最近看了一期微软 CEO 萨提亚的访谈，是 Stripe 推出的播客系列，含金量特别高。这不是那种套路式的 CEO 访谈，而是一场真正的思想碰撞——萨提亚在里面反复提到比尔·盖茨在 1990 年代说过的一句话：软件只有一个品类，叫信息管理。你只需要把人、地点、事物模式化，就完事了。
这话在当年听起来有点激进，甚至有些狂妄。但放在今天的 AI 时代，突然有了全新的意义。这不是预言，而是正在发生的现实。
1
比尔·盖茨讨厌的文件系统，AI 终于要解决了
萨提亚回忆起 90 年代在微软开评审会的场景。盖茨当时特别讨厌非结构化的文件系统，他梦想一切都是 SQL 数据库，可以用查询语句直接编程处理所有信息。这个梦想听起来很美好——想象一下，所有信息都像图书馆一样井井有条，你只需要输入一个查询，就能得到你想要的一切。
但这个梦想在关系数据库时代破产了。为什么？因为人类太混乱了，数据即使结构化也无法用单一索引或 SQL 查询覆盖。你想想看，我们日常工作中产生的文档、邮件、聊天记录，哪个能完全按照固定的表格结构来组织？这就像试图用直尺去测量云朵的形状——工具本身没问题，但对象根本不适合。
但现在 AI 出现了。
深度神经网络以参数的形式，用算力和规模找到了模式。这才是盖茨当年想要的那个优雅解决方案。不是强迫混乱的数据变得整齐，而是让机器学会理解混乱本身。
萨提亚强调了一个被忽视的转折点：认知核心与知识的分离。过去我们痴迷于设计复杂的数据模型来捕捉企业的本质，现在发现答案藏在神经网络的大量参数里。这种转变的深刻之处在于我们终于承认，有些东西不需要被完美定义，只需要被充分学习。
这对我们意味着什么？想想你自己的工作，是不是也花了大量时间在整理文件、分类信息、建立索引?但其实很多时候，这些努力的效果并不好。AI 的出现，让我们可以换一种思路：不用再纠结于如何完美地组织信息，让机器去学习和理解就好了。这不是偷懒，而是把精力投入到更有价值的地方——思考信息之间的关联，而不是信息本身的分类。
2
AI 落地的真正难题：记忆、权限和执行力
萨提亚列出了 AI 在企业场景必须攻克的三个要素，它们都在模型之外，但必须在运行时无缝对接。这三个要素看似简单，实则是 AI 能否真正改变工作方式的关键。
第一个是记忆。包括短期、长期记忆，以及人类擅长的长期信用分配。什么意思？举个例子，人类能记住某个错误是几周前某次决策导致的，并据此惩罚或奖励。AI 模型也需要类似的能力，不能只记得昨天的事情。这就像一个没有历史感的人，永远无法从经验中学习。
第二个是权限。模型必须在运行时尊重企业的角色权限系统。用户只能看到自己有权访问的数据,AI 不能越界。这个很好理解,你肯定不希望公司的 AI 助手把财务数据泄露给普通员工。但更深层的问题是：AI 如何在保证安全的同时，又不失去灵活性?这是一个微妙的平衡。
第三个是行动空间。模型需要能实际执行任务，不只是回答问题。比如你让它帮你订会议室，它得真的能去系统里操作，把会议室订下来。这听起来简单，但想想看——这意味着 AI 需要理解你的意图、判断优先级、处理冲突、甚至在必要时寻求确认。这已经不是简单的自动化，而是真正的智能协作。
这三者构成了 AI 的环境。萨提亚指出，Copilot 今天同时使用 OpenAI 和 Claude 的模型，系统必须跨模型工作，这才是前沿问题所在。
对我们个人来说，这三个要素同样适用。你在用 AI 工具的时候，是不是也经常遇到这样的问题：它记不住上次聊天的内容，无法访问你需要的某些信息，或者只能给建议但无法帮你实际操作?理解了这三个瓶颈，你就知道为什么有些 AI 工具用起来很别扭了。更重要的是，你会知道该如何选择和使用这些工具，不是追求功能最多的，而是这三个维度做得最好的。
