摘要：一路走来，纳德拉经历了数字技术革命的四次变革，首先是PC，随后来临的是移动互联网，再然后是移动云，现在是AI。在移动互联网中无所作为的微软颇受诟病，好在纳德拉上任CEO后将微软重心转向云计算（Azure）和AI，推动Azure成为全球第二大云服务提供商，让微软

出生于印度、现年58岁的萨提亚·纳德拉，1992年加入微软，2014年上任CEO。

一路走来，纳德拉经历了数字技术革命的四次变革，首先是PC，随后来临的是移动互联网，再然后是移动云，现在是AI。在移动互联网中无所作为的微软颇受诟病，好在纳德拉上任CEO后将微软重心转向云计算（Azure）和AI，推动Azure成为全球第二大云服务提供商，让微软没有再次落伍。在AI时代尚未到来的2019年，微软又投资了OPENAI。担任CEO以来，公司股价上升了33倍，这背后离不开纳德拉的领导能力和管理智慧。

以下是纳德拉对AI产业的观点和判断。本文根据纳德拉2017年以来的公开演讲和分享。

AI发展趋势判断

现在我更关注的是行业正在形成的新结构：单纯的模型已经不足以支撑竞争，完整的系统架构和成功的产品才是关键。

未来AI发展有三个明确的方向：

一是真实世界的AI应用：不仅仅是数字世界，AI如何真正影响现实世界的物理操作和交互？这涉及机器人、自动化生产、供应链优化等领域。

二是科学领域的AI模型：无论是化学、生物学，还是其他基础科学领域，AI模型正在成为科学研究的新基石。这些模型虽然与语言模型有一定的技术交叉，但它们的发展也有其独立性。

三是系统架构的创新：AI系统的底层架构需要怎样的演进，才能支撑未来的计算需求？如果我们仔细观察当前的发展趋势，会发现AI时代的计算架构正处于一个关键的变革节点。

当前被忽略的两个方向：

一个被忽略的方向。我认为，我们并没有从第一性原理的角度真正对系统架构进行重新设计。我们沉迷于AI加速器，把大量计算资源堆进现有数据中心，然后希望它们 “自求多福”。虽然这已经取得了一定成果，但现在是时候思考：

下一代超融合基础设施（Hyper-Converged Infrastructure）应该是什么样的？

我们应该如何重新定义计算、存储和AI加速器的协同？在分布式同步训练任务中，引入强化学习和自动评分机制后，系统应该如何运作？

甚至在数据中心领域，人们常说 “数据中心就是一台计算机”，但我们是否已经到了需要构建它的2.0版本的阶段？

另一个被忽略的方向是客户端。如今，大家都在谈论混合AI（Hybrid AI），但我们还没有真正破解模型架构的问题。为什么我们没有一个分布式推理模型架构？我说的不是分布式训练，而是在运行时进行分布式计算。

