夜雨聆风这期 Possible 访谈中，Reid Hoffman 与微软 CEO Satya Nadella 进行了一场很长的对话。
这不是一场单纯介绍微软产品的访谈。它更像是 Satya 对 AI 时代企业、工作、知识、组织、安全、国家竞争力以及人类社会的一次系统性思考。
整场访谈的核心，可以浓缩成一个问题：
当 AI 进入每一家企业之后，公司到底应该如何让“人力资本”和“token capital”一起复利？
一、从诗歌谈起：诗歌和代码，都是一种压缩
访谈一开始，Reid 先问了一个很私人化的问题：为什么 Satya 家里有那么多诗集？
Satya 回忆说，自己在学生时代就接触到 Shelley、Wordsworth，也读到印度英语诗人 Sarojini Naidu。后来，因为成长于印度海得拉巴，他对 Urdu 诗歌、Ghalib、Faiz、Rumi 等诗人也很熟悉。
他并没有把自己描述成真正意义上的诗歌研究者，反而说自己对诗歌的名声可能超过了自己真正的理解。但他一直被诗歌吸引，因为诗歌是人类经验的一种高度压缩。
他甚至把诗歌和代码放在一起比较：两者在最好的状态下，都是一种压缩。代码用简洁结构表达复杂逻辑，诗歌用极少语言承载人类经验。
这也为后面关于 AI、知识和组织的讨论埋下了伏笔：真正重要的知识，往往并不只是显性的文档，而是被压缩在人的判断、经验、品味和工作方式之中。
二、AI 时代的新 BASIC：不是模型本身，而是“爬山机器”
随后，Reid 把话题带回微软。
微软最早的产品是 BASIC interpreter。五十年后，在 AI 时代，什么是新的 BASIC interpreter？
Satya 的回答是：AI 时代的新 BASIC，是一种“hill-climbing machine”，也就是可以不断根据目标、评估标准、数据和反馈，学习如何逼近更好结果的系统。
他强调，这次 Build 大会的重点，并不是简单发布一个新的 frontier model，而是帮助每个开发者、每家公司，建立自己的 hill-climbing machine。
这背后的关键，不只是“使用 AI”，而是企业是否知道自己真正关心什么目标，是否知道怎么评估结果，是否知道要用什么数据训练模型，是否知道如何奖励系统朝正确方向前进。
在 Satya 看来，未来新的知识产权，可能就诞生在这里：你定义什么目标，你如何评价目标，你有什么独特数据，你如何用这些数据和反馈让系统不断改进。
三、Human capital 与 token capital：企业的新复利公式
接着，Reid 问到企业如何在保持数据控制权的同时，获得自己的 frontier intelligence。
Satya 给出了整场访谈最核心的框架：未来经济会同时由 human capital 和 token capital 塑造。
这不只是微软的问题，也不只是 AI-native startup 的问题。一家已经存在一百年的银行，同样要面对这个问题。未来企业真正需要思考的是：如何让人力资本和 token capital 相互作用，并让它们的回报持续复利。
这里的重点不是泛泛地谈“数据资产”，而是企业的 tacit knowledge，也就是隐性知识。
Satya 说，一家企业真正独特的地方，常常体现在它如何运营、如何判断、如何形成品味、如何做决策。这些东西今天主要存在于员工身上，也部分存在于数字化文档和系统里。
AI 出现之后，模型有能力从人类工作的轨迹中提取这些隐性知识，并把它编码进模型权重、上下文、技能或其他形式的 AI 能力之中。
因此，企业必须非常认真地看待这样一个问题：自己的隐性知识，到底是在企业内部被沉淀、复利，还是正在向外泄漏？
Satya 甚至说，如果这些独特知识泄漏出去，某种意义上就是一道单向门。一旦出去，就很难再收回。
所以，他主张企业应该欢迎模型进入，但模型应该在企业自己控制的环境中学习。企业的数据是上下文，企业内部的人与 agent 的互动轨迹，也应该留在企业内部，并形成连续的学习循环，而不是流向外部。
四、工作的未来：从 20 万员工到几百万、几千万个 Agent
Reid 进一步问到 AI employees，或者说 AI 作为“专业员工”的未来角色。
Satya 用一个类比来解释：如果在 1980 年代，有人说未来会有几十亿人每天都在打字，人们可能会觉得不可思议，因为当时公司有专门的打字员。但个人电脑和办公软件创造了一个全新的东西：知识工作。每个人都开始输入、创建文档、生产数字化成果。
他认为，我们今天对 AI 时代未来工作的理解，也还没有真正形成共识。
