6月15日消息，微软CEO萨提亚·纳德拉在社交媒体长文，他提出了"Token资本"这一新概念，核心命题是：AI时代的企业需要同时经营两种资本——人力资本和Token资本，两者构成一个持续复利的学习循环。
两种资本，一个循环
纳德拉的定义很清晰。人力资本是员工的知识、判断力、关系网络、创造力和模式识别能力——这些是人带来的东西。Token资本是企业自建自拥有的AI能力，包括模型权重、Agent系统、工作流数据和机构记忆——这些是系统积累的东西。
关键不在于两者的分别，而在于它们如何复利。纳德拉用"学习循环"来描述这个机制：人的判断力训练AI系统，AI系统的输出又反过来增强人的决策能力，每一次循环都让企业的整体能力上一个台阶。他将这个循环称为"爬山机器"——一个持续优化的正反馈系统。
他在Stratechery的访谈中给出了更具体的表述：任何一家公司，未来在底层都会同时拥有人力资本和Token资本。Token资本不是一堆API调用——它是企业真正拥有的一组权重。问题是，你要让这个优势留在自己手里，还是交给OpenAI和Anthropic？
模型是耗材，循环才是资产
这个框架的实际指向非常明确：不要追逐最好的基座模型，而是在模型之上建立自己的学习循环。纳德拉多次强调，企业应该能够在不丢失"公司老员工"级别专业知识的前提下，随时替换底层的通用模型。
换句话说，模型是可替换的耗材，而围绕模型构建的Agent系统、评估体系、强化学习环境和机构知识库，才是企业的真正护城河。他提出企业需要建立"私有评估系统"和"私有强化学习环境"，用真实的组织数据和业务结果来训练AI——这不是调用一个API能做到的事。
这对中小企业同样适用。纳德拉将微软的角色定义为"多租户学习系统"的平台提供方——让每一家企业都能在Azure和M365上建立自己的爬山机器，而不是所有人共用同一个模型、产出同质化的结果。
与行业论述的对照
纳德拉的框架并非孤立出现。Ben Thompson在Stratechery的分析中指出，这本质上是微软对"AI护城河在哪里"这个行业核心问题的回答：不在模型层，而在应用层和数据层。
与OpenAI"一个模型吃掉一切"的路线形成对比，纳德拉明确反对AI价值向少数模型公司集中的趋势。他在长文中写道："我们所有人最不想看到的，就是一个每家公司、每个行业的价值都被少数几个模型吞噬的世界。"他提出的替代方案是"前沿生态系统"——价值在企业、行业和国家之间广泛分布，平台帮助他人创造的价值大于平台自身攫取的。
Google的方向更偏向技术层面的多模态融合和Agent基础设施（Gemini + Project Astra），但尚未形成类似的企业级叙事。Meta的开源策略（Llama）聚焦在模型层的民主化，与纳德拉的"循环层护城河"论述形成互补而非竞争。 概念的局限性
Token资本框架的吸引力在于它提供了一套清晰的思维模型，但也有明显的适用边界。
首先，"爬山机器"依赖高质量的组织数据和持续的人工反馈循环。对于数据资产薄弱、AI人才匮乏的企业（尤其是传统行业和中小企业），从零开始构建私有学习循环的门槛并不低。纳德拉提出微软作为平台来降低这个门槛，但平台能降低多少，取决于工具链的成熟度和实际成本。
其次，Token资本的价值高度依赖底层模型的能力上限。如果通用模型的进步速度远快于企业私有微调的积累速度，那么"可替换的耗材"可能才是真正的价值所在。这恰恰是OpenAI的论点：最强的模型本身就是护城河。
最后，这套框架在微软的语境下，也是一个商业叙事——它为Azure和M365的企业AI服务提供了理论支撑。纳德拉说"不要把优势交给OpenAI和Anthropic"，而微软恰好提供了"不交出去"的工具。概念的分析价值和商业意图需要分开看。
但抛开立场，Token资本至少提供了一个值得认真对待的框架：在模型能力快速趋同的环境下，企业的差异化竞争力到底从哪里来。纳德拉的回答是，从你自己的学习循环里来。
AI 速览
