9 月 15 日的 All-In Summit 2026 上，纳德拉判断模型层不会长期拿走 AI 产品创造的全部经济价值，随着开源模型提供替代和成本继续下降，记忆、编排以及真正嵌入企业工作流的应用会更有价值空间。

9 月 15 日，微软 CEO 纳德拉在 All-In Summit 2026 谈到了一个对 AI 创业公司和投资人更直接的问题：模型层不会长期拿走 AI 产品创造的全部经济价值，随着模型竞争加剧、成本继续下降，应用层的商业模型会变得更成立。

本轮 AI 产业的大量价值集中在 Foundation Model、GPU 和云基础设施，但纳德拉判断，这种结构正在发生变化。如果一个 AI 产品创造的大部分收入最终都要交给 Model Layer，AI 应用公司很难留下足够的毛利；随着开源模型持续提供替代方案、Token 成本下降，Memory、Harness、Orchestration 以及真正嵌入企业 Workflow 的应用，会获得更大的价值空间。

这也是整场近 40 分钟访谈里最值得关注的一条主线。几天前，Anthropic CEO Dario Amodei 刚刚发布《We Must Pace the Frontier》，提出放慢前沿 AI 模型能力提升的速度，为安全研究、评估和 Alignment 留出更多时间。但 它没有把问题停留在“AI 到底该加速还是减速”上。

在他的判断里，今天已经存在非常明显的 “massive model overhang”：模型能力已经跑在产品和企业落地前面。如果发现足以阻断发布的 Showstopper Bug，就应该停下来修；但即使 Frontier Lab 暂时把更多资源转向 Reliability 和 Alignment，AI 产品创新也不会因此停下来，因为大量模型能力还没有被真正用起来。

AI 安全先回到工程问题

AI 系统首先需要服务于人，并保持在人类控制之下。这里的“控制”不只是在讨论模型会不会失控，对企业而言，隐私、知识、模型权重和 IP 同样需要掌握在自己手里。企业需要能够把自己的知识加入模型、进行 Fine-tuning，看到模型执行过程中产生的信息，同时确保核心 IP 不会因为调用外部模型而泄露。

企业不能把核心数据和知识放进一个自己无法控制的黑盒里。 安全评估也需要进一步加强，第三方测试机构长期进入 Frontier Lab，本身是一种正常的工程机制，但评估体系需要足够开放，不能最终变成少数模型公司和少数测试机构之间固定、封闭的合作关系。

目前 Agent 暴露出来的问题，大致可以分成两类。一类仍然属于传统软件工程范畴，例如容器配置错误、API Key 管理不当、系统缺乏监控，或者开放了不必要的 Internet Access，这些问题在过去的 DevOps 体系里并不陌生；另一类则随着 Persistent Agent、Agent Swarm 出现，包括 Reward Hacking 等更难预测的行为。

对后一部分，人类目前的科学理解仍然有限。AI 在某种程度上更接近一门实验科学，因此实验环境、隔离和验证机制也需要同步升级。进入企业之后，这类问题还可能演变成新的 Insider Risk。

例如，一家企业让 AI Agent 去“优化营运资金”，模型为了最大化目标，理论上可能采用篡改账目这样的错误路径。风险因此不只存在于一次大规模模型训练中，也可能发生在企业交给 Agent 的一项普通业务任务里。模型访问了哪些对象、拿到了哪些 Secret、是否开始连续利用多个漏洞，以及完整的执行链路发生了什么，都应该能够被记录和审计。

相比把这些行为描述成难以理解的“神秘能力”，纳德拉更倾向于把问题重新拉回工程体系。风险需要认真处理，但很多问题最终仍需要落到 Containment、Monitoring、Audit 和 Verification 上。 围绕这门实验科学建立起来的工程流程，也需要变得更加 Robust。

这类风险也不会只发生在美国。美国企业会面对 Agent 攻击、模型安全和可靠性问题，中国企业同样可能面对类似挑战；两边也都希望 AI 最终能够让本国用户受益。

模型能力已经跑在产品前面

即使 Frontier Lab 接下来把更多资源从 Raw Capability 转向 Reliability、Predictability 和 Alignment，也不意味着未来一两年的 AI 产品创新会停下来。当前已经存在非常明显的 Capability Overhang，模型本身已经足够强，但这些能力要真正进入企业，需要重新压缩和改造 Workflow，也意味着组织内部要进行大量 Change Management。

AI 落地速度受到的限制，越来越多发生在模型之外。Coding Agent 是一个很典型的例子，代码模型此前已经具备较强的 Coding 能力，但真正让 Coding Agent 的可用性明显提升，是开发者逐渐找到 Agent Loop + File System 这样的产品形态。底层模型提供能力，外围 Harness 决定这些能力能不能被持续调用。

