2026年1月20日，第56届世界经济论坛年会在达沃斯举行。论坛临时联席主席、贝莱德CEO拉里·芬克与微软CEO萨提亚·纳德拉进行了一场关于AI扩散经济学的对话。这是两位掌管万亿级资产和技术平台的CEO首次在达沃斯同台，话题从AI的平台属性、token商品化，一直延伸到企业主权和组织转型。
萨提亚在对话中抛出了一个判断：如果企业无法把自身的隐性知识（tacit knowledge）嵌入到自己控制的模型权重中，那企业价值就在单向流失给模型公司。"没人在谈这个"，他说。就在这次对话前几周，萨提亚刚刚在个人博客"sn scratchpad"上发文，宣布2026年将是AI从"奇观"转向"实质"的关键一年。而微软在2025年初宣布的800亿美元AI数据中心投资，有50%分布在美国以外。
拉里·芬克则在论坛开幕致辞中警告，AI的早期收益正流向模型拥有者、数据拥有者和基础设施拥有者。"如果AI对白领工人做了全球化对蓝领工人做的事呢？"这个问题他要求当天就直面。贝莱德的Aladdin平台目前管理着超过11.6万亿美元资产，而员工数量几乎没变，始终在2万人左右。
1. 70年计算史的同一条弧线
萨提亚开场就给AI定了一个位置：它至少与互联网、移动互联网、云计算是同一级别的平台变革，甚至更大。
但他给出的视角不是技术演进，而是一条贯穿70年的逻辑弧线。大型机在做什么？把人、地点、事物数字化，然后用软件进行分析和预测。小型机、客户端-服务器、Web、移动云时代，做的都是同一件事。"这是同一条连续的弧线——用数字形式对这个世界进行推理，从而更好地理解它。"
软件之所以强大，是因为它是一种"更具可塑性的资源"，边际成本几乎为零。AI不过是这条弧线上的最新跃迁。
他用GitHub Copilot的四阶段演进来说明AI能力的实际跃升：
第一阶段是代码补全。萨提亚说，他对这一代AI的信心就是从看到Copilot预测下一行代码开始建立的。"很长时间以来我们一直有个梦想，如果你是软件开发者，能不能预测下一个词或下一行代码？突然间，它开始工作了。"
第二阶段是对话模式。开发者可以在聊天界面问任何问题，答案直接进入代码流程。
第三阶段是智能体模式（agent mode）。可以分配小任务给AI。
第四阶段是完全自主智能体。"你可以把整个项目交给它，它能全天候工作。"萨提亚补充说，目前这些系统保持长时间连贯性还有差距，但还是在不断进步。
2025年5月，GitHub在Microsoft Build大会上发布了Copilot coding agent，开发者可以直接把issue分配给Copilot，让它在GitHub Actions环境中自主工作，推送代码到draft pull request。到2025年9月，这个功能已经向所有付费用户开放。
萨提亚特别强调了一点：即便到了自主智能体阶段，软件开发者仍然拥有大量agency（主导权）。所以不要把AI想象成脱离人类掌控的存在。
他用一个思想实验来说明AI创造新工种的潜力：如果在80年代初有人说"40亿人每天早上起来都会打字"，你会觉得荒谬——打字员就够了。但PC创造了一个全新的知识工作门类。AI会重演这个过程。"硬核编程永远是硬核编程"这种想法是错的，抽象层级会变化。
2. Token是新商品，GDP增长将与它直接相关
拉里·芬克在开场信里写了一句话让萨提亚印象深刻：关键问题是如何让模型、数据和基础设施更均匀地分布，在各地创造盈余（surplus）。萨提亚接过这个话头，直接说："扩散（diffusion）就是一切。"
这里的"扩散"是创新经济学的术语，指技术从少数拥有者向更广泛人群、企业、国家渗透的过程。萨提亚强调的不只是AI技术本身的进步，而是技术红利能不能均匀地分布到各地。
为什么扩散是一切？他给出了一个底层逻辑。
Token是一种新商品。就像电力驱动了工业经济，token将驱动AI经济。每个企业、每个国家面临的任务，是把这种商品转化为经济增长。"我们有了一种新商品，就是token……每个经济体、每个企业的任务，就是把这些token转化为经济增长。"
商品越便宜，转化空间越大。萨提亚提出的核心指标是tokens per dollar per watt——每美元每瓦特能产出多少token。这个指标衡量的是生产token的效率，包含两个维度：资本效率（dollar）和能源效率（watt）。
