充分发挥人工智能特长，让人类回归人性本真

AI究竟该如何落地？这位微软CTO的见解，令人豁然开朗

人工智能技术正以令人瞩目的速度迭代演进，企业如今面临的核心问题早已不是“要不要用”，而是“怎样用才不会偏离方向”。近日，微软中国首席技术官韦青与至顶科技CEO高飞展开了一场深度对话，探讨了大模型落地过程中诸多真实痛点——从技术焦虑到组织文化，从模型幻觉到智能体协议，内容极为丰富。本文将关键观点进行了梳理，希望能为正在思考与行动的你，带来一些不一样的启发。

先提炼几个核心判断：技术发展再快，也别被工具牵着鼻子走；模型能力再强，也只是整个拼图中的一块；真正决定企业成败的，从来不是那“第五个馒头”。

模型多到让人焦虑？先回归常识

▲左一：韦青，微软中国首席技术官
右一：高飞，至顶科技CEO兼总编辑

面对当前“一天一个新模型”的节奏，从参数规模到开源闭源，技术眼花缭乱，问题随之而来：企业究竟该如何招架？

韦青的观点颇具启发性——这其实并非新鲜事。技术历史上类似情形反复上演，关键在于：你究竟是先有一个明确的“问题”，再去找合适的“工具”来解，还是手里有了锤子，看什么都像钉子？

答案显而易见。不妨把自己想象成一个工具箱的管理者。AI是一种工具，虽然强大，但本质仍是工具。既然是工具，它的价值就取决于能否恰好解决当下的问题。因此，每天担心是否错过了某个新模型，这种焦虑其实大可不必。

韦青用一句他年轻时听研发前辈说过的话点题：“There is a limit of physics.” 所有事物都有物理极限。作为碳基生命，人的信息处理速率无论如何提升，每秒也只有10 bit。技术的极限不在技术本身，而在于人和系统的能力。这就是工程思维——关注的是最终交付物，而不是谁的某一块木板特别长。体系出问题，往往是因为最短的那块板，或者衔接处断裂。就像几十年前那架航天飞机爆炸，起因不过是一个小小的橡胶密封圈。

因此，对待新技术，追肯定要追，但追的时候姿势要对。要尊重常识、尊重规律，坚持问题导向、流程导向、工具箱导向。无论是开源还是闭源，大参还是小参，各有各的价值。关键在于匹配——流程设计与需求不匹配，再强的工具也白搭。

高飞：这么来看，模型确实不是万能的。如果指望一个模型把所有问题都解决了，那人的价值又在哪呢？

韦青：大家其实都活在自己的信息茧房里。你对什么感兴趣，算法就越推什么给你看。但一个残酷的真相是，原OpenAI联合创始人Andrej Karpathy说过一句话：“Demo is easy”，但把一个demo变成可用的产品，可能需要十年。演示时总让人觉得厉害，但真要上手解决具体问题，往往就开始掉链子。模型本身确实厉害，可它终究不是最终解决方案。

落地难？别只盯着那“第五个馒头”

面对市场上那么多模型，传统企业到底怎么选？方法论是什么？

韦青用了一个很有意思的比喻——“五个馒头”。一个人很饿，吃了四个馒头还没饱，吃到第五个才饱了。结果他不感谢店家，反而抱怨：“你为什么不直接把第五个馒头给我？”行业里大部分企业都想要那个“第五个馒头”——因为只有它最容易被看到、最容易拿到预算。但问题在于，如果没有前面的四个，第五个根本不存在。

那么，这四个馒头是什么？倒推过来就是：要有智能，先有数据。“Model is as good as your data。”模型再厉害，也不会超越数据质量的边界。而且，不是所有数据都有学习价值，数据必须和你要解决的问题相关。

其次是流程再造。很多人以为预训练模型能解决一切，其实预训练给的是通用知识。真正有价值的，是模型在实际应用中不断“在线学习”（online learning）并纠偏。但当前大多数企业的流程，根本没法提供这种机制。

第三个馒头是企业文化改造。数据驱动不能只是口号，它需要流程的彻底再造，需要对数据驱动算法的信赖。如果再往下推，还有问题驱动和真正的产品产出。模型不是产品，用户用的是产品，不是直接调用模型。就像萨提亚·纳德拉说的：“Model is not your product, model is part of your product。”模型只是产品的一部分。

