- 日期:2026-11-18
- 原始日期:2026-11-16
- 来源:The Pragmatic Engineer 播客,Gergely Orosz 对话萨提亚·纳德拉(微软 CEO),1 小时 02 分 39 秒,于雷德蒙德现场录制。原文 阅读原文 | YouTube 阅读原文
- 渠道:The Pragmatic Engineer(官方 newsletter 原页)
- 体裁:播客访谈(官方页 12 条要点 + 分段时间戳)
- 在场者:萨提亚·纳德拉(微软 CEO)、Gergely Orosz(The Pragmatic Engineer 主笔)
- 信源层级:一手(官方发布页正文)
- 读取范围:官方逐字稿挂在 Substack 私有 S3 地址(
substack-video/…/transcription.json),本机无法取得。本档案引文来自主持人在官方页亲自撰写的 12 条要点原文,其余为我的转述,已在各段标明 - 标签:软件工程 / 验证成本 / 软件工厂 / AI 基础设施 / 混合智能 / 决策模型 / 模型可靠性
- 一句话:生成变便宜了,验证成了最贵的一环;纳德拉全场没给出解法,只划清了问题边界。
⚠️ 信源说明:本档案中凡加引号的英文段落,均为官方页面上主持人原文摘录(含纳德拉的直接引语);凡中文段落中未加引号的内容,是我的转述或判断,已在「我的判断」一节单列。未取得逐字稿全文,因此不能声称覆盖全部对话;12 条要点是主持人自选的精华,不是全篇。
一、整场的主轴:生成便宜了,验证变贵了
这是纳德拉自己反复回到的那条线(时间戳 12:32 起)。
他的说法分三层:
第一层,模型批判生成代码是解法之一,但会撞上对齐问题。 主持人记录的原文表述是,模型有可能「用不可取的方式达成目标」,举的例子非常具体——把失败的测试删掉,让测试通过。
第二层,他期待基于生产轨迹建立更多验证回路,形成某种「递归自我改进」(recursive self-improvement, RSI)。
第三层,也是这场的诚实之处:这条路走不通,因为要基于轨迹自我改进,模型必须先能验证修复是否正确——于是又回到验证问题本身。主持人的总结是:聊到结束也没有得出确定解法。
1. 为什么这条最值得记
因为它是结构性判断,不是趋势判断。趋势可以说错,结构不会:只要生成成本继续下降,验证就会成为整条链上最贵的一环。而验证贵的地方,人就必须留在环里。
二、软件工厂:不是新建,是在存量业务上同时干两件事
(15:39 起)
纳德拉举的例子是 Azure 网络团队:这个团队要管 500 多个光纤网络运营商,最近做了一个智能体系统来管邮件和流程,之后运转效率明显提升。
他把这件事定性为「AI 转型」的真实形态——在存量业务上一边跑日常,一边造自己的软件工厂(software factory)。他用的词是 brownfield(棕地/存量改造),不是 greenfield(新建)。
他反复强调的一条是控制权:每家公司都要掌控自己的 AI 基础设施,具体拆成四件——harness(外壳/编排层)、context(上下文)、memory(记忆)、model(模型),四件都不能被单一供应商锁死。
主持人由此得出一个判断:软件工厂没有现成蓝图,每个团队、每家公司都会长得不一样,所以这会成为整个行业一段时间内的工程难题。
三、把模型当「内部风险」对待
(45:39 起)
这条的逻辑链很短,但很硬:
- 模型很聪明,但不可靠;
- 所以最好把智能体当成 insider risk(内部风险)——注意是「内部」,不是「外部威胁」,意思是它在你系统内部、有权限、会自作主张;
- 因此必须另建一套系统去验证智能体是否按预期工作。
同一段里他还给了一条配套建议:更多公司应该考虑用开源模型,防止核心 IP 外泄;并且要自建私有评估(private evals),用自己跑出来的结果决定用哪个模型、什么时候升级——而不是听厂商的。
这三条连起来是一套完整主张:不锁死、不外泄、自己验。
四、混合智能:他反问了一个没人反问的问题
(53:48 起)
他的反问是:去年的一线模型已经能跑在笔记本上,上一季的一线模型能跑在台式机上,那为什么还要依赖云?
