微軟 CEO 納德拉示警：企業要掌控 Token 資本，使用 AI 不能押注單一模型
微軟（Microsoft）執行長薩提亞·納德拉（Satya Nadella）近日在一場公開談話中，針對企業導入人工智慧的策略提出重要提醒。他呼籲，企業在擁抱 AI 技術的同時，必須嚴肅看待「Token 資本」這個全新概念，並強調組織內部的知識資產不應被單一模型或單一服務商所綁架，否則未來在技術升級或供應商調整時，將面臨難以轉換的困境，甚至可能讓內部機密與專業累積輕易外流。納德拉在談話中指出，企業使用人工智慧的邏輯，與一般消費者的使用情境截然不同。
一般使用者可能僅是將 AI 視為工具，用於回答問題或生成內容；但企業組織在導入 AI 的過程中，會持續投入人力與資源，產出大量專屬於自身業務範疇的知識內容。這些知識涵蓋了內部流程、客戶洞察、產品開發經驗，以及員工日常工作中與 AI 模型互動所累積的智慧，這些內容理應被視為企業資產的一部分，妥善保留在組織內，而非成為特定模型或供應商的附屬品。他所提出的「Token 資本」概念，正是指企業在使用 AI 過程中所沉澱下來的核心資產。具體而言，這包含了推進任務時所使用的提示詞（Prompt）上下文脈絡、員工與 AI 模型之間往返對話的互動紀錄，以及員工如何運用模型解決問題的思考模式與使用習慣等。
這些看似細節的資料，實際上匯聚成企業在 AI 應用上的獨特競爭力，是外界難以複製的智慧資本。納德拉強調，企業只押注單一 AI 模型的做法充滿風險。他分析指出，當企業將自身的運作邏輯、專業知識、甚至內部資料庫的調用方式都深度與某一家模型廠商綁定時，短期內或許能獲得便利與效率，但長期來看，一旦該模型進行大幅度的版本更新，或企業基於成本、效能、合規等因素想要更換服務供應商，屆時將發現過往累積的 Token 資本難以遷移，讓企業陷入進退兩難的窘境。更值得警惕的是知識安全風險。
納德拉坦言，若企業缺乏對 Token 資本的管理意識，員工在使用外部 AI 工具的過程中，等同於將未經梳理的內部機密資訊直接暴露給第三方模型。這不僅可能造成商業機密外洩，更可能讓企業逐漸喪失對自身知識資產的主導權，技術能力與數據資料反而成了協助對手訓練模型的養分，這是任何成熟企業都不樂見的結果。為此，他建議企業必須建立一套能夠系統化管理 Token 資本的內部機制。這套機制不僅要能記錄、分類與儲存員工與 AI 互動所產生的資料，更要確保這些知識能夠在組織內部持續被檢索、運用與循環，使其真正成為支撐企業決策與創新的基礎，而不是隨著一次性的任務結束或被服務商中斷合作而付諸流水。
納德拉的這番言論，也直接反映出微軟在企業 AI 市場上的布局思維。不同於部分競爭對手積極推廣自家專屬的封閉模型生態系統，微軟更傾向於讓客戶在自身的雲端服務平台 Azure 上，建立具備高度控制權且便於遷移的 AI 應用架構。如此一來，無論底層採用的是哪一家的模型技術，企業的應用程式層級與數據層級都能維持獨立與彈性。微軟近年來積極將人工智慧功能整合進 Office 365、Windows 以及 Dynamics 等企業級產品中，同時也透過 Azure OpenAI 服務提供多元模型的選擇。
對於納德拉而言，未來的企業導入 AI 不應只是追求單一模型帶來的「爆紅」效應，更重要的是整個組織能否在技術演進的浪潮中，持續掌握屬於自己的數據主權與模型管理能力。從產業發展的角度來看，納德拉的示警具有相當的前瞻性。過去企業在進行數位轉型時，往往擔心被 ERP（企業資源規劃）或 CRM（客戶關係管理）系統的傳統服務商給「綁架」；如今，這份擔憂正延伸到人工智慧領域。Token 資本的提出，為企業檢視 AI 投資提供了一個全新的評估維度，促使高階主管在追逐效率的同時，也必須思考長遠的知識策略。
總體而言，微軟高層此番表態，不僅是對企業客戶的一記當頭棒喝，也預示著 AI 產業將從單純的算力競賽，逐步走向「企業信任」與「生態系統開放性」的博弈。如何在享受模型帶來的生產力紅利之餘，又不致於喪失組織賴以生存的知識核心，將成為未來企業決策者在人工智慧時代最重要的課題。
Related
相關文章
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億；阿里加碼AI硬件品牌，天貓、速賣通聯動；國行版蘋果AI有望12月上線，百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障！DeepSeek發放宕機補償，有人拿到3000元3.阿里加碼AI硬件品牌，天貓、速賣通聯動4.國行版蘋果AI有望12月上線，百度、阿里參與合作5.可靈AI新一代模型Kling 4.