的發明者談到歐洲，你認為歐洲應該追求AI 主權嗎？還是說這是一個錯誤的目標？但讓我們現實一點，在 AI 競賽中，歐洲似乎並沒有扮演什麼關鍵角色。如果是這樣，歐洲難道不應該重新思考自己的策略嗎？Satya Nadella:我認為每個國家，無論是歐盟層面還是像德國這樣的國家層面，主權都是一個重要的考量。對美國也是如此。每個國家都想確保其供應鏈的連續性、韌性，以及在運作中的自主權。這也是我們做出所有這些承諾的原因之一。首先，我們在德國、在歐盟投入資本，承擔風險。這些AI 工廠或雲工廠不是坐落在美國，而是在歐洲大陸，在這些國家境內。這是第一點。第二，我們現在提供主權服務，無論是在公共雲中，確保所有資料受到保護、加密，即資料平面和控制平面都要是主權的。我們在德國甚至有主權雲和私有雲選項。所以基本上，我覺得無論是在技術側、治理側還是法律側，我們都建立了一個框架來履行主權承諾。但有一點我覺得很重要，大家都在談論這個。但我感覺主權的新篇章是我之前提到的那個，它與上述這些無關。它是關於：一家德國汽車製造商或德國工業公司，如何擁有他們自己獨特的 AI 工廠和基礎模型？對我來說，這才是主權的真正定義。而不是說“我有一個控制平面和資料平面，我可以把虛擬機器推送到那裡”或者“我有加密資料”。這些都很重要，但如果你做了所有這些，卻在公司層面沒有在 AI 世界中實現主權的能力，即擁有自己的模型，那麼我認為，這是主權的新前沿。（關於歐洲的角色與策略）關於這一點，我是Jeffrey Ding 學派的堅定信徒，該學派的核心觀點是技術的擴散。今天大家更多關注的是對某一種 AI 技術的炒作。但坦率地說，真正獲勝的國家將是那些能夠廣泛提升 AI 技能、並在經濟中廣泛應用 AI 的國家，包括醫療、製造、教育等領域，並以此推動經濟增長。甚至可以說，具有諷刺意味的是：最終的贏家可能不是技術的生產者，而是技術的使用者和擴散者。Jeffrey 的書很值得一讀，因為他的核心觀點是：歷史證明通用技術的關鍵不在於誰擁有領先的行業，而在於技術的擴散。如果你接受這個論點，我會說德國或歐洲可能成為大贏家，只要他們肯下苦功夫，真正把技術引進來，進行再技能化並加以應用。事實上，等到下次 Gartner 報告發佈時，如果報告說在使用 AI 方面成功率最高的公司是德國公司，那就是你可以大舉押注的那一天。08 人類的護城河：語境工程與 EQSatya，你說過技術越重要，同理心就顯得越發重要。這是不是你現在讓員工回歸 Microsoft 辦公室辦公的主要原因？但看起來人們確實比以往任何時候都更渴望面對面的互動，各種現場活動都在蓬勃發展。那麼，你是否認為這代表了一種文明的總體趨勢：隨著 IQ 逐漸成為機器的特長，EQ 變得比 IQ 更重要？Satya Nadella:其實這非常有意思。在這個充滿AI、自動化和自主智能體的時代，我們更需要意識到人類之間是如何協作的。事實上，作為最佳的協作工具，“實體工作場所”是無法被替代的。歸根結底，我們確實從遠端辦公中學到了很多關於異地協作的經驗，但確實有一種真實的感覺：如果不把大家聚在一起，就會失去一些東西。當我思考我所謂的“新生產函數”時，關鍵在於如何讓產品人員、科研人員和基礎設施人員以全新的方式真正協作，去建構產品。這正是迷人之處：AI 尚未學會必要的“語境工程”，而人類卻具備這種能力。我可以捕捉社交訊號，感知情感暗示，並將這些融入到我積累知識、協作和創新的方式中。所以我認為，物理空間確實很重要。但我並不教條，我們將始終保持更大的靈活性。正如你所說，同理心要求我們更好地理解語境，同時不要在任何一端過於極端。（關於IQ與EQ的博弈）我一直覺得 IQ 和 EQ 都很重要。Mustafa Suleyman 甚至喜歡談論社會智力，也就是 SQ。我認為所有這些在人類社會中都至關重要。事實上，如果我們要擁有能夠與人類互動的 AI，它們也需要進化出更好的感知力，懂得如何跨越這三個維度來滿足我們的需求。所以我認同這一觀點。IQ 有它的一席之地，但不是這個世界上唯一需要的東西。我一直認為，至少作為領導者，如果空有 IQ 而沒有 EQ，那簡直是對 IQ 的浪費。 (數字開物)

