微软 CEO 萨提亚·纳德拉最近写了一篇谈「AI 时代公司未来」的文章。通篇读下来，最让我停住的，是这样一句：
「没有生态的前沿，是不稳定的。」（A frontier without an ecosystem is not stable.）
你品一下这句话出自谁之口——出自一个靠卖模型、卖算力挣钱的人。
这就像一个卖锄头的，跑来认真地跟你说：兄弟，别把家底押在锄头上。
我们这两年被一种叙事包裹得太久了：谁家的模型又登顶了榜单，谁的上下文又长了，谁的跑分又超了谁。仿佛企业用 AI 这件事，核心就是一道选择题——到底该选哪个模型？
而纳德拉这篇文章，几乎是把这道选择题整个掀翻：真正决定一家公司能不能在 AI 时代活得好的，根本不是它选了哪个模型。
那是什么？这篇我想顺着他的原文，把这层意思一点点挖开。
一、这一次平台变迁，到底哪里不一样？
纳德拉先抛出一个判断：这次转型，和过去任何一次平台变迁都不同。
过去几十年，我们用数字系统做的事，本质上是一件事——增强人力。Excel 增强了会计，CRM 增强了销售，搜索引擎增强了每一个查资料的人。工具再强，它始终站在人的对面，是一个被人使用的「它」。
而这一次，第一次出现了别的东西。用他的话说：
「这是我们第一次，能够在人与数字系统之间，建立起一个真正的认知闭环（a real cognitive loop between people and digital systems）。」
这句话值得停下来想。过去是「人用工具」，是单向的；现在是「人和系统互相喂养」，是一个环。
人把判断、目标、领域经验喂给系统，系统跑出结果、再把结果反馈回来重塑人的判断，然后下一轮，人带着被更新过的判断，再去驱动系统……一圈一圈转下去。纳德拉说这「会让人脑子打结（a mind-bender）」，因为它甚至改变了我们对「企业内部的工作」本身的理解方式。
我觉得这个「闭环」的视角，是理解他整篇文章的钥匙。因为一旦你接受「人和 AI 是一个会持续转动的环」，下一个问题就自然冒出来了：这个环，到底属于谁？
二、两种资本：人力资本，和「 Token 资本」
纳德拉接着给出了这篇文章里我认为最重要的一个概念框架。他说，每一家公司，未来都要去构建两种资本：
人力资本（human capital），是你的人所拥有的知识、判断、关系、巧思，以及模式识别的能力； ** Token 资本（token capital）**，是这家公司自己构建、并且拥有的 AI 能力。
「 Token 资本」这个词造得很妙。Token，既是大模型吞吐的那个「token」，也是经济学意义上的「资本」。他等于在说：你每天烧掉的那些 token，如果只是用过即焚，那是成本；可如果它们能沉淀下来、形成一种你独有的、会增值的 AI 能力，那它就是资本。
然后，他强调了一个特别反直觉的点——人力资本不会因为 Token 资本变多而贬值，反而会更值钱。
这话乍听像是安慰人的客套，但他给了一个很硬的理由：
「我相信，人的能动性，将是 Token 资本增长的驱动力。是人去设定有野心的目标，去跨领域连点，去建立关系，去识别出那些最要紧的模式。没有人的方向，你拥有的只是在原地打转的算力。」
「在原地打转的算力（compute running in circles）」——这个画面我太熟悉了。多少团队买了最贵的模型、最大的算力，结果产出一堆没人要的东西，就是因为没有人在前面把方向、把目标、把「到底什么才重要」给定下来。
算力本身不产生价值，是人给算力指了方向，价值才出现。 所以 Token 资本越厚，越凸显那个掌舵的人有多关键。两种资本不是此消彼长，是彼此放大。
三、那句最锋利的话：你外包得了工作，外包不了学习
铺垫到这里，纳德拉甩出了整篇文章我最想抄下来的一句：
「你可以把一项任务外包出去，甚至把一份工作外包出去，但你永远没法把你的『学习』外包出去。」 （You can offload a task, or even a job, but you can never offload your learning.）
这一句，我觉得值得每一个焦虑「AI 会不会取代我」的人，贴在桌子前面。
