标签 Copilot 下的文章

在数字化转型背景下,企业对CRM的需求早已从“客户信息存储”升级为“全流程业务赋能”——从线索获取到回款闭环的每一个环节,都需要系统提供精准、智能、协同的支持。本文选取超兔一体云、 SAP 、Microsoft Dynamics 365、销氪CRM、纷享销客、简道云、销帮帮CRM七大主流CRM品牌,围绕客户线索、商机、跟进记录、合同与回款四大核心维度,展开深度横向对比,为企业选型提供参考。

一、对比框架与核心逻辑

本次对比聚焦“全流程价值传递”:

  • 客户线索:解决“哪里找客户、如何精准分配”;
  • 商机管理:解决“如何把线索变成可落地的生意”;
  • 跟进记录:解决“如何高效沉淀客户互动,避免流失”;
  • 合同与回款:解决“如何把生意变成现金,保障利润”。

每个维度均从核心需求、品牌能力差异、特色功能三个层面展开,最终通过表格、流程图、雷达图直观呈现优劣。

二、四大维度深度对比

维度1:客户线索管理——从“量”到“质”的精准获客

核心需求:多渠道获取、智能去重/分配、线索培育,避免“线索囤积”或“漏跟进”。

品牌多渠道获取能力智能分配机制去重能力线索培育能力特色功能
超兔一体云覆盖百度、抖音、官网(带验证码)、微信海报、小程序、地推、工商搜客等全场景一键处理(直接加客户/设待办/转订单)手机号+IP归属地双重校验市场活动成本均摊至线索,计算转化率官网落地页带手机验证码;微信海报+自定义表单
SAP全渠道自动导入AI算法筛选高潜力客户未明确营销模块内置线索管理流程与CRM营销模块深度绑定,适配中大型企业
Dynamics 365LinkedIn(直接捕获商务线索)、官网、社交媒体(Customer Insights - Journeys)智能评分+自动分配未明确Copilot自动生成培育邮件/话术LinkedIn Lead Gen集成;职场线索精准度高
销氪CRM寻客宝大数据、地图模式(附近客户)、公私海自定义公私海规则自动去重小盟AI推送销售跟进建议智能名片轨迹追踪;多渠道触达记录自动归档
纷享销客多渠道获客智能分配+超时回收机制未明确连接型CRM整合内外部资源防止线索囤积;全流程闭环管理
简道云零代码表单、多渠道聚合规则分配自动去重CRM场景套件自定义零代码搭建;多公海存储不同类型线索
销帮帮CRM多渠道聚合灵活分配自动去重PaaS零代码定制流程无需代码设计线索收集表单和工作流程

关键差异

  • 超兔的多渠道深度覆盖(如官网带验证码、微信海报)更适合中小客户精准获客;
  • Dynamics 365的LinkedIn整合是其核心优势,能直接获取商务决策层线索;
  • 简道云、销帮帮的零代码自定义适合需要快速调整线索流程的企业。

维度2:商机管理——从“线索”到“订单”的转化引擎

核心需求:精准画像、流程跟踪、智能辅助,提升赢单率。

品牌客户画像能力商机流程跟踪转化辅助能力特色功能
超兔一体云用户画像自定义、客户表编辑三大模型: 1. 小单快单(三一客:三定+关键节点) 2. 中长单(商机阶段+预期日期) 3. 多方项目(多主体协作)关键节点推进;阶段转化率分析适配不同业务场景的“按需选模型”
SAP未明确端到端自动化(线索→成交预测)多维度漏斗分析;实时转化率监控适配中大型企业复杂销售场景
Dynamics 365LinkedIn关联商务信息(公司/职位)商机时间线+产品信息+收入预测机器学习识别高转化商机;Copilot辅助跟进与LinkedIn深度整合;收入预测精准
销氪CRM360度全景客户管理智能跟进+全景记录小盟AI分析客户数据推送建议数据统计可视化(销售/客户关键指标)
纷享销客工商信息+决策链整合(关键联系人)自定义销售漏斗+BI报表全流程闭环(报备→商机→订单→服务)360°客户画像;防止商机遗漏
简道云自定义字段自定义看板+阶段跟踪销售全流程分析预测零代码自定义商机阶段/评分模型
销帮帮CRM全生命周期数字化精细化流程+工单流转智能推荐采购/生产计划;库存预测PaaS零代码定制;支撑商机交付

