生成式人工智能驱动生产力创新……萨蒂亚·纳德拉：“我们需要为人工智能时代找到新的隐喻”
微软首席执行官萨蒂亚·纳德拉强调了生成式人工智能带来的工作与生活转变，并指出人工智能融合时代需要一种“全新的计算隐喻”。从编码工具的演进到数字员工对知识工作结构的变革，他将人工智能的影响描述为一场意义深远的结构性转变，并将其比作个人电脑的问世。
纳德拉在最近的一次采访中表示：“编码工具已经从简单的编辑建议发展到人工智能聊天、执行功能，如今更具备了完全自主的代理能力。”他解释说，这种发展正在显著提高知识工作的生产力和效率。他强调需要一种新的范式，并指出：“现有的以Windows、鼠标和键盘为中心的模式不足以描述人工智能驱动的用户体验。”
宏观委托与微观窃取：一种高效的人工智能利用策略
纳德拉提出“宏观委托”和“微观窃取”是提高编码和知识工作效率的关键策略。这包括将大规模任务委托给人工智能代理，使人类能够专注于瞬时性的创造性工作。他解释说，这种框架“可以显著提高效率和并行处理能力”，并将其描述为提升生产力的战略方法。
在此背景下，微软也在探索如何通过名为“Agent 365”的实验项目，赋予人工智能代理独特的数字身份。微软解释说，这将使数字员工能够与公司内各个部门的人类员工进行协作。
知识型工作结构也在重组……“全栈构建者”的时代已经来临。
纳德拉指出，人工智能的引入正在改变知识型工作的根本结构。他称之为“自个人电脑以来生产力方面最大的结构性转变”，并解释说，新的效率模式是将以前分散的角色整合到一个由人工智能驱动的单一工作单元中，从而实施“全栈构建者”模式。
尤其是在技术竞争日益激烈的今天，灵活性和速度对于企业的生存至关重要。他强调了通过竞争刺激创新的重要性，并指出：“每十年出现新的竞争者，这才是科技行业保持健康发展的根本。”
全球南方地区的技术扩散与机遇
纳德拉强调，技术应用的关键影响源于“强有力的应用和推广”。他解释说，实现经济价值最大化并非仅仅拥有或开发人工智能，而是要将其深度融入现实世界的各个行业。他分析指出，在医疗保健和金融等各个行业应用人工智能是一项关键挑战。
在此背景下，他将“全球南方”（以发展中国家为中心的新兴市场）视为全球经济的新增长引擎，并指出这些国家可以通过利用人工智能提高公共服务效率，从而获得显著的GDP增长机遇。他还预测，成功将取决于市场份额以外的生态系统效应，并且新的公司可能在全球任何地方涌现，并依托美国技术平台奠定的基础。
人工智能产业的结构转型……向多模型和数字资产中心化转变。
微软正致力于利用其云基础设施 Azure 构建“令牌工厂”，作为其人工智能战略的核心组成部分。纳德拉设想构建一个多模型环境，其中所有应用程序都将使用多个模型，而不是单一的人工智能模型。
他进一步强调，大规模语言模型（LLM）最终将像数据库一样普及，而只有当人工智能能够反映企业内部的隐性知识（蕴含经验和背景的知识）时，才能真正实现竞争力。他指出，企业采用人工智能应由“自上而下、权威驱动”和“自下而上、聚焦领域的竞争”共同推动。他还补充说，像Word和Excel那样逐步普及，将是关键。
人工智能时代正在重塑产业结构，其意义远不止于技术的引入。萨蒂亚·纳德拉认为，这一转型能否成功取决于技术的“深度利用”及其在组织内部的“战略整合”。如今，企业和国家层面都需要采取全面的应对措施。
💡 “如果我们想让生成式人工智能真正发挥作用……我们需要重新学习它的结构。”
人工智能如今已不再仅仅是工具，而是成为拥有身份的代理，在企业中扮演着“数字角色”。正如萨蒂亚·纳德拉所言，这种转变标志着一个转折点，需要一种超越“Windows-鼠标-键盘”时代的新隐喻。