近日，在中歐EMBA三十周年慶典上，《連線》雜誌創始主編、《2049》作者凱文·凱利（Kevin Kelly）發表了主旨演講，用他一貫的睿智與溫度，為我們描繪了一幅關於AI（人工智慧）與人類未來的全景圖。從通用人工智慧的不確定性到智能體經濟的全新可能，從任務被取代到工作被重塑，從美國矽谷到“酷中國”的想像，他告訴我們，在充滿不確定性的時代，保持樂觀不是天真，而是一種責任；選擇相信未來會更好，才能真正創造出更好的未來。以下為演講實錄，有刪節。重要觀點在充滿不確定性的時代，最重要的不是預測未來，而是為未來做好準備。我們需要“異人智能”，因為它們能以全新的方式看待問題，提出人類未曾想到的解法。AI取代的是任務，而非工作。它讓人類更高效、更具創造力，而非被動失業。人類與AI的關係不是競爭，而是互補與協作。AI不是威脅，而是一面鏡子。它讓我們重新認識智慧的本質，也促使我們思考人之所以為人的意義。所謂“進托邦”，並不是一個完美的世界，而是一個每天都在變得更好一點點的世界。保持樂觀並非天真，而是一種基於歷史的理性判斷。樂觀不僅是一種態度，更是一種道德擔當。因為創新與進步，都需要建立在相信未來會更好的基礎上。未來不是“屬於”樂觀主義者，而是由他們創造的。正如當下由過去的樂觀主義者所塑造，明天也將由今天的我們來延續。未來最具競爭力的人，不是拒絕AI的人，而是能夠與AI協作、共創、共進的人。一個“酷”的人或國家，不是以力量壓服他人，而是以創造力和魅力讓他人想要模仿。AI與不確定性今天，我想分享的第一個主題是關於AI以及它的不確定性。提到AI，人們立刻會想到它背後巨大的未知。這種不確定性並不是因為誤解或資訊不足，而是即便全球最頂尖的專家，對未來的判斷也存在極大的分歧。在我看來，關於AI的未來，有三個關鍵的不確定性：第一，通用人工智慧是否可能實現？第二，未來計算的發展趨勢是中心化還是去中心化？第三，AI將對就業產生怎樣的影響？不確定性一：通用人工智慧是否可能實現？換句話說，我們能否真正創造出一種具備廣泛智能、能夠像人類一樣思考和學習的系統？答案是：我們還不知道。我們已經有了相關的理論，也投入了數十億美元的研究經費，但結果仍然不確定。也許未來並不會出現真正意義上的通用人工智慧，而是會出現成百上千種在特定領域中表現卓越的“弱人工智慧”。從能力的角度來看，一端是專用智能，另一端是通用智能。當前，大多數資金與資源都投入在通用智能的探索之中，許多大型公司都在押注這條路線。然而，在我看來，我們應該關注“人工智慧們”（AIs）。未來不會只有一種智能，而會有許多不同形態的人工智慧。我們將看到各種潛在的智能形態、不同的“腦結構”和思維方式。以DeepSeek、OpenAI為例，它們的模型其實都是由多個專業的弱人工智慧系統組合而成。換句話說，我們今天所看到的，是由不同“智能模組”共同運作的集合，而非單一的“通用智能體”。當我們談論智能時，不能僅以人類的認知方式為標準。不同的大腦與不同的學習結構，會產生不同類型的智能。某些動物在特定任務中比人類更擅長，而機器的優勢又體現在不同方面。由此可見，智能的多樣性本身就是自然現象。在這個廣闊的“智能空間”中，人類智能只是其中的一種形式。未來的AI，可能會出現許多“異人智能”（Alien Intelligences），它們以不同於人類的方式思考，但可能得出相同的結論。這種差異不是缺陷，而是一種優勢。我們需要“異人智能”，因為它們能以全新的方式看待問題，提出人類未曾想到的解法。因此，我相信，人工智慧的最終形態不會是一個單一的通用系統，而是一個由多種專用智能組成的復合網路。我們將生活在“智能的多樣世界”中。不確定性二：中心化還是邊緣化？第二個不確定性，是AI計算的發展方向。未來的人工智慧計算，將主要依靠中心化的雲端系統，還是更多地依靠邊緣與本地裝置？目前，大多數公司都押注在中心化的方向上。這一邏輯源自“縮放定律”，即模型越大、參數越多、訓練資源越充足，智能表現就越強。因此，我們看到大語言模型規模不斷擴大，晶片數量持續增長，模型的性能也似乎越來越強。然而，這種趨勢是否可持續？我們並不確定。更大的模型意味著更高的能耗和更龐大的資料中心，也帶來了集中化的控制問題。與此相對，另一種趨勢正在悄然興起：邊緣計算。事實上，目前全球約70%的計算發生在邊緣端：在手機、工廠、汽車、感測器以及家用裝置之中，都存在大量的本地計算活動。未來十年，隨著硬體性能的提升和模型最佳化的推進，越來越多的AI運算將轉移到邊緣裝置上。這種轉變帶來了非常顯著的優勢，邊緣計算響應更快，隱私保護更強，能耗更低，同時具有更強的獨立性。未來的智能裝置如機器人、智能眼鏡或自動駕駛汽車，將能夠在本地實現智能計算，無須依賴雲端即時指令。因此，在我看來，未來的AI計算架構很可能呈現“混合式”的格局：中心化的雲端運算與去中心化的邊緣計算共存，但主導力量將逐步向邊緣側轉移。這種分佈式結構，或許才是智能社會的真正形態。不確定性三：取代還是賦能？人工智慧究竟會提升人類工作的效率，還是會直接取代人類？專家們仍然沒有一致的答案。然而，從現有資料來看，人工智慧帶來的並不是失業，而是效率的提升。到目前為止，沒有證據表明AI導致了大規模裁員。實際上，在大多數情況下，AI幫助人們提升了生產力。研究顯示，日常使用AI的員工平均效率提升約25%。AI的引入改變了工作的結構，但並沒有讓工作消失。它讓人們從重複、標準化的任務中解放出來，專注於更具創造性和判斷力的工作。