关键差异

  • 超兔的三大跟单模型是其核心壁垒,能覆盖小单(快销)、中长单(项目)、多主体(复杂业务)等全场景;
  • Dynamics 365的机器学习预测能精准识别“高转化商机”,减少销售无效投入;
  • 纷享销客的决策链整合(工商+关键联系人)适合B2B复杂销售。

维度3:跟进记录管理——全周期追溯与智能辅助

核心需求:全面记录、自动归档、智能分析,避免“跟进断层”。

品牌记录类型覆盖自动化能力智能分析能力特色功能
超兔一体云通信(电话录音)、外勤(拜访地点)、待办、行动记录自动生成日报;时间线自动关联电话录音AI提取关键信息;客户意向评估360°跟单视图;独有的“跟单时间线”
SAP电话、拜访、邮件移动终端实时同步未明确支持手机/平板实时访问/修改
Dynamics 365电话、邮件、任务、LinkedIn互动自动同步至客户时间线AI提示谈话要点;下一步行动建议与Office 365(Outlook)、LinkedIn历史联动
销氪CRM沟通、访问轨迹、多渠道触达跟进记录自动归档智能名片追踪客户需求全景式记录;节省挂机后填写时间
纷享销客拜访、沟通、行程全渠道沟通自动归档销售行为分析(阶段停留时长)优化拜访路线;提升外勤效率
简道云自定义表单(拖拉拽搭建)跨应用数据联动未明确发布至钉钉工作台;团队协作便捷
销帮帮CRM客户信息、跟进状态、审批审批提醒自动推送未明确移动CRM;常用模板复用

关键差异

  • 超兔的360°跟单视图+时间线能直观呈现客户互动历史,是销售跟进的“知识库”;
  • Dynamics 365的Office/LinkedIn整合能自动关联销售与客户的历史邮件/职场关系,减少“从头开始”的沟通成本;
  • 纷享销客的行程优化适合外勤频繁的企业(如快消、建材)。

维度4:合同与回款管理——从“签约”到“现金”的闭环

核心需求:合同合规、回款跟踪、财务联动,避免“应收坏账”。

品牌合同管理能力回款跟踪能力财务联动能力特色功能
超兔一体云服务型(合同视图)、实物型(订单视图);支持标准/批发/非标定制应收触发(签约/开票/发货);自动拆分多期与进销存、供应链底层连通订单锁库;生成采购计划/单;供应商直发
SAP与ERP绑定;合同全生命周期订单到应收闭环同步ERP库存/财务数据销售订单触发库存/生产流程
Dynamics 365Finance模块;报价→订单→合同审批自动化Power BI分析回款效率整合CRM与ERP数据合同全生命周期管理;减少人工失误
销氪CRM未明确未明确未明确
纷享销客移动端订单;合同审批+智能分拆回款计划提醒;应收账龄+逾期预警关联订单回款/发票/退货交易闭环;提升回款效率
简道云自定义模板;流程审批自定义看板看进度;异常预警对接财务系统同步数据零代码定制;保障合同合规
销帮帮CRM资金账户管理;进销存关联预收预付+应收应付+收付款财务报表实时生成合同→采购→库存闭环;支撑交付

关键差异

  • 超兔的多业务模型(服务vs实物)能覆盖不同行业需求(如软件服务用合同,零售用订单);
  • SAP的ERP深度整合是其核心优势,能实现“订单→库存→财务”的全链路自动化;
  • 纷享销客的回款预警(账龄+逾期)能有效降低坏账风险。

三、综合对比与选型建议

1. 雷达图评分(满分5分)

