Link: https://www.youtube.com/watch?v=8-boBsWcr5A
一、訪談背景
- 受訪者：Satya Nadella（微軟 CEO）
- 主持人：Dwarkesh Patel、Dylan Patel（SemiAnalysis）
- 地點：美國亞特蘭大的微軟新資料中心園區 Fairwater 2（目前號稱全球最強大的訓練中心之一）。
- 主軸： AI 相對於工業革命的歷史地位 微軟在模型、雲端、資料中心、晶片的策略 模型公司 vs 基礎建設公司誰拿走價值 全球主權 AI、地緣政治與長期佈局
二、Satya 對 AI 本質與歷史地位
- 他承認：「也許自工業革命之後，這是最大的一件事。」
- 同時又強調：「我們仍然在 very early innings（非常早期的局）。」
- 他引用 Raj Reddy 的隱喻： AI 應該是「守護天使（guardian angel）」或「認知增幅器（cognitive amplifier）」。 核心問題是：對人的效用是什麼？ → 幫助人思考與決策，而不是神祕存在。
- 對 AGI / 超級智慧： 他不否認長期可能性，但短期更看重工程、科學突破、以及企業如何真正改變「工作流程」。 即使技術擴散比以往快，要看到宏觀生產力與經濟成長，仍需時間讓工作流程徹底重構。
三、微軟資料中心與基礎建設策略
1. Fairwater 資料中心設計與擴展
- 目標：每 18–24 個月把訓練容量「10 倍化」。
- Fairwater 2 + 未來的 Fairwater 4、威斯康辛園區： 以 petabit 級 AI-WAN 連接多個區域與園區。 可以把不同 site 的算力聚合起來做超大型訓練、資料生成與推論。
- 一棟建築內的機架數、cell 數量等細節不對外公開。
- 設計理念： 不只為一個模型訓練，而是：訓練 → 資料生成 → 推論，多種工作長期共用。 完全清楚 光纖連線數量、拓樸 等都已經是幾年前整個 Azure 的規模。
2. 為什麼不能為「單一模型」最佳化？
- 關鍵風險： 如果你把整個網路拓樸、冷卻、配電都為單一架構（例如某一代 dense 模型）最佳化， 萬一隔壁有人在 Mixture-of-Experts（MoE）或新架構上有突破，你的拓樸可能直接報廢。
- 所以： 不想成為「只幫一家公司客製」的 hoster，只賺少數大客戶的 bare metal 生意。 要建的是 能支援多個模型族譜（lineages）、多代晶片的「可轉換／可互換型艦隊（fungible fleet）」。 同時要考慮未來新晶片（GB200、GB300、Vera Rubin / Ultra）的功耗密度、散熱需求，不能一次性把一代規格堵死。
3. 為什麼曾經「踩煞車」？
- SemiAnalysis 指出： 2023 年微軟曾大幅預定機房、電力，是要在 2026–2028 超車 AWS。但後來釋出很多租約，被 Google/Meta/AWS/Oracle 接走。
- Satya 解釋 pause 的原因： 發現如果照原計畫走，會變成太像「幫單一模型公司作東」，而不是長尾多客戶的 hyperscaler。 想調整： 地理分布：不只美國，還要配合各地資料主權（例如 EU Data Boundary）。 工作負載 mix：訓練 vs 推論 vs mid-training vs data gen vs 一般雲工作。 世代節奏：NVIDIA 推出新一代的速度比原先預期快，不想被迫背 4–5 年折舊的一大坨舊世代。 現在改成： 速度很快的建設週期（亞特蘭大機房 90 天從交屋到上線）。 不同年份分批擴張，讓艦隊在各晶片世代間更均衡。
- 他強調： 微軟仍在積極擴建，也會： 自建 租賃（build-to-suit / managed capacity） 使用其他「Neocloud」的 GPU-as-a-service（如 Iris Energy、Nebius、Lambda 等），並把它們接入 Azure 市集。
四、AI 時代的商業模式與 SaaS 轉型
1. SaaS → AI：成本結構與定價
- 傳統 SaaS： 增量成本接近 0，重在 R&D 和客戶獲取成本。
- AI SaaS（例如 Copilot）： COGS 大幅提高（模型推論成本），打亂既有的 SaaS 財務模型。