在這種意義上，AI不是替代人類，而是擴展人類的能力。以客服行業為例，過去由人工接聽的任務，如今由AI客服承擔。AI系統可以全天候工作，而人工客服則負責監督、最佳化和處理複雜問題。結果是服務效率提升，顧客體驗改善，同時創造出新的崗位，如AI培訓師、系統監管員、演算法評估師等。AI並沒有減少工作崗位，而是改變了工作的性質。正如一個工作是由多項任務組成的，AI可以取代部分任務，但無法取代“工作”本身。因為工作不僅僅意味著執行，更意味著責任、判斷與創造。AI擅長執行，卻無法承擔責任；能生成內容，卻缺乏自我學習的意識。因此我們可以說：AI取代的是任務，而非工作。它讓人類更高效、更具創造力，而非被動失業。人類與AI的關係，不是競爭，而是互補與協作。面對這三大不確定性，我們無法給出確切答案，但這並不意味著我們應當恐懼未來。相反，我們應該以開放的心態、靈活的策略去適應變化，擁抱更多的可能性。人工智慧的發展方向或許是多樣的，甚至彼此充滿矛盾，但唯一可以確定的是，AI將持續演化。它可能改變產業結構，重塑工作方式，也可能引發倫理、文化與社會層面的再思考。在這種不確定的時代，最重要的不是預測未來，而是為未來做好準備。我們無法決定AI將成為什麼樣的存在，但我們可以決定自己以怎樣的態度去面對它。保持學習的能力，保持理解的深度，保持對未知的敬意，這是人類在智能時代最大的優勢。AI的前沿與未來方向在理解了人工智慧所帶來的不確定性之後，我們更需要思考未來的AI將如何演進，接下來的5~10年它的發展重點會是什麼。我認為，未來AI的創新將主要體現在四個前沿方向上：符號推理、空間智能、情感智能以及智能體。這些方向不僅代表技術的延伸，更意味著智能的多維化與專業化。未來的AI將不再是單一的模型，而是一系列不同類型智能的組合。一 符號推理：結構化智能的回歸在人工智慧的發展歷史中，符號推理是最早出現的一類智能形式。它強調通過邏輯規則、因果關係和結構化表達來理解世界。而如今，我們使用的大語言模型大多基於神經網路。這種模型雖然非常強大，但主要依賴海量的資料與統計學習。它們可以模仿語言，卻並不真正理解邏輯，也不具備深層的推理能力。這些神經網路是“扁平的”系統，內部缺乏明確的結構與層次。它們能夠生成流暢的語言，解決部分問題，卻無法像人類那樣進行“推理”或“規劃”。因此，許多研究者認為，人工智慧要實現更高層次的認知，必須引入結構化推理機制。換句話說，未來的AI需要結合自下而上的神經網路學習與自上而下的邏輯推導，讓這兩種智能模式形成互補。人類大腦正是這種多重智慧型手機制的複合體。我們擁有注意力、歸納、演繹、長期記憶、情緒調節與規劃等不同的認知系統。AI若要向更複雜的智能邁進，也必須整合這些不同的能力。因此，未來的AI研究，不僅要追求更大的模型規模，更要探索如何在“推理”“學習”“規劃”“情緒”等不同智能模組之間建立平衡與協同。我們可以把智能想像為一種複合物，由多種元素構成：推理、模擬、學習、語言、感知、記憶……這些能力的合理組合，才可能構成真正的“通用智能”。每個智能體都需要在速度、精準性、記憶和能耗之間做出權衡，無法面面俱到，這正是未來AI研究的關鍵挑戰，即如何在複雜性與效率之間取得平衡。二 空間智能：讓AI理解真實世界目前的大語言模型在知識層面非常強大，但它們對現實世界的理解是很有限的。這些模型通過閱讀文字學習，而非在真實世界中體驗。它們知道“人類說了什麼”，但不知道“世界是怎樣的”。因此，我們需要讓AI具備“空間智能”，具備能夠在真實世界中行動、感知、理解的能力。空間智能是讓AI真正脫離文字的關鍵。未來的AI不僅要能“說”，還要能“做”；不僅要能“計算”，還要能“觀察”。例如，自動駕駛汽車需要理解道路結構、物體距離與物理規則；機器人需要三維空間識別、物體感知、理解力等。這類能力無法僅僅通過語言模型來獲得，必須通過與現實世界的互動來學習。未來的AI訓練，不僅會基於文字，還會基於物理、化學、生物等多維的資料。我們可能會擁有“大物理模型”“大化學模型”“大生物模型”，它們不再只是語言專家，而是“世界專家”，能夠通過真實資料理解世界運作的方式。這種趨勢也將催生新的互動方式。比如“智能眼鏡”，它能夠在佩戴者的現實視野中疊加虛擬資訊，為人提供導航、提醒或反饋。通過增強現實（AR）與混合現實（MR），AI將不再侷限於螢幕之中，而是會進入我們的日常環境。這種與現實的融合，將推動AI真正進入“空間化”階段。此外，AI還可以建構“數字孿生體”，在虛擬空間中複製現實世界的環境、流程與系統。未來的家庭、工廠乃至城市，都可能擁有自己的數字孿生體，由AI進行監測與管理。這樣一來，我們不僅能預測現實中的問題，還能在虛擬世界中提前最佳化解決方案。空間智能的核心，是讓AI真正理解世界的運行方式。