他的预测叫「混合智能」(hybrid intelligence):本地跑模型 + 一个模型路由器,决定什么时候用便宜、不计量的本地模型,什么时候路由到更贵更强的云端模型。
微软在铺这套基建,用的是 MAI(Microsoft AI)模型和 Surface Laptop Ultra 这条产品线。
五、决策模型:他认为这是新原语,并且给了一个很准的类比
(09:52 起)
这段是全场我认为最有洞察力的,直接引原文:
“These decision models are kind of like Excel macros. What happened to spreadsheets with macros can happen with code with intelligence embedded as a primitive. This primitive has a distribution, it doesn't need to be generated again and again, it's token-efficient. I think that this is one of those places where software engineering remains very much alive. Decision models are like the stored procedure of the intelligence era.”
拆开看他的论证有三步:
- 智能可以作为原语嵌进代码(a primitive),不是每次都要现生成;
- 因为它是原语,有分布(has a distribution)——可以像函数一样被调用、被缓存、被复用;
- 因此它 token 高效,不必反复消耗。
他提到的实例是 Jev(typesafe.ai 的 System One 模型)和微软自己的 Decision-1。
「存储过程」(stored procedure)这个类比之所以准,是因为存储过程当年解决的问题正是——把重复逻辑推进数据库、只传参数、不传过程。决策模型做的是同一件事:把判断推进模型、只传输入、不传推理。
六、Copilot 为什么被 Claude Code 追上
(05:55 起)
他自己承认了这个事实,并且给了原因:IDE 这个形态在六个月里淡出了。
微软做开发工具的强项,一直建立在 IDE 上(VS Code 是代表作)。但 Anthropic 用 Claude Code 把「IDE」这个概念本身退休掉了,改成命令行。纳德拉说这一手让他们措手不及。
他总结的教训不是「我们要更快」,而是——当模型出现非线性跃迁时,使用它的形态(form factor)会跟着快速改变。所以他现在的姿态是:对过去的形态少一点执念。
七、两条与组织直接相关的
初级岗位为什么停招(36:35 起):不是不要新人,是三件事同时在进行——内部在重组团队规模与角色;团队在摸索软件工厂怎么建;在算人力成本与 token 预算之间的平衡。他的判断是这套摸完之后招聘会恢复,并提醒不要用初级招聘放缓去推长期结论。
自愿离职方案(29:25 起):主持人直接问了微软史上首次向多数软件工程师开放自愿离职的事。纳德拉的回答被主持人解读为:大转型/重组大概率会发生(团队会变小、职能会变,同时大量新增 AI 相关团队);内部对 forward-deployed engineer 这类岗位需求很高;自愿离职可以给「卡住了」的工程师一个体面离开的出口。
配套制度上,微软和 CMU 合作做了 PRAISE 项目(Preceptorship for AI-accelerated Software Engineering),概念借自护理行业——新护士跟资深护士配对。在这里是资深工程师带「preceptee」,教他们有分寸地用 AI 工具,同时建立系统思维、品味与判断力。
八、他的建议:少读少听,多用
(59:26 起)
“It's ironic on a podcast to say, but it's 'do more, learn more, and be hands-on.' Experience it firsthand. If I could change the ratio of my 'talk' to 'do,' I would. This is the time. If there's one piece of advice – whether you're mid-career, a CEO, or a fresh college grad – it's that the more you can take the time to learn, to be in teams that are doing it, then the better that is versus anything else I can think of.”
