微軟CTO Kevin Scott 訪談：你不該因DeepSeek出自中國而驚訝，Scaling Law還有效，產品絕對大於模型

如果看中國AI初創公司，AI研究院的創始團隊出身，你會經常發現微軟的影子，特別是微軟在中國的幾個研究院。李開復、張亞勤，出門問問李志飛、階躍星辰姜大昕、矽基流動袁進輝……甚至阿里雲王堅。當然，我們可以說這是當年微軟本地戰略和中國人才的互相成就。而某種程度上，微軟也是相對更瞭解中國創新人才能力的跨國公司。

一個例證，就是最近的油管20VC播客採訪中，微軟CTO Kevin Scott與主持人Harry Stebbings的一次訪談。Kevin Scott在訪談中當被問及是否低估中國在AI領域的能力時，給出了明確的回應："我們應該真正、真正、真正尊重中國企業家、科學家和工程師的能力。他們非常優秀。如果你低估了他們，你不應該。"

說來作為微軟技術戰略的領導者，Kevin Scott在該公司與OpenAI的合作中發揮了關鍵作用。甚至，沒有Kevin Scott，就沒有微軟對OpenAI的投資。2019年6月的時候，他給微軟CEO薩提亞寫了一封信，力陳微軟在AI領域的落後，應該對OpenAI投資。具體見下圖：

當然，最後負責投資的微軟CFO據說還是沒有給OpenAI打錢，最後是Kevin Scott團隊的GPU和預算挪給了OpenAI。

回到正題，Kevin Scott在這次訪談中，分享了對AI技術發展周期、產品價值、中國AI能力以及技術創新等多個關鍵主題的獨特見解，相當值得一讀。比如他說Scaling Law沒有結束，因為機器不像人類，存在一種生理極限。你可以不同意他的看法（比如我就不太同意他第一個看法），但是可以作為一種啟發。（這兩天在國外，只能半夜發文了，苦）

一、AI時代的持久價值：產品勝過模型

Kevin Scott認為，當前AI領域的不確定性恰恰是每個重大技術範式轉變初期的典型特徵。他將這種現象與網際網路早期和移動網際網路興起時的混亂相比較。在這種轉型期，最重要的不是盲目追隨技術趨勢，而是專注於打造優質產品。

"模型不是產品，"Kevin強調，"這是我過去幾年一直在說的，因為每個人都太著迷於基礎設施本身。"他解釋道，模型確實非常有價值，但其價值只有通過產品與使用者需求連接起來才能實現。"在極限情況下，我認為產品是最重要的事物。我們不是為了基礎設施而建立基礎設施，我們建立基礎設施是為了讓人們能夠製造產品。"

關於價值分佈，Kevin指出，無論是初創公司還是像微軟這樣的大型企業，都在追求同樣的目標：發現新事物。對於大公司而言，這意味著利用現有優勢服務客戶；而對創業生態系統而言，則是探索全新的領域。他特別強調了生態系統多樣性的價值："在AI平台轉型中，任何單一實體如微軟或其他大公司都不可能擁有足夠的想像力和視角來知道每一個有趣的事情是什麼。所以擁有一個充滿活力的生態系統，很多人在探索價值存在的地方，我認為這非常令人興奮且必要。"

二、Scaling Law的未來：能力邊界尚未可見

當談到AI模型Scaling Law是否即將觸及上限時，Kevin持明確反對立場。他指出："這是個荒謬的說法。我可以非常清楚地看到我們現在正在做什麼，接下來要做什麼，而且我看不到Scaling Law的限制。"

Kevin承認，從直覺上講，一定存在某種極限，但他認為這個邊界目前尚不在視野之內。他將人類智能的限制歸因於物理約束："人類在智能上的限制是你的頭骨中只能容納這麼多神經元，而且你的能量包絡只有約20瓦，這就是限制。"相比之下，AI系統可能沒有這樣的明確界限。

雖然Kevin不同意那些認為AI沒有極限的觀點，但他相信我們最終會達到一個規模漸近線，屆時增益會逐漸減少："我相信我們會達到某個點，那時我們會遇到規模漸近線，會有邊際收益遞減，而且它會變得如此昂貴，以至於我們會決定不值得花下一塊錢來讓這個東西再聰明一個單位。"然而，他強調："我認為這個點會到來。我只是現在還看不到它。它現在不在視野範圍內。"

三、資料質量與合成資料的崛起

在探討AI發展的核心要素時，Kevin深入分析了資料在模型訓練中的角色演變。他指出，合成資料使用比例正在上升，高品質資料正變得越來越有價值，特別是在模型訓練後期階段。

"如果你有正確的基礎設施、超高品質的資料和超高品質的專家人類反饋，你可以將這些放大到適合訓練越來越大模型的正確token集。這些內容的價值遠超網際網路上漂浮的未分化token。"Kevin解釋道。他強調了資料評估中的關鍵挑戰，即難以量化衡量單個資料token對模型質量的增量價值。