3
管理 20 万人的秘诀：学会闭嘴
萨提亚透露了他的日常工作方式。每天至少 2 到 3 个与客户的 Teams 通话，大量会议时间。他把会议分为两类，这个分类本身就很有启发性。
第一类是只需要他召集的会议。他的任务就是闭嘴，因为工作在会前或会后自然发生，CEO 过度表现反而有害。这种自制力听起来容易，做起来极难。想象一下，你是公司的最高领导，所有人都在等你发言，而你却选择沉默——这需要多大的定力?但萨提亚深知，有时候领导的价值不在于说什么，而在于创造一个让正确的事情发生的空间。
第二类是他必须学习、做决策或传达信息的会议。注意这里的顺序：学习排在第一位。即使是 CEO，依然需要不断学习。这是一种罕见的谦逊。
最有意思的是他如何了解公司的真实情况。他不再是物理上走动视察，而是潜伏在 Teams 频道里。他说自己在那里学到的东西比任何其他方式都多，能看到谁在做 Excel 的 agent，他们用什么评估标准，产品细节是什么。这是虚拟走廊的新形式，不是刻意的视察，而是自然的观察。
他唯一抱怨的问题是：权限设置让他无法随意进入所有频道。他说自己最大的不满就是不能去所有想去的地方。这个细节很打动人，即使是 CEO，也会被权限系统限制。但这恰恰说明，微软真的把权限管理做到了骨子里，没有例外。
这个故事很有启发性。你可能觉得，当领导就是要多说话，多表达观点，多指挥。但萨提亚的做法恰恰相反，他更多时候选择观察和倾听。这种管理智慧，在我们日常工作中同样适用。有时候，少说多做，多观察少评论，反而能了解更真实的情况。更重要的是你的存在本身可能就在改变环境，就像量子物理学里的观察者效应。真正的智慧在于，知道什么时候该隐身。
4
创业公司才是最好的产品试验场
Collison 提到 Stripe 的一个核心信念：今天的小创业公司是明天的上市公司，所以要为创业公司构建产品。更重要的是，创业公司喜欢的往往是更好的产品体验，最终企业客户会跟上。这个逻辑看似简单，实则深刻——它揭示了技术进步的真实路径。
萨提亚立刻表示认同，并说这是微软重新发现的东西。注意这个词：「重新发现」。微软曾经迷失过方向，曾经太专注于服务大企业，忘记了创新往往发生在边缘。他解释为什么收购 GitHub：每个创业公司都有代码仓库在 GitHub 上。待在那个循环里很重要，不是为了战略位置，而是为了学习，做出更好的产品。
他总结说：跟着开发者走，理解新工作负载，是构建技术平台的唯一路径。创业公司是耐心最少、对产品交付时间最敏感的群体，服务好他们才能掌握无摩擦交付的审美。这句话值得反复咀嚼「无摩擦交付的审美」。什么是审美?就是一种直觉，一种不需要思考就知道什么是好的能力。
这个观点对任何做产品或服务的人都有启发。你的目标客户应该是谁?是那些要求最高、最挑剔的用户，还是那些容易满足、要求不高的用户?萨提亚的答案很明确：选择要求最高的那一批。因为满足了他们，你的产品自然就能满足其他人。但反过来不成立——服务低要求用户培养不出真正的产品能力。这就像练武，如果你总是和弱手过招，永远成不了高手。
5
UI 不会消失，只是变成了任务控制中心
Collison 提出一个问题：既然 AI 能生成代码，为什么不干脆生成个性化 UI?这个问题看似合理，但萨提亚的回应揭示了一个更深层的洞察。
萨提亚回应说，IDE 正在回归。即使在 AI 时代，程序员依然需要出色的编辑器来对比 AI 生成的输出，迭代修改。这不是技术的退步，而是人机协作模式的进化。