类似变化还可能继续发生在 Computer Use 和 Long-Trajectory Task 上。当模型能够持续操作电脑、调用工具，并完成更长链路的任务以后，很多此前停留在 Demo 阶段的能力，才有机会变成能够稳定使用的产品。ChatGPT 本身也是类似路径，底层模型能力出现之后，还需要找到适合普通用户使用的交互形式，产品才真正发生大规模扩散。

因此，接下来的问题已经不只是“再做一个更强模型”。模型 + Harness + 新的产品形态，决定了模型能力最终能够走多远。 与此同时，企业 AI 很可能进入一个 Multi-model World。

一家企业很难永远只使用一个模型。有的模型会在部分任务上拒答，有的企业需要拿到模型权重，还有一些任务需要不同的成本、延迟和能力组合，从 Resilience 的角度看，同时使用多个模型也更符合企业架构逻辑。这进一步带出了另一个还没有完全解决的问题：Interoperability。

不同 Model Family 之间为什么不能复用 KV Cache？企业的 Memory 为什么必须绑定在某一个模型里？Harness 是否可以独立存在于模型之外？企业自己的 Memory、Context 和业务状态，应该继续属于企业本身，底层模型可以替换，但企业积累下来的知识、数据和业务状态不能随着模型一起消失。

纳德拉用数据库做了一个类比：如果一家软件公司卖给企业一个数据库，却告诉客户，“你放进数据库里的数据不属于你，一旦许可证失效，数据也一起消失”，几乎没有企业会接受这样的产品。AI 时代正在重新出现类似的问题，企业使用模型过程中积累的数据、Memory 和业务状态如何归属，正在逐渐变成新的基础设施问题。

应用层开始拿到更多价值

模型选择越来越多，另一个变化来自价格和利润分配。今天 Frontier Model 市场的竞争，可以类比微软此前经历过的两轮软件竞争：Windows 很强，但市场上一直存在 Mac 和 Linux；SQL Server 很强，也长期面对 PostgreSQL、MySQL 等替代方案。闭源产品之外持续存在开源选择，会形成长期的价格和竞争约束。

这种竞争反而有利于整个生态。如果一个 AI 产品创造出来的大部分经济价值，最终都被 Model Layer 拿走，Application Company 很难形成健康的毛利结构。数据库时代也有类似逻辑，如果没有开源数据库持续约束闭源数据库的价格，很多应用软件公司的商业模型都很难成立。

随着模型选择增加、成本下降，AI Application 的经济模型会逐渐变得更可行。 模型之外还会形成一批新的 Middleware，包括 Memory System、Harness、Orchestration Layer，以及围绕多模型运行产生的各种工具。

这并不意味着 Model Company 会失去生意。模型公司仍然可以围绕不同 Model Family 管理 Token Pricing，只是整个产业创造出来的经济价值，不会长期全部集中在模型这一层。

微软自己此前也经历过类似的变化。早期 Windows 开始和 Unix 做 Interoperability 时，微软内部曾经担心，如果 Windows 与其他系统兼容，会不会降低客户对 Windows 的依赖。最后发生的情况正好相反，互操作让 Windows 更容易进入企业，也扩大了 Windows 本身的使用量。

这也是 Multi-model 和 Interoperability 对平台公司的另一层意义。让更多模型进入同一个系统，并不一定削弱平台本身的价值，反而可能扩大整个平台的使用范围。

微软押注多模型与异构算力

微软自己的 AI 战略，也基本沿着同样的逻辑展开。第一层仍然是 Hyperscale Infrastructure，微软很早就开始建设 AI 基础设施，如果按照累计投入来看，建设周期比很多后来进入 AI 数据中心的公司更早。但 Azure 的目标从来不是围绕一两家 Frontier Lab 建基础设施。

“如果你是一家 Hyperscaler，却只是两家模型公司的供应商，这算不上一个生意。”微软希望服务的是更长尾的第三方客户，同时满足自己的 AI 产品需求。目前 Copilot 已经拥有 3000 万+ 用户，作为对照，Microsoft 365 整体覆盖大约 4.5 亿 Knowledge Worker，其中包含学生；如果进一步缩小到核心企业用户，实际市场规模大约在 2.5 亿—3 亿之间。

模型层同样不会只押一条路线。微软会继续使用 OpenAI 的技术和 IP，同时也在建设自己的 MAI Model Family，Cyber、Coding 和 Knowledge Work 都已经进入微软自己的模型研发范围，并通过 Harness 调度其他模型。MAI 也不会简单依赖对其他模型做 Distillation，而是希望从底层开始，用自己的数据和训练体系持续向上迭代。

即便如此，企业 AI 架构也不应该绑定某一个模型。它给出的原则很直接：“Use all, but be independent of all.” 所有模型都可以使用，同时不要依赖任何一个。

