模型之上，才是真正的资产

过去一年，不少AI创业者，都会在某个时刻说“我们是 AI-native 的”，但怎么样才算是AI-native的工作流？

它既可能指，一家真正把自己的工作流，喂进了模型、越用越聪明的公司；也可能指，一家在别人的大模型上套壳、明天换个供应商就得推倒重来的公司，两者在 demo 上常常看不出区别。

微软CEO 萨蒂亚·纳德拉，上周发的那篇《没有生态的前沿，立不住》（A frontier without an ecosystem is not stable），是近期挺有意思的一篇文章。

不在于它提出了多少新概念，里面的很多要点，在近一年里大多已有讨论，而在于说它的不是旁观者，而是亲手运营着庞大 AI 基础设施的人，并且纳德拉用很朴素的语言，把两件非常重要的事情讲清楚了：一家公司怎么才算真正拥有了 AI 能力？这一轮的价值，最终会落进谁的口袋？

Satya的这篇文章，在X上获得了很高的关注

下面是这篇文章中，最值得讨论的四个要点，文末也附了全文翻译，如果感兴趣可以亲自读一读～

01、

双资本模型：人力资本 + Token 资本

纳德拉这篇的一个核心观点，是说每家公司未来都要同时建两种资本：人的那部分（人力资本），和公司自己构建、真正拥有的 AI 能力（Token 资本）。

但在说这个双资本模型之前，还有一点更该先提，那就是人在背后承担责任的能力，它是其余一切的地基。

这一年大家都在争 AI 会不会取代人，但更要紧的问题是：有没有一样东西，是 AI 在结构上就接不过去的？答案是“承担责任的能力”。一个 AI 可以在能力上无限强，但它一旦做错了，板子最后总要打在一个人身上。

任何体系要运转，都得有一个能被追责的主体：一个能被剥夺资产、被追究法律与经济责任的人。AI 对惩罚是无感的，而恰恰是“可被惩罚”，才让一个人真正担得起责任。之所以把它放在最前面，正因为它是后面一切的底座。

带着这一点，再回到纳德拉的框架：首先，这一次和过去任何一次技术浪潮都不同。PC、互联网、移动、云，本质上都是在“增强”人，给人更快的工具，但人始终还是唯一干活的那个；而这一次，人和系统，第一次形成了一个真正的认知闭环（cognitive loop），系统从旁边递工具的角色，变成了和人一起干活、甚至主动提议怎么干的参与者。

正因如此，纳德拉说，每家公司未来都要同时构建两种资本：人力资本（human capital）和 Token 资本（token capital）。人力资本是人的那部分：知识、判断、人脉、创造力、模式识别；Token 资本则是这家公司自己构建、并且真正拥有的那部分 AI 能力。值得一提的是，Token 资本是五年前，根本不存在于任何公司资产负债表上的资产，如今却正在变成一家现代公司，最重要的资产之一。

而对于这两种资本的关系，纳德拉说：人力资本不会因为 Token 资本变大而贬值，恰恰相反，它只会更值钱。他甚至说，人的能动性（human agency），才是 Token 资本增长的发动机，因为是人去设定有野心的目标，在不同领域之间连点成线，去建立关系，去识别出哪些规律才真正要紧；一旦失去了人的引导，你手里那些算力，不过是在原地空转。

但纳德拉把人的价值落在“能动性”和“判断力”上，这两样恐怕都只是阶段性的优势，算不上人和 AI 的根本分界。能动性，说到底来自马斯洛那串需求，可这套“想要、然后主动去够”的机制，正在被代码复刻——proactive 的 agent、auto-research 已经在自己挖需求、自己提目标，你只要把它写进系统里。判断力也一样：人的判断很大程度上是被数据“洗”出来的，并非天生，而“从数据里学判断”恰恰是模型越来越擅长的事。

当然，就“眼下”而言，判断力确实还稀缺、还值钱——当 AI 把“执行”压成几乎零成本的商品，知道什么值得做、知道一个输出什么时候算“对了”（哪怕它技术上挑不出错）、知道一个复杂系统里高杠杆的决策点到底在哪。

这些暂时还没有公式可循，也确实正在把人分成两拨：靠执行速度吃饭的被压缩，靠判断吃饭的被放大，但它算不上长期的护城河。真正长期、暂时还卸不掉给 AI 的，还是前面那句话：谁来担责，谁可被惩罚。