品牌客户线索商机管理跟进记录合同回款AI赋能生态整合
超兔一体云555443
SAP454535
Dynamics 365545455
销氪CRM434032
纷享销客444534
简道云433423
销帮帮CRM343423

2. 选型建议

  • 中小企业(追求高性价比+全流程覆盖) :选超兔一体云(全流程能力均衡,价格亲民)、简道云(零代码自定义,低门槛);
  • 中大型企业(需要ERP整合+复杂场景) :选SAP(ERP深度绑定,适合制造业/零售)、Microsoft Dynamics 365(LinkedIn+Office生态,适合B2B商务);
  • 注重连接与协同(需要内外部资源整合) :选纷享销客(连接型CRM,适合多部门协作);
  • 需要高度自定义(快速调整流程) :选简道云(零代码)、销帮帮CRM(PaaS零代码)。

四、结论

在CRM的全流程能力中, “协同”与“智能”是核心竞争力——超兔一体云的“全流程适配”、SAP的“ERP整合”、Dynamics 365的“生态联动”,分别代表了不同企业的需求痛点。企业选型时,需先明确自身的核心业务场景(如小单快销vs复杂项目)、IT基础(有无ERP)、团队能力(是否能操作复杂系统),再选择匹配的CRM。

最终,能帮助企业实现“线索→商机→订单→回款”全链路闭环的CRM,才是真正的“业务增长引擎”。

(注:文中功能相关描述均基于公开披露信息,具体功能服务与价格以厂商实际落地版本为准。)

最近的达沃斯论坛上,科技领袖们纷纷出来发表观点。当 Google 的 Demis Hassabis 和 Anthropic 的 Dario Amodei 在讨论更宏观的 AGI 话题时,微软 CEO Satya Nadella 与英国前首相 Rishi Sunak 的对话,更聚焦在了 AI 应用的话题。

 

Satya 以自己参加达沃斯的准备工作变化为例,来说明在企业内部,AI 正在打破传统层级架构,让信息流实现扁平化。

 

“自从我 1992 年参加以来,直到几年前,流程都没什么变化:我的现场团队会准备笔记,然后送到总部进一步提炼。但现在我直接找 Copilot 说,“我要见 xxx,给我一个简介”。它会给我一个全方位的视角。”“我做的是立即把这个简介分享给所有部门的同事。”

 

他指出,企业 AI 应用呈现出明显的 “杠杆效应”:初创公司能从零开始构建适配 AI 的组织,落地速度更快;大型企业虽手握数据、资源优势,但传统工作流程与组织惯性带来的变革管理挑战更大。而无论大小企业,都需经历 “思维转变 — 技能培养 — 数据整合” 的艰苦过程。

 

人才方面,他认为全球 AI 技术人才与初创公司的质量已无显著差异:“雅加达、伊斯坦布尔的人才技术水平并不逊色于西雅图、旧金山。”真正的差距在于大规模应用的推进力度。

 

Satya 表示,判断 AI 是否存在泡沫,关键也在于落地应用:若仅停留在科技公司的技术讨论,泡沫风险确实存在;但当 AI 加速药物临床试验、提升农业生产效率、优化公共服务时,技术就已转化为实实在在的经济价值。

 

今天,Satya 参加 All-In Podcast 的采访也发布了,这次谈话与 Rishi 那次比,有部分话题重合,但也更微观一些。他谈到,科技行业每十年换一批竞争对手是好事,能倒逼企业保持竞争力,科技产业蛋糕会持续变大,绝非零和博弈。而微软与 OpenAI 合作的核心逻辑:不押注单一模型,而是打造算力+应用服务器层的平台,兼容多模型生态。

 

他还提到,公司内部全球网络团队已用 AI Agent(数字员工)自动化处理光纤挖断、设备故障等 DevOps 重复工作,完全是自下而上的落地实践。此外还将 LinkedIn 等团队各角色合并为“全栈构建者”,重构 AI 产品工作流。现在,微软正在尝试新学徒制模式:由资深 IC 工程师带一组应届生,借助 AI 加速新人生产力爬坡,以适配 AI 时代的人才培养方式,新人仍需持续进入职场。