Kevin特別指出了一個重要觀點："將模型視為事實資訊庫的人，將它們視為世界上最糟糕、最昂貴的資料庫...這不是特別有用的。我們有搜尋索引和資料庫，這些工具已經足夠好用於檢索資訊。"他認為模型真正的價值在於推理能力："你希望模型能夠做的是推理資訊。如果你給它們訪問資訊的權限，它們能多好地推理一組資訊，為你做一些有用的事情？"

這一觀點展示了資料使用範式的轉變，從簡單地記憶事實轉向在複雜場景中進行有效推理，這需要不同類型的訓練資料和方法。

四、推理最佳化與價格性能的持續改進

談到模型推理(inference)的發展時，Kevin指出了許多人忽視的重要趨勢：過去幾年中在最佳化模型性能方面取得的持續突破。他將"推理"一詞重新定義為"使用"(usage)，以更準確地反映這一過程。

"我們只是在過去的幾年中——現在已經有很多年了——反覆取得了令人難以置信的進步，年復一年，令人難以置信的進步，最佳化模型的性能，使推理的性能越來越好。"Kevin解釋道。這導致了一個重要趨勢："隨著時間的推移，模型變得更大，而API呼叫卻變得更便宜。"

他指出，雖然硬體每一代可能只帶來約2倍的價格性能提升，但軟體棧的最佳化帶來了更大的改進。談到最近引起廣泛關注的DeepSeek R1發佈時，Kevin表示這只是性能價格改進曲線上的一個點："DeepSeek R1工作做得不錯...但應該將其視為價格性能改進線上的一個點，這個點對其他人來說可能是不可見的，但對那些深入最佳化這些系統的人來說並不是不可見的。而且這不是最後一個點，它只是不斷前進。"

Kevin的這一觀點強調了軟體最佳化在AI成本降低中扮演的核心角色，暗示了即使是使用相同硬體，推理性能也能通過軟體改進獲得顯著提升。

五、AI代理的未來：從簡單任務到複雜工作

Kevin對AI代理(Agents)的未來持有明確的願景。他不認同"一個代理解決所有問題"的理論，而是預見會有多個專業領域的代理出現。"我認為你會有很多代理，而我認為你會有很多代理的原因是因為你的產品經理可能需要是領域專家。"

他指出當前AI代理的一個主要缺陷是缺乏記憶："現在我們的代理明顯缺乏記憶功能，這使它們非常具有交易性質。"Kevin預測未來一年左右，記憶功能將得到顯著改進，這將使代理能夠根據過去的互動更好地適應使用者偏好，並避免重複解決相同問題。

對於代理的長期發展路徑，Kevin描繪了一個清晰的演進軌跡："第一代代理擅長5秒任務，然後是下一代擅長5分鐘任務。而我們正在走向的是你可以隨著時間的推移委派越來越複雜的任務和越來越繁重的工作。就像你對同事一樣。"他強調了非同步互動的重要性，讓代理能夠在使用者不關注時完成任務。

Kevin總結道："我們永遠不應該忘記我們的目標是什麼。你不想要一個只是優秀的電子郵件摘要工具，對吧？你想要的是一些你可以告訴它，比如說'我每天早上5點起床，請在每天早上5點消化所有夜間收到的電子郵件，起草任何緊急事項的回覆，並在我喝咖啡時向我展示它們。'這應該是一個完全可能實現的事情。"

六、軟體開發的革命：AI生成程式碼的崛起

在討論軟體開發的未來時，Kevin做出了一個大膽預測："95%的程式碼將由AI生成。我認為很少會有逐行由人類編寫的程式碼。"這一觀點引發了關於軟體開發者身份和角色的深刻思考。

Kevin將這種轉變比作程式設計歷史上的抽象層次提高，類似於從彙編語言到高級語言的演變："已經沒有人抱怨我不是在編寫彙編語言...這是同樣的區別。我們正在提高抽象等級。我們正在改變程式設計師用來與機器溝通的介面，表明這裡有一個需要解決的問題。"

對於是否每個人都將成為程式設計師的問題，Kevin表示同意，但補充道不是每個人都會解決相同類型的程式設計挑戰："如果你把這看作是提高每個人的水平，那麼它確實使每個人都成為程式設計師，因為你不再需要找人為你製作網站。但如果你試圖解決世界上最難的計算問題，你仍然需要電腦科學家。他們將極其出色地使用這些工具，解決以前難以解決的問題。"

關於工程團隊結構的變化，Kevin希望小團隊能夠完成更多大事："我猜測，也希望小團隊做大事情會變得更容易。這很重要，因為我認為小團隊比大團隊更快。有10個非常優秀、高度積極的工程師和非常強大的工具，你可以做很多事情。"

七、技術債務與AI：從零和到非零和博弈的轉變

Kevin分享了一個令他特別興奮的AI應用領域：消除技術債務。他將技術債務描述為工程管理中的一個棘手問題，類似於金融債務，會產生利息負擔。

"如果你曾經管理過任何規模的工程團隊，你面臨的最棘手的問題之一，這是非常零和的傳統問題，就是技術債務的積累。"他解釋道，"你幾乎總是會面臨痛苦的權衡。比如說，'我必須推出這個東西，這意味著我無法讓技術部分完全達到我想要的狀態。所以我現在要發佈，以後再修復這個問題。'而一旦你這樣做了，你就鑄造了技術債務。"

