2025年4月29日，Meta首届AI开发者大会LlamaCon，扎克伯格与微软CEO萨提亚·纳德拉对谈，揭示 AI 领域正经历惊人变革。他们指出，AI正经历每6~12个月，性能或效率可能提升10倍的疯狂加速版摩尔定律，正推动应用从单一模型转向多模型协同与智能体时代；AI真正影响，将体现在GDP显著增长上，模型蒸馏技术是将大型模型智能普惠到各种设备与应用关键。
本期长期主义，选择扎克伯格与纳德拉对话纪要，瓜哥AI新知发布，六合商业研选精校，分享给大家，Enjoy！
正文：
全文7,469字
预计阅读15分钟
扎克伯格对谈纳德拉：AI正在经历疯狂加速版的摩尔定律
时间：2025年5月2日
来源：瓜哥AI新知
字数：7,469
扎克伯格与Microsoft萨提亚·纳德拉在LlamaCon AI大会上的对谈，公开发表于2025年4月30日。
内容提要
AI发展速度空前加快：AI性能提升与成本下降速度远超预期，类似疯狂加速版摩尔定律，每6~12月，可能带来10倍性能提升或效率改进。
多模型协同应用时代到来：AI应用，正从单一模型走向多模型协同，通过各种协议，如MCP、A2A，协调不同模型完成复杂任务，开源在此中扮演重要角色。
开源与闭源并存：微软对开源与闭源持开放态度，认为两者都满足不同客户需求，强调互操作性的重要性。开源模型，在知识产权蒸馏方面，具有优势。
Azure的AI生态战略：Azure致力提供一流的基础设施，即服务IaaS，构建应用服务器层，如Foundry，提供开发者工具，如GitHub Copilot，加速AI应用开发。
AI显著提升生产力：AI已在软件开发代码补全、聊天、任务分配、代码评审、销售等领域提升生产力，未来将进一步改变工作流程与产出方式。微软内部，AI生成的代码比例，已达20%~30%。
AI对代码编写的影响：AI代码补全接受率已达30%~40%，AI代码生成，在全新项目中应用广泛，未来目标是让AI完成一半的Llama 相关开发工作。
AI改变工作方式：AI将打破文档、应用与网站之间界限，实现更灵活工作方式，例如实时获取整合信息的报告，无需人工准备。
衡量AI对生产力影响：评估AI提升生产力的关键指标，是GDP显著增长，这需要数年时间才能体现。需要关注的是，AI对各行业生产力的实质性提升，对工作流程与管理模式的变革。
模型蒸馏的重要性：模型蒸馏Distillation Factory，是AI领域关键技术，能将大型模型的智能，压缩到更小、更易于部署的模型中，开源模型在此方面具有优势。微软致力构建能支持模型蒸馏的基础设施与工具，降低开发者使用门槛。
对未来AI展望：未来几年，开发者将创造更灵活、更易于适应变化的AI应用，模型将具有更强大的多模态能力，能根据不同需求调整延迟与思考时间，AI将成为应对各种挑战的关键资源。
访谈全文
扎克伯格：随着效率提升改变工作方式，人们最终会消费更多服务。
我很好奇，微软在企业业务领域非常出色，我们在这方面了解相对较少。
你们是如何看待围绕AI模型发展的这一切？你们看到模型一代代涌现，效率越来越高，智能性也远超前代。
这一切发展得非常快，我很想听听你们看法。
萨提亚·纳德拉：回想几年前，我们还在讨论摩尔定律怎么了，是不是终结了，我们该怎么办？
现在，我们正经历某种疯狂加速版的摩尔定律。
情况向来如此，任何技术平台的转变，都不是单一的S曲线，而是多条S曲线的叠加。
即使仅看芯片性能提升，像黄仁勋Jensen或苏姿丰Lisa这样的人物，也在进行巨大的创新，他们迭代周期越来越快，这本身就可以看作是摩尔定律延续。
除此之外，在集群层面，从系统软件优化、模型架构优化、推理内核优化、应用服务器优化，到甚至提示词缓存优化，我们都在不断进步。
所有这些因素叠加，可能每6~12个月，就会带来10倍性能提升或效率改进。
当能力以如此速度提升，成本以如此速度下降时，消费量自然会随之增长。
我非常乐观，我们正处在能够构建更深度应用的时代，这些应用，将包含智能体Agent、多模型协调层，我觉得我们正迈入这个阶段。
回想第一代AI应用，它们往往与单一模型紧密耦合。