然后他给出了一个判断：任何地方的GDP增长都将与这个指标直接相关。
好消息是，token的价格曲线在陡峭下降。"Token价格基本上每3个月下降一半。"这意味着企业可以规划如何用token创造盈余，因为面对的是一个价格单调下降的商品。
影响token成本的因素他列了几个：能源价格、数据中心建设成本、芯片和系统的成本曲线、电网接入。"你是不是能源的低成本生产者？你能不能建数据中心？"
萨提亚还给出了一个警告，关于AI消耗能源的社会合法性。"如果这些token不能改善医疗结果、教育结果、公共部门效率、各行业的私营部门竞争力，我们会很快失去社会许可证，失去用能源这种稀缺资源来生产这些token的权利。"
如果这些token不能改善医疗结果、教育结果、公共部门效率、私营部门竞争力，社会许可证会被收回。能源是稀缺资源，AI必须证明它值得消耗这些能源。
3. Token工厂将像电网一样遍布全球
"Token工厂将是第一个扩散到全球的东西。就像电力一样。"
萨提亚把数据中心比作token工厂。他说，不会只有一个token工厂。token工厂将是第一个扩散到全球的东西。就像电力网一样，你需要一个无处不在的能源+token网格来驱动经济。
微软的资本支出有50%投在美国以外。这不是慈善，而是因为全球需求只有在各地都有本地盈余（local surplus）的情况下才存在。"全球需求只有在全球各地都有本地盈余的情况下才会存在。"
拉里·芬克问：全球扩散会不会拉大差距？有研究说AI应用目前主要集中在受过良好教育的人群和经济体。
萨提亚的回答是，当前的基础设施比PC时代和移动互联网早期更有利于均匀扩散。智能手机用了很长时间才渗透到全世界，而现在这些模型和它们的输出几乎在任何地方都能获取。
他举了一个例子：2023年初，一个印度农村农民用一个基于GPT-3或2.5的早期bot，用当地语言查询他听说的农业补贴政策，甚至让bot帮他填写表格。"它把主导权还给了一个原本可能没有这种能力的人，因为技术变得更容易获取了。"
4. 这不是泡沫的条件
拉里问AI会不会是泡沫。萨提亚的回答是：判断标准很简单。
"如果我们谈论的全是科技公司本身，那就是泡沫的信号。"
如果我们谈论的全是科技公司本身，那是泡沫信号。如果我们开始谈论某个药物因为AI加速临床试验而成功上市，或者某个行业因为AI提升了效率，那就说明价值在扩散。
"要想不是泡沫，按定义就要求这项技术的好处必须更均匀地分布。"
他说自己对AI不是泡沫有信心，原因是：AI将在云和移动的基础上更快地扩散，弯曲生产力曲线，在全球各地带来本地盈余和经济增长。不只是资本支出驱动的增长——那只是时间上的一个窄点。
贝莱德自己的案例印证了这一点。拉里说，过去需要12小时计算的东西，现在几分钟就能完成。贝莱德管理着14万亿美元的资产，有数十万个不同的投资授权（mandate）。"如果没有今天的技术和AI，我们根本无法以现在的规模运转。"
5. 信息流动的根本颠倒
萨提亚用自己准备达沃斯会议的经历来说明组织内部信息流动的变化。
过去的流程是：驻地团队准备笔记，发回总部，进一步加工。从1992年他加入微软到几年前，这个流程基本没变。
现在他直接问Copilot："我要见拉里，给我一份简报。"系统返回360度视图——微软作为贝莱德的供应商做了什么，作为贝莱德的客户做了什么，作为投资对象的情况。然后他立刻把这份简报分享给所有相关部门的同事。
"想想看，这是组织内部信息流动方式的彻底颠倒。"
不是部门专业化、信息逐级汇总的经典模式，而是信息流被拉平了。一旦信息流改变，组织结构就必须跟着变。当前的架构可能不再合理，因为你希望人们能够以一种让信息自由流动的方式工作。
6. 组织转型三部曲：mindset、skillset、dataset
萨提亚给出了一个三要素公式：mindset → skillset → dataset。
第一步是思维模式（mindset）。"作为领导者，我们应该有的思维是：我们需要用技术来改变工作本身、改变工作流程。"领导者必须认识到工作本身和工作流程需要随技术改变。