- Satya 的看法： 價格表現形式不會根本改變：仍是廣告、交易抽成、硬體毛利、訂閱、用量計費等。 訂閱本質：給你一個「消費權限包」，裡面有一定配額的模型使用；可分成標準 / Pro 等級，跟現在 coding assistant 類似。 真正差異是：如何在「包含多少 consumption」與「訂閱價格」間設計分級與毛利。
2. 雲轉型的類比：AI 也會擴大市場
- 當年從 on-prem 伺服器轉雲： 微軟曾擔心：同樣客戶搬上雲後，COGS 增加、毛利下降。 結果是：市場大爆炸，尤其是印度等新興市場可以以「分時租用」方式負擔 IT。 雲消滅了很多客戶端購買硬體的 working capital 壓力。
- 對應 AI： GitHub + VS Code 累積十幾年的工具生態，在 Copilot 出現的一年內，AI coding 助手的規模就可比肩過去的基盤工具。 相信 AI coding 會成為比「一般知識工作」更大的軟體工廠市場。 即便微軟市佔從 100% 掉到 25%，只要總市場變成 10 倍，絕對金額仍能巨幅成長。 過去例子：從客戶端伺服器時代高市佔，到雲端市佔較低，但業務規模反而大很多。
五、GitHub、Copilot 與「代理人（Agents）」願景
1. Coding agent 競爭與 GitHub 的位置
- 現況： 去年幾乎只有 GitHub Copilot 一家，營收 ~5 億美元。 現在 Cloud Code、Cursor、Cognition、Windsurf、Replit、OpenAI Codex 等加起來，整個市場年化約 50–60 億美元，微軟市佔降到 25% 以下。
- Satya 的態度： 對圖表很滿意，因為： 微軟仍在榜首。 所有競爭者幾乎都是 4–5 年內新創，是健康的創新信號（而不是老敵人 Borland）。 更重要的是：不論誰的 agent，絕大多數程式碼庫最後都回到 GitHub。 GitHub repo 建立、PR 數量創新高。 平均每秒有一位開發者加入 GitHub，其中約 80% 最終會落入某種 Copilot workflow 或用到微軟提供的 code-review agents。 微軟在這個領域有「很多次射門機會（shots on goal）」。
2. Agent HQ / Mission Control：多代理人控制平臺
- 在 GitHub Universe 公布的概念： GitHub 要成為「Agent HQ」，提供一個「Mission Control」介面。 開發者可以： 在一個訂閱裡，用「AI 版有線電視」式的方式同時調用：OpenAI、Anthropic（Claude）、Cognition、Grok 等多家 agent。 給每個 agent 指派任務，讓它們在各自分支工作。 透過 heads-up display 觀察它們的進度與改動，進行審查與 triage。 這需要大量「可觀測性」： 哪個 agent 在什麼時間對哪個 repo 做了什麼修改。 這將搭配 VS Code、GitHub 現有的 primitives（Git、Issues、Actions 等）一起演化。
3. 從「人用工具」到「代理人用工具」
- 兩個世界： 今天：人有一台電腦、Office、Copilot；人透過 UI 操作，各種 AI 仍是輔助。 未來：公司會為 AI 代理人配置「一台電腦」＋身份＋權限＋安全＋監控，讓它全自動工作。
- 微軟的定位： 現在是「終端用戶工具公司」，未來會變成「支撐代理人工作的基礎建設公司」： 為每個 agent 提供： 運算（Windows 365 等虛擬機） 儲存、資料庫、身分、權限、審計、監控，等等。 計費模式也會從「per user」變成「per user + per agent」。
六、模型 vs 腳手架（Scaffolding）、持續學習與「贏家詛咒」
1. 模型公司會吃掉所有價值嗎？
- 問題： 如果模型進化成「真正的同事」，能操作各種 UI，自主工作數小時甚至數天，模型公司是不是拿走所有毛利？
- Satya 的觀點： 模型可能會被商品化： 有開源 checkpoints，任何有資料的人都能拿來微調。 真正難的是「資料流動性（liquidity）」、「grounding」、「context engineering」以及「腳手架」。 「贏家詛咒」： 純模型公司即使做出最前沿技術，也可能距離被複製只有「一份權重」的距離。 真正收割價值的，反而是掌握資料與用例的人。
2. Excel Agent 舉例：不是 UI wrapper，而是中層整合