问题是，我们如何才能真正驾驭这种复杂的转变？我们是否真正有效地“利用”了人工智能，还是仅仅依赖它？
TokenPost Academy提供实用的大师班，培养学员解读真实数据、理解数据结构以及在这个快速变化的时代做出战略性反应的能力。
步骤 2：分析师：通过代币经济分析和链上分析了解项目的真正价值。
步骤 5：DeFi 用户：学习 DeFi 的结构——从质押、流动性提供和 LTV 计算——从原理到实践。
步骤 6：专业人士：涵盖在熊市中使用期货和期权保护投资组合的高级策略。
第七步：宏观大师：培养解读和分析市场情绪和宏观趋势的能力，成为数据驱动型投资者。
你准备好了解人工智能正在改变的结构，并乘上变革的浪潮了吗？
课程设置： 7 步大师班，涵盖从基础知识到 DeFi、期货/期权和宏观分析的所有内容。
首月免费活动进行中！
请访问： https://www.tokenpost.kr/membership
🔎 市场解读
微软首席执行官萨蒂亚·纳德拉强调，生成式人工智能时代的本质是一种结构性创新，它超越了简单的自动化工具，彻底改变了知识工作的运作方式。编码工具正在演变为自主代理，这正成为打破以Windows、鼠标和键盘为中心的现有界面框架，并转向以人工智能为中心的模式的关键时刻。
💡 策略要点
1. 我们需要将人工智能和人类的角色分开，并通过引入“宏观委托”和“微观窃取”策略来最大限度地提高并行处理能力。
2. 需要制定一项战略，以增强组织内部的人工智能集成能力，并通过“Agent 365”等数字员工概念提供身份认同感。
3. 行业定制化人工智能应用对于提升企业乃至国家层面的竞争力至关重要。
4. 随着多人工智能模型环境的引入，大型语言模型（LLM）的泛化能力及其反映隐性知识的能力正在成为关键的竞争因素。
📘 词汇表
🔹 生成式人工智能：指一种能够生成文本、代码和图像等创意输出的人工智能技术。
🔹 宏观委托：一种将大规模任务委托给 AI 代理的策略。
🔹 微型盗窃：一个简短的、人为产生的、瞬间产生的想法或创造性的干预。
🔹 全栈构建者：一种将开发、设计和部署作为一个整体进行处理的新型劳动模式。
🔹 数字员工：被赋予独特角色的 AI 代理与人类合作执行任务。
💡 常见问题解答 (FAQ)
问：
宏委托和微窃取究竟是如何使用的？
宏观委托是指将重复性、结构化的任务（例如回复电子邮件、撰写报告和生成代码）分配给人工智能。而微观委托则涉及短暂的人工干预，人工干预可以提出创新性的想法或改进方案。将这两种方法结合起来，可以优化人与人工智能之间的协作结构。
问：
什么是全栈构建者？为什么它很重要？
“全栈构建者”模式将规划、开发和运维这三项原本独立的任务整合到同一个人或人工智能系统中。这种劳动力结构正日益受到认可，因为它非常适合加速数字化转型的时代，能够实现快速执行和灵活部署。借助人工智能，全栈能力已成为可能。
问：
将LLM用作数据库意味着什么？
大型语言模型（LLM）并非仅仅是生成文本的工具；它们能够内化过往数据和隐性知识，从而构建一套可应用的知识体系。未来，预计每家公司都将定制化构建LLM，并将其作为宝贵资产积累起来，用于管理和战略规划。
TP AI 预防措施
本文使用基于 TokenPost.ai 的语言模型进行摘要。原文中的关键点可能被省略或不准确。
获取实时新闻……请前往 TokenPost Telegram 频道
版权所有 © TokenPost。未经授权，禁止复制和传播。