企业首先需要建立自己的 Eval，明确最终想要的 Outcome，再让不同模型完成相同任务。然后拿掉其中一个模型，如果移除模型以后，原来的 Eval 表现、业务流程或者能力无法保持，就说明整个系统已经依赖了一个并不真正属于自己的外部资产。

因此，企业 AI Architecture 需要允许企业持续运行自己的 Eval，同时自由使用 Closed Model、Open Model，也可以做 Fine-tuning，并且能够随时替换底层模型。在这套架构里，模型更像是一块可以更换的组件，企业自己的数据、Memory、Workflow 和 Eval 应该继续留在自己手里。

这种“保持选择”的逻辑也延伸到了 CapEx。AI 数据中心资产大致可以分成两类，一类是 Land、Power、Cold Shell 等 Lead Time 很长、使用周期也更长的资产，需要提前两到三年预测需求；另一类则是 Rack、Chip 等 Kit，这部分周期更短，可以更贴着实际 Demand 调整，同时大约占整个数据中心成本的 60%。

微软目前采取的是组合方式：自己建设一部分，Lease 一部分，在短期供应不足、需求突然上升时甚至直接 Rent。纳德拉将这套策略概括为：“Build more, lease some, and if we really need to surge, we will even rent.”

OpenAI 目前是微软最大的客户之一，它继续增长当然是好事，但 Azure 不能只有 OpenAI 或另外两三家大型客户。微软要做的是一个更广泛的 Hyperscale 生意，因此短周期硬件投入也需要尽可能跟着实际需求变化，而不是提前为所有可能发生的需求一次性配置足够多的设备。

芯片层采用的也是同一套思路。随着 Training 和 Inference Workload 规模不断扩大，工作负载本身的结构已经越来越清晰，芯片也可以围绕不同阶段做进一步优化，由此形成的系统架构，会比早期全部围绕一种 GPU 搭建的基础设施更加多样化。

NVIDIA 仍然是微软目前最主要的平台，但微软同时拥有自己的芯片路线，OpenAI 也在开发芯片，AMD 同样已经进入微软的数据中心体系。最终目标，是让 OpenAI、Anthropic 以及微软自己的模型，都能够运行在 Heterogeneous Kit 上。

AI 最后还是要看生产率

投入这么多资金之后，AI 最终需要拿什么证明自己？纳德拉给出的标准很直接：不能只看芯片、数据中心和模型带来了多少收入，最终还是要看 AI 能不能真正提高生产率，并进一步体现在更广泛的 GDP 增长上。

医疗是目前比较容易看到变化的场景。微软的 DAX Copilot 可以减少医生在 EMR 系统中录入信息的时间，把更多时间留给患者，也可以帮助医生处理收件箱，提高医疗系统的响应效率。医疗体系本身存在大量流程成本，如果 AI 能够减少这些行政和信息处理工作，就已经形成了比较直接的生产率提升。

知识工作也是类似情况。AI 确实可能替代一部分岗位，但同时还要看它会创造哪些新工作，以及能不能把知识工作者从大量重复劳动中释放出来。纳德拉拿自己举例，“每天早上起来，感觉自己做的事情全是处理邮件”，邮件分类、信息整理这些日常工作，本身就在占用大量原本可以投入其他事情的时间。

但仅仅把现有工作做得更快，还不是他期待的全部价值。更大的变化应该来自过去不存在的生产率，例如加快药物研发；或者让一家小企业不再只是使用 ERP、QuickBooks，而是让 AI 直接读取发票、邮件等经营信息，帮助企业优化营运资金。当 AI 开始帮助企业完成过去做不到、或者成本很高的事情，这些变化才可能进一步反映到经济增长中。

纳德拉随后给出了一个很高的标准：“我们最终需要看到至少 7%—8% 的、真实而广泛的 GDP 增长。” 这更接近他衡量 AI 能否产生足够大经济影响的一条标准，并不是对短期 GDP 增速的预测。

这种“最终要看到实际结果”的逻辑，也延伸到了数据中心。微软从 2008 年左右开始在美国华盛顿州 Quincy 建设数据中心，运营至今接近 20 年。纳德拉场引用的数据包括：当地相关税收收入增长约 12 倍，部分居民承担的税负下降约 三分之一，当地还新建了学校、医院、城镇中心和水上活动中心。

过去近 20 年里，这些数据中心还在不断建设、翻新和扩建，累计带来了约 1200 个建筑岗位；目前当地数据中心规模已经达到约 400—500MW，并且仍可能继续扩张。对他来说，这些具体变化比科技公司自己反复强调“数据中心有好处”更有说服力。

只由微软高管站出来告诉公众数据中心对社区有益并不够，更需要让当地社区和科技行业之外的人看到真实变化。在公众越来越怀疑科技公司自身叙事的情况下，企业需要用实际的就业、税收和社区变化，来证明这些基础设施究竟带来了什么。