- Excel Agent 不是： 在螢幕上看像素、用 prompt 模擬人操作 UI。
- 它是： 在中間層（middle tier）深度整合 GPT 家族： 讓模型理解 Excel 原生物件（儲存格、公式、表格結構），而不是只有圖像。 以「教技能」的方式餵給模型，讓它像資深分析師一樣會用 Excel 的所有工具。 形成「Excel 內建一位分析師」的效果。
- 延伸到其他產品： 不只是包模型，而是把模型變成應用本身商業邏輯的一部分。
3. 持續學習與「一個模型統治世界」的 scenario
- 主持人提出： 若有一個模型大量部署、在所有工作中持續學習，而且可把所有經驗集中回單一權重，那會不會產生「智慧爆炸」，其他模型再也追不上？
- Satya 回應： 理論上如果全世界只用一個模型、所有學習都灌回去，那就是 game, set, match。 但實際世界： 各國、各產業、各公司對資料主權、安全、領域需求都不同。 開源模型會一直存在，形成制衡。 類似資料庫世界：永遠不會只有一種資料庫。 微軟要做的是： 基礎建設：能支援多種模型與架構。 模型：自家 MAI + OpenAI + 其他 Frontier 模型。 應用／腳手架：Office、安全、開發者工具、科學等領域的深度整合。 不押單一垂直整合，避免一條路走到黑。
七、微軟 x OpenAI 關係、新協議與 MAI 路線圖
1. 舊有與新協議的結構
- OpenAI 業務分兩塊： SaaS：ChatGPT 等產品。 PaaS / API：供開發者與企業調用模型。
- 新協議： OpenAI 的「stateless API」業務在基礎建設上對 Azure 獨家（少數美國政府例外）。 OpenAI 的 SaaS（如 ChatGPT）可以在其他雲／地方運行。 若任何第三方想用 OpenAI 模型 API（即使是合作開發的 SaaS）： 只要是「stateless API」型態，就必須跑在 Azure 上。
2. 如何運用 GPT 家族與自家 MAI 模型？
- 未來 7 年： 微軟會盡量在各產品中使用 GPT 模型，並在其上做： 中期訓練（mid-training）、RL、fine-tuning， 把 GPT 變成更懂 Excel、Office、安全、企業知識的版本。
- 同時發展自家 MAI 模型： 目前： 文本模型：首次登場時在 Arena 排名第 13；只用 ~15k H100 訓練，是縮小版，用來驗證能力與 scaling law。 圖像模型：在 image arena 排名第 9，已用在 Copilot、Bing，主打成本優化與特定能力。 語音模型：用在 Copilot 語音，強調個性與產品優化。 下一步： 開發 omni 模型，把文字、聲音、圖像能力整合。
- 團隊與人才： 領軍的 Mustafa Suleyman（DeepMind / Inflection 前共同創辦人）＋ Karen、Amar Subramaniam（原在 Google 做 Gemini 2.5 後訓練）、Nando（DeepMind 多模態專家）等。 目標是建立 world-class super-intelligence team。
- 七年之後假設不再有 OpenAI： 微軟希望自己已經有前列模型實力，同時可使用其他 Frontier 模型（例如 Anthropic，現已在某些 GitHub Copilot 流程中使用）。
八、自研晶片 vs NVIDIA：策略與現況
- 為什麼各家 hyperscaler 都做自家加速器？ 因為 NVIDIA 在硬體上拿走很高毛利，大家希望透過自研晶片提高整體 ROIC。
- 現況比較： Google：TPU 最早期，產量預估 500–700 萬顆。 AWS：Trainium / Inferentia，估計 300–500 萬顆。 微軟：自研加速器數量目前明顯較少。
- Satya 的解釋： 任何新加速器最大的競爭對手其實是「前一代的 NVIDIA」： 前一代 NVIDIA 仍非常通用，所有模型都能跑。 所以你做自有晶片，必須在 整體 TCO（tokens / dollar / watt） 上有明顯優勢。 微軟已有自研 CPU（Cobalt）＋ Intel＋ AMD 的三元艦隊經驗： 會在 GPU 領域重現類似模式：NVIDIA + 自家 AMD 方案 + 自家加速器。 做自研的關鍵是： 要與自己的 MAI 模型家族「閉環設計」：微架構與模型共同演化。 不能只為別人的模型做一顆客製晶片，卻沒自己的產品需求支撐。 很關鍵的一點： 微軟擁有 OpenAI 系統設計與很多層級的 IP 使用權（雙方互相授權），包括早期一起建的大型超算。 所以他們在系統層、集成層其實有很深的 know-how。