以微软为例，今天有二十多万员工。未来如果有两百万、两千万个 agents 参与工作，人和 agent 之间、agent 和 agent 之间，会产生怎样的工作方式？会产生怎样的新隐性知识？会创造怎样的新数字成果？这些都还需要几年时间慢慢展开。
Satya 认为，编码是最适合观察这种变化的场景。
最早，AI 只是进入 IDE，做代码补全。后来，开发者不再需要跳到浏览器或 Stack Overflow 查资料，而是可以直接在 chat 里获取编码知识。再后来，reasoning model 和 agent loop 出现，开发者可以把小任务交给 agent。现在，长期运行的 agentic loop 已经开始出现，开发者可以给出一个高层目标，agent 自己完成 pull request，最后由人来接受。
Satya 认为，这种从“工具辅助”到“任务委托”，再到“长期自治”的变化，会从编码扩展到更广泛的知识工作。
五、从 IDE 到 ADE：人如何管理一群 Agent
Satya 还提到 GitHub Copilot 的新变化。
当一个开发者同时开启很多 CLI session，让大量 agent 并行工作时，新的问题出现了：人类管理 agent 的认知负担变得很高。
于是，界面本身也需要变化。
Satya 把新的 GitHub Copilot app 称为一种 ADE，也就是 Agentic Development Environment。它有点像一个 inbox，只不过收件箱里不是邮件，而是正在不同代码库中工作的 agents。
人类的角色变成了：对 agents 做宏观委托，然后进行微观 steering。也就是说，人不再逐行完成所有工作，而是在一个新的界面中监督、调整、接受或拒绝 agents 的工作结果。
他还提到 GitHub Canvas。某些时候，用看板来管理 agent 生成的 PR，比单纯通过线性 chat 更有效。这类界面创新，会影响未来工作的组织方式。
六、Agent 的安全与治理：必须可见、可审计、可管理
当工作中出现大量 agents，安全和治理就变得非常重要。
Satya 说，首先需要 observability。企业必须知道自己有多少 agents，它们在做什么，它们的 reasoning traces 是什么。agents 必须是可检查、可审计的。
因为 agent 不只是聊天，它们还可能生成代码、执行代码，甚至访问文件系统和网络。于是，企业必须为它们提供身份、沙箱和策略控制。
Satya 提到微软做了 Agent 365。它把 Entra 扩展到 agent identity，把 Defender 扩展到 agent security，把 Purview 扩展到 agent 生成数据的标记和保护。
在他看来，未来企业要对 agents 有信心，就必须建立安全隔离、可管理性和可观测性。
他还提到 Foundry 中的 asserts。对于长期运行的 agents，不能只依赖传统意义上的 guardrails，不能只是外部分类器式的安全检查，而是要在执行过程中定义边界，确保 agent 的执行路径不会跑偏。
七、CEO 必须亲自理解 AI：AI 已经不只是技术问题
Reid 随后问到 CEO 应该如何面对 AI。
Satya 的回答很直接：如果你是科技公司 CEO，你必须深入理解技术栈。你不能把这件事完全交给别人，因为这是一种非常剧烈的转型，CEO 必须站在前面做判断。
更重要的是，他认为这种要求正在扩展到非科技公司 CEO。
过去，如果你是一家银行、医疗公司或其他传统企业的 CEO，你可以主要专注业务本身，把技术交给 CIO、IT 部门或技术合作伙伴。但 Satya 说，他正在改变这个看法。
因为 AI 不再只是一个技术项目，而是公司的未来。
他认为，很多 CEO 现在还停留在“和科技公司发一个合作新闻稿”“展示几个 agents”“说自己有 AI strategy”的阶段。但这还不够。
真正的问题是：你是否知道自己的 token capital 是什么？你是否能清楚地说出，企业昨天的工作如何转化成了新的知识、上下文、技能或模型能力？这些东西是否由你拥有、控制，并且能够持续复利？
在 Satya 看来，AI 时代的企业变革，不像 PC、移动互联网或云计算时代那样，只是让 IT 部门提升效率或降低成本。AI 会改变企业所在行业的结构，因为 AI 可能最终掌握一个行业运行所需要的大量知识。
如果从这里开始思考，就会明白：AI 不是一个技术项目，而是对公司本身的重新定义。
八、平台公司的信任：平台上创造的价值，必须大于平台捕获的价值
谈到微软的合作、收购和生态关系时，Reid 问 Satya 如何建立和维持信任。