 

国际竞争方面,他认为,美国技术栈的核心优势是生态效应(平台之上生态收入远超自身收入),而非单纯市场份额,技术“扩散”是做大全球蛋糕,而非抢蛋糕。

 

我们翻译并整理了这次访谈内容,并在不改变原意基础上进行了删减,以飨读者。

 

移民政策下的一段“奇妙经历”

 

Jason:今天非常高兴,能请到重量级嘉宾 Satya Nadella,Microsoft 的第三任 CEO,和我们的 AI 与加密领域负责人 David Sacks 来一场即兴炉边对话。Satya 出生在印度,大学毕业后来到美国,这一路经历本身就很传奇。你在书里写过,为了把太太接来美国,还专门“折返”了一趟。能不能简单和大家讲讲当时是怎么回事?

 

Satya:这件事其实是美国移民政策下的一段“奇妙经历”。我和太太在印度读的是同一所大学,后来我来美国读研究生,我们结了婚。我拿到了绿卡,但问题是由于我们是结婚后才申请,她反而不能直接过来。结果就是,我不得不放弃已经拿到的绿卡。

 

最有意思的是,我去新德里的美国使馆,问工作人员:“请问放弃绿卡要排哪一队?”他们直接说:“没有这种队伍。”在九十年代,主动放弃绿卡绝对算是件“疯狂”的事。但为了让她能以 H1 签证过来,只能这么操作。好在最后一切都解决了,现在想起来更像是一段久远但有点荒诞的回忆。

 

Jason:我想聊聊 Copilot。你们最早在 GitHub 上推出 Copilot,后来做到桌面端,再到直接把它放进 Windows,这对 Microsoft 来说是个非常大胆的决定。我每天都在用。但老实说,在它还不能真正理解文件系统、也没法和应用深度交互之前,市场反应不温不火。不过现在你们明显在持续加码。

 

在我看来,面向知识工作者,AI 正在走向三种形态:一类是 Elon 在 xAI 做的那种“人类模拟器”,据说直接把“虚拟员工”塞进聊天和邮箱系统;一类是 Claude 刚发布的协作型 Agent,强得离谱,很多人已经被震住了,我自己连续玩了四十多个小时。

 

那 Microsoft 的愿景是什么?知识工作者究竟该怎么真正把这些东西用起来?现在大家更多还是在“玩 ChatGPT”,这和真正创造商业价值之间好像还有一道鸿沟。

 

Satya:要理解这些不同形态,最好的切入口其实是编程,代码工作几乎是最典型的知识工作。

 

回头看这条演进路线:最早是“Next Edit Suggestions”,也就是智能补全。老实说,我对这一代 AI 技术真正建立信心,就是从早期 Codex 那一代模型开始的。那还是 GPT-3.5 之前,但补全已经相当准确了。后来我们有了 chat 交互,再往后是可执行的 actions,现在则是全自主 Agent。这些 Agent 既可以在前台,也可以在后台;可以在云端,也可以在本地运行。

 

有意思的是,这些形态今天在编程中都有,而且你会全部用到,而非只选其中一种。比如我在 CLI 里,可以有前台 Agent、后台 Agent,同时直接在 VS Code 里改代码,这些全部并行进行。这说明了不同形态是可以组合的。

 

把这套放到知识工作上也是一样。我们是从 chat 开始,带推理的 chat 不只是一问一答,你能看到它完整的思考过程;现在到了 actions 阶段,通过模拟电脑操作、Skill 和 Agent 调用调用来执行任务,这就是 Copilot 如今的状况。

 

接下来,其实需要一个新的“隐喻”来理解 AI 时代的计算机。Jobs 当年形容 PC 是“思维的自行车”;Bill Gates 说过一句我很喜欢的话:“信息触手可及”。但在 AI 时代,我们需要新的说法。我很喜欢 Notion CEO 的一个比喻:“无限思维的管理者”。这个说法非常形象。

