Meta、微軟掌門人巔峰對話：大模型如何改變世界？

作者 | 山竹

出品 | 鋅產業

大模型的競爭遠遠沒有結束。

就在剛剛過去的4月，大模型再度經歷了新一輪諸神之戰。

先是有阿里在4月29日凌晨發布開源模型Qwen，并官宣登頂全球開源模型榜首；

后又有Meta在4月30日舉辦首屆LlamaCon開發者大會，大會上不僅發布了對標ChatGPT的Meta AI App，還面向開發者推出了Llama API預覽版。

Meta的Llama 4系列模型，則是在4月6日搶先對外發布。

也是在首屆LlamaCon開發者大會上，Meta創始人扎克伯格請來了現任微軟CEO薩提亞·納德拉進行了一場半小時的現場對話。

在這場對話中，小扎搖身一變，成了主持人，對這位曾經挽救微軟于水火，推動微軟巨額投資了OpenAI，如今在推動微軟進行又一次改革的傳奇CEO進行了一場精彩訪談。

納德拉說，我們正處于一個可以構建“深度應用”的階段；

納德拉說，一些項目中，我們代碼庫里的代碼可能有20%-30%是由AI編寫。

扎克伯格則指出，到2026年，預計會有一半的應用開發工作會由AI完成；

扎克伯格還指出，未來每個工程師都會是技術領導，帶領一個自己的智能體小隊。

我們將這次兩大科技巨頭值得回味的對話內容整理如下：

01“深度應用”，即將到來

扎克伯格：你曾多次談到，當前科技領域所處的時刻，尤其是人工智能高速發展，讓你想起了過去的技術轉型時刻，你能具體談談嗎？

納德拉：我加入微軟時，正值Windows 3發布，所以我見證了客戶端-服務器架構的誕生，然后是互聯網、移動互聯網、云計算的浪潮相繼興起。

你可以把現在的AI浪潮看作第四次或第五次技術轉型，每次技術轉型，技術棧都面臨著結構性調整，你需要回到第一性原理重新進行梳理。

以我自己的經歷來看，我從07、08年開始構建云基礎設施，主要用于Hadoop之類的數據處理，但后來我們發現，這與為AI訓練工作負載構建的核心存儲系統完全不同。

數據并行、同步工作負載的需求讓我們重新自上而下思考技術棧的重構，這種挑戰在每次平臺轉型時都會出現。就像互聯網雖然誕生于Windows，但后來互聯網的發展已經遠遠超越了Windows。

扎克伯格：微軟在企業業務方面表現非常出色，你如何看待AI模型的效率提升對企業的影響？

納德拉：幾年前，我們還在擔憂摩爾定律是否已經終結，大家都在問：“接下來該怎么辦？”但現在，我們進入了又一個技術大爆炸的時代。

技術平臺轉型從來不是單一的S曲線，而是多個S曲線的疊加。

首先，芯片性能在持續提升，像Jensen（黃仁勛）或Lisa（蘇姿豐）等人推動的芯片技術革新，縮短了芯片的研發周期，這可以看作是摩爾定律的延續。

但更重要的是，系統軟件優化、模型架構優化、推理內核優化、應用服務器，乃至提示緩存，我們在這些方面都取得了顯著的進步。

把這些進步疊加起來，每6-12個月，我們就能看到10倍的性能提升。

當技術以這種速度增長，價格又以同樣的速度下降時，消費必然會大幅增長。

所以我非常樂觀，我們正處于一個可以構建“深度應用（deep applications）”的階段，現在，我們已經進入了多模型應用階段，可以進行編排、智能體和多個模型協同工作。