IDE 将进化为平视显示器，就像战斗机驾驶舱的仪表盘。你需要监控数千个 agent 的工作状态，实时微调它们的方向。这个比喻非常精准——未来的工作者更像飞行员，而不是工人。你不是在直接操作机器，而是在指挥一个复杂的系统。
他提出了一个框架：宏观委托，微观操控。你给 agent 发布大量指令，它们工作数小时甚至数天，但会持续签到汇报。关键是如何让这些签到不会变成通知地狱，5 个字的推送，毫无上下文。这是一个被严重低估的挑战——在 AI 时代，信息过载的问题不会消失，只会换一种形式出现。
他的预测是，所有成熟软件最终都会长成收件箱加消息工具加画布的样子。具体来说就是：表格和电子表格，线性文档，收件箱和消息工具。这三种形式代表了人类组织信息的三种基本方式：结构化数据、叙事性内容、时间序列通信。
这些 UI 不会消失，但它们背后的工作会由 AI 完成。例如 GitHub Copilot 的任务控制中心：你启动 5 到 6 个分支，每个分支里跑不同的自主 agent，它们完成工作后回来，你的任务是做 PR 审查，批量审查这些代码变更，决定哪些合并、哪些重做。这是一种全新的工作节奏——从串行到并行，从执行到审核。
这个趋势对我们的工作方式有什么影响?想象一下，未来你不再是一件一件事情做，而是同时启动多个 AI 助手，让它们并行工作。你的角色变成了任务的发布者和结果的审核者。这需要你具备更强的规划能力和判断能力，而不仅仅是执行能力。换句话说，未来的核心技能不是「做事」，而是「决定该做什么事，以及判断事情做得怎么样」。这是一种更接近管理者的思维方式，但每个人都需要具备。
6
这轮 AI 投资和互联网泡沫完全不同
Collison 问：2000 年互联网泡沫的教训是什么?能类比今天的 AI 资本支出狂潮吗?这是一个所有人都关心的问题：我们是不是又在重蹈覆辙?
萨提亚的回答切中要害：上次是暗光纤，这次是满负荷运转的 GPU。这个对比一语道破了本质差异。
他解释说，互联网泡沫时期，大量资本涌入铺设光纤网络，但需求还没起来，光纤点不亮，业内叫暗光纤，就是线路埋好了但没有数据流量。那是一场基于未来预期的豪赌，赌对了方向，但赌错了时间。
这次完全相反。微软没有利用率问题，所有 GPU 都售罄。唯一的瓶颈是内存带宽，导致利用率不够高，但这是优化问题，不是需求不足。这意味着什么?意味着需求是真实的、迫切的，甚至超过了供应。
供应链的真正挑战是：没有足够的温壳，指已完成土地、电力、建筑等基础设施，通电待命、可以立刻部署机架的数据中心空间。这是一个很少被讨论但极其关键的瓶颈不是缺钱，不是缺技术，而是缺物理空间和基础设施的建设周期。
他强调，这些资产的生命周期差异巨大：有些是 20 年，比如建筑本身，有些是 4 到 5 年，比如 GPU。关键决策点在于长周期投资，土地许可、电力许可。而且这必须是全球化的：数据主权要求迫使微软在世界各地建设数据中心舰队。这揭示了一个很少被注意的事实 AI 的竞争，最终可能是地产和电力的竞争。
这个对比很有意思。很多人担心 AI 投资会重蹈互联网泡沫的覆辙，但萨提亚用事实说明，这次的逻辑完全不同。需求是真实存在的，问题只是供应跟不上。这对我们理解当前的 AI 热潮很有帮助，不是所有的投资热潮都是泡沫，关键看有没有真实的需求支撑。更深层的启示是判断一个趋势是真是假，不要看表面的热闹，要看底层的利用率。如果所有资源都在满负荷运转，那就不是泡沫，而是供不应求。
7
未来的公司必须拥有自己的 AI 模型
这是访谈中最激进、也最具前瞻性的观点。萨提亚提出了一个新的主权概念：企业主权将体现在 AI 模型的权重层，而非传统意义上的知识产权。这句话听起来有点抽象，但细想之下，它重新定义了企业的本质。
