编者按：

6月15日，微软公司首席执行官萨提亚·纳德拉发表长文，系统阐述了他对AI驱动经济下企业未来的深层思考。纳德拉抛出一个直指核心的问题：当AI模型能够持续吸收并商品化一个组织独有的专业知识时，这个组织凭借什么生存？ 在他看来，AI时代的核心竞争不在于追逐“最强模型”，而在于企业能否在模型之上构建属于自己的“学习循环”。未来每家公司都需要同时经营两种资本——人力资本与Token资本，并让二者相互复利，而非沦为少数通用模型的被动附庸。以下为全文翻译。

我最近一直在思考，在一个由AI驱动的经济体中，“公司”未来会变成什么样。

这一次转型，不同于以往任何一次平台变革。

过去，我们用数字系统增强人力资本；而这一次，是我们第一次能够在人与数字系统之间建立真正的“认知循环”。

这很颠覆，因为它甚至会改变我们对企业内部“工作”本身的理解。

真正重要的，不是某个数字工具或系统如何被使用，而是在AI模型能够不断吸收人类和组织专业知识，并将其商品化的世界里，组织如何继续学习、积累知识产权、形成差异化，并持续繁荣。

每家公司都必须建设两种资本：人力资本和Token资本。

人力资本包括员工的知识、判断力、关系网络、创造力和模式识别能力；Token资本则是企业自身构建并拥有的AI能力。

重要的是，随着Token资本增长，人力资本不会变得不重要。恰恰相反，它只会变得更重要。

我相信，人类的主观能动性将成为Token资本增长的驱动力。人会设定宏大的目标，会跨领域连接信息，会建立关系，也会识别真正重要的模式。没有人的方向，算力只是在原地打转。

真正的机会不在于选择哪个最好的模型，而在于在模型之上建立一个学习循环，让人力资本和Token资本相互复利。

你可以外包一个任务，甚至外包一个岗位，但你永远不能外包自己的学习能力。公司的未来，在于让人和AI共同积累并放大这种学习能力。

这需要一种新的架构思路。

每家公司都要能够构建随时间不断改进的智能体系统，同时仍然保留对自身知识产权的控制权。一家公司应该可以替换底层的“通用型”模型，而不会丢失已经沉淀在学习系统中的“公司老员工式”经验。这将是未来衡量企业控制力和主权能力的关键测试。

企业需要将自己的工作流、领域知识和长期积累的判断力，转化为每次使用都会变得更好的AI系统。企业内部评测应该关注模型是否真正改善了业务所关心的结果，而不是只看外部基准测试。企业内部的强化学习环境，也应该让模型基于组织内部的真实轨迹不断变强。知识库让机构记忆可以被查询，也让Token使用更高效。

这个循环会成为公司的新知识产权。

我将它看作一台“爬坡机器”。而且，它不同于大多数资产，它会复利增长。每一个被改进的工作流，都会产生更好的训练信号，从而加速积累这家公司独有的隐性知识。那些尽早建立这种机制的公司，将获得一种很难复制的优势，不管未来单个模型能力如何变化。

我们最不希望看到的，是一个所有行业、所有公司都将价值让渡给少数几个“看见什么就吞掉什么”的模型世界。如果所有价值都只流向少数模型，政治经济体系不会容忍这种结果，社会也不会允许一个掏空整个行业的AI未来。

想想全球化第一阶段发生过什么：整个工业经济体被外包掏空。表面上看，GDP数据似乎还不错，但现实中的岗位流失是真实存在的，其后果直到今天仍在持续。

我们不能将这种模式带入AI时代，不能让少数AI系统拿走所有经济回报，而一个个行业却发现，自己的知识在眼皮底下被商品化了。

在我看来，我们的优先事项应该是建设一个前沿生态系统，而不只是打造一个前沿模型。这样，价值才能广泛流向每家公司、每个行业和每个国家。在这样的生态里，每个组织都能拥有自己的学习循环，将自身的机构知识编码进去，并让人力资本和Token资本共同复利增长。

这也是我一路成长过程中所相信的平台精神，平台之上应该创造出比平台自身所获更多的价值，每家公司都应该能够持续创新，并建立属于自己的价值。

当这种情况发生时，公司既会为自身创造价值，也会为周围的经济体创造价值。

员工的专业能力会被放大，他们的判断力会进入系统，变得可复制、可扩展，而这些收益也会流向公司以及周围的社区。

这才是公司为自身和更广泛经济体创造价值的方式。也是我们应该共同建设的稳定均衡。