早期應用高度依賴單一模型，但現在我們能構建確定的工作流，讓基于某個模型的智能體與其它智能體對話，我們甚至有了像MCP或A2A這樣的協議，這些都是很好的技術演進。

人工智能技術如果能進一步標準化，我們就能開發出更靈活且充分利用人工智能技術的應用。

我認為，開源在這一過程中將發揮巨大的作用。

02大模型顛覆平臺型企業

扎克伯格：你認為開源生態會如何發展？為什么這對你的客戶很重要？你在構建基礎設施時又是如何考慮的？

納德拉：我早期在微軟的一個重要工作是確保Windows NT與各種Unix系統之間的互操作性，這讓我明白了一件事：客戶首先需要互操作性，如果你在這方面做得很好，這對你的業務會很有益，這是我思考開源的起點。

我對閉源或開源并不教條，世界需要兩者并存。

事實上，客戶也要求兩者共存，即使有人固執己見也沒關系，因為需求會推動世界朝這個方向發展。

例如，我們現在有SQL Server，也有MySQL和Postgres；有Linux，也有Windows，甚至Windows上還有Linux。

我最喜歡的是Windows上的WSL，因為它讓許多開發工具在Windows上部署變得簡單。

總體來說，擁有一種能混合搭配這兩種模式的能力非常有用。

事實上，我們很多企業客戶希望提煉他們擁有的模型，形成他們自己的知識產權。在這種情況下，開源模型相較閉源模型有著巨大的優勢。

所以，現在的世界能更好地同時服務于優秀的閉源模型和開源模型，作為超大規模云提供商，這對于我們來說是一件好事，我們的工作是為這些模型開發商提供服務。

例如在Azure上，你可以使用Postgres、SQL Server，或者Linux和Windows虛擬機。

同樣，我們希望可以為大家提供各種模型支持。

扎克伯格：你認為微軟在開源方面扮演著怎樣的角色？對于剛起步的開發者，微軟能為他們提供哪些差異化能力？

納德拉：首先，AI工作負載不僅僅是在推理時有個AI加速器和一個模型，實際上，任何AI工作負載的底層都有存儲、計算資源和網絡資源。所以核心基礎設施對Azure來說很重要。

我們希望基于計算、存儲、網絡加上AI加速器打造世界級基礎設施，并作為服務提供給那些想要構建下一代智能體的開發者。

此外，我們還在與芯片代工廠一起構建一個應用服務平臺，每次技術轉型都會出現一個應用服務平臺。

如何將搜索、內存、安全在內的所有開發者需要的服務封裝起來，這些都是現在每個開發者在嘗試做的事情，如何將這些封裝到標準框架中，為開發者提供相應的工具，這是我們在思考的問題。

我們專注在做的另一件事情是將GitHub Copilot作為工具，它的進展令我們非常興奮。

優秀的工具、優秀的應用服務器和優秀的基礎設施的結合，是加速AI應用開發的關鍵。

03生產模式將加速轉變

扎克伯格：你提到智能體和生產力提升，這顯然是整個生態系統的一個重要話題。我很好奇，微軟內部是如何看待這一點的？你看到的最有趣的例子是什么？

納德拉：我們最直觀的感受來自軟件開發領域的變化。

以GitHub Copilot的演變為例，它最初只有代碼補全能力，后來我們加入了聊天功能——讓開發者可以直接在工作流中解決問題，不用再去Reddit或Stack Overflow，然后，我們又引入了智能體工作流，可以直接分配任務。

現在，我們還有像SWE Agent這樣的Demo，你可以給它一個高級提示詞，或者把代碼審查分配給它。

這四個方面——代碼補全、聊天、智能體工作流和SWE Agent，共同為我們帶來了生產力的提升。

這其中，我們獲得最重要的經驗是，你必須把這些工具整合到現有的代碼庫和開發者工作流中。

構建全新的應用是一回事，但我們很少能完全從零開始，通常我們需要在一個大型代碼庫基礎上工作，面對復雜的代碼工作流，需要整合各種工具鏈。

這是每個工程團隊都要做的系統性工作，只有這樣才能真正提升生產力。

這種變化同樣適用于其它知識型工作，例如在銷售領域，微軟內部在準備企業客戶會議時，以往的流程（我從1992年加入微軟以來就沒變過的流程）是：

有人寫了一份公告，然后通過郵件或共享文檔發送我，我會在會議前一晚讀這封郵件。

現在，我可以用Researcher和Copilot實時獲取網絡、公司內部甚至CRM中的綜合信息，這種改變不再需要有人提前做任何準備，但這需要改變工作方式、工作產物和工作流。

