Satya Nadella 談 AI 擴散論：為什麼「Token 工廠」將決定下一波全球競爭力

本文整理自 2026 年世界經濟論壇（達沃斯）的對談，由 BlackRock CEO Larry Fink 主持，與微軟 CEO Satya Nadella 對話。

AI 是平台轉移，而且可能比網路更大

Nadella 開場就把 AI 放進運算史的脈絡裡看。他認為過去 70 年的運算發展——從大型主機、個人電腦、網路、行動裝置到雲端——本質上都在做同一件事：把關於人、地點、事物的資訊數位化，然後建立分析與預測能力。

AI 屬於同一條發展弧線，但規模可能更大。

他以 GitHub Copilot 的發展為例，說明 AI 如何從「程式碼補全」進化到「對話式問答」，再到「指派小任務的 Agent 模式」，現在已經可以把整個專案交給 AI 全天候執行。雖然長時間保持一致性還有待改進，但方向已經很清楚。

Nadella 強調，這不代表人類會被取代。他回顧 1980 年代，當時如果有人說「未來 40 億人每天早上起床第一件事是打字」，大家會覺得荒謬——我們有打字員就夠了。但 PC 時代創造了「知識工作者」這個全新類別，讓打字變成所有人的基本技能。

AI 時代會發生類似的事。程式碼不會永遠是少數人的專利，抽象層會改變，但更重要的是——程式碼本身會變成一種輸出格式，就像文件一樣。

他舉例：以前 Bill Gates 就在問「文件、網站、應用程式之間的差別是什麼？」答案是缺乏能自我轉換的軟體。現在 AI 做到了——你可以寫一份文件，然後說「我不要文件，我要網站」，AI 就會用程式碼把它轉成網站；你再說「我不要網站，我要 App」，它就再轉一次。

泡沫的判斷標準：你在談供給端還是需求端？

Larry Fink 直接問：AI 會不會是泡沫？

Nadella 給了一個清晰的判斷框架：如果大家只在談科技公司和技術本身，那就是泡沫的徵兆。

真正的價值創造，是這些 token 被轉化成實際的產出——醫療成果變好、教育品質提升、公部門效率提高、各產業更有競爭力。如果 AI 消耗的能源（稀缺資源）沒有帶來這些改變，社會很快就會撤回對 AI 發展的許可。

他用 Larry Fink 自家的例子佐證：BlackRock 過去需要 12 小時才能完成的運算，現在幾分鐘就能搞定。管理 14 兆美元、數十萬種不同的投資策略，沒有 AI 根本無法運作到現在的規模。

這就是需求端的真實應用，不是泡沫。

AI 擴散的供需兩端

Nadella 把 AI 的普及拆成供給端和需求端來談。

供給端：每個國家都需要「token 工廠」。這不會只有一座，而是會像電網一樣分布在全球各地。關鍵指標是「每度電、每美元能產出多少 token」——這個效率必須持續提升。

他指出，token 的價格每三個月就砍半，這個下降曲線非常陡峭。所以企業和國家都應該思考：如何用這個價格不斷下跌的商品，創造出經濟盈餘？

需求端：這需要每間公司、每個組織都開始使用 AI。

他引用圖靈獎得主 Raj Reddy 的比喻：AI 要嘛是「認知放大器」，要嘛是「守護天使」。當醫生可以花更多時間跟病人互動，因為 AI 幫忙做了病歷謄寫、EMR 登錄、帳單編碼——這就是 AI 作為認知放大器的實際應用。

技能才是擴散的關鍵

Nadella 提到一個容易被忽略的重點：AI 擴散的速度，跟多少人具備使用 AI 的技能高度相關。

他回憶在印度長大的經驗：當時學會 Excel 或 Word 的技能，直接跟找到工作連結在一起。PC 時代的技能培訓創造了大量就業機會。

但行動裝置時代不太一樣。智慧型手機的確普及了，也催生了創作者經濟，但它比較偏向消費導向，沒有像 PC 時代那樣直接連結到「學會這個技能 → 在醫療/金融/專業領域找到工作」。