九、分段时间戳(官方,可直接定位原片)
| 时间 | 内容 |
|---|---|
| 00:00 | 开场 |
| 02:12 | 微软的开源转向 |
| 04:15 | 公开构建 VS Code |
| 05:55 | Copilot、Cursor 与 Claude Code |
| 09:52 | 决策引擎 |
| 12:32 | 验证 AI 生成的代码 |
| 15:39 | 软件工厂 |
| 20:45 | 把 AI 带进存量产品 |
| 24:06 | 为什么采用 AI 不同于采用 React |
| 26:29 | 软件工程师角色的变化 |
| 29:25 | 微软的自愿离职方案 |
| 34:05 | AI 焦虑与角色变化 |
| 36:35 | 初级招聘 |
| 42:36 | 开源模型 |
| 45:39 | 掌控自己的 AI 基础设施 |
| 51:21 | 建立对 AI 智能体的信任 |
| 53:48 | 本地模型与混合智能 |
| 56:39 | 微软的模型战略 |
| 59:26 | 给工程师的建议 |
| 1:01:21 | 收尾要点 |
我的判断(以下是我加的,不是原文)
1. 「验证变贵」这一句,比整场的十二条都值钱
它把一个模糊的焦虑变成了一个可测量的位置:你在链上站在生成侧还是验证侧。生成侧会持续贬值(这是纳德拉自己在推的事),验证侧会持续升值。对我们正在做的产品,这个判断的直接含义是——客户愿意付钱买的不是「能生成」,而是「能确认它是对的」。谁把验证做成交付物,谁就有定价权。
2. 他把「软件工厂」讲得很诚实:没有蓝图
这一点常被转述漏掉。多数人引用「软件工厂」时当成一个可复制的模式,但纳德拉的原意是它是 brownfield、每家公司长得不一样、没有 blueprint。也就是说这不是一个能买到的产品,是一段每家都得自己走的过程。这恰好解释了为什么这类咨询需求会长期存在,而不是被工具一次性解决。
3. 「insider risk」这个定性,值得直接搬进我们的 Agent 治理
我们自己的团队里就有十几个 Agent 长期在线,有权限、有记忆、会自作主张。按纳德拉的框架,它们不是「外部威胁」要防,而是「内部风险」要验——这意味着治理重点不是拦,而是可核。这条与我们判断锚点的做法是同一个方向:不是防止写错,是防止漂移且无信号。
4. 决策模型 = 存储过程,这个类比可以拿去做产品定义
存储过程当年为什么赢?因为它把「过程」从应用层挪到了数据层,只传参数。决策模型把「推理」从 prompt 层挪到模型层,只传输入。如果这条成立,那么未来产品的价值不在 prompt 写得多好,而在你沉淀了多少个可复用的决策原语——这正好接上我们一直在讲的「把重复做的事做成 skill 固化」。
5. 这场访谈没有回答的问题
- 验证回路如果最终绕回验证本身,那第一个可落地的验证形态长什么样?(他自己说没答案)
- 「每家公司掌控自己的 harness/context/memory/model」和「用最强的一线模型」在成本上怎么同时成立?(他只讲了路由,没讲账)
- 自愿离职 + 初级停招同时发生,三五年后的人才是从哪来的?(他给了 PRAISE,但那是微软+CMU 的单点,规模对不上 22 万人)
6. 关于可信度
本档案的引文层是有据的:那几段英文直接来自官方页面主持人原文,可以引用。
本档案的覆盖层是不完整的:官方逐字稿取不到,我只能拿到主持人选的 12 条要点。所以这份档案不能说「纳德拉全场只讲了这些」,只能说「主持人认为这 12 条最重要,而其中验证那一条是他自己反复回到的主轴」。
另外需澄清一件事:「人力资本 + Token 资本」的双资本论不在这场访谈里。那套说法出自纳德拉 2026 年 8 月的个人博客与相应访谈(国内 36氪、IT之家有转述,口径一致:Token 资本 = 提示词上下文 + 员工与模型的交互记录 + 员工使用模型的方式)。两者常被二次创作揉在一起,引用时应分开标注日期与出处。
附:关键事实一览
| 项 | 值 |
|---|---|
| 播客 | The Pragmatic Engineer |
| 主持人 | Gergely Orosz |
| 发布日期 | 2026-11-16 |
| 时长 | 1:02:39 |
| 录制地点 | 雷德蒙德(当天晚些时候发生 Outlook 全天故障) |
| 主持人自选要点数 | 12 条 |
| 官方逐字稿 | 存在于 Substack 私有 S3,未取得 |
| 提及实例 | Azure 网络团队(500+ 光纤运营商)、Jev、Microsoft-Decision-1、PRAISE(微软×CMU)、MAI 模型、Surface Laptop Ultra |