這種轉變一開始會很慢，然后會突然加速。

我在PC時代已經看到過類似的轉變，那時，人們用傳真和辦公室備忘錄做信息記錄和傳遞，后來有人說：“我們用郵件發個電子表格吧。”數字化的引入改變了信息記錄和傳遞的方式。

我認為，我們現在正處于類似轉變的起點，客戶服務、營銷資料創作、內容創作等領域都在發生變化，我們已經看到了實實在在的進展和生產力提升。

扎克伯格：你有統計過現在微軟內部有多少代碼是AI寫的嗎？

納德拉：事實上我們在追蹤關于AI的兩項指標：

一是大家對AI的接受率，目前大概在30%到40%，而且這個數字還在穩步上升，具體取決于編程語言。

我們現在很多代碼還是用C++寫的，但是C++語言的代碼補全效果不太好，C#還不錯，Python則表現得很棒。

隨著語言支持率的提升，代碼補全的質量也在提高。

AI寫代碼還處于早期階段，對于新項目來說，AI寫的代碼比例會很高，但我們的項目并不是全新的項目，我估計，在一些項目中，我們代碼庫里的代碼可能有20%-30%是用AI寫的。

二是代碼審查，代碼審查的比例也很高，我們用AI審查代碼的使用率在不斷增加。

你們那邊呢？

扎克伯格：我沒有現成的數字，但我們有很多團隊在研究Feed排名和廣告排名，這些領域可以通過變更歷史進行調整，這是個有趣的方向。

我們更關注打造AI和機器學習工程師，推動Llama開發本身。

我們預計，明年（2026年）可能有一半的開發會由AI完成，之后比例還會增加。你有類似的看法嗎？

納德拉：是的，我們也在嘗試用SWE Agent解決一些任務，比如內核優化，這種任務更有可能實現。

但提出全新的模型架構變化可能還不行，關鍵還是要看任務的性質。

扎克伯格：優化和安全改進確實是很大的機會，我們也在解決不同的問題。

你們服務于很多開發者，那是你們的核心業務。而我們更多是改進內部開發流程，然后優化Llama模型供人們使用。我們不像你們那樣做意圖工作流，所以聽你的想法很有趣。

納德拉：微軟創始人比爾·蓋茨是以工具公司起家的，所以對我來說，現在有趣的是，我們該如何概念化工具和基礎設施，尤其是給智能體用的工具和基礎設施。

即使是SWE Agent也需要一堆工具，它們該是什么形態？基礎設施該是什么？沙盒該是什么？

所以我們要做的事還有很多，基本上是改進GitHub代碼庫架構，看看對SWE Agent來說是什么樣。

扎克伯格：這很有趣。

我認為，未來每個工程師最終都會更像是技術領導，帶領著自己的智能體小隊。

你提到你個人用AI的工作流，我想知道它為你帶來了怎樣的改變？如果你今天作為一個開發者開始構建智能體，你會如何考慮用AI工具的使用？

納德拉：比爾反復向我們所有人提出的一個問題是：文檔、應用和網站有什么區別？

現在如果你用Meta AI、ChatGPT或Copilot，我不清楚聊天會話和頁面有什么區別。

例如，我在使用Llama 4時，實際上我只是與它進行了一堆聊天對話并將它們添加到文檔中，然后可以用代碼補全把它做成應用。

這些想法，你可以從一個高級意圖開始，最終得到一個應用。

過去你會將它稱作應用，我認為這會對工作流有著深遠的影響，我們正處在這個轉變的起點。

作為基礎設施和工具的構建者與使用者，那些因軟件工作方式而形成的限制，也許你可以超越它。

例如，我們過去常常在想，為什么Word、Excel、PowerPoint是分開的，為什么它們不能是一個東西？我們試了很多次。

但現在你可以想象，從文字開始，可視化成像Excel那樣的東西，然后展示出來，它們都可以作為一個永久的數據結構。