很多人只想为最后的产品买单，但没人愿意做前面的模型、数据、流程再造、人才培养、文化改造——这一堆事情做完才能出产品，多难？这就是现实。

说到“幻觉”：其实它是个feature，不是bug

在消费级场景里，幻觉似乎没什么大不了，甚至越有创意越好；但企业端一听到“幻觉”就头疼。同一个词，两边态度天差地别。

韦青觉得这是个被误解很深的问题。如果你非要让一个概率型模型完全没有幻觉，那它也就丧失生成能力了。幻觉本质上是功能（feature），不是毛病（bug）。当然，过多的幻觉肯定不行，这需要后期训练、微调、提示词来规避。但如果完全清除它，那“生成”这件事本身就没法定义了。

他甚至援引《意识机器》里的观点：人的思维就是一种“可控的幻觉”。真正需要的不是一个没有幻觉的大模型，而是一个像人一样、可控的幻觉。控制到什么程度，这才是最难的。

之前网上有个让大模型比较9.9和9.11谁大的话题，很多人觉得不可思议。韦青说的一句话很有道理：为什么非要让大模型去做它不擅长的事？它最擅长的是知道a是9.9、b是9.11之后，给你做规划、做战略、做调整。至于到底谁大，交给精准的软件1.0去算就好。整个流程里，有需要精准的事，也有需要概率的事。非要用概率工具去做精准的事，不是不行，但那就叫舍本逐末。

智能体与协议：本质上是在做“书同文、车同轨”

智能体（Agent）当下很火，随之而来的是MCP、A2A这些新协议。它们是什么关系？

韦青讲了一段微软CTO Kevin Scott和《雪崩》作者Neal Stephenson的对话。Stephenson说过一句话：“Once AI is done, we call it software.” 技术成熟后，人们会习惯性地把它叫做软件。

这就引出了另一个点：面向对象编程之父Alan Kay曾坦言，他很后悔把OOP这个概念推得太猛，导致大家都追概念去了。而他做这个架构的唯一目的，就是让软件之间沟通更有效。今天的MCP、A2A本质上做的是同一件事——在软件2.0的范式下，大模型产出的结果类型各不相同，没法统一兼容，所以就得出个协议来管一管。这就像AI软件工程领域的“OOP”。

换个说法：所有新技术都是没有被用好的老技术。历史上，秦始皇统一六国后做了“书同文、车同轨、行同轮”。今天企业要搞智能体协同，本质上也是这个逻辑。我们希望智能体“行同轮”，步调一致。但在“书同文、车同轨”没实现之前，这很难做到。MCP和A2A，是不是就是那个“书同文、车同轨”？一旦这个实现了，智能体自然就“行同轮”了。所以，追概念不如追本质。理解了底层逻辑，你也可以自己写MCP、自己写A2A。

高飞：那微软自己的生态，在模型时代有什么独特优势？

韦青：他一直跟合作伙伴说，微软是一家系统化的公司。可能某个时间段某个产品比较强，比如Windows、Office、云计算、再到现在的模型，但微软真正强的是系统——能把所有东西连起来。用户要的不是操作系统、不是Office、不是云计算、也不是AI应用，他要的是解决问题。解决问题，就一定是把东西整合在一起。

这就引出一个判断：整合，也是创新。达利用那根笔画出了世界名画，如果换了别人拿到同一支笔，能画出同样的画吗？微软的角色，就是让那杆笔自带自动化和工具化的能力。即使你不是达利，拿着这个笔，也能画出一幅像样的画。

雾里看花，更要有“找问题”的能力

在当下这个充满不确定性的时代，找问题和定义问题的能力，似乎比以往任何时候都重要。技术迭代越快，这种能力越稀缺。

韦青认为，首先要学会区分“工具”和“方法论”。工具一直在变，AI既是方法论的进步，也是工具型的进步。而方法论上，“设计思维”至今没有过时——先观察、再假设、用同理心、做实验、快速迭代验证。工具变了，方法论还在，那就可以用新工具的能力，把过去的现象重新审视一遍。

他举了个有趣的例子：现在有了新工具，塑料杯的设计是否需要重新审视？椅子的造型是否需要重新思考？你会发现周围的一切都是问题。保持一颗“赤子之心”，像孩子一样持续追问“为什么”。孩子什么时候开始不问为什么了？就是在大人的世界里被异化成了“机器人”。如果我们是真正的人，就应该保留追问“Why”“What”“How”的能力。可惜今天很多人过多地异化成了只去解决“How”。人最擅长的，其实是那个“Why”。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：充分发挥人工智能特长，让人类回归人性本真要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题