Satya 回答说，他一直思考什么是长期稳定的关系。对微软来说，长期稳定的方式是成为工具和平台公司。
平台公司存在的基础，是平台之上创造的价值，应该远远大于平台自身捕获的价值。
只有这样，客户和伙伴才会相信这不是一个零和游戏。不是平台先用补贴吸引你，几年后再吃掉你的生意；而是你在平台上成功，平台也因此成功。
Satya 认为，在 AI 时代，这一点会变得更加重要。
未来每家公司都会问：我的 AI supply chain 是什么？它如何帮助我作为一家企业，把 AI 的回报复利化？在一个学习系统本身没有天然边界的世界里，信任和边界需要通过市场结构、社会机制和平台原则来建立。
九、下一个前沿：科学发现
当 Reid 问到 LLM 未来几年的下一个前沿时，Satya 把话题转向科学。
他认为，如果 AI 一开始不是先在 coding 和知识工作中爆发，而是先在科学发现中带来重大突破，社会对 AI 的接受度可能会更高。
Reid 也谈到自己正在重新进入 founder mode，把更多时间投入到 Manas AI。原因是他们已经在数学、化学等方向看到令人兴奋的进展，甚至出现了人类化学家过去没有发现、但可能有效的新方向。
Satya 对此表示期待，因为他认为 AI 对社会最广泛的影响，应该体现在真正改善人类处境的事情上。
十、AI 的推理不同于人类：人类需要 cognitive coverage
Reid 提到，AI 像是一种“不同的智能”。它模仿人类智能，因此对我们很有用，但它的推理模式并不等同于人类。
Satya 接着谈到一个有趣概念：cognitive coverage。
在软件开发中，我们过去有 test coverage，用来衡量测试覆盖了多少代码。现在，他的一位同事在 GitHub Copilot 里做了一个 skill，叫 cognitive coverage。
当 agent 为人完成一项工作之后，这个 skill 会生成一个 quiz，帮助人类理解 agent 到底做了什么。
Satya 认为，未来人类需要发展一种新能力：不仅要让 agent 做事，还要能够理解 agent 做了什么。人类要能在认知上覆盖 agent 的工作结果。
换句话说，AI 做出的东西，不能变成人完全无法理解的黑箱。人要学会与 AI 共同形成推理循环，并且补上自己的理解。
十一、token abundance 时代，稀缺的是 token intelligence
Reid 进一步把 cognitive coverage 和 token management 联系起来。
在 token abundance 的时代，人们可能会非常浪费地使用 token，却没有产生真正有效的结果。Satya 认为，未来一个很重要的能力，就是知道如何高效使用 token。
这涉及几个问题：
你要实现什么 outcome？
你如何衡量它？
你的 evaluation 和 rubric 怎么设计？
这些评价维度是否真正捕捉到了只有你才能定义的“高品味”？
Satya 特别强调，不要把 frontier model 用在 non-frontier problem 上。
例如，在零售或消费品公司里，处理 trade promotion claims 这样的流程，可以通过 agentic workflow 自动化。但这不是要发现新材料的 frontier problem，而是一个相对重复、确定的业务流程。
这类任务需要智能，但未必需要最前沿的大模型。企业可以使用更小的模型，通过自己的工作轨迹和反馈进行训练，甚至在特定任务上超过 frontier model prompt 的效果。
这就是 token efficiency。
十二、芯片与数据中心：微软既用伙伴技术，也自建系统能力
Reid 接着问到微软自己的芯片，包括 Maia 和 Cobalt，以及与 NVIDIA、AMD 的合作关系。
Satya 的回答是，微软会同时使用合作伙伴的通用技术，也会围绕自身大规模工作负载进行系统级优化。
他提到，NVIDIA、AMD、Intel 等公司提供的是非常重要的 general-purpose technology。GPU 不仅可以做模型训练和推理，也可以加速 Microsoft Fabric 这类数据仓库工作负载。
同时，新的 AI 工作负载正在改变数据中心的设计。训练、推理、agent runtime，有不同的调用模式和性能需求。微软不仅要考虑芯片，还要考虑数据中心的电力、冷却、机械系统等整体架构。
Maia 会与微软自己的 MAI 模型以及 OpenAI 模型共同设计，以获得更好性能。Cobalt 则是 Arm-based core，也会根据 GitHub agentic traces 这类真实工作负载进行优化。