我们终于迈向多模型应用的时代，可以协调确定性的工作流，一个基于某模型的智能体，可以与另一个智能体对话。
我们甚至已经有了一些非常有用的协议，无论是MCP，还是A2A等，这些都是积极的进展。
如果我们能在这些方面实现一些标准化，就能构建出既能利用这些强大能力、又兼具灵活性的应用。我认为，这正是开源可以发挥巨大作用的领域。
扎克伯格：我想深入探讨，如何结合使用多个模型。这里涉及到蒸馏工厂Distillation Factory概念，我相信微软有能力提供这类服务，它整合多个模型，也许我们稍后可以再谈这个。
在此之前，我想谈开源。
微软在开源方面，经历一段有趣的历程，拥抱开源，是你早期领导下的重要举措之一。
你们与OpenAI有紧密合作关系，也明确表示，除了闭源模型，微软也会全力支持开源模型。
我很好奇你对此的看法，你认为开源生态系统将如何演变？这对你们客户为何如此重要？在构建基础设施时，你们是如何考量这一点？
萨提亚·纳德拉：你这个问题很有意思。
早年在微软，我一项重要工作，是确保NT与各种Unix版本之间的互操作性。
那段经历，教会我，客户需要互操作性。
如果能做好这一点，不仅对业务有利，也能满足客户需求，这塑造我的思维方式。
我对闭源或开源，不持任何教条立场，两者都是世界需要的，我认为客户会同时需要它们。
即使我们任何一方固守某种立场也无关紧要，世界终将如此发展，这种需求是客观存在的。
就像既有SQL Server，也有MySQL或Postgres；既有Linux，也有Windows。Windows上，现在也有Linux。
我个人很喜欢用Windows上WSL，它极大简化在Windows上使用与部署各种开发工具的过程。
总之，采取一种允许混合搭配、兼容并包的姿态，非常有益。
这契合蒸馏话题，我许多企业客户希望能够蒸馏模型，将其转化为他们自己知识产权IP。
这种场景下，开源模型相比闭源模型，具有显著结构性优势。
我认为，当世界同时存在顶尖的闭源前沿模型与顶尖的开源前沿模型时，整个生态会更加繁荣。
对我们这样超大规模云服务提供商，这是好事，我们核心职责是提供服务。
访问Azure，你可以得到优质的Postgres服务，也可以获得优秀的SQL Server服务，或者选择Linux、Windows虚拟机。
同样，AI模型上，我们希望提供丰富的选择，围绕这些选择，构建卓越的工具。
扎克伯格：具体到Azure，在支持开源、整个AI生态中角色与定位是什么？不一定是排他性的，对初创开发者，你们在哪些方面，力求差异化？
萨提亚·纳德拉：首先，一个AI工作负载，远不止推理时的AI加速器与模型。
任何AI应用，都建立在存储、除AI加速器外的其他计算资源、强大的网络基础之上，核心基础设施至关重要。
在Azure，我们目标，是将计算、存储、网络、AI加速器整合，打造成世界一流的基础设施，即服务IaaS，服务想要构建下一代智能体的开发者。
在此基础上，我们正利用Foundry构建应用服务器层。
每次平台转型，都会出现相应的应用服务器。
如何将搜索、记忆、安全，乃至评估等通用服务打包，这些是每个开发者都需要的功能。
如果能将它们封装进框架，提供配套工具，我认为至关重要。
另一方面，我们高度关注开发者工具GitHub Copilot，并对其进展感到兴奋。
总之，卓越的工具、强大的应用服务器、顶尖的基础设施相结合，是加速AI应用开发的关键。
扎克伯格：你提到智能体与生产力提升，这是当前整个生态与社区关注的焦点。
我很想了解，在微软内部，你们观察到的实际进展怎样？
萨提亚·纳德拉：对我们，感受最深是软件开发领域的变化。
回顾GitHub Copilot演进，最初是代码补全；接着加入聊天功能，这意味着开发者无需离开工作流去查Reddit或Stack Overflow；然后是智能体工作流，可以轻松分配任务。
这三者，代码补全、聊天、任务分配，我们内部一直在并用，并非相互取代。
现在，我们还有了原型级的软件工程师SWE智能体，你可以给它一个高级指令，甚至直接将一个Pull Request分配给它。
这四个方面，都在提升生产力。
我们学到最重要的一点是，必须将这一切，深度整合到现有代码仓库与开发者工作流中。