 

Jason:确实是个很棒的产品。不过你们还没收购它。

 

Satya:还没有(笑)。但这个比喻点中了关键:你同时在和大量 Agent 协作。我自己还常用两个词:宏观委派和微观引导,即你把一整块工作交出去,同时在执行过程中不断给细节指令。写代码其实已经是这样了。这正是今天 Copilot 的真实状态。

 

还有一种我特别期待的形态,很快你们就会看到:开发者并不是只待在自己的 repo 里。我们要开会、写设计文档、实现别人写好的规格说明,还要保证代码和这些内容一致。这就意味着,Copilot 需要能通过 MCP Server 之类的方式,把我的工作流、待办事项、上下文全部拉进来。这才是真正的知识工作“组合”。

 

安全领域也是一样。一个安全工程师面对的是海量日志:把日志放进文件系统、用代码分析、生成仪表盘,这些都是 AI 能大幅放大的知识工作场景。

 

数字员工如何进入企业

 

Jason:那“数字员工”“数字同事”这种概念呢?是不是也在你们的规划里?

 

Satya:核心问题其实是“身份”。我们推出了 Agent 365,就是把今天给人用的身份体系、终端防护体系,扩展到 Agent 身上。

 

Jason:也就是说,你可以“克隆”一个我,让他在 HR 或市场部里工作?

 

Satya:没错。在 Office 体系里完全可以做到。这里有两种模式:一种是,每个知识工作者都拥有“无限个大脑”;另一种是,创造完全独立于你个人身份的 Agent。而身份这件事非常关键,权限、决策、责任追溯等全都依赖它。

 

Jason:说到底,就是搞清楚“谁对谁做了什么”。

 

Satya:正是如此。对任何组织来说,最重要的问题之一就是:工作是谁完成的、怎么完成的、来源是什么、能不能追溯,所以要么是“人 + 一堆 Agent”,由人来做宏委派、微观引导,要么就是一个完全独立的身份在运作。

 

Jason:过去几年,Microsoft 的员工数量基本没变,但收入多了 900 亿美元,利润还翻了一倍。你们也像 Alphabet、Meta 一样,削掉了不少中间管理层。这是因为自动化?还是以前人确实有点多?

 

Satya:你抓住了一个非常关键的问题。我认为,这是自 PC 普及以来,知识工作最大的结构性变化。想想 PC 之前,一家跨国公司怎么做预测?传真、内部备忘录满天飞,最后凑出一份结果。后来 PC 成了标配,Excel + Email,让流程和产出物全变了,今天正在发生同样级别的变化。

 

举个例子,在 LinkedIn,我们以前有产品经理、设计师、前端工程师、后端工程师,后来我们把前面这些角色合并、扩大职责范围,统一成“全栈构建者”。这是结构性的调整,它改变了工作本身,也改变了工作流。

 

Jason:沟通成本一下就下来了,速度自然更快,一个人就能“vibe coding”。

 

Satya:没错,而且 AI 产品本身也有一套全新的工作流:从评测、到科学建模,再到基础设施。评测和产品由新的“全栈型 PM / Builder”完成,系统工程师负责支撑后端科学和基础设施,这是一个全新的闭环,必须从组织结构上去适配。

 

当然,对 Microsoft 来说,我们不可能只活在未来。现在,我们要一边把 Windows 的热补丁做好、质量做到位;一边还要持续提升 Copilot 的评测体系和质量,这两件事都必须是第一优先级的。

 

“每十年换一批竞争对手”

 

Jason:这大概是你职业生涯里最具挑战性的阶段吧?过去 Microsoft 在很多领域是双寡头甚至垄断,但现在面对的竞争完全不一样。

 