Satya 强调，微软不会说“一切都必须是 Maia 和 Cobalt”，也不会完全依赖外部创新。更重要的是保持开放、内部创新、外部合作、持续 benchmark，并最终追求更好的经济性。
十三、儿童与 AI：安全之外，还要重新理解学习
访谈后半段，Reid 问到儿童和 AI。
Satya 先强调 child safety 必须成为第一等问题。AI 安全不只是网络安全、生物武器或 alignment，也包括儿童安全。
他特别提到，当前 chatbots 与儿童对话时，需要非常谨慎。儿童应该有自己的 agency，能够按自己的方式与 AI 互动，而不是被 AI 说服或操控。
但他也把问题推得更深：在 token abundance 的世界里，成为一个孩子意味着什么？学习应该如何发生？孩子如何被激发？新的教育系统应该是什么样？
Satya 认为，传统学习中的很多焦虑，来自机会稀缺、好老师稀缺、学习资源稀缺。但未来，这些稀缺可能会发生变化。
他希望新的学习环境能保护孩子天然的好奇心和信心，不要让孩子过早形成对数学、科学等领域的恐惧。因为专业知识会变得更加充足，真正重要的是孩子是否能建立对这些知识的认知覆盖能力。
他还说，教育不可能完全保持原样，社会对文凭和能力的评价方式也可能需要改变。
十四、AI 与人类尊严：技术必须获得社会许可
访谈还谈到 Pope Leo 关于 AI 的 encyclical。
Satya 认为，教宗在 AI 时代强调 human dignity 和 human agency 是非常重要的。这让他联想到工业革命时期，宗教和社会思想也曾介入劳动条件与社会组织问题。
在 Satya 看来，技术突破本身并不足以带来广泛繁荣。历史上真正让技术转化为繁荣的，是道德哲学、市场、民主制度、科学技术等多种力量形成正向循环。
如果 AI 时代也能形成这样的循环，就可能带来 abundance，并让更多利益相关方受益。否则，社会会收回对 AI 的许可。
谈到西方社会中的 AI backlash，Satya 的态度很明确：行业不能只说抽象的大话，必须拿出真实、可见、可理解的结果。
如果科技行业一边说白领工作会消失，一边说自己很兴奋地在构建这种技术，那普通人当然不会希望你成功。
他认为，现在需要做艰苦的工作：如果建设数据中心，就必须让当地社区真正感受到好处；如果谈就业转型，就要说清楚新的工作是什么、工资如何、人们如何训练自己；如果谈企业使用 AI，就必须让每家公司都能参与 frontier ecosystem，而不是只成为基础模型的数据供给方。
AI 要获得社会许可，必须证明它在广义上改善了人类处境，而不是只让少数人受益。
十五、最后的快速问答：乐观、医学与 10% GDP 增长
在快速问答中，Reid 问 Satya：有什么电影、歌曲或书让你对未来感到乐观？
Satya 提到一本书，Two Paths to Prosperity。他说，这本书让他思考未来一千年的繁荣路径：过去一千年，世界的一部分找到了通往繁荣的蓝图；未来一千年，整个人类能否一起找到新的路径？
当被问到希望别人更多问他什么问题时，Satya 说，他希望别人问他“不兴奋的是什么”。他兴奋于很多事情，但不兴奋于行业因为说错话、做错事、没有形成完整的正和叙事，而失去社会对 AI 的许可。
当被问到行业之外有什么进展让他受到启发时，他提到生物医学。他认为，人类生物学是最复杂的系统之一，任何能帮助人类照顾人类的工具，都令人敬畏。
他举了 GigaTIME 的例子：Providence、华盛顿大学研究者和 Microsoft Research 合作，用模型模拟一种昂贵复杂的免疫治疗检测，从而降低成本，让更多医院有机会使用。
最后，Reid 问他：如果未来 15 年一切都朝有利于人类的方向发展，什么是可能实现的？
Satya 的回答是，他梦想世界能够实现 10% GDP growth 的复利增长。
他的思想实验是：如果工业革命曾经能够同时触达世界每个角落，如果每个国家都能充分表达自己的比较优势，那么世界会是什么样？
他承认，现实世界有历史、权力、冲突和有限理性。但既然是在谈梦想，那么第一步就是承认这种可能性存在。
如果人类只是不停回到历史中寻找重复的模式，就很难走向新的未来。真正的第一步，是相信人类也许可以改变路径。
这场访谈到这里结束。
整场对话中，Satya 反复表达的并不是“AI 会替代人”，而是另一种更复杂的判断：AI 会进入公司、工作、教育、科学、国家竞争力和社会结构之中。企业、国家和个人真正要面对的问题，是如何在 AI 时代保持自己的知识、判断、尊严和 agency，并让它们与新的 token capital 一起复利。