从零开始，构建新应用是一回事，现实中我们往往是在庞大复杂的代码库与流程中工作。
整合工具链，是每个工程团队必须完成的系统性工作，只有这样，才能看到显著的生产力提升。
这同样适用其他知识工作领域。
以Copilot在知识工作中的应用为例，比如销售场景。
我常说，我为企业客户会议做准备的方式，从1992年加入微软以来几乎没变过，通常是有人写好简报，通过邮件或文档发给我，我在会前阅读。
现在，我只需打开Researcher与Copilot，就能实时获取整合网络信息、内部资料，乃至CRM数据的报告。
这是根本性的变化，不再需要有人专门准备材料，信息随时可用。
这要求我们改变工作产出与工作流程，这是重大转变。
起初可能进展缓慢，随后会突然加速，带来转型。
我在个人电脑普及过程中，见证过类似情况。
想想电子邮件与Excel出现之前，人们是如何做预测的，那时靠的是传真与内部备忘录。
我想你没经历过那个时代，那时我还在上初中。
后来，有人开始在邮件里发送电子表格让大家填数字，彻底改变预测的方式。
我相信，我们现在正处在AI引发类似变革的极早期阶段。
你已经能在客户服务、市场营销内容创作等领域，看到这种转变的苗头。
这是当前的状况，我们正在目睹实实在在的进展与产品落地。
扎克伯格：很有意思。
具体到编码效率提升，你们内部是否有数据追踪，目前有多少比例的代码是由AI生成，而非工程师编写的？
萨提亚·纳德拉：我们主要追踪两类数据。
一是代码补全的接受率，目前大约在30%~40%之间，持续上升。
具体情况有所不同，我们长期面临的挑战是，内部仍有大量C++与C#代码。
C#的支持效果不错，C++的支持过去相对较弱，现在已经改进很多。
Python的支持，一直很出色。
随着对更多语言支持的完善，代码补全效果也在提升。
智能体生成代码，目前更多出现在全新的绿地项目中，在这些项目中采用率很高。
需要指出的是，现实中纯粹的绿地项目并不多。
利用AI进行代码评审Code Review的使用率增长非常快，我们用于代码评审的智能体被频繁使用。
综合来看，我估计目前在微软代码仓库中，部分项目里由AI生成的代码可能占到20%~30%。
你们那边情况如何？
扎克伯格：我手头没有确切的数字。
我认为目前大家常引用的统计数据，大多停留在代码自动补全层面。
我们有些团队正在特定领域进行实验，比如动态消息Feed排序与广告排序，在这些领域，AI可以分析历史变更，并提出优化，这块我们觉得很有潜力。
我们当前的核心焦点，是构建能够推动Llama模型自身发展的AI与机器学习工程师。
我们目标是，未来1年内，实现约一半Llama相关开发工作由AI完成。
我们预期这个比例，会随时间推移而增长。
我只是好奇，你们是否也看到类似趋势，或设定类似目标。
萨提亚·纳德拉：在我看来，SWE智能体是我们在这方面的初步探索。
我们面临问题是，未来1年，我们能否实现像内核优化这样的任务，我认为实现这类目标的可能性较大。
但要提出全新的模型架构变革，恐怕不太现实，关键在于选择哪个具体的测试基准。
扎克伯格：在优化、安全改进等方面，我认为潜力巨大，我们也在探索不同方向。
你们服务海量开发者与工程师，这是你们核心业务。
我们更多将AI，视为改进内部开发流程、与优化Llama 模型供他人使用的途径。
我们不像你们构建端到端的工作流。
了解你们的思路，总能带来启发。
萨提亚·纳德拉：另外一点，我们核心业务，比尔·盖茨最初将微软定位为一家工具公司。我现在觉得一个有趣的问题是，我们是否应该重新定义工具与基础设施？
坦率说，是为智能体打造的工具与基础设施。
即便是SWE智能体，也离不开大量工具支持。
这些工具应该是什么形态，它们需要怎样的基础设施与沙盒环境，我们大量工作是在演进GitHub仓库结构等基础设施，使其更好适应SWE智能体的需求。
扎克伯格：这是非常有意思的概念。
我认为，未来每位工程师都将更像一名技术主管，带领一个由工程智能体组成的小团队协同工作。
基于这些，我想从几个方面来谈。
我很想了解，你个人使用AI的工作流，发生哪些变化？
鉴于你提到微软起源及传承，我很好奇，如果你今天作为一名开发者，从零开始，你会如何选择与使用工具？
