萨提亚·纳德拉的AI警告：为什么每家公司都需要自己的模型（以及为什么“租赁”模式风险极高）

纳德拉的核心论点：企业即学习系统

纳德拉的论点始于对企业本质的重新定义。“我的观点很简单，世界上有多少家公司，就应该有多少个模型，”他在6月27日与Applied Compute联合创始人Yash Patil的访谈中表示。“因为说到底，公司是什么？公司就是一个学习系统。”

在这个观点中，AI时代持久的竞争优势并非模型本身，而是围绕模型建立的生态系统：连接AI与组织机构知识的数据、流程、评估和人类反馈。 纳德拉认为，公司在选择或微调模型时，应该能够“使用我自己的上下文、我自己的数据”以及“我自己的痕迹”。

纳德拉并非将模型视作护城河，而是强调通过组织使用而不断改进的持续系统。他告诉《商业今日》：“组织不能将学习过程本身外包”——你可以外包一项任务，但你不能外包公司自身的学习曲线。

为什么外包AI有风险：“产业空洞化”警告

纳德拉给出了两个相互关联的理由，说明为何仅依赖第三方前沿模型对企业来说很危险。

1. 竞争护城河的丧失与价值被攫取。 纳德拉警告说，如果一家公司只是租用一个模型，而没有在其周围构建任何专有系统，那么这个模型就不是它的竞争优势，这家公司可能已经在落后了。 他更广泛的担忧体现在他文章中的一句直接引述：“我们任何人最不想看到的，就是一个行业里每家公司都把自己的价值拱手让给少数几个‘吞噬一切’的模型。”

他认为，强大的AI模型正变得极善于吸收专业的企业知识，有可能将整个行业的专业知识商品化，然后再卖回给创造出这些知识的公司。 未能建立自身AI反馈系统的企业，将面临价值流向外部模型提供商的风险，而非积累自身的机构知识。

2. 集中度风险与供应商依赖。 仅依赖单个前沿模型，会使企业暴露在外部供应商的限制、定价和战略选择面前。 纳德拉的框架强调建立内部学习循环——这些系统可以切换底层模型，而不会丢失积累的智能。 在他看来，“构建仅针对一个模型优化的AI基础设施是有风险的”，因为竞争对手在模型架构上的突破可能让整个投资变得过时。

与微软多模型战略的契合

纳德拉的论点与微软自身的战略转向完全一致。在与OpenAI多年深度合作后，微软正有意拓宽其AI模型战略，并推出更多自研AI能力。

在2026年6月初的微软Build大会上，公司发布了新的专有AI模型（MAI基础模型家族），旨在减少对OpenAI的依赖并降低开发者成本。 微软也在构建其第一方系统，例如Project Polaris——被描述为微软自研编码AI，计划在2026年8月前取代GitHub Copilot中的GPT-4。

微软推出了经济实惠的AI模型以及一个多引擎Copilot平台，该平台支持来自Anthropic、Meta（Llama）、Mistral AI、DeepSeek和Cohere的模型，与OpenAI并列——让用户能在多种AI引擎间选择。 Anthropic的Claude现在已是Azure AI Foundry中与OpenAI、DeepSeek、Llama和Mistral并列的第一方选项。

其战略逻辑很直接：如果企业需要连接到自身数据、工作流和机构知识的定制化AI系统，那么托管该生态系统的云平台——Azure——将变得具有战略重要性。 因此，纳德拉“构建你自己的学习循环”的建议，既是架构层面的指导，也与微软更广泛的云+AI平台战略高度契合。

纳德拉早已预见到这种商品化趋势。在2025年底，他曾尖锐地描述了这一动态：“如果你是一家模型公司，你可能就会陷入‘赢家诅咒’……它离被商品化只有一个副本的距离。”

企业AI新框架：人力资本 + 代币资本

纳德拉在2026年6月的文章中引入了两个概念，已成为企业AI对话的核心：“人力资本”和“代币资本”。

什么是代币资本？

代币资本是指“一个公司利用自身工作流、数据、评估和积累的专业知识所构建并拥有的AI能力”。 这是公司围绕其自身操作系统开发的专有AI资产——而非仅仅从外部提供商那里租用通用能力。 代币资本包括公司随时间开发的系统、模型、提示词、评估和调优后的工作流。 纳德拉将其描述为在自我强化的学习循环中“以复利”增长。

人力资本变得更加宝贵，而非相反

纳德拉的反直觉观点是，随着AI能力（代币资本）的增长，人力资本的价值非但不会下降，反而会上升。 人力资本涵盖公司员工的知识、判断力、关系、创造力和模式识别能力。

他的论点：没有人类的指导，“你只是在让算力空转。” 人类的专业知识是指引学习循环、评估输出以及将AI能力转化为有用组织优势的关键。 纳德拉将此描述为向“人与数字系统之间真正的认知循环”的转变——这是一次与之前技术革命的根本性决裂，在那些革命中，数字系统仅仅被用来提升人类生产力。

复利增长的学习循环

纳德拉将理想状态描述为“在模型之上构建一个学习循环，让人力资本和代币资本能够产生复利效应。” 在这个循环中：

• 人力资本（专业知识、判断力）指导AI输出的创建和评估
• 代币资本（拥有的AI能力）捕获并操作化这些专业知识
• 每一次强化都使双方的价值随着时间的推移而增加

如果你无法在不丢失积累的智能的情况下切换一个通用模型，那么你并不拥有自己的学习循环——你只是在租用它。

对企业AI应用的实际启示

基础设施：灵活的、多模型平台

企业不能再将单个前沿模型视为其全部AI战略。 他们需要能够支持多个模型家族、专有数据连接、工作流集成以及持续反馈循环的灵活基础设施。 纳德拉的框架暗示，最终胜出的基础设施是那个能帮助公司构建和运营这些生态系统的平台——这正是微软对Azure及其Copilot服务的定位。

人力资本：对人才的更深层投资

纳德拉的论点与“自动化优先”的叙事背道而驰。如果随着AI的发展，人类的判断力变得更有价值，那么公司就需要更多地投资于员工的专业知识、领域知识和创造性的决策能力——而不是更少。 2026年大约有11.7万个科技岗位被裁减，AI被列为一个因素——纳德拉的框架含蓄地警告了这种趋势，因为它会剥夺公司引导学习循环所需的人力资本。

代币资本：构建，而不仅仅是购买

关键的战略转变是从消费AI转向拥有AI能力。这意味着开发专有模型、在内部数据上进行微调、构建评估系统以及创建能够以可复用形式捕获组织知识的工作流。 那些仅仅订阅了最佳前沿模型就止步不前的公司，面临着被“掏空”的风险——因为它们的持久优势并非来自租用的模型本身，而是来自围绕该模型建立的专有学习循环。

战略底线

对于企业领导者而言，纳德拉的观点是，AI时代的公司必须同时投资于：

• 基础设施： 灵活的、多模型的、基于云的平台，允许围绕专有工作流和数据构建定制化AI系统。
• 人力资本： 对员工判断力、关系、创造力和领域专业知识进行更深层的投资——现在比以往任何时候都更重要。
• 代币资本： 通过公司独特的数据、反馈循环和运营流程进行训练和持续改进的专有AI能力。

信息很明确：如果你的AI战略始于并止于选择一个前沿模型提供商，那么你可能已经在竞争中被那些拥有自己的学习循环而非租用它的公司甩在身后了。