他引用科斯定理拆解这个问题：企业存在的原因是内部交易成本低于市场。但如果模型知道一切，为什么还需要企业?这是一个致命的追问——如果 AI 真的无所不知，企业的边界在哪里?答案是：未来的公司必须拥有自己的基础模型，在其中嵌入脚手架或权重。
他举例说，Stripe 正在训练支付领域的基础模型，用 Stripe 网络的数据构建欺诈检测能力。制药公司、软件公司，都应该有自己的模型。这不是建议，而是预言未来的企业竞争力，将直接体现在它拥有什么样的模型上。
萨提亚的逻辑是：隐性知识过去存在于人脑和文档中，未来会以权重的形式累积在公司专属的 LoRA 层里。这才是新的智力资产。这个洞察非常深刻，过去，公司的核心资产是专利、商标、客户关系；未来，可能是模型的权重参数。这是一种全新的资产形式，无形、可复制、但又独一无二。
他追问：如何防止这些能力泄漏到通用基础模型?一个可能的答案是，记忆、工具使用和行动空间构成的独特组合，这些是公司特有的，无法被通用模型轻易复制。这个答案指向了一个更深层的真相，未来的壁垒不是知识本身，而是知识的应用方式和上下文。
这个观点对个人同样适用。你的核心竞争力在哪里?未来可能不再是你掌握了什么知识，而是你训练了什么样的个人模型。你的工作经验、思维方式、判断标准，如果能够被 AI 学习和复制，那才是真正属于你的资产。换句话说，未来的个人竞争力，不在于你知道什么，而在于你如何思考、如何判断、如何在复杂情况下做出决策。这些东西越难言传，越有价值。
8
Excel 为什么 40 年不倒
Collison 感慨，许多软件公司都试图挑战 Excel，但它依然屹立不倒。这是一个值得深思的现象，在技术飞速迭代的时代，为什么一个 40 年前的软件还能保持统治地位?萨提亚给出两个原因。
第一，表格的力量。人类天然喜欢列表和表格，这是最直观的信息组织方式。这不是偶然，而是深植于人类认知结构中的偏好。我们的大脑擅长处理二维结构，行和列的交叉天然符合我们对关系的理解。
第二，图灵完备。Excel 本质上是一个编程环境，但用户不觉得自己在编程。这是真正的天才之处，它把编程的门槛降到了零，让不懂代码的人也能构建复杂的逻辑。你在 Excel 里写公式，其实就是在编程，但你不会有任何畏惧感。
他对比了 AI 的推广难题：大家都在谈变革管理，但电子表格出现时没人谈这个，人们直接用起来了。萨提亚引用一位保险公司 CEO 的话：传真机、电子邮件和 Excel 同时到来时，整个工作流程从底层被重塑，没有人需要培训。这揭示了技术采用的一个关键规律，真正革命性的技术，不需要推广，只需要可用。
他的结论是：这个时代需要发现类似的东西，允许自下而上重新设计工作、工件和工作流。这是一个巨大的挑战，AI 要真正普及，不能依靠培训和推广，而必须做到像 Excel 一样直观、自然、不可或缺。
这给我们一个很重要的启示。真正好的工具，不应该需要培训手册。它应该符合人的直觉，让人一看就懂，一用就会。如果你在做产品，或者在选择工具，这个标准很值得参考。更深层的思考是为什么 Excel 能做到这一点?因为它找到了人类认知的自然形式。未来的 AI 工具也必须找到类似的形式，不是强迫用户适应 AI，而是让 AI 适应用户的自然思维方式。
9
模型忠诚度是伪命题
Collison 提出一个争议问题：用户对模型有忠诚度吗?还是对 AI 品牌有忠诚度?比如 Copilot 用户更换模型时发生过抗议，因为风格变了。这是一个很有意思的现象，人们会对 AI 的「个性」产生依恋吗?