这件事落到一家公司层面，就是一种全新的高杠杆形态：一小撮判断力足够强、也能为结果担责的人，外加足够多的 Token 资本，产出能顶过一支大得多的团队。这正是那批真正 AI-native 的公司如今跑出来的样子——人均产出复利式往上走，人头却越来越扁平。

说到底，未来公司的形态，是把稀缺的判断力（以及最终的那份责任）摆在正中间，再用尽可能多的 Token 资本，去把它身后的执行规模化。

02、

学习闭环：越用越聪明的护城河

那 Token 资本到底怎么“建”、怎么“拥有”？

纳德拉认为，真正的机会不在于挑那个“最强的模型”，而在于在模型之上搭起一个学习闭环（learning loop）——把公司的工作流、领域知识和长年累积的判断，变成一套越用越聪明的 AI 系统。

具体是三件东西：1）私有评估（private evals），衡量模型有没有在那些对业务真正要紧的结果上变好，而不是只盯着外部榜单；2）私有的强化学习环境，让模型基于公司内部真实的交互轨迹，持续变强；3）再加一个把机构记忆（institutional memory），变得随时可查的知识库。

他把这套机制，叫作一台不断向上、寻找更优解的“爬山机器”，或者说“它会复利”。与大多数会折旧的资产不同，每一次被改进的工作流，都会产生更好的训练信号，信号又加速沉淀那些，只属于这家公司的隐性知识（tacit knowledge），知识再回头改进下一个工作流。

打个比方：两家公司，同样的模型、同样的业务、同一个行业，五年后却可能拉开巨大的差距，区别只在于一家把这层学习沉淀了下来，另一家没有。

而模型本身，是那个可以随时替换的“输入”；沉淀下来的知识，才是抄不走的资产，把模型换掉仍然有价值。纳德拉有一句话说得很好：你可以把一项任务、甚至一整份工作“卸载”出去，但你永远卸载不掉自己的“学习与成长”。

再往深里说一层：这个所谓的“学习闭环”，本质上是对 prompt 的升级。最原始的 prompt，是你扔给模型的一句话；而最完整的 prompt，是一整个环境——它包含明确的评价标准（什么算“好”）、可读写的状态和记忆，以及在里面不断跑出来的真实轨迹。

模型更像一个“放大器”：你给它一句话，它把这句话压榨到极致（你给它一匹马，它能拼出一辆车；你给它一座城，它就能折腾出一个帝国）。所以真正的功夫，不在于挑哪个模型，而在于你能为它注入多完整的一个环境。

比“搭好一个环境”更靠前沿的问题，是这个环境怎么自我进化。最朴素的方式是线性迭代：跑一次、看结果、改一版。但已经有人在走别的路子——像 AlphaEvolve 那类做法，更接近 DNA：一次裂变出许多变体，扔进环境里去碰，留下“活下来”的，再继续裂变、再突变；围棋式的自博弈又是另一种更新方式。“怎么更新”本身，正在变成一门有讲究的手艺。

于是问题就开放在这里：一个“完整的环境”，到底是不是 context 的尽头？还是说，它外面还套着一个暂时还没看清的、更大的东西？

03、

如果把模型换了，你还剩什么？

前面说过，护城河是那个学习闭环，而不是模型本身。

更进一步，纳德拉提出了一道检验题：一家公司，是否能换掉某个“通用型”模型，却不会因此丢失那些，早已沉淀进学习系统里的、“公司老兵”般的私有专业经验。

换句话说：如果换个模型，护城河还在不在？

这道题落到具体公司上很好用：对于一家自称 AI-native 的公司，如果把底层模型从一家换成另一家，甚至换成一个目前还不存在的未来模型，它还能保持原来的运营优势吗？系统里那些攒下来的“公司老兵”经验还在吗？编码进去的工作流、上下文和运营判断，还能像以前一样运转吗？

随着Anthropic只开放少量机构使用Mythos权限、Fable 5被封禁，“模型的可得性”突然变成了一个大问题，令无数CEO和CTO们头疼，也凸显把命脉押在某一家模型上有多脆弱。