为什么我不能让我的Copilot PC上运行的 45 TOPS NPU（神经处理单元）与云端协同运算？

目前，我们能运行一些辅助函数，但是否可以从根本上重新思考模型架构？或许这需要一个数学上的突破才能实现。

开源社区在提高现有基础设施的计算效率上做得很好，比如DeepSeek的工作非常出色。

但为什么没有人真正破解如何在边缘侧利用现有的大量计算资源？这是一个被忽略的重要机会。

AI 是新的计算机，那么它还没有迎来自己的 “存储－程序架构时刻（Store-Program Moment）”。

今天的AI系统缺乏以下几个核心要素：

1、 没有一个真正强健的存储系统，尤其是支持多模态存储的架构；

2、 工具链仍然过于 “手工艺化”，开发者体验仍然有待改进；

3、 缺乏系统级的整合，目前AI产品更像是零散的组件，而不是一个自洽的系统。

当然，在这些方向上已经有很多优秀的研究正在进行，这也是为什么我觉得我们还处于AI系统建设的早期阶段。

令人欣慰的是，我们不仅看到越来越多的基础模型，还看到了越来越多专注于AI系统架构的创业公司。

真正的智能体是什么样子的？

当我们谈论 “真正的智能体” 时，我想要的是一个能够主动推理、适应不同环境，并且可以与现实世界进行深度交互的AI。

它不仅仅是一个工具，而是一个能够执行复杂任务的协作伙伴。

这个愿景会如何影响我的日常生活？它需要具备以下特性：

1、自主规划与执行。智能体可以自己制定计划，而不是仅仅等待人类的输入；

2、跨模态能力。它需要整合视觉、文本、语音、代码等多种模态，而不仅仅是基于自然语言；

3、个性化适应。它可以根据用户的习惯和偏好不断优化自身行为，而不是一个固定的 “助手” 角色。

真正的AI智能体，应该是能够帮助我们创造、执行和优化任务的合作伙伴，而不仅仅是一个增强版的搜索引擎或聊天机器人。

如果能实现这一点，那将是计算机行业继 PC、互联网和移动计算之后的第四次革命。

未来对AI的期待

个人生活：我希望 AI 是我的朋友、教练、顾问。

工作场景：我希望 AI 是我的幕僚长、研究员、咨询师，帮助我完成所有的工作任务。

我认为，这将是我与 AI 的未来关系，并且希望它能够彻底改变知识工作的枯燥部分。

AI的交互方式

我最喜欢的一种交互方式是Copilot的语音接口。比如，我在iPhone的CarPlay上设置了快捷键，让AI与我进行语音交互。这种对话能力是前所未有的体验，完全改变了信息消费方式。这就像自动补全一样，一旦你用上了，就再也回不去了。

量子计算的挑战

首先，微软已经在这个领域坚持了超过 20 年，我可能是第三任资助量子计算研究的 CEO。

我们要打造真正的 “实用级量子计算机”。但要做到这一点，我们首先需要解决量子比特的稳定性问题。这是整个行业的关键挑战之一。要构建稳定的量子比特，我们需要在物理学上取得突破。

微软在这方面的研究走了一条独特的道路，我们探索了一种叫作马约拉纳粒子（Majorana Particles）的现象。这种粒子是由一位1930年代的科学家理论预测的，但几十年来一直没有实验证据。经过20年的研究，我们终于证明了马约拉纳零能态（Majorana Zero Modes）的存在。不仅如此，我们还能够逐个原子地制造这些粒子，并展示它们能够以稳定的方式隐藏量子信息，从而减少误差校正的需求。这意味着，我们可以真正将其扩展成可实际运行的量子芯片。

目前来看，量子计算仍然处于研究阶段，但已经开始出现一些早期应用案例：在材料科学、药物研发等领域，量子计算已经展现了潜力；金融行业正在探索如何利用量子计算进行更复杂的风险分析；现在，量子计算的发展变得比2014年时更容易推进，因为我们已经解决了最核心的物理学挑战。

未来的计算架构将是 “经典计算+量子计算”

未来，AI 与量子计算结合可能会带来更强的计算能力。量子计算不会取代经典计算，而是二者结合才能发挥最大的作用。

举个例子：我们在研究马约拉纳粒子时，采用的是逐个原子构建的方式。如果我们当时拥有一台量子计算机，整个研究过程会快得多。

因为量子计算机的核心优势是模拟自然界的复杂现象，它可以帮助我们探索数据空间，但它并不适用于数据密集型的计算任务。

这意味着，未来的计算架构将是 “经典计算+量子计算” 的组合：

量子计算：擅长探索大规模数据空间，模拟物理、化学、生物过程；

经典计算：擅长处理海量数据，进行 AI 推理、存储与操作。

比如，在科学建模方面，我们可以使用量子计算来生成训练数据，然后用传统的 AI 模型进行推理。这正是Azure Quantum目前正在做的事情。

现在，即便只有10个或100个逻辑量子比特，它们在化学和生物学领域已经能发挥作用。

AI对知识工作者的影响

未来依然会有知识工作者，但他们从事的工作层级会不同，他们的工作方式将发生巨大的变化。

在20世纪90年代，Word、Excel 和 PowerPoint 是知识工作者的核心工具；Copilot是它们的1.0版本，而下一代AI工具将会是2.0版本。那么，3.0 版本是什么？这正是我们正在努力构想的方向。

AI时代最重要的能力是保持好奇心和批判性思维

我们必须教会孩子们如何与AI协作，让AI增强他们的创造力、批判性思维和独立决策能力，而不是让他们被AI替代。

未来社会最重要的能力，可能已经不是掌握某种专业技能，而是保持好奇心和批判性思维。

我们是否需要重新思考教育的本质？

如果未来的孩子可以用AI去构建任何他们想要的东西，那么是否应该更多地培养他们的探索精神和自信心，而不是过分强调考试和传统意义上的 “知识储备”？！

AI服务器：基础设施领域，永远不会出现赢家通吃

我一直觉得，基础设施（比如服务器）领域，永远不会出现赢家通吃的情况。你所需要做的，是以有价值的主张进入游戏。

我们构建云，不是为了一个大型应用程序，我们构建云是为了许多异构的企业工作负载，我认为长远看，这才是所有推理需求所在，它与数据、应用服务器相连接。AI现在是云的核心组成部分。