第二步是技能（skillset）。"你不能抽象地谈论这些。你必须用它。"不能抽象地谈论AI，必须实际使用。必须学会如何设置护栏（guardrails）来信任它。"你不能只是害怕它。它会扩散的。"
第三步是数据集（dataset）。"你怎么确保你有数据集来喂给它，就是上下文。"你有一个新的智能层，但智能层的效果取决于你给它的上下文。萨提亚说，这就是上下文工程（context engineering），而这正是企业的核心竞争力所在——企业的本质就是把人员、部门、纸张和信息流动中积累的隐性知识系统化。现在的问题是如何让AI也拥有这个上下文。
他预测，很多企业会困惑"为什么我没看到立竿见影的生产力提升"，原因就是这些hard work还没做。"会有企业层面的差异，会有行业层面的差异，但归根结底是因为组织内部的领导意志。"
7. 大公司vs小公司的哑铃效应
拉里问：AI应用是集中在大公司还是均匀分布？
萨提亚说是一个哑铃（barbell），两头重。
小公司如果从零开始（greenfield），采用AI工具更容易，因为不需要改变已有的组织结构。"如果你从头开始，采用这些工具更容易，你在构建组织的时候就已经知道这些工具存在了。"
大公司有关系网络、有数据、有know-how。"规模，我是说大型组织有内在的优势。"但如果不能用新的生产函数转化这些资产，"你就真的会卡住"。小公司可以用AI工具实现规模效应，大公司如果变革速度跟不上技术可能性的变化，"就会被某个小公司用这些工具打得落花流水"。
"这将是一个竞争极其激烈的世界，无论你是新进入者还是老牌企业，都不能躺平。"
8. 全球差异：技术差距在缩小，执行力差距在拉大
萨提亚说他在全球旅行时观察到一个现象：无论是雅加达、伊斯坦布尔还是墨西哥城，软件开发者、创业公司或大企业的know-how水平，与西雅图或旧金山没有本质差别。"这是第一次，仅仅因为获取信息的渠道打通了。"
技术获取的差距在缩小。
但执行力的差距在拉大。在规模层面，使用这项技术的决心、风险资本的到位、大公司的推进力度，美国，尤其是金融部门，明显更积极。他比较了金融业采用云和采用AI的速度，"天壤之别"，AI快得多。
制约因素在供给侧。他列了三条：资本投资环境、电网现代化、政策配套。"如果你没有一个真正的电网现代化方案，那就会拖后腿。"
很多国家的电网是政府主导的。表后（behind-the-meter）解决方案在美国可行，但不是所有国家都能这么做，而且长期不可扩展。长期可扩展的方案是让token工厂接入电网、接入电信网络，像传输bits一样传输tokens+bits。
9. 对欧洲的建议：不要只想着保护
萨提亚说，每次来欧洲，大家都在谈主权（sovereignty）。但他认为欧洲的思考方向可能搞反了。
"欧洲更应该关心的是，他们的工业企业、金融服务企业能否获取来自美国和全球其他地方的数据，而不是想着靠保护欧洲来获得竞争力。"
欧洲的工业企业、金融服务企业能否获取来自美国和全球其他地方的数据，这才是真正的竞争力问题。只有产出具有全球竞争力，保护才有意义。"只有当欧洲产出的产品具有全球竞争力时，你才能有竞争力。"
他提到德国的Mittelstand（中小企业/隐形冠军），说无论去美国的珠宝店还是牙科诊所，都被德国工业产品包围着。"关键就在于，他们生产的工业产品如今已经融入了所有的智能和数据。"
欧洲在隐私保护和AI安全方面领先，"这是优势，很好"。但必须配合本地建设和全球思维。"这片大陆将为世界其他地方做出什么贡献？它历史上一直是领导者。"
10. 企业主权的新定义
萨提亚说，"在AI时代，最少被讨论但我认为今年会被大量讨论的话题，是企业的主权。"
企业主权。这是他在对话中最具原创性的观点。
他的定义是：如果你的企业无法把自身的隐性知识（tacit knowledge）嵌入到你控制的模型权重中，那你就没有主权。
什么是隐性知识？就是企业里那些难以写成文档的经验诀窍——老销售知道哪类客户最可能成交，老工程师知道某个参数调到多少最稳定，这些东西存在于人的脑子里和日常操作中，从来没被系统记录过。什么是"嵌入模型权重"？通俗说就是让AI模型通过训练真正"学会"这些诀窍，而不只是临时调用一下通用模型。萨提亚的意思是，如果这个被"教会"的模型不在你手里，你的独门知识就在不断喂给别人的模型，企业价值随之流失。