Satya:确实非常激烈。但我一直觉得,每十年换一批竞争对手,其实是好事,它能让你保持“体能”。我 1992 年加入 Microsoft,那时最大的对手是 Novell;现在是 2026 年,环境完全不同。竞争很残酷,但从 GDP 占比来看,五年后科技产业一定更大,这不是一个零和游戏。

 

Jason:蛋糕在变大。

 

Satya:而且会大得多。整个技术栈对社会的影响会极其深远。最终的问题是 Microsoft 的品牌定位是什么?客户期待我们提供什么?有时候我们会误以为,所有客户对所有厂商的期待都是一样的,但真正重要的是弄清楚客户“希望从你这里得到什么”。这其实是 Peter Thiel 那个观点的另一种表达:不是逃避竞争,而是通过理解客户,找到你真正不可替代的位置。

 

David:这次在达沃斯,既有不少国家领导人,也有大量《财富》世界五百强公司的 CEO。昨晚晚宴上,有人问你一个问题:他们该如何看待 AI,怎样才能真正把 AI 用好。我记得你当时提到了“扩散(diffusion)”这个词,这一点和我最近参与的一些政策研究高度契合。能不能展开讲讲你的想法?

 

Satya:当然可以。事实上,你们一直在做一件非常重要的事,就是确保以美国为代表的技术栈,能在全球范围内被广泛采用、并且被信任。

 

回过头来看,技术本身只是起点,真正的价值来自于被大规模、深入地使用。我一直很喜欢一项研究,是 Diego Comin 做的,研究的是工业革命时期各国是如何实现领先的。结论其实很简单:那些把最新技术引入本国,并在此基础上做价值叠加的国家,最终跑得最快。说白了,不要重复造轮子,而是先用最先进的,再在上面持续创新。

 

这正是“扩散”的意义所在。像 AI 这样的通用型技术,关键在于能不能真正铺开。就拿美国来说,技术我们已经有了,但问题是:它有没有进入医疗?有没有进入金融?有没有进入所有行业?不只是大企业,也包括中小企业和公共部门。如果看不到这种广泛而密集的应用,就谈不上真正的成功。

 

现在我们正处在这样一个阶段:AI 正在更快地“扩散”。你们做的那些政策层面的工作其实非常关键。好消息是,技术已经成熟了,云计算和移动互联网这些“基础设施轨道”早就铺好了,这让 AI 的传播成为可能。现在真正的问题不在算力能不能拿到,而在于具体的应用场景是什么,以及组织如何管理随之而来的变化。

 

在达沃斯,还有一个常被提起的问题:发达国家之外,全球南方怎么办?我反而觉得这里蕴含着巨大的机会。在很多全球南方国家,公共部门在 GDP 中的占比非常高。想象一下,如果 AI 能显著提升政府把纳税人资金转化为公共服务的效率,哪怕只提升一点点,那可能就是几个百分点的 GDP 增长。

 

所以我非常乐观,我认为会形成一种强烈的拉动力,而美国也应该把我们已有的技术栈,推动在欧洲、亚洲、南美、非洲等地广泛落地。

 

David:我经常被问到一个问题:这场 AI 竞赛,怎么判断谁在赢?或者美国是不是领先全球?我给出的答案很直接:看市场份额。如果几年后我们放眼全球,看到美国公司的技术占据了绝大多数市场,那说明我们做对了;如果看到全球到处用的都是中国的芯片和模型,那可能就意味着我们输了。说到底,使用情况才是最真实的检验标准。

 

Satya:我同意。但你也在 Microsoft 工作过几年,应该记得 Bill Gates 对“平台”的理解。对我来说,除了市场份额,更重要的是生态效应。美国一直以来的优势,不只是本国公司的收入规模,而是围绕平台形成的完整生态。

 

我在 Microsoft 学到的一点是,每次去一个国家访问,最先看的不是我们卖了多少软件,而是围绕 Microsoft 平台,在当地创造了多少就业岗位。比如有多少渠道伙伴、多少 ISV、多少相关的 IT 从业者。我们有一整套指标,衡量一个国家的生态是如何围绕平台建立起来的。