AI 時代需要把這個連結找回來。人們需要看到「學會 AI 技能 → 我能提供更好的產品或服務」這條路徑，這才是真正的擴散。

組織結構面臨的挑戰

Larry Fink 問：AI 會怎麼改變企業的組織結構？

Nadella 用自己的親身經歷回答。他來達沃斯要進行 50 場雙邊會議，過去的準備流程是：第一線團隊準備資料 → 傳到總部 → 再精煉 → 最後到他手上。這個流程從他 1992 年加入微軟到幾年前都沒變過。

現在呢？他直接問 Copilot：「我要跟 Larry 開會，幫我準備簡報。」

AI 回傳的資訊是 360 度的——微軟作為 BlackRock 的供應商做了什麼、微軟作為 BlackRock 的客戶又是什麼狀況、雙方的投資關係如何。他拿到這份資料後，直接分享給公司內各部門的同事。

資訊流完全反轉了。不再是層層上報、部門分工、資訊慢慢匯整到高層。AI 把整個資訊流動結構壓平了。

這代表什麼？現有的組織架構可能不再合理。企業需要重新設計，讓資訊能自由流動，而不是被部門壁壘卡住。

Nadella 提出一個公式：

1. 心態 (Mindset)：領導者要有意識地用科技改變工作流程
2. 技能 (Skill set)：不能只是抽象地談，要實際使用
3. 信任 (Trust)：要用它、學會設定護欄，才能真正信任它
4. 資料/脈絡 (Context)：AI 只跟你給它的脈絡一樣好。企業的隱性知識、各部門的 know-how，都要能餵給 AI

他警告：如果你沒看到立即的生產力提升，那是因為這些硬功夫還沒做完。不同企業、不同產業的差異會很大，但最終取決於領導者的意志。

大公司 vs. 小公司：雙邊夾擊

Larry Fink 問：AI 應用是大公司在用還是小公司在用？

Nadella 說是「槓鈴效應」(barbell)——兩端都在動。

小公司/新創：如果從零開始，知道這些工具存在，就會直接用 AI 來建構組織。沒有歷史包袱，反而容易。

大公司：有既有的關係、資料、know-how，這些是優勢。但如果不能用新的生產函數來轉化這些資產，就會卡住。變革管理的挑戰更大。

結論是：這會是一個競爭非常激烈的世界。不管你是新進者還是老牌企業，都不能鬆懈。小公司可能靠 AI 做到過去需要大規模才能達成的事；大公司如果變革速度跟不上，就會被小公司超車。

國家之間的差異

Larry Fink 問：不同國家的 AI 應用有差異嗎？

Nadella 說，他在雅加達、伊斯坦堡、墨西哥城看到的軟體開發者、新創公司、大企業，水準跟西雅圖或舊金山差不多。這是第一次，全球對前沿技術的接觸程度這麼平均。

但在規模化的承諾、風險資本的投入、大企業的積極程度上，美國還是領先。他以金融業為例：金融業採用雲端的速度很慢（有監管因素），但採用 AI 的速度快多了。

不過，最大的限制因素可能是電網。

token 工廠需要能源。如果一個國家的電網不夠現代化、電力成本太高，就會拖慢 AI 的普及。他指出，已開發國家可以做一些「behind the meter」（自建電力）的事，但這不是長期可擴展的解法。真正的解法是讓 token 工廠成為實體經濟的一部分，連接電網、連接電信網路，既傳輸 bits 也傳輸 tokens。

給歐洲的訊息

身在達沃斯，Larry Fink 問了歐洲的處境。

Nadella 的觀點很直接：歐洲的競爭力從來就不是只看歐洲內部。

瑞士的藥廠、金融業，德國的中小企業 (Mittelstand)——這些企業生產的產品賣到全世界。Nadella 說他在美國看牙醫或去珠寶店，周圍都是德國中小企業製造的設備。這種工程實力是歐洲的核心優勢。

他認為歐洲在隱私、AI 安全等領域的領先是好事，但不能只有這些。保護歐洲不會讓你有競爭力；生產出全球需要的產品才會。

他也挑戰了「資料主權」的傳統論述。大家都在談資料要存在哪個機房，但他認為更重要的問題是：歐洲的工業公司、金融服務公司，能不能取得來自美國和全球其他地方的資料？ 與其只想著保護自己的資料，不如想想怎麼讓自己的產品在全球有競爭力。