只有當AI掌握了物理世界的規律，它才能安全地與我們共存。三 情感智能：讓AI具備共情能力長期以來，人們認為情感屬於人類的專屬特質，而智能只是理性計算的結果。但事實上，情感與智能密不可分。情緒是人類決策的重要依據，也塑造了我們的社會行為。未來的AI，也必須具備理解與回應情感的能力。機器完全可以被程式設計來識別人的情緒，甚至表現出情緒。AI可以通過語音語調、面部表情、文字內容來判斷一個人的情緒狀態是驚訝、悲傷、憤怒還是恐懼。它可以據此調整自己的語氣與行為，展現出共情式的回應。例如，一個AI玩具可以察覺到孩子的情緒變化，在孩子傷心時安慰他或者問：“今天上學怎麼樣？”這種人機互動，會逐漸建立情感聯結。這種關係並不是虛假的。正如人類與寵物之間的情感是真實的，即使動物不具備語言；未來，人類與AI之間的情感聯結也將是真實的。我們可能會像對待寵物一樣，對AI產生情感依附。AI可以成為夥伴、諮詢師甚至“數字朋友”。這類情感互動，將在人類社會中產生深遠影響。AI將參與到教育、心理健康、陪伴、康復等領域，成為人類情感網路的一部分。人類的孤獨，或許會因此得到某種緩解。但與此同時，這也將引發新的倫理問題，當機器能“理解”我們的情感時，我們該如何定義真實與虛擬的界限？四 智能體：從工具到夥伴智能體不同於傳統的軟體程序，它能夠代表人類執行任務，甚至與其他智能體協作。它們可以是具象的，如機器人、虛擬助手，也可以是隱形的，如自動交易系統、後台資料分析引擎。未來可能會存在數以兆計的智能體在全球範圍內運作。一個智能體可以招募另一個智能體，共同完成任務，就像人類的分包體系一樣。它們形成網路，相互協作、相互支付，構成一個龐大的智能體生態系統。智能體的理想狀態，是無形的智能。也就是說，它們默默地工作於後台，自動完成任務，而人類幾乎察覺不到它們的存在。正如電力或網際網路，只有當系統出現故障時，人們才意識到它的存在。成功的科技往往是隱形的，而AI也將走向這種透明的存在狀態。更重要的是，未來的智能體之間將形成一種新的經濟體系——智能體經濟。智能體可以彼此簽約、分工、支付。在這個體系中，最有可能成為它們交易媒介的是穩定幣，因為穩定幣能夠支援安全的小額支付，並適應機器之間的自動交易。但隨之而來的，是信任問題。一個智能體如何信任另一個智能體？如何防止欺詐、核驗任務完成情況？這些問題都需要新的信任機制來解決。這將是一個巨大的創新機會，未來誰能發明出適用於智能體世界的信任技術，誰就可能掌握AI經濟的基礎設施。當AI技術逐漸成熟，它將像電力一樣，成為一種可自由流通的資源。未來我們將按需購買智能，就像購買電力、水或網路頻寬一樣。AI會無處不在，廉價且易得。真正的競爭焦點，將不在於AI本身，而在於人與AI之間的介面。誰能讓AI使用得更自然、更直觀、更個性化，誰就擁有了未來的優勢。介面的易用性將成為新的創新前沿。AI的普及不會一蹴而就，而是一個漸進式的變革過程。從現在開始，AI的發展將經歷長達十年的吸收與整合期。在這段時間，人類將逐步學會與AI共事、調整組織架構與文化體系。我們的工作方式、管理邏輯、績效指標，都必須重新設計，以適應這個人機共生的新環境。AI的出現，不只是引入一個工具，更意味著一次文化重構。它將改變我們對生產力的定義，也將改變企業和社會的運作方式。真正的挑戰不在技術層面，而在於人類如何重新學習與智能共處。AI與就業、產業和組織變革人工智慧的發展，正在以一種深刻而漸進的方式重塑人類的工作與組織形態。它不僅改變了任務執行的方式，更在重新定義工作的本質與價值。AI的到來並非一場突然的革命，而是一場持續的演化。理解它的節奏與邏輯，才能更好地與之共生。一 AI的擴散節奏：從探索到整合AI的應用不會在短期內全面取代傳統體系，而會以漸進的方式滲透進社會的各個層面。未來十年，將是人類與AI相互適應的關鍵階段。這場轉變不僅涉及技術層面，更是組織與文化的變革。為了有效引入AI，企業必須重新設計工作流程，調整績效體系，重構決策結構。我們過去的工作系統是為人類員工設計的。而在未來的組織中，AI將成為團隊成員，需要在文化與結構上為它預留空間。這種調整併非易事，但正如工業革命時期電力改變了生產結構，AI也將推動管理與協作方式的根本轉變。在這場轉型中，小型和初創企業往往走在前列。它們規模靈活、結構扁平，能夠快速試驗與調整。相較之下，大型企業因流程複雜、層級較多，對AI的吸收速度會更慢。但無論企業大小，AI的融入已是不可逆的趨勢。二 AI的兩種應用形態：產品與能力在企業內部，AI的應用可以分為兩種類型。第一種是AI產品，即公司直接生產或銷售基於AI的產品和服務；第二種是AI內部應用，即企業在自身的營運與決策中使用AI，提升效率與創新能力。現實中，AI的內部應用往往發展得更快。許多公司並不直接生產AI，但已在流程管理、客戶服務、市場預測、風險分析等環節中廣泛引入AI工具。