它把问题一下子从「哪些活会被 AI 干掉」，挪到了一个更要命的地方：就算一项活、甚至一份工作真的被 AI 接走了，那份『在干这件事的过程中积累起来的学习』，到底沉淀在了谁那里？
如果它沉淀在你这里、你公司这里，那 AI 接走的只是「执行」，你留下了「成长」；可如果它顺着模型流走了，被那个通用大模型吸收、再商品化掉，那你就是在亲手把自己的护城河，一勺一勺舀给别人。
所以纳德拉说，真正的机会根本不在「挑出最好的模型」：
「真正的机会，不在于挑选最好的模型，而在于在模型之上，构建一个让人力资本与 Token 资本持续复利的『学习闭环』。」
你看，他把话说得非常直白了。模型是地基，但所有人都能用同一块地基；真正决定你盖出什么楼的，是你在地基之上搭起来的那套会自我增强的学习系统。
公司的未来，就是把这种学习，在『人』和『AI』之间持续复利的能力。 这是这篇文章的题眼。
四、这个「学习闭环」，到底长什么样？
光说概念容易飘。难得的是，纳德拉这次把这台机器的零件，拆得相当具体。他说企业需要把自己的工作流、领域知识和积累下来的判断，变成会「越用越强」的 AI 系统，具体靠三个东西：
- 私有评测（Private evals）：用来衡量一个模型，是不是真的在「对你的业务真正重要的结果」上变得更好——而不是看它在外部那些公开榜单上跑了多少分。 这一点尤其戳人：多少团队还在拿外部 benchmark 当圣旨，却从没建过一套「对我自己的生意到底有没有用」的私有标尺。
- 私有强化学习环境（Private RL environments）：让模型在你组织内部真实发生过的轨迹（real traces）上变得更强。也就是说，模型不是在通用语料里泛泛地学，而是在你公司真实的业务现场里，针对性地长本事。
- 知识库（Knowledge base）：把机构的记忆变得可被查询，也让 token 的使用更高效——institutional memory 这个词翻过来就是「组织的集体记忆」，把它变成可调用的资产，公司里那些「只有老员工才知道」的隐性经验，第一次有了能被系统继承的载体。
这三样东西合起来，就形成了纳德拉口中那个核心意象——
「这个闭环，会成为公司新的知识产权（IP）。我把它想象成一台『爬山机器（a hill climbing machine）』。而且，和大多数资产不同——它会复利。」
爬山机器。每一个被改进的工作流，都会产出更好的训练信号；更好的训练信号，又加速了那些只属于你这家公司的隐性知识的积累。于是它一级一级往上爬，越爬越快。
「越早把这套东西建起来的公司，会拥有一种很难被复制的优势——无论之后又冒出来什么更强的单个模型，都撼动不了它。」
这句话直接回答了文章开头那道「该选哪个模型」的选择题：当你有了这台会复利的爬山机器，下一个更强的模型出现，对你来说就只是『换一个更好的引擎』，而不是『你的护城河被人填平了』。
五、那道决定「主权」的测试题
讲到这里，纳德拉给出了一句我认为可以当作「检验标准」直接用的话。他说，这要求一种全新的架构思路：每家企业都要能构建会随时间自我改进的 agentic 系统，同时还要牢牢握住自己的 IP。然后他给了那道测试题：
「一家公司，应该能够换掉一个『通用型』模型，而不丢失它的学习系统里那个『公司老兵（company veteran）』的专长。这，就是检验你在未来这个时代里，是否真正拥有控制权与主权的关键测试。」
「换得掉模型，换不走公司老兵」——我觉得这是整篇文章最该被记住的一句体检标准。
你可以拿它去给自己公司的每一个 AI 系统做体检：如果今天换掉底层那个模型，你过去积累的那些东西，会不会跟着一起清零？
会清零，说明你的全部价值都长在别人的模型身上，你并没有主权，只是个租客；不会清零，说明你真的把「公司老兵」的经验，沉淀在了自己这一侧——模型只是可替换的引擎，而那位老兵，永远留在你家。
这其实也呼应了我之前在《破山中贼易，破心中贼难》里反复讲的那件事：企业真正的家底，是企业自己的数据、权限和知识，那是任何模型都替代不了的护城河。 纳德拉这次，等于用「主权测试」这个更锋利的说法，把同一件事又敲了一遍。