我认为基础设施层会有多个赢家，即使在模型层面，每个超大规模公司也会有一堆模型，围绕它们的应用服务器。

每个应用，包括现在的Copilot，都只是一个多模型应用，存在一个全新的应用服务器。就像每个人一样，曾经有移动应用服务器，也有Web应用服务器，现在有了AI应用服务器。

对我们，那就是Foundry，我们正构建，其他人也会构建，会有多个这样的服务器。

所有的业务逻辑，都将转移到这些AI Agent上。这些AI Agent，将进行跨存储库的CRUD操作。它们不会区分后端是什么，它们会更新多个数据库，所有的逻辑都将存在AI层。一旦AI层成为所有逻辑所在地，人们会开始替换后端。

我认为，在一个每个AI应用程序都是有状态的应用程序，都是AI Agent应用程序的世界中，该AI Agent执行操作。经典的应用程序服务器，加上AI应用程序服务器，再加上数据库，都是必需的。

（数据中心）是一个资本密集型产业，同时也是一个软件密集型产业。你可以利用软件来提高资本的投资回报率ROIC，这就像早期人们问超大规模云计算服务商如何赚钱一样，新的超大规模云计算服务商与老牌主机托管商的区别在于软件，我认为这甚至适用于现在GPU领域。

我们目标是通过AI创造运营杠杆，我认为员工总成本会下降，我们人均成本会上升，每个研究人员的GPU数量会上升，我是这样看待这个问题的。

AI产品Copilot

Copilot就是所有这些人工智能的用户界面。
现在我们有了大规模的证据表明，这些工具正在从根本上改变工作方式，既提高了价值，也减少了浪费。

AI代理技术栈

对于任何开发AI应用程序的开发者来说，另一个非常重要的考虑因素就是数据。无论是用于训练还是推理，或是检索增强生成，你都需要处理好自己的数据。这意味着你需要能够将所有数据迁移到云端，并与AI相结合。实际上，AI计算在哪里，数据就会在哪里。因此，我们在确保无论你是使用Oracle、Snowflake还是其他数据源，你都能将它们带到云端。

在此基础上，我们还在构建一流的云原生数据基础设施，涵盖了从OLTP（在线事务处理）到分析的所有内容，比如Cosmos DB、SQL、Postgres，或者为AI时代打造的Fabric数据分析系统。我们的数据基础设施已经成为AI发展的关键所在。实际上，考虑到AI与数据的结合，没有任何AI应用是无状态的，尽管AI API是无状态的，但一旦它们与实际应用和工作负载结合，就变得非常有状态。以ChatGPT为例，它是Cosmos DB和Azure Search的最大用户之一。正如你所看到的，一旦你构建了像Copilot或ChatGPT这样的应用程序，你就需要一个强大的数据基础设施来支撑。而现在，我们再次迎来了一个新的应用服务器时代。回顾ChatGPT的底层架构，每个GPU背后都有一套与AKS配合的常规计算资源。因此，应用服务器是起点。

在拥有了最广泛的模型之后，AI应用服务器的下一步就是支持监督微调（SFT）。我们甚至提供了微调即服务，帮助你在所有这些模型之上进行微调，以便你将其集成到你的应用程序中。我们正在用AI来构建AI工具，从而构建更好的AI。

Copilot+PC

现在，我想转到最后一个平台，也就是Copilot+PC。这是我们推出的Copilot设备和Copilot+PC平台。这标志着一个全新时代的到来，CPU、GPU和NPU都可以在边缘设备上使用。如果你回顾到目前为止，扩展法则在云端非常有效，但我认为未来，AI时代不仅仅会由云端定义，边缘设备的作用也会越来越大。实际上，在一些模型架构中，我们将看到突破性的进展，允许这种混合使用的分布式架构展开。

就像当初人们为PC开发新应用一样，现在我们将进入一个NPU+GPU+CPU的世界，这将是一个非常有趣的世界。

技术最终必须转化为现实世界的影响——一人一企，一步一步地，在英国推动经济增长，真正改善经济体中的成果。

微软的使命

我们的目标是赋能每个人和每个组织，特别是在英国的企业，让他们能够实现更多——无论是提高小企业的生产力，还是帮助大型跨国企业在全球竞争中变得更具竞争力，或者是公共部门变得更加高效，提升健康和教育成果。这才是我们的使命所在。

价值投资理念、知识经验学习与交流平台，投资风险教育平台。

发现价值，践行价值。书会长期开展独立投研活动，定期发布原创研究报告，组织线下分享活动。

“行稳致远”,秉持“专业、谨慎、诚信”的精神，努力与会员和客户共同实现长期价值稳步成长。

来源：巴菲特读书会周立秋