這種看不見的AI正在成為新的生產力來源。類似的情形，曾經在電力革命中出現過。當電力被發明時，最初並未立即改變工廠結構，但當工廠開始重新佈局以適應電動機的分佈時，整個工業體系發生了質變。AI正處在類似的階段，它不僅帶來了新產品，而且會引發組織形態重構。當知識與智能被系統化嵌入企業，部門邊界會逐漸模糊，協作將更加靈活，創新速度將顯著提升。三 AI的行業影響：知識密集領域首當其衝AI首先影響的，是那些以知識為核心的行業。軟體開發、市場行銷、醫藥研發、教育、金融與保險等領域，已經成為AI滲透的前沿。這些行業具有一個共同特徵：資訊密集、語言驅動、邏輯清晰，正是AI擅長的領域。以客服為例，AI客服的出現並沒有造成崗位的大規模消失。相反，AI系統承擔了大量重複性的溝通任務，而人工客服則專注於處理複雜問題與客戶關係維護。AI的加入，使企業能提供更長時間、更高品質的服務，同時催生出新的職位，如“AI客服監督員”“互動體驗最佳化師”。這種趨勢在翻譯、內容創作、教育輔導和金融分析等行業中同樣明顯。AI的角色，不再是“人力替代”，而是“人力增強”。它接管了任務，卻保留了工作的價值。這種“任務替代—工作重組”的邏輯，正成為AI時代勞動結構的核心特徵。四 技術轉型的經驗法則：三次試驗企業在引入AI的過程中，常會經歷一個“三次試驗”規律。第一次嘗試通常代價高昂、失敗率高；第二次嘗試成本降低，但效果仍很有限；直到第三次嘗試，成本顯著下降，應用才會真正成熟。這種規律不僅適用於企業，也適用於個人。在AI應用的早期階段，失敗幾乎是必經之路。要想真正掌握新技術，必須通過反覆試驗與學習。因此，“先失敗，再成功”是AI時代的必修課。五 工作的重組：任務消失，工作猶存AI不會讓工作消失，但會讓任務消失。每一份工作都是由若干具體任務構成的，AI接管的是那些規則明確、可預測、可重複的部分。但一個完整的工作往往包含責任、判斷、創造和人際互動，這些仍然是人類獨有的能力。醫生、教師、律師、設計師、程式設計師等職業將經歷同樣的演化，AI將成為他們的協作夥伴，而不是替代者。人類與AI的結合，將遠比單一的人或機器更強大。例如，AI醫生能夠快速診斷疾病、檢索文獻、提供治療方案，但真正的醫療判斷仍需人類醫生來完成。最理想的模式，是“人類醫生+AI醫生”的組合：AI提供知識支援，人類提供倫理判斷與同理心。同樣，在教育領域，“教師+AI助教”的形式將成為主流。AI可以提供個性化的教學反饋，而人類教師負責引導學生思考、激發創造力。未來的理想團隊，不是全人類團隊或全AI團隊，而是“人機協作團隊”。這種協作將重塑職業結構，使人類的核心競爭力回歸創造、判斷和情感領域。六 AI與責任：人類的不可替代性人類在工作中承擔三項職能：執行任務、承擔責任、持續學習。AI目前僅能承擔任務執行。它可以生成內容、完成計算，但無法承擔責任，更缺乏持續學習的能力。當AI出錯時，它不會道歉，不會補償，也不會感到內疚，責任始終屬於人類。因此，隨著AI的廣泛應用，人類承擔責任的價值反而會被重新強調。與此同時，AI的學習是間斷的。它依賴定期訓練和模型更新，而不是即時的、自我導向的學習。人類的學習則是持續的、動態的、基於情境的。未來AI研究的一個重要方向，就是探索持續學習的可能性，但目前這仍是一個尚未解決的難題。正因如此，人類的自我學習能力和責任意識，仍然是AI無法企及和擁有的核心特質。這也意味著，在可預見的未來，人類不會被AI淘汰。我們不會因為AI而失去工作，但可能會因為不會使用AI而失去競爭力。七 AI與創造力：登山與造山創造力是人類智慧的最高體現。在AI領域，我們可以把創新分為兩種：一種是“登山式創新”，即在既有的框架內不斷最佳化，追求更高的效率。另一種是“造山式創新”，即創造出全新的領域和問題。AI擅長“登山”，在既定問題中尋找最優解；但“造山”仍是人類的領域。AI可以在資料中發現模式，卻無法提出全新的問題。而人類的創造力，恰恰體現在打破舊有框架、建立新秩序的能力。科學史上，從DNA雙螺旋的發現到量子力學的誕生，每一次重大突破，都來自這種“造山”的創造力。AI或許能在未來的某一天實現這種能力，但至少目前還遠未達到。在可預見的時代，人類仍是意義與創造的源泉。總體而言，人工智慧帶來的未來不是被取代的未來，而是被賦能的未來。任務會被重新定義，職業會被重新組合，組織會被重新塑造，但人類不會被淘汰。相反，我們將因為AI而更加聰明、高效和具有創造力。AI不是威脅，而是一面鏡子。它讓我們重新認識智慧的本質，也促使我們思考人之所以為人的意義。未來最具競爭力的人，不是拒絕AI的人，而是能夠與AI協作、共創、共進的人。正如電力點亮了工業時代，AI也將點亮智能時代。這場變革已經開始，而我們每個人都是參與者。