Kevin認為AI可以從根本上改變這個動態："我認為我們可以將這個非常零和的技術債務積累問題轉變為非零和的事情，在那裡你不必像過去那樣做出那些權衡。"他提到微軟研究院約一年前啟動了一個大型研究計畫，其使命是使用這些新的AI工具大規模消除技術債務。

當被問及從這個項目學到了什麼時，Kevin回答："AI工具比人們想像的更有能力。一般來說，我認為現在前沿模型能做什麼與它們被用來做什麼之間的差距比兩年前更大。"這表明當前AI工具的潛力遠未被充分利用，特別是在軟體開發和技術債務管理方面。

八、領導原則與個人成長：專注於你的天賦

在快速問答環節，Kevin分享了一些寶貴的個人洞見和領導經驗。當被問及最好的建議時，他提到了一個關於個人能力和發展的重要概念。

"我有一位導師曾經告訴我，你可以想像一個人或團隊的能力在一個直方圖上，最左邊的桶是'笨蛋'，最右邊的桶是'天才'，中間的桶是'平庸'或'平均'。"Kevin解釋道，這位導師指出，通過巨大努力，你最多可以將某方面的能力提高一到兩個檔次，但人們常犯的錯誤是專注於提高自己最差的方面。

"如果你相信這個理論，那麼如果你在某事上是個笨蛋，你能做到的最好結果就是在這方面變得平庸。而你花在努力達到平庸上的所有時間，都沒有用在做你擅長或天才的事情上。"Kevin認為這是非常好的建議，因為有價值的事情通常需要團隊協作，可以很容易地組建一個互補的團隊。

當被問及自己有意識決定不去提高的弱項時，他坦言："我對官僚事務極其不耐煩，我討厭預算、設施和所有機械性的部分...如果我想的話，我可能會成為一個非常平庸的官僚，我只是在這方面很糟糕。"

九、從薩提亞·納德拉身上學到的領導智慧

在談到微軟CEO 薩提亞·納德拉的領導風格時，Kevin分享了他觀察到的核心領導原則，這些原則使微軟在AI轉型中保持領先。

"我認為他的核心領導原則是，你必須同時為人們創造能量和產生清晰度。"Kevin解釋道，Satya非常善於確保對話的能量是積極的，人們離開審查會議和對話時，帶著能夠幫助他們完成艱巨任務的能量。

同時，Kevin強調了清晰度與能量同等重要："你不能只是產生很多能量和熱情，而同時不為人們澄清最重要的事情是什麼。"這種平衡對於領導大型技術組織尤為重要，特別是在快速變化的AI領域。

這種領導方法——結合能量激發和方向清晰——為微軟在技術轉型期保持聚焦和前進提供了關鍵指導，也是其他科技領導者可以借鑑的重要經驗。

十、中國AI能力：不應被低估的創新力量

當被問及是否低估中國在AI領域的能力時，Kevin給出了明確的回應："我們應該真正、真正、真正尊重中國企業家、科學家和工程師的能力。他們非常優秀。如果你低估了他們，你不應該。"

Kevin對DeepSeek發佈的公眾反應感到驚訝，因為這反映了一種普遍的誤解："這是DeepSeek反應的另一個有趣之處，人們似乎有多驚訝。比如，'哦，天那，這來自中國。'這不應該令人驚訝。"

這一觀點表明，西方技術界可能存在著對中國AI創新能力的系統性低估。Kevin認為，認識到全球創新格局的多極化對於正確評估技術發展趨勢至關重要。在一個技術創新越來越分散的世界中，忽視任何主要參與者的能力都可能導致戰略誤判。

結論

Kevin Scott的見解為我們提供了理解AI技術發展的一個框架。他強調產品才是最終價值所在，而非模型本身；他預見了AI代理將從簡單任務處理者演變為複雜工作的協作夥伴；他預測軟體開發將大幅度向AI生成程式碼轉變；他展望了技術債務可能被AI工具從根本上改變的未來。

最重要的是，Kevin表達了一種平衡的技術樂觀主義。他既看到了AI的巨大潛力，同時也承認有意義的創新需要清晰的目標和務實的應用。他的觀點提醒我們，技術發展的關鍵不僅在於推動前沿能力，更在於將這些能力連接到人類實際需求的產品和解決方案上。

隨著我們進入AI更深度應用的階段，Kevin的建議是：保持開放的創新生態系統，專注於建構有用的產品，並關注如何使技術惠及所有人。正如他所言："我想看到每個孩子都感覺到我們正在建構的這些新工具是為了他們，可以被他們訪問，專門為他們建構，以完成他們認為最重要的事情。"這不僅是一個技術願景，更是一個社會願景，指向技術應該如何服務於人類更廣泛的需求和抱負。 (高飛的電子替身)