萨提亚·纳德拉：我认为比尔·盖茨在我们心中种下一个宏大梦想、追求，或者疑问是，文档、应用与网站之间，究竟有何区别？
如今，当使用MetaAI、ChatGPT、Copilot或任何类似工具时，我常常不确定，一次聊天对话与我访问一个网页，比如微软Pages之间，界限在哪里？
例如，我刚就在阅读关于Llama 4与各种模型信息。我进行大量聊天，将这些内容添加到Pages文档中进行持久化保存。既然有了代码补全，就可以将这些内容转化为一个应用或其他形式的产物。
从一个高层次的意图出发，最终生成一个过去被称为应用、持续演进的活产物，我认为这种可能性，将深刻改变我们工作方式。
我们正处在这个变革的开端，这正是我的梦想所在。
作为工具与基础设施的构建者与使用者，我认为人为设定、主要源于软件限制的类别界限，或许终将被打破。
我们过去常思考另一个问题，Word、Excel、PowerPoint为何要各自独立，为何不能融为一体？
我们曾多次尝试整合，现在，这种融合变得触手可及。你可以从Word文档开始，将其中内容可视化为Excel图表，再转换成PowerPoint演示，所有这些都能以某种统一的数据结构或其他形式持久保存。在我看来，过去难以实现的软件可塑性，如今已成为现实。
扎克伯格：很有意思，言之有理。
在我们多年交流中，我一直很佩服你对技术趋势发展所持有的理性视角。AI领域充斥大量炒作，我感觉你总能洞悉本质，并在每个阶段都做出非常理性的投入。
你曾提出的一个观点是，炒作很多，AI若要真正大幅提升生产力，最终必须体现在GDP的显著增长上，这需要很多年才能真正实现。
我很想知道，你当前认为我们应该关注哪些指标来衡量这一进展？你如何展望未来3~5年到7年内AI的发展路径？
萨提亚·纳德拉：我同意你的看法。
坦率说，这对我们，是相当紧迫的优先事项。
世界亟需一种新的生产要素，以应对我们面临的诸多挑战。
我们可以这样设想，发达国家要实现10%经济增长，这可能是工业革命等时期的峰值水平。
要达到这个目标，必须在所有职能领域实现生产力飞跃，无论是在医疗、零售，还是任何行业的知识工作。
我认为AI有望促成这一点，前提是它必须真正带来生产力的实质性变革。这不仅需要软件技术进步，还需要管理模式变革，人们必须学会以全新方式与AI协作。
人们常引用电力普及历程，电力出现50年后，人们才意识到，必须改造工厂布局，才能充分利用它，福特的案例是著名的例证。
在我看来，我们正处在类似的关键转折点，我希望我们不必等待50年。
我认为，仅将AI视为没有马的马车，即现有事物的简单替代，并非通往成功的坦途。这不仅是技术问题。技术需要进步，更要将其融入能切实创造新工作机会的系统之中。
扎克伯格：我们都在大力投入，我们都希望这个过程用不了50年。
我们刚才讨论了更多技术层面问题，之后才谈到宏观层面。
我意识到，我们还没深入聊你提到的蒸馏工厂Distillation Factory概念，即如何整合各种开源AI模型，你认为这需要什么样基础设施。
萨提亚·纳德拉：在我看来，这正是开源能发挥的最大价值之一。它允许我们选取像Llama系列中某些大模型，将其蒸馏成保留原有结构的小型模型，我相信这是非常重要的应用场景。
将蒸馏过程所需的工具构建成服务，能够有效降低使用门槛。部署大模型，需要庞大的基础设施，并非每个开发者都需要或能够独立管理。如果这些能力，以云服务形式提供，辅以必要工具，整个过程会容易得多。
以微软为例，设想一下，Microsoft 365每个租户都能拥有一个针对特定任务的蒸馏模型，用户可以将其封装成智能体或工作流，这个模型可以从Copilot内部被调用。
对我这是一个突破性的应用场景，许多人已在进行类似探索，我们目标是让这个过程变得极其简单。
我说的蒸馏工厂，指的是一个大型基础模型与众多蒸馏模型之间，可能存在一对多或多对多关系。
这些蒸馏模型，可以与GitHub Copilot或Copilot等产品中的工作流相结合，这些产品现在都支持通过MCP服务器等技术，来调用这些外部智能体。
扎克伯格：我对此非常着迷，我认为模型蒸馏，是开源最具威力的方面之一。