樂觀主義與“進托邦”在理解人工智慧的不確定性之後，我想談談第二個主題：保持樂觀的重要性。我們正生活在一個充滿劇變的時代，AI正在重塑世界的規則，也引發了人們的焦慮與擔憂。但在我看來，保持對未來的樂觀，不僅是一種選擇，更是一種道德責任。只有相信未來可以更好，我們才有動力去創造它。一 為什麼要保持樂觀每天，我們都被各種壞消息包圍。新聞報導、社交媒體、影視作品，幾乎都在傳遞一種共同的情緒：未來正在變糟。而在所有描繪未來的科幻作品中，AI幾乎總是反派角色，它控制人類，毀滅文明，取代創造者。這樣的敘事長期影響著我們，讓人們在潛意識中將AI與危險、失控、陰暗聯絡在一起。但現實並非如此。在科技史上，很多重大創新都曾被質疑、恐懼、反對，無論是電力、印刷術、網際網路還是基因技術都是如此，但它們最終卻極大地推動了人類文明的進步。我們需要新的敘事，需要一種關於希望的想像力。人類必須先想像出一個美好的未來，才能真正去創造它。這就是樂觀的重要性：它不是盲目相信，而是主動設想一個更好的世界。因為只有這樣，才有可能實現它。二 從烏托邦與反烏托邦到“進托邦”長期以來，人類在想像未來時總是在兩個極端之間搖擺：烏托邦與反烏托邦。烏托邦（Utopia）是完美無瑕的理想世界，但是靜止的、封閉的、無聊的。它不可能實現，也不值得實現。而反烏托邦（Dystopia）則充滿絕望，機器統治，人性泯滅，社會崩壞。這種極端的悲觀敘事，雖然在文學與影視中令人震撼，但它削弱了我們的想像力，讓人們失去了改造未來的勇氣。因此，我提出一個新的概念——“進托邦”（Protopia）。所謂“進托邦”，並不是一個完美的世界，而是一個每天都在變得更好一點點的世界。“進”代表進步、前進、演化。它意味著世界並不完美，但每天都比昨天要好一點。如果我們能夠讓世界每天進步1%，讓創造多一點，破壞少一點，那在十年、二十年、五十年後，我們將生活在一個截然不同的文明之中。這種緩慢但持續的改進，就是進托邦的邏輯。三 漸進的希望：1%的力量進托邦不是幻想，而是一種統計學意義上的現實，人類過去兩百年的發展已經證明了這一點。我們的壽命變得更長，教育被普及，疾病減少，能源效率提高，資訊傳播速度之快前所未有。而在中國，這種進步更為顯著。過去四十年，中國以令人驚嘆的速度實現了社會與經濟的躍升。這些事實告訴我們，持續進步是人類文明的常態。即便未來步伐會放緩，即便存在周期性的波動，從長遠看，世界仍在向前。所以，保持樂觀並非天真，而是一種基於歷史的理性判斷。從機率上講，未來繼續改善的可能性遠大於全面倒退的可能性。樂觀並不是忽視問題，而是相信問題可以被解決。悲觀只會帶來退縮，而樂觀會驅動創造。正如投資複利的奇蹟，1%的持續進步，最終將帶來指數級的改變。四 想像力的力量：從《星際迷航》到智慧型手機沒有想像力的未來，不會自動變好。樂觀不是被動等待，而是主動想像。舉一個例子，在20世紀的科幻劇《星際迷航》中，角色使用的通訊器，啟發了後來矽谷工程師設計早期的智慧型手機。當時那只是虛構的道具，但它激發了現實世界的創造。無論是飛機、電腦、網際網路還是燈泡，它們都不是偶然誕生的，而是源於某個人心中的設想。人類的每一次偉大發明，都是由樂觀主義者推動的。因為他們相信不可能的事可以實現。想像力與樂觀，是所有創新的前提。正如歷史由過去的樂觀主義者塑造，未來也將由今天的樂觀主義者創造。五 樂觀是一種選擇，也是一種責任樂觀不是天生的性格，而是後天的決定。我們可以選擇恐懼，也可以選擇希望。樂觀，是我們面對未知時做出的積極選擇。更重要的是，樂觀不僅是一種態度，更是一種道德擔當。因為創新與進步，都需要建立在相信未來會更好的基礎上。如果沒有人相信未來可以變好，就不會有人去發明新技術、改進制度、探索科學。世界需要樂觀者。他們是社會的建設者，是推動文明前行的力量。我們今天所享受的一切，都源自過去那些對未來充滿信念的人。他們在當時也面臨質疑、挫折、風險，但他們選擇了樂觀，選擇了去創造。而我們現在所要做的，就是繼續這場信念的接力。我們要成為好的祖先，為子孫後代留下一個更好的世界。未來幾代人將生活在我們今天創造的現實之中，他們或許會感謝我們，因為我們在一個充滿不確定的時代，仍然選擇了樂觀。六 樂觀的複利：成為塑造未來的人我相信，未來的歷史學家回望今天時，會說：“21世紀20年代的人們，仍處在AI發展的初期。”我們才剛剛開始。就像25年前，人們還未曾想像智慧型手機、社交網路或雲端運算會徹底改變生活一樣，今天的AI也才剛剛踏上征途。真正的未來，尚未被書寫。而書寫未來的筆，仍握在人類手中。所以，不要害怕不確定性。不確定性不是威脅，而是機會。它提醒我們，未來並非命定，而是可以被設計、被改進、被創造的。樂觀不是天真，而是一種勇氣。它讓我們在面對未知時，仍願意前行；讓我們在失敗後，仍敢於嘗試；讓我們在變化之中，保持創造的激情。