如果换掉某个通用模型，那些一点点攒下来的“老兵经验”仍然存在，那就说明你真的建起了 Token 资本，模型对你只是个可替换的零件；如果一换就垮，那说明你所谓的护城河，其实是从模型供应商那里“租”来的——人家哪天涨了价、改了行为、关了API接口，你的壁垒一夜之间就没了。

真能过关的公司往往有几个共同点：基础设施对模型保持中立，自己的评估盯的是业务结果，而非某个模型的优势，沉淀下来的交互轨迹能换到任何模型上重放。

04、

别让少数模型，吃掉所有人

到这里，纳德拉还把视角从单个公司，拉到了整个经济体，而这恰恰是最重要的问题——价值最终会流向谁？

这里得先交代一个背景。表面上看，微软是 OpenAI 最大的外部投资人，似乎“最该希望价值都沉淀在模型这一层”，所以他出来主张“价值应该流到模型之上”，很容易被读成一种违背自身利益的高尚。

但其实，微软同时是模型公司的股东、是云厂商、又是调用模型的入口，这个生态里不管发生什么样的“裂变”，基本都在它的覆盖范围之内，很难冒出一个能把它卷死的东西。

换句话说，这盘棋他怎么下都赢：保底看，价值落在哪一层他都能分到；进攻看，他最舒服的局面，恰恰是模型公司别一家独大、最好 agent 公司和模型公司都很多、谁也吃不掉谁，而这正好就是纳德拉这篇文章呼吁的那个“生态”。所以与其说这是高尚，不如说，这是一个怎样都会赢的人，在为对自己最有利的格局站台。

顺带一提：马斯克对这篇的全部回应，只有一个词——“Interesting”。一个同样坐在这张牌桌上的人，留下这么一句没头没尾的“Interesting”，你大可以读出好几层意思。

去年8月，纳德拉宣布把 GPT-5 全面接入 Copilot、GitHub、Azure 时，马斯克就撂过一句“OpenAI 会把微软活活吃掉”，而纳德拉今天这篇“别让少数模型吃掉所有人”，某种程度上像是在回应、甚至默认马斯克当年那句话。所以马斯克回应的这句“interesting”，也带有旁观者看穿棋局的轻轻一刺

纳德拉现在担心的，是这样一个世界：各行各业的每一家公司，都把自己的价值拱手让给少数几个“见什么吞什么”（eat everything they see）的模型。

被吃掉的不是别的，正是各个行业辛苦攒下的专业知识、判断和 IP资产，一旦这些被商品化、被从脚下一点点抽走，公司就再没有什么能让自己区别于竞争对手。

在他看来，如果所有价值，最后只汇到极少数模型公司手里，整个政治经济根本不会容忍；一个把整个产业彻底掏空的 AI 未来，是拿不到社会许可（societal permission）的。

他特意搬出全球化的第一阶段来类比：当年一个个工业经济体，被外包掏空，GDP 数字表面上还挺好看，可它对就业、对整个产业的冲击是真实的，直到今天仍然有人在为此付出代价。这套剧本，不该在 AI 时代再演一遍。

而历史的经验是，这样的清算迟早会来，区别只在于，是这个行业趁着现在还在赚钱时主动调整，还是等到被一场危机逼着调整。

说到底，摆在面前的是两种结局：要么价值高度集中到极少数模型手里，要么它宽广地分布到许多层——云厂商、平台搭建者、各垂直行业的 AI 公司、开源生态、基础设施，以及一整批在这套底座上长出来的新公司，乃至整个社会。唯有如此，价值才能流向每一家公司、每一个行业、每一个国家。

这背后，其实是一条很朴素的“平台价值观”：一个平台健不健康，要看长在它上面的价值，是不是远多于它自己抽走的那一份。

这也正是纳德拉文章标题的意思：没有生态的前沿，立不住（A frontier without an ecosystem is not stable）。

05、

原文翻译：没有生态的前沿，立不住（A frontier without an ecosystem is not stable）

作者：萨蒂亚·纳德拉（Satya Nadella，微软董事长兼 CEO）

@satyanadella

我最近一直在想一个问题：在 AI 驱动的经济里，企业的未来会是什么样子。

这一次的转变，和以往任何一次平台变革都不一样。过去，我们用数字系统来增强人力资本；这一次，我们第一次能在人和数字系统之间建立起一个认知闭环（cognitive loop）。这件事很颠覆认知，因为它改变了我们对企业内部“工作”本身的理解。