企業主權：一個被忽略的議題

Nadella 提出一個他認為 2026 年會被大量討論的議題：企業主權 (firm sovereignty)。

想像一下：如果你的公司無法把內部的隱性知識嵌入你控制的模型權重裡，那你就沒有主權。你的企業價值正在外洩給某個模型公司。

他覺得奇怪的是，大家都在談資料存放在哪個機房，但這其實是最不重要的事——資料中心本來就會分布在全球各地，因為光速是真實的限制。加密、金鑰管理，這些技術問題都已經解決了。

真正的問題是：你的比較優勢有沒有被保留下來？

David Ricardo 的比較優勢理論沒有過時。國家有比較優勢，企業也有。在 AI 時代，這些優勢需要被保存在你控制的模型裡，而不是變成別人的訓練資料。

未來是多模型世界

最後 Larry Fink 問：五年、十年後，會是一個模型獨大嗎？

Nadella 說不會。過去三四年的發展已經很清楚：這是一個多模型的世界。

企業的 IP 在於：

1. 模型編排 (Orchestration)：如何組合使用各種模型——閉源的、開源的、自己訓練的
2. 脈絡工程 (Context Engineering)：如何餵入你的資料
3. 蒸餾 (Distillation)：如何把這些模型的輸出，轉化成你自己控制的模型和能力

他總結：只要企業能回答這個問題——「我怎麼用所有這些模型、配合我的資料脈絡、來改變某個我在乎的結果」——就會持續領先。

我的觀察

一、「主權」概念被重新定義了

Nadella 提出的「企業主權」觀點，跟歐洲這幾年一直在談的「資料主權」完全是不同層次的問題。

傳統的資料主權關心的是：資料存在哪個機房？受哪國法律管轄？能不能被外國政府調閱？

Nadella 關心的是：你的組織知識有沒有變成別人的訓練素材？

這個區別很重要。你可以把資料存在本地機房、用最嚴格的加密、符合所有 GDPR 規範——但如果你的員工每天都在用某個 AI 服務，把公司的 know-how 一點一滴餵進去，而這些互動資料被用來改善那個模型… 那你的「主權」其實早就外洩了。

對企業來說，這意味著 AI 策略不能只看「用哪個模型最便宜」或「哪個模型效果最好」，還要問：我的隱性知識會不會變成這個模型的一部分？如果會，我能不能控制那個部分？

二、組織架構的金字塔正在反轉

Nadella 描述的資訊流變化，聽起來像是小事，其實是組織理論的根本挑戰。

傳統組織的資訊流是金字塔型：第一線收集資訊 → 中階主管彙整 → 高階主管決策。每一層都在做「過濾」和「摘要」，這也是中階管理職存在的核心理由之一。

現在 CEO 可以直接問 AI 拿到 360 度的資訊，而且比層層上報更完整、更即時。那中間那些層級的價值在哪裡？

這不是說中階主管會消失，而是他們的角色必須改變。如果你的價值只是「彙整資訊往上報」，AI 做得比你好。但如果你的價值是「判斷哪些資訊重要」、「把策略轉化成執行」、「處理人與人之間的協調」，那還有空間。

對個人來說，這是一個值得警惕的訊號：你的工作有多少比例是「資訊搬運工」？ 那個比例越高，被 AI 取代的風險就越大。

三、泡沫與否，看的是誰在受益

Nadella 給的泡沫判斷框架很實用：如果新聞都在談科技公司，那是泡沫徵兆；如果新聞開始談某間藥廠、某家銀行、某個產業因為 AI 而有了什麼突破，那就不是泡沫。

這個框架可以拿來檢視現在的 AI 熱潮。打開財經新聞，你看到的是「Nvidia 又創新高」、「OpenAI 估值多少」，還是「某製造業用 AI 把良率提高多少」、「某醫院用 AI 把診斷時間縮短多少」？

前者是供給端敘事，後者是需求端敘事。

當然，現階段供給端敘事佔主導是正常的——基礎建設本來就要先到位。但如果再過一兩年，主流敘事還是只有供給端，那就要小心了。

對投資人來說，這意味著不能只看 AI 供應鏈，也要看誰在「用」AI 創造實際價值。對企業來說，這意味著不能只是「導入 AI」當作 PR 題材，而是要問：我的哪個 KPI 因為 AI 而改善了？改善多少？

這才是擴散，這才是真正的價值創造。