未來不是“屬於”樂觀主義者，而是由他們創造的。正如當下由過去的樂觀主義者所塑造，明天也將由今天的我們來延續。樂觀並不能保證成功，但悲觀幾乎註定失敗。在充滿不確定性的時代，選擇樂觀，就是選擇成為推動歷史向前的人。中國的未來與“酷中國”在演講的最後，我想談談中國的未來與前景。在全球範圍內，人們常常以競爭的視角看待AI的發展：誰會成為最後的贏家？中美之間的科技競賽誰將領先？但我不想從這個角度去討論。我更關心的是另一個問題：中國能否引領潮流？換句話說，中國能否變得“酷”？一 何謂“酷中國”所謂“酷”，是一種無須炫耀的吸引力。一個“酷”的人或國家，不是以力量壓服他人，而是以創造力和魅力讓他人想要模仿。“酷”意味著自信與從容，它是一種柔性的影響力。一個“酷”的國家，擁有別人想學習、想靠近的特質；它能夠激發世界的想像力，讓人們願意走近、理解甚至融入。在我看來，中國完全有機會成為這樣一個國家。未來的“酷中國”，將通過三種方式展現自己的吸引力：卓越的產品、強大的文化輸出以及具有魅力的城市。二 卓越的產品：創造世界想要的“中國製造”首先，中國可以繼續創造全世界都想擁有的卓越產品。這種產品不僅意味著高品質，更意味著創新與設計的領先。它們能讓全球的消費者主動攢錢購買，就像人們曾為iPhone排隊一樣。設想一下，未來25年，中國有可能推出一些改變世界的新技術：全球最優秀的自動駕駛汽車、最具突破性的廣譜抗癌疫苗、最先進的智能工廠系統。中國擁有龐大的工程師群體、完整的製造體系與強大的資料資源，這些都是支撐創新的基礎。比如，中國未來或許不僅出口商品，還會出口“工廠”本身。當中國的工廠實現全自動化後，它們可以被打包輸出，運往世界各地，實現就地製造。這將意味著從“製造產品”到“製造生產力”的躍遷。在我看來，在2030年之前，中國很可能生產出世界上最頂尖的AI晶片。而在太空探索方面，中國也有極大機會率先重返月球。這些突破不僅會改變科技格局，更將重塑全球對中國創新的認知。三 文化的輸出：軟實力的崛起除了產品，中國還可以通過文化塑造影響力。美國曾憑藉好萊塢電影、爵士樂、搖滾樂、流行文化，贏得了全球的心。同樣，中國也完全具備成為文化輸出大國的潛力。當中國的故事、中國的美學、中國的生活方式被世界理解和欣賞，中國的軟實力將真正崛起。這種文化影響力並不依賴政治或經濟，而是通過創造力與情感的共鳴來傳播。未來，也許會有越來越多的人被中國的創意、審美與敘事吸引。那時的中國將是一個“酷”中國，一個讓人們自然而然地想要瞭解、學習和模仿的中國。四 魅力都市：科技與人文的融合第三種讓一個國家變“酷”的方式，是打造具有全球吸引力的城市。一個城市的魅力不僅來自建築和經濟活力，更來自它能否激發人們的好奇與歸屬感。我相信，未來25年，中國將繼續建設一批引領世界的“魅力都市”。這些城市將以綠色科技、開放文化和高效治理為特徵，它們將吸引著世界各地的遊客、創作者和企業家前來。人們會說：“我想讓我的城市像上海、深圳、杭州那樣。”他們會願意一次又一次地回來，因為這些城市不僅現代高效，更具創造力與人文溫度。五 工程師之國：資料驅動的優勢我一直認為，中國的一個重要特質，是它是一個“工程師之國”，而美國則是一個“律師之國”。這兩種結構的差異，意味著在AI時代，中國擁有獨特的優勢。工程師文化強偵錯驗、執行和問題解決，而不是爭辯與推諉。在一個以資訊為基礎的社會裡，這種文化尤其重要。中國在政策制定、技術落地和產業整合方面，能夠以資料為依據，以證據為導向，而不是依賴意識形態或直覺。這將幫助中國更快地建設一個“AI驅動的社會”，一個通過資料理解自身、通過反饋最佳化決策的社會。六 資訊社會的挑戰與平衡當然，一個以AI和資料為基礎的社會，也將面臨新的挑戰。未來的裝置與螢幕，將記錄我們的每一次操作、每一個眼神、每一個選擇。你在看螢幕的同時，也在被看。我相信，未來的技術趨勢將是“凡可追蹤之事，皆會被追蹤”。這是一種無法避免的技術演進。關鍵不在於是否可以停止，而在於如何建立平衡與信任。我們需要讓資訊流動成為雙向的。在個體的資料被蒐集的同時，個體也應有權審視系統，去監督那些監督者，去追蹤那些追蹤者。只有當監控與監督形成互相制衡，個體才能在資訊社會中保持安心，這是建立數字信任與社會公正的基礎。七 隱私與個性化的權衡在未來的智能社會中，隱私與個性化之間的矛盾將越發突出。如果你想獲得高度個性化的服務，就必須提供更多個人資料；但如果你想完全保有隱私，就只能接受標準化的對待。這是我們無法迴避的權衡。如今，人類社會正在向“個性化與透明化”的方向傾斜。人們越來越願意犧牲部分隱私，以換取便利與精準體驗。這種趨勢正在推動著社會更加資料化、可觀察化。我們需要建立清晰的規範，讓資料的使用既安全又有益，讓個體知道自己所提供的資訊用於何處、被如何使用、是否被濫用。