以前沒能實現的靈活性，現在可以實現了。

04造一座“蒸餾工廠”，讓模型能混合應用

扎克伯格：你曾指出，如果AI能夠帶來生產力提升，最終會反映在GDP上，但這需要很長時間才能實現。你認為未來3-5年會有怎樣的體現？

納德拉：世界需要一種新的生產要素來應對挑戰。例如，發達國家想要以10%的速度增長，甚至是工業革命時期的峰值增速。

要實現這一點，醫療、零售、工業等各行各業都將需要生產力的提升。

我認為AI有這個潛力，但需要在軟件和管理上進行變革。

人們要用不同的方式與AI合作，就像電力發展一樣，電力存在50年后，人們才通過改變工廠來真正利用它，福特就是一個很好的例子。

我希望AI不會花50年，但單純把AI看作“無馬馬車”并不是解決之道。

技術需要進步，同時需要融入系統，我們需要有新的工作方式、工作產物和工作流。

扎克伯格：接下來，我想回到“蒸餾工廠”的話題。你是怎么把為開源構建的AI模型組合起來的？需要什么樣的基礎設施？

納德拉：我認為這是開源的最大的魅力之一。

例如，在Llama家族中，你可以將一個大型模型蒸餾成更小的模型，甚至保持同樣的模型形態，這是很重要的用例。我們希望構建工具，希望將它作為服務來降低使用門檻。

啟動大型模型需要大量基礎設施，不是每個人、每個企業都有這樣的能力，但如果由云提供商來做，圍繞它提供工具，就會有突破性應用。

例如，對Microsoft 365的每個用戶來說，如果他們能有一個特定的蒸餾模型，創建成智能體或工作流，然后從Copilot里調用，這就會變得很強大，因為它們現在都已經支持MCP協議。

所謂“蒸餾工廠”，是指一個大型模型與多個蒸餾模型之間的一對多或多對多關系，這些蒸餾模型再與GitHub Copilot或其它工作流進行組合。

扎克伯格：我一直對此很著迷，我認為蒸餾是開源模型最強大的部分之一。

我們訓練初始的Llama模型，但沒有建造大部分開發者需要的基礎設施，像你們這樣的公司會構建復雜的基礎設施，而我們有大模型，除非蒸餾成更合理的形式，否則真的很難直接使用。

Maverick就是從Llama蒸餾出的一個多模態模型，文本性能與DeepSeek這樣的領先模型相當，但在圖像和多模態上有很大的優勢。

大模型預訓練完成后，我們通過后訓練和蒸餾，從20倍大的模型中提取90%到95%的智力，蒸餾出更高效的模型。

這其中的問題在于，如何讓那些沒有強大技術能力的人也能用上，現在能操作這種規模模型的實驗室數量還很少。

等這個愿景實現時，全世界的開發者都能用上不只從單一模型蒸餾，還能混搭不同模型的智能部分，這將是最酷的事情之一。

納德拉：是的，我認為這其中的另一個問題是評估和認證蒸餾模型，我們可以在這方面做更多工具和基礎設施來降低大模型的使用門檻。

好消息是，這些減少智能體構建障礙的工作已經有人開始做了。

此外，模型更新很快，你不能被過去的產品拖住，這也是我們需要擅長的。

扎克伯格：確實，開發者需要不同形態的模型。

Llama的每個專家是170億參數，設計時考慮了H100的效率。但開源社區想要更小的模型，比如Llama 3的8b版本最受歡迎。

我們也在做更小的版本，內部代號是Little Llama，能從大模型提取智能，蒸餾成適合筆記本電腦或手機的形態，這是最重要的方向之一。

納德拉：是的，如果我們能做到混合模型，比如MOE組合加上推理模型，然后你就可以靈活地調整延遲或思考時間，那會是我們都想達到的目標。