- 定位： 一方面當「速度最快的 NVIDIA 合作夥伴」。 一方面在自家 MAI + 自研晶片上建立閉環，逐步擴大比重。
九、CapEx、自由現金流與「資本 + 知識密集」的新微軟
- 現況： 微軟 CapEx 在過去兩年已經翻了數倍。 其他科技巨頭也在大量舉債／發債投入機房建設。
- Satya 的說法： 微軟今天既是 capital-intensive 也是 knowledge-intensive 企業： 必須用軟體與系統 know-how 提高硬體投資的回報。 例：針對同一 GPT 系列模組，他們透過軟體最佳化，在 tokens/$/W 上拿到 5x、10x、甚至 40x 的改善。 研究算力應視為 R&D： 先決定「研究 GPU / R&D compute」的長期配額，視為研發成本。 其他建設則需嚴格跟實際需求／營收能力掛鉤。
- 對 labs 動輒喊出 2027–2028 年百億等級營收預期： 他理解獨立實驗室有募資壓力、需要樂觀 projection。 也承認他們確實交出成績（OpenAI、Anthropic 等）。 但作為微軟，他仍要從「實際需求與風險」出發規劃長期 CapEx，而不是盲目跟著 projection 起舞。
十、主權 AI、全球市場與美中競爭
1. 主權 AI 與資料主權
- 越來越多國家（EU、印度等）強調： 資料必須留在境內或特定邊界內。 希望避免對單一國家或公司完全依賴。
- 微軟的做法： EU Data Boundary：確保歐盟資料不會跑出歐洲。 在法國、德國建「主權雲（Sovereign Cloud）」。 推出 Azure Sovereign Services： 主權 Key 管理、機密運算（含 GPU 機密運算）、identity、compliance、e-discovery 等。 願意按照各國政策，從技術與合約層面提供主權保障。
- 他認為： 各國會透過要求多模型、開源模型等方式，降低集中風險。 微軟必須「在每個國家，按對方的合法合理需求來設計與執行」。
2. 與半導體產業的類比
- 全球目前在晶片上高度依賴台灣（TSMC），各國都意識到此風險。
- 美國、歐洲都堅持要建本土晶圓廠與 AI 工廠，提升供應鏈韌性。
- Satya 認為： 多國希望在關鍵技術上有「一定程度」的自給自足是合理的。 微軟等跨國公司有責任配合這些政策，展現長期承諾。
3. 美國科技與「信任」優勢
- Satya 提醒一組數字： 美國人口佔全球 4%，GDP 約 25%，但市值約 50%。 這很大一部份來自全球對美國資本市場與科技公司治理的信任。
- 因此： 「信任美國技術棧」可能比「單一模型多強」更關鍵。 美國政府與科技公司應該： 高調讓世界看到，美企在全球各地投資的 AI 工廠（FDI），並把這當成美國的「外交名片」。
十一、對整體格局的總結（Satya 的世界觀）
- AI 的歷史地位極高，但仍非常早期： 不要被短期 hype 迷惑，真正的生產力提升，需要企業與社會在 10–20 年內重塑工作流程。
- 微軟要同時在三層競爭： 基礎建設（雲、資料中心、網路、GPU／自研加速器）。 模型（OpenAI GPT 家族、自家 MAI、以及其他 Frontier 模型）。 應用／腳手架（Office、GitHub、Security 等，深度整合模型）。
- 不能把自己鎖死成「替單一模型公司做 host」： 這種生意利潤有限、風險巨大（技術路線一變，整個 CapEx 可能變負擔）。 微軟要做的是長尾 AI 工作負載的 hyperscaler，而不是某實驗室的代工廠。
- 模型並非唯一價值中心： 有開源、有多家 frontier lab，模型可能被 commoditize。 真正長期護城河在： 資料流動性與 grounding 腳手架 / tools / agents 平臺（如 Excel Agent、Agent HQ） 全球信任與主權合規能力。
- 公司決策視野不是 5 年，而是 50 年： 在建的是未來數十年的全球基礎建設與平台。 要在資本密集與知識密集之間，找出可持續、可被世界信任的路線。