只有當資料流動變得透明、可追責，個體才能真正受益於技術，而非被技術控制。八 AI賦能的公正社會我相信，在AI賦能的未來，中國有機會建構一個更加公正、廉潔、高效的社會。AI的應用可以幫助社會更精準地識別問題、更快速地做出決策、更公平地分配資源。中國在綠色能源、智慧城市和社會治理方面，已經展現出強大的創新能力。未來25年，中國完全有機會在這些領域繼續領跑世界。一個以AI為核心、以人本為原則的社會，將成為新的“中國模式”，一個科技與人文並重、理性與溫度平行的社會。九 成為“酷中國”“酷中國”並不是一種理想化的幻想，而是一種現實的可能。它意味著一個充滿活力、自信開放、具有創造力的國家。它的“酷”，來自創新的產品、獨特的文化與包容的城市，也來自它在技術倫理與社會公正方面的平衡。中國完全可以選擇這樣一條道路：既快速發展，又堅守人文精神；既擁抱AI，又堅持以人為本。一個既高效又公正、既現代又溫暖的社會，將是21世紀最令人嚮往的中國形象。未來的“酷中國”，將不靠權力贏得世界，而靠吸引力贏得世界。它的影響力不會來自強制，而來自共鳴；不會來自對外擴張，而來自內在的創造力。十 願景與責任我所談的，並非對未來的預測，而是一種可能的方向。未來是可以被創造的。“酷中國”的實現，並不依賴運氣，而取決於選擇。未來25年，只要中國能夠堅持以創新為驅動，以開放為姿態，以責任為底線，塑造一個讓世界尊重、信任甚至羨慕的“酷國家”，它就能夠在未來全球格局中成為引領潮流的文明力量。 (藍血研究)

近日，華為發佈《智慧世界2035》報告，以134頁內容勾勒出未來十年的科技藍圖。這份報告不僅包含諸多震撼預測，更藏著一般人應對變革的行動方向，值得每個關注未來的人深入理解。十大趨勢，深度融合報告中，華為明確了驅動未來變革的十大技術趨勢。通用人工智慧將走出實驗室，從虛擬走向現實，在工廠、醫院等場景解決實際難題；AI智能體將成為人類的決策夥伴，未來每個人可能擁有100個AI智能體；人機協同編程會成為主流，多模態互動則會模糊數字世界與現實的界限。同時，移動互聯網將從APP時代升級到智能體協同時代，聚身智能將帶動兆級新產業，算力架構會迎來突破性變革，數據將成為AI的“新燃料”，網絡連接會從人擴展到海量智能體，能源管理也將實現全面智能化。這十大趨勢並非各自為戰，而是圍繞著數據、算力、網絡、能源四大核心深度融合。它們將共同推動社會生產方式與生活方式發生質的飛躍，讓「未來已來」不再是口號。三大領域：顛覆性變化在日常生活中，2035年超過九成家庭會擁有智能手機器人，家務、採購甚至老人照顧都能由AI管家完成。全息投影會讓家變成私人劇院或遠端辦公空間，智慧廚房能自動烹飪，智慧安防則時時守護居家安全，生活品質將實現全方位升級。醫療健康領域的變革同樣值得期待。01. 醫療AI未來/ INNOVATION目前AI已能分析醫學影像，在CT、MRI中精準定位腫瘤，精準率超95%；未來，AI還能結合基因資訊與即時體徵資料，為患者定製個性化治療方案，預測慢性病風險，讓多數疾病在早期被發現處理。穿戴式裝置、遠端醫療、智慧分診將普及，生物3D列印甚至可能解決器官移植短缺問題，工作模式也會被徹底重塑。02. 工作智能化/ INNOVATION2030年前後，幾乎所有大公司都會採用AI驅動的決策系統，雲端服務與智慧自動化將成為標配。以軟件工程師為例，70%的日常編碼工作會由AI完成，人類會更專注於創新與協調。虛擬協作工具會讓遠端溝通如面對面般順暢，新職業不斷湧現，崗位內容面臨重新定義。普通人的機遇挑戰與準備維持終身學習心態，提升跨界能力，在智慧社會中找到獨特價值。通往2035智慧世界的道路並非一帆風順。通用人工智慧落地需跨技術門檻，要理解真實世界、處理複雜因果關係；算力需求將暴漲10萬倍，傳統晶片與架構難以滿足，需要新硬體、新計算範式及巨額投資。 資料安全與隱私風險也會隨之增加。量子計算可能讓現有加密演算法失效，物聯網裝置易遭駭客攻擊，深度偽造技術會讓網路詐騙更隱密；AI決策的「黑箱化」還會引發倫理爭議與責任界定難題，這些都需要透過完善資料治理與道德規範來解決。對一般人而言，應對變革的關鍵在於三點：01. 主動學習/ INNOVATION主動學習AI與智慧科技基礎知識，多嘗試新工具、新平台，避免被技術浪潮淘汰。02. 重視資料安全/ INNOVATION要重視資料安全，學會管理數字身份，合理授權個人資料。03. 終身學習心態/ INNOVATION華為在報告中強調，實現智慧世界藍圖，不僅需要技術進步，更需要社會規範、倫理標準與國際合作，同時要推動綠色能源與AI深度融合，始終將人的利益放在第一位。 未來十年的智慧變革已拉開序幕，每個人都能成為這場變革的參與者。希望我們都能找準自身角色，積極投入智慧新文明建設，在時代浪潮中把握機遇，擁抱更美好的2035。 （AI營銷峰雲）