你的企业价值正在单向流失给某个模型公司。"按定义你就没有主权。这意味着你的企业价值正在泄漏给某个模型公司。"
他觉得奇怪的是，"有意思的是，没人在谈这个。"大家在谈论其他所有东西，但最重要的问题没人谈。
数据中心在哪里反而是次要问题。"说实话，数据中心在哪里运行是最不重要的问题。"因为数据中心本来就会因为光速限制而分布在各地，加密技术可以让你持有密钥。这些都是技术上更容易解决的问题。
真正难解决的是：你能否对自己的隐性知识和模型保持控制，而不是让价值单向转移出去。
萨提亚引用大卫·李嘉图："大卫·李嘉图没有错。"国家有比较优势，企业也有比较优势。在AI时代，这种比较优势必须被保留。"这在AI时代也必须被保留。这才是真正的主权。"
11. 多模型世界的竞争格局
拉里问：五年后会不会只剩一个主导模型？
萨提亚的回答是不会。"即使在过去三四年里，现实已经证明这是一个多模型世界。"
过去几年的现实已经证明是多模型世界。关键不是选哪个模型，而是如何利用多个模型，甚至通过蒸馏（distilling）这些模型来构建你自己的模型。
他给出了企业的完整图景：
能否调用所有模型（闭源的、开源的）？能否构建自己的模型？能否编排（orchestrate）这些模型？能否用自己的数据喂给它们来改变某个你关心的结果？
"任何应用或企业的IP，就是你如何用上下文工程或你的数据来使用所有这些模型。"任何应用或企业的IP，就是如何用上下文工程把所有这些模型与自己的数据结合起来。
"只要企业能回答这个问题，它们就能领先。"
他把结果描述为：推理痕迹（reasoning traces）最终导向你控制的能力和模型，"这是我作为IP控制的东西"。
总结
这场对话的核心是一个因果链：tokens per dollar per watt → token成本 → 扩散速度 → 本地盈余 → GDP增长。萨提亚把AI竞争力归结为能源效率和资本效率两个变量，并断言任何地方的经济增长都将与这个指标直接相关。
对企业而言，他提出了双重警告。一是执行力警告：组织转型需要mindset、skillset、dataset三步走，这需要领导层的意志力，无法速成。二是主权警告：如果隐性知识无法嵌入自己控制的模型权重，企业价值就在单向流失。
对于AI是否泡沫的问题，他给出了一个判断标准：如果讨论焦点全在科技公司本身，那是泡沫信号；如果开始谈论各行各业因AI而提升的效率和成果，那说明价值在扩散，泡沫风险降低。
核心问答
Q1: 萨提亚为什么说tokens per dollar per watt这个指标将与GDP增长直接相关？
因为他把token定义为AI时代的新商品，类似电力对工业经济的作用。每个经济体的任务是把token转化为经济增长，商品越便宜转化空间越大。tokens per dollar per watt衡量的是生产这种商品的效率，包含资本效率和能源效率两个维度。谁能用更少的钱、更少的电产出更多token，谁就占据成本优势，也就具备更大的经济增长潜力。
Q2: 萨提亚说的"企业主权"具体指什么，为什么他认为没人在讨论这个问题？
企业主权指的是企业能否把自身的隐性知识（tacit knowledge）嵌入到自己控制的模型权重中。如果不能，企业价值就在单向流失给模型公司。他认为大家在讨论数据主权、数据中心位置等问题，但这些是技术上更容易解决的问题。真正的核心问题——企业如何保持对自身智力资产和模型的控制权——反而被忽视了。在多模型世界，企业的IP在于如何用自己的数据和上下文工程编排多个模型，让推理痕迹和产出模型成为自己控制的资产。
Q3: 组织AI转型的三部曲mindset、skillset、dataset具体怎么理解？
第一步mindset是领导层认知——必须认识到工作本身和工作流程需要随技术改变，信息流动方式会被颠覆，组织结构可能需要重新设计。第二步skillset是实际技能——不能抽象地谈AI，必须亲自使用，学会设置护栏（guardrails）来建立信任。第三步dataset是数据资产——AI智能层的效果取决于你给它的上下文，企业需要把自身的隐性知识系统化地喂给AI。萨提亚认为很多企业看不到立竿见影的生产力提升，就是因为这些hard work还没做，而执行力差异最终取决于领导层的意志力。