这里真正要紧的，不是某个数字工具或系统怎么用，而是：在一个 AI 模型能不断吸收人和组织的专业知识、再把它商品化的世界里，组织要怎么持续学习、构建 IP、做出差异化，并且活得好。

每家公司都将不得不构建两样东西，我把它们叫作人力资本（human capital）和 Token 资本（token capital）。人力资本，是员工的知识、判断、人脉、巧思和模式识别；Token 资本，是这家公司自己构建、自己拥有的 AI 能力。

要紧的是，人力资本不会因为 Token 资本变大而贬值。恰恰相反，它只会更值钱！我相信，人的能动性（human agency）会成为 Token 资本增长的驱动力。是人在设定有野心的目标，在不同领域之间连点成线，建立关系，识别出最要紧的规律。没有人的引导，算力不过是在原地空转。

这意味着，真正的机会不在于挑那个“最好的模型”，而在于在模型之上搭一个学习闭环（learning loop），让人力资本和 Token 资本在里面复利累积。你可以把一项任务、甚至一整份工作卸载出去，但你永远卸载不掉自己的学习。企业的未来，就看它能不能让这种学习在人和 AI 之间不断复利。

要做到这一点，需要一套新的架构思路：让每家公司都能搭出会随时间不断自我改进的智能体系统（agentic systems），同时仍然掌握着对自己 IP 的控制权。一家公司，应该能换掉某个“通用型”模型，而不丢失那些已经沉淀进它学习系统里的“公司老兵”经验。这就是检验你在未来掌不掌握控制权与主权（control and sovereignty）的试金石。

公司要把自己的工作流、领域知识和长年积累的判断，变成越用越聪明的 AI 系统。私有评估（private evals）要衡量的是：一个模型有没有在那些对业务真正要紧的结果上变好，而不是只看外部榜单。私有的强化学习环境，要让模型基于组织内部真实的交互轨迹变得更强。它的知识库，让机构记忆随时可查，也让 token 用得更省。

这个闭环，会成为公司新的 IP。我把它看成一台爬山机器（hill climbing machine）：不断往更优解上爬。而且和大多数会折旧的资产不一样，它会复利。每一次工作流被改进，都会产生更好的训练信号，信号又加快沉淀这家公司独有的隐性知识，知识再回头改进下一个工作流。越早把这套机制搭起来的公司，优势越难被复制；而且不管以后单个模型的能力又跳了多大一步，这个优势都还在。

我们谁都最不愿意看到这样一个世界：每个行业、每家公司，都把自己的价值拱手让给少数几个“见什么吞什么”的模型。如果所有价值最后都汇到极少数模型手里，整个政治经济根本不会容忍。一个把整个产业掏空的 AI 未来，是拿不到社会许可（societal permission）的。

想想全球化的第一阶段：一个个工业经济体被外包掏空。表面上 GDP 数字还挺好看，但那种错位是真实的，它的后果到今天还有人在承受。千万别让这一套在 AI 时代重演：少数几个 AI 系统拿走全部经济回报，一个个完整的产业，只能看着自己的知识被商品化、从脚底下被一点点抽走。

在我看来，我们的首要任务，是建一个前沿生态（frontier ecosystem），而不只是一个前沿模型，这样价值才能宽广地流到每一家公司、每一个行业、每一个国家。在这样的生态里，每个组织都能拥有自己的学习闭环，把自己的机构知识编码进去，让人力资本和 Token 资本一起复利。

这是我一直信奉的理念：好平台让别人在它上面创造的价值，远大于它自己拿走的那一份；在这样的平台上，每家公司都能不断创新，长出自己的价值。

等这一切发生，公司既会为自己创造价值，也会为周围的经济创造价值。员工会看到自己的专业能力被放大，他们的判断也会进入某种系统，被复制、被规模化；而这些好处，会落到他们身边的公司和社群身上。

这就是公司为自己、也为更大的经济创造价值的方式。这也是我们应该一起建起来的那个稳定均衡（stable equilibrium）。

文章来自于微信公众号 “五源资本 5Y Capital”，作者 “五源资本 5Y Capital”