 

这正是美国技术栈过去在全球,包括在中国,能够被广泛采用的原因:当地公司能在上面构建自己的产品和业务。这种事情还会再次发生。所以你们推动“扩散”的工作,本质上不是在抢蛋糕,而是在把蛋糕做大,增强对平台的信任,从而带来真正的经济机会。

 

David:你这么一说,我确实想起了一些往事。那还是十多年前,Yammer 被 Microsoft 收购,我们并入了 SharePoint 团队。当时产品经理们非常自豪的一点是:围绕 SharePoint 的生态收入,即非 Microsoft 的咨询公司、实施伙伴创造的收入,其规模是 Microsoft 自身软件收入的好几倍。Bill 也说过一句话:只有当平台之上的收入,显著超过平台自身的收入时,你才算真正拥有一个生态。所以,当我们谈“扩散”,希望美国保持领先地位,并不意味着这对世界其他地方是坏事。恰恰相反,其他国家和公司可以在这个平台之上创造出更大的价值。

 

Satya:完全同意。这一点非常关键。这不是“美国技术、美国收入”的问题,而是在用一个新平台在全球范围内创造机会。

 

我 90 年代做数据库产品时,和 SAP 有过深度合作。SQL Server 和 R/3 的结合,对双方都是巨大的成功。大家常提 Intel 和 Microsoft,但对我个人成长影响很深的一件事其实是和一家欧洲软件巨头的合作。放到今天也是一样,谁知道下一个伟大的 AI 应用会出现在哪里?我始终相信,即便基于美国的技术栈,世界各地都可能诞生顶级的科技公司。

 

与 OpenAI 合作背后:所有公司、应用会同时用多种模型

 

Jason:你不仅是技术领袖,也是一位非常出色的并购操盘手,这一点其实被外界低估了。你和 Sam Altman、OpenAI 的合作,被认为既高明又充满争议。有人说,这笔交易可能让 Microsoft 获得巨额回报,但也有人质疑:你是不是亲手培养了一个未来最强的竞争对手?尤其是考虑到 Microsoft 过去错过了移动互联网浪潮,你们为什么不自己做一个 Gemini、xAI 或 Claude?

 

Satya:我理解这种疑问。很多人问我:你们自己的基础模型在哪里?从知识产权角度说,我们确实拥有相关能力,但更重要的是,Microsoft 现在的战略有几个层面。

 

首先,我们要把“算力工厂”做好。Azure 是我们最大的业务之一,而随着 AI 的发展,它的市场空间会变得极其庞大,这要求我们在异构基础设施管理、软件调度和资源利用率上做到极致。

 

其次,是应用服务器层。未来,每个人都在构建 Agent,有强化学习环境、有评测体系,就像每一代平台都会有自己的应用服务器一样。我们现在在做的 Foundry,就是这个定位。

 

在这一层里,有一点已经非常清楚:任何应用、任何公司,最终都会同时使用多种模型。为什么不用呢,甚至在一个具体任务里,编排多个模型协同工作,效果往往比单一的前沿模型更好。我们在医疗领域做过一个“决策编排”的实践,仅仅通过给模型分配不同角色再进行协同,就能显著提升结果质量。

 

Jason:那是不是可以理解为,你其实看好开源模型,认为大模型本身会逐渐商品化,真正的价值不在这里?

 

Satya:我更愿意把它类比成数据库市场。最早大家觉得数据库就是 SQL,后来才发现并不是。关系型、文档型、NoSQL,各种数据库层出不穷,甚至出现了大量开源项目和围绕它们建立的公司。模型也会是类似的演进路径,会有闭源的前沿模型,也会有达到前沿水平的开源模型。

 

接下来一个非常重要的方向是:企业能否把自身的隐性知识,真正嵌入到自己掌控的模型权重中。有人问我未来会有多少模型,我的回答是:可能和世界上有多少家公司一样多。这听起来极端,但在我看来,这正是“知识经济”向“AI 经济”转变的方式。

 

Jason:那你有没有在 Windows 桌面上,悄悄推进一个本地运行的大模型?