考虑到我们在生态中的角色，Meta在训练Llama初始模型时，并没有自己构建大部分面向开发者的基础设施。
像微软这样的公司，来构建这类复杂的基础设施至关重要。
我们正在研发的Behemoth模型是个例子，除了将其蒸馏成更易用的形态外，如何直接使用它，目前不完全明朗。
即便我们内部使用，也需要构建大量基础设施来进行后训练。直接在Behemoth上运行推理，几乎是不可能的。
正如你之前提到的Maverick模型，它是从多个模型蒸馏而来。Maverick性能优越，部分原因在于它的多模态能力，它在多模态任务上表现领先。
在文本性能上，它与顶尖的纯文本模型基本相当，模型体积更小。
例如，DeepSeek模型比它大，在文本能力上，两者大致相当。
Maverick具备图像与多模态能力，这是其他一些模型缺乏的。
我们能做到这一点，很大程度上受益于，我们已经完成Behemoth预训练，并正在进行后训练。即便只是初步成果，模型蒸馏简直如同魔法。
你可以从一个大20倍的模型中，提取出90%~95%的智能，并将其压缩到一个成本更低、效率更高的形态中。
关键在于，如何让不具备构建复杂基础设施能力，或高深技术专长的开发者，也能利用这种魔法？
目前，全球只有少数实验室有能力进行这种级别蒸馏，甚至仅是运行如此庞大的模型。
我认为，当你所设想的蒸馏工厂愿景得以实现，并向全球大多数开发者开放时，届时他们不仅能从单一模型蒸馏，更能随心所欲混合搭配，从不同模型中萃取各自精华，将是AI领域最激动人心的进展之一。
萨提亚·纳德拉：正是如此。
如果你能从多个源模型进行蒸馏，并能评估生成的模型是否适用特定任务，这正是我们可以通过构建工具与基础设施来大展拳脚的领域，目标是降低开发者获得这种灵活性的门槛。
好消息是，这在一定程度上已经开始，我们已经能看到一些初步实例。问题在于，如何规模化降低构建这些能力的门槛。
另一个关键，是迭代的速度。
目前挑战之一是，我用一个模型做了微调，并部署应用，很快新的数据或需求就出现，我需要能够快速适应这些变化。
快速迭代与适应能力，是我们必须掌握的另一项关键技能，在这个瞬息万变的世界里，你不能被过去成果所束缚。
扎克伯格：开发者需要各种不同形态的模型。
例如，Llama 4结构设计成每个专家170亿参数，是因为Meta内部计算的基本单元是H100 GPU，我们希望模型能在此硬件上高效运行。
看看其他一些已发布的开源模型，它们性能很好，规模庞大，推理部署较为困难，可能是针对不同类型的基础设施设计的。
我们Llama大模型，主要是为服务器端生产环境构建。
许多开源社区成员，需要更小的模型。为了满足这种需求，打造备受欢迎的Llama 38B模型，我们也在努力开发更小的版本。
我之前提到过，内部代号Little Lama，具体发布时叫什么，我们拭目以待。
将大模型的智能，蒸馏到任意所需的形态，使其能在笔记本电脑、手机或任何终端设备上运行，这对我来说，简直是AI发展中最关键、最激动人心的方向之一。
萨提亚·纳德拉：很高兴看到你们Meta也在朝这个方向努力。
如果我们能得到灵活的混合模型，无论是混合专家模型MoE、密集模型，还是结合思考reasoning能力的模型，可以根据需求，调整延迟或思考时间，我认为这正是我们共同追求的目标。
扎克伯格：纵观当前AI领域所有进展，未来几年，你对开发者将创造出什么，最感乐观或最兴奋？
萨提亚·纳德拉：未来几年？
我常常从鲍勃·迪伦歌词中汲取力量，要么忙于新生，要么忙于死去He not busy being born is busy dying，我们最好选择忙于新生。
尤其在此刻，令我乐观的是，面临重重限制，软件以新形态AI呈现，依然是我们应对挑战、解决难题最具可塑性的资源。
我可以说，这对在场的各位、我们所有人，都是一个行动的号召，拥抱机遇，投身其中，积极构建解决方案。
无论是企业内部亟待解决的IT积压，还是现实世界中悬而未决的难题，都需要全新的方法来应对。
我认为AI技术的最大价值正在于此，最终能否实现，关键在于开发者们能否无畏的迎接挑战、驾驭变革。
请务必阅读免责声明与风险提示
内容来源于51吃瓜网友投稿 |