六、为什么是「前沿生态」，而不只是「前沿模型」？
如果说前面五节都在讲「公司该怎么办」，那文章的最后，纳德拉把视角一下子拉到了整个社会，讲了一段我觉得格局很大、也很清醒的话。
他说，我们最不想看到的，是这样一个世界：每一个行业里的每一家公司，都在把自己的价值，拱手让给那极少数几个『见什么吃什么』的模型。
「如果所有价值都只被极少数几个模型攫取，那么政治经济本身，根本不会容忍这件事。一个掏空了整个行业的 AI 未来，是不会得到社会许可的。」
他还专门拿全球化的教训作了类比：第一波全球化里，整片整片的工业经济被外包掏空，GDP 数字表面看着挺好，但真实的流离失所是实实在在的，后果至今还在被消化。 他的警告很直接——别把这套动态带进 AI 时代，别让极少数 AI 系统攫取了所有经济回报，而无数行业的知识，被人从脚底下抽空、商品化掉。
所以他给出了那个统领全篇的判断：
「在我看来，我们的当务之急，必须是构建一个『前沿生态』，而不只是一个『前沿模型』——好让价值能广泛地流向每一家公司、每一个行业、每一个国家。在这个生态里，每一个组织，都能拥有那个编码着自己机构知识的学习闭环，让它的人力资本和 Token 资本一起复利。」
读到这儿你会发现，文章开头那句「没有生态的前沿，是不稳定的」，到这里才真正落地了：一个只有少数巨型模型、却没有万千企业各自学习闭环的 AI 世界，看着前沿，其实是脆的——因为它没有得到社会的许可，迟早会被政治经济的反作用力掀翻。
稳定的均衡，是让每家公司都能在模型之上，长出属于自己的那台爬山机器。
七、把这套大叙事，翻译成普通团队能用的话
纳德拉站在微软的位置讲这些，气象很大。但我读完，更想把它翻译成对我自己、对每一个中小团队真正有用的几句大白话：
第一，别再把「选哪个模型」当成核心战略。 模型会越来越便宜、越来越趋同，把宝押在「追到最强模型」上，是把命运交给了别人。真正要花心思的，是在模型之上，搭你自己那套会越用越强的东西。
第二，开始有意识地「攒学习」，而不是「用过即焚」。 你每天用 AI 处理的那些真实业务——你怎么提问、怎么修正、怎么判断好坏——这些轨迹本身就是宝贵的训练信号。随手丢掉，它是成本；攒起来、让系统下次更懂你，它就是资本。这就是把「token 的消耗」变成「 Token 资本」的开始。
第三，给自己做那道「主权测试」。 时不时问自己一句：如果今天底层模型全换掉，我手上还剩下什么？剩得越多，你越自由。
而这，恰恰就是我每天在做的事。
我一个人打造的 Zaokit，想做的就是把这件「在模型之上攒自己能力」的事，变得普通人也能上手：你不用懂任何技术，把要做的事说清楚，它帮你高效完成图文创作和 PPT 生成——本质上，是帮你用最低的成本，把脑子里的想法快速变成第一版产出。唯一网站：https://zaokit.app。
而把这种能力沉淀成企业可以信赖的底座，也是我一直在做的事：cx.zaokit.com、cc.zaokit.com、tokenhub.zaokit.ai、gift.junxinzhang.com 以及更多项目，已经融入不少企业的真实工作流，是稳定靠谱、开箱即用的 AI 全家桶。其中像 Token Hub 这样的东西，干的正是纳德拉说的第一步——把全公司零散的 token 消耗，先收成一个统一的底座，让它有机会沉淀成「 Token 资本」，而不是白白流走。
写在最后
读完纳德拉这篇文章，我最大的感受是一种「被一个卖锄头的人提醒了」的清醒——
当连最大的模型供应商，都在告诉你「别把核心能力押在模型上」时，你真的不该再每天盯着那张模型榜单了。
真正值钱的，从来不是你今天用的是哪个模型，而是你能不能在模型之上，建起那台「换得掉引擎、却换不走公司老兵」的爬山机器——让你的人和你的 AI，在一个属于你自己的闭环里，一圈一圈地往上复利。
你可以外包一项任务，可以外包一份工作，但你永远外包不了你的学习。 这句话，对一家公司成立，对一个普通人，同样成立。
我是 Jason，一个独立打造 AI 产品的创业者。如果这篇让你重新想了想「我们公司到底该把劲往哪使」，欢迎转发给那个还在每天纠结「该换哪个模型」的同事。
相关阅读：