萨提亚认为，长期来看，重点是模型的能力，而非个性。他承认风格确实是新的差异化维度，但产品构建者的任务是，确保用户能用到最强大的模型，同时根据任务自动优化模型选择。这是一个微妙的平衡，既要尊重用户的偏好，又要推动他们使用更好的工具。
他最喜欢 GitHub 的自动功能：模型选择器必须有智能，而不是简单的路由。它应该知道这个任务需要多少算力，代码库有多复杂，PR 任务的性质是什么。这才是真正的智能，不是给用户更多选择，而是替用户做出更好的选择。
他的愿景是，未来是模型集合，agent 在中间调度，满足用户需求。用户会有偏好，但如果能建立信任,相信系统会做出令人愉悦的选择，那用户就会交出控制权。这揭示了一个深刻的真理，自由的本质不是拥有无限选择，而是能够信任他人替你选择。
萨提亚提了一个关键点：默认选择很重要。人类不喜欢奶酪被移动，即使手动选择模型，取消这个选项也会引发问题。所以信任是核心。这是对人性的深刻理解，我们需要的不是控制感，而是可预测性和安全感。
这对我们使用 AI 工具有什么启发?可能以后我们不需要纠结用哪个模型，系统会自动帮我们选择最合适的。但前提是，这个系统必须赢得我们的信任。这种信任的建立，需要时间和一致的良好体验。更重要的是——我们要学会放手，不是什么都要自己控制。真正的效率来自于专业化分工，让擅长选择的系统来选择，我们专注于定义问题和评估结果。
10
捆绑策略：不要为了协同牺牲竞争力
Collison 问了一个尖锐问题：微软什么时候捆绑产品，什么时候拆开卖?比如苹果最初只让 iPod 连接 Mac，后来推出 Windows 版 iTunes。微软在 80 年代很开放，90 年代变得封闭，现在 Azure 又变得开放。这个问题触及了商业战略的核心，什么时候该整合，什么时候该开放?
萨提亚的回答框架是：从总可达市场和竞争倒推，而不是从协同效应正推。这句话值得深思，很多公司失败，正是因为过度迷恋内部协同，忘记了市场才是最终的裁判。
他举例说，Azure 必须支持 Linux 和 MySQL 或 Postgres。如果只跑 Windows 工作负载，市场会非常小。即使这会伤害 Windows Server，也必须做。这需要巨大的勇气，放弃短期利益，甚至牺牲自己的老业务，为了赢得更大的市场。
Teams 的捆绑是产品定义。Teams 把聊天、频道、视频整合在一起，这本身就是产品，就像 Outlook 整合了邮件、日历和个人信息管理。这是一种自然的整合，不是强行捆绑，而是功能上的有机融合。
他强调，模块化必须在原子层面想清楚。不要为了内部协同效应过度打包，否则会减少总可达市场、失去竞争力。这是一个容易犯的错误，为了让内部流程更顺畅，把产品打包得太复杂，反而失去了灵活性。
他的三层抽象是：基础设施层，每美元、每瓦特产出多少 token，追求极致效率。Agent 层，每个 token 产生多少价值，针对特定领域优化。应用层，Copilot 家族，包括信息工作、编程和安全。这是一个清晰的分层思路，每一层都有自己的目标和评价标准。
每一层都必须独立赢得市场，但三者之间保持反馈循环。客户和合作伙伴可以从任何一扇门进入。这是开放生态的精髓，不是强迫用户接受整套方案，而是让他们从任何一个点切入，然后自然地发现其他部分的价值。
这个思路对我们做任何事情都有启发。不要为了所谓的整体优势，牺牲单个部分的竞争力。每个模块都应该能独立存在，独立发挥价值。只有这样，整体才能真正强大。更深层的道理是，真正的协同效应不是设计出来的，而是涌现出来的。当每个部分都足够优秀时，它们之间的连接会自然产生价值，不需要刻意的整合。
暂无评论内容