微软CEO萨提亚·纳德拉在与哈里·斯特宾斯的20VC访谈中，谈到AI发展的三个方向：日常使用可能越来越便宜、不同模型之间更容易替换；企业需要留住让自身业务具有独特价值的知识；而模型变得更强，并不意味着安全问题会自动解决。这些是纳德拉对行业的判断与预期，并非市场发展的保证。12

日常AI任务，未必需要最贵的模型

纳德拉预计，大多数AI“令牌”（token）使用会逐渐变成类似标准化商品的服务，同时前沿模型仍会因尖端能力而拥有市场。按这一设想，开放权重模型与价格更低的闭源模型会在成本上竞争，企业也可以根据具体任务选用合适的模型，而不是一律采用最昂贵的方案。1219

他说，Copilot已经在使用多种成本较低的模型。这说明微软会根据任务选择模型，但不代表所有任务都能用同一个模型完成，也不意味着前沿模型会消失。1019

微软在另一场财报电话会上披露了一个具体的效率案例：在Dynamics 365中使用MAI-Voice-2-Flash后，GPU成本降低了89%。这个数字只对应所述实现，不应被理解为Copilot或AI产品整体都能降低同等比例的成本。23

企业要留住自己的业务知识

纳德拉所说的“反向信息悖论”，指的是企业使用AI时，宝贵的业务知识可能流向模型提供商。风险不只在于企业主动交出的数据，也可能来自AI交互过程中留下的痕迹。对企业来说，关键问题是如何利用AI，同时不让构成自身竞争特色的业务洞察流失。23

他提出的一个方向，是掌握衡量AI表现的标准。纳德拉预测，未来五年内，企业专属的AI评测基准可能成为核心业务资产。借助这些评测，企业可以判断模型是否适用于自身工作，也更容易在考虑更换模型或供应商时保持自己的评估尺度。这仍是一项预测，而非已确立的企业惯例。7

相关报道还以联合利华的自动化工作为例：在部分订单到收款及贸易索赔处理任务中，企业从前沿模型转向成本更低的选项。这个案例说明，企业有可能按工作流程匹配模型成本；但现有报道并未交代部署的全部技术与合同细节。37

模型更强，不等于更安全

纳德拉表示，他对AI对齐问题的看法已经改变。过去，他曾以为随着模型规模扩大，AI对齐会自然出现；如今，他认为对齐是一个独立且困难的问题，需要专门投入研究与工程工作。230

他提出的应对思路是“工程化零信任”：不要假设强大的模型或智能体总会按预期行动，而要设计好运行环境，让出现故障的智能体能够被限制和隔离。换句话说，安全需要在部署过程中主动构建，不能仅凭模型能力提升来保证。415

对企业意味着什么

纳德拉并不是说所有模型都会变得完全可以互换。他的判断是，企业可能会越来越多地把成本敏感的日常任务与确实需要前沿能力的工作区分开来。在这种环境下，企业的优势或许不在于绑定某一个模型，而在于保护自己的知识、定义合格表现的标准，并为AI部署设置可靠的安全措施。127

微软CEO萨提亚·纳德拉在与哈里·斯特宾斯的20VC访谈中，谈到AI发展的三个方向：日常使用可能越来越便宜、不同模型之间更容易替换；企业需要留住让自身业务具有独特价值的知识；而模型变得更强，并不意味着安全问题会自动解决。这些是纳德拉对行业的判断与预期，并非市场发展的保证。12

日常AI任务，未必需要最贵的模型

纳德拉预计，大多数AI“令牌”（token）使用会逐渐变成类似标准化商品的服务，同时前沿模型仍会因尖端能力而拥有市场。按这一设想，开放权重模型与价格更低的闭源模型会在成本上竞争，企业也可以根据具体任务选用合适的模型，而不是一律采用最昂贵的方案。1219

他说，Copilot已经在使用多种成本较低的模型。这说明微软会根据任务选择模型，但不代表所有任务都能用同一个模型完成，也不意味着前沿模型会消失。1019

微软在另一场财报电话会上披露了一个具体的效率案例：在Dynamics 365中使用MAI-Voice-2-Flash后，GPU成本降低了89%。这个数字只对应所述实现，不应被理解为Copilot或AI产品整体都能降低同等比例的成本。23

企业要留住自己的业务知识

纳德拉所说的“反向信息悖论”，指的是企业使用AI时，宝贵的业务知识可能流向模型提供商。风险不只在于企业主动交出的数据，也可能来自AI交互过程中留下的痕迹。对企业来说，关键问题是如何利用AI，同时不让构成自身竞争特色的业务洞察流失。23

他提出的一个方向，是掌握衡量AI表现的标准。纳德拉预测，未来五年内，企业专属的AI评测基准可能成为核心业务资产。借助这些评测，企业可以判断模型是否适用于自身工作，也更容易在考虑更换模型或供应商时保持自己的评估尺度。这仍是一项预测，而非已确立的企业惯例。7

相关报道还以联合利华的自动化工作为例：在部分订单到收款及贸易索赔处理任务中，企业从前沿模型转向成本更低的选项。这个案例说明，企业有可能按工作流程匹配模型成本；但现有报道并未交代部署的全部技术与合同细节。37

模型更强，不等于更安全

纳德拉表示，他对AI对齐问题的看法已经改变。过去，他曾以为随着模型规模扩大，AI对齐会自然出现；如今，他认为对齐是一个独立且困难的问题，需要专门投入研究与工程工作。230

他提出的应对思路是“工程化零信任”：不要假设强大的模型或智能体总会按预期行动，而要设计好运行环境，让出现故障的智能体能够被限制和隔离。换句话说，安全需要在部署过程中主动构建，不能仅凭模型能力提升来保证。415

对企业意味着什么

纳德拉并不是说所有模型都会变得完全可以互换。他的判断是，企业可能会越来越多地把成本敏感的日常任务与确实需要前沿能力的工作区分开来。在这种环境下，企业的优势或许不在于绑定某一个模型，而在于保护自己的知识、定义合格表现的标准，并为AI部署设置可靠的安全措施。127