 

Satya:其实已经在发生了,现在已经有完全驻留在本地、基于 NPU 和 GPU 的模型。高性能工作站正在回归,这本身就是一件非常有意思的事。

 

Jason: 明白了。所以 Microsoft 当然会重视 PC,这毕竟是你们的主场,有完整的桌面生态。

 

Satya:是的,本质上这是个商业问题。我们一直认为“形态”非常重要。我常开玩笑说,我的职业生涯是从命令行开始的,说不定最后也会回到命令行。但不管怎样,形态一直在演进。

 

Jason: 你当年起步时用的是 Sun 那种最早的工作站,价格五千到一万美元。你能想象有一天,你会向客户推荐一台一万到两万美元的桌面机,里面内置 LLM 和强悍硬件吗?

 

Satya:完全有可能。你可以插一张 DGX 卡,做出一台非常强的机器。其实在模型架构上,我们可能只差一次关键调整就能实现某种分布式模型架构,比如真正能自我调度的 MoE 架构。这类突破会彻底改变“混合 AI”该是什么样子。

 

但不管怎样,我们非常明确:PC 必须成为本地模型的最佳载体。本地模型可以承担大量 prompt 处理,再按需调用云端能力。这里面还有大量工作空间,这也是我们正在坚定推进的方向。

 

David: 云与本地的协同已经证明了,能直接访问本地文件系统,本身就非常有价值。这让我想到 Yammer。很多人可能不知道 Yammer 当年最大的特点,是用消费级增长打法去攻企业软件。站在今天去看企业 AI 的采用,你觉得未来一年会怎么“扩散”?现在好像正处在一个关键点:会是自上而下,由 CEO 拍板、搞战略转型、走 RFP;还是自下而上,由一批 AI 原生员工先用起来,把工具带进工作中,做出惊人的成果?

 

Satya:说实话,我觉得两种都会发生。自上而下的原因很简单:在客服、供应链、HR 自助这些场景里,AI 的 ROI 非常清晰,IT 和 CXO 很容易拍板,这也是目前最先落地的一波真实 AI 应用。

 

但最终真正改变组织的,一定是自下而上的力量。回看 PC 的历史也是这样:最早是律师把 Word 带进公司、财务把 Excel 带进来,后来有了邮件,最后才变成标配。现在正在重演这个过程。比如说 Agent,现在几乎所有人都在做 Agent,本质是在重构工作流,把大量重复、枯燥的事情自动化掉,这正是自下而上转型的起点。

 

说实话,我最兴奋的也是这种变化。以 Microsoft 为例,我们在全球管理着五百多个光纤运营点,尤其在亚洲。我自己以前都没意识到,这些所谓的 DevOps,其实很大一部分是物理资产:光纤会被挖断、设备会出故障。所谓 DevOps,很多时候就是在不停地发邮件问“这张光纤卡怎么了”“怎么修”。

 

现在负责全球网络的同事,已经构建了一批“数字员工”,本质就是 Agent 在自动处理这些 DevOps 工作。这完全是自下而上的:工具已经在那里了,我就用它来做自动化,减少重复劳动,提高效率和质量。

 

而这些能力最终能不能规模化,关键不在“学会没有”,而在“用不用”。所谓技能提升并不神秘,就是在实际使用中完成的。工具扩散、工具被真正用起来,这才是最重要的事情。

 

“我们在尝试新的学徒制模式”

 

Jason: 正因为如此,现在用这些工具去赋能现有员工,比招人、培养新人要容易得多。站在今天看,如果 Microsoft 规模不变,三、四十年后谁会接我的工作?你们是典型的技术优先公司,理论上已经没有太多理由继续增加员工数量,这几年你们也基本没扩张,只是在内部结构上做了调整。

 

那你怎么看下一代?对那些现在还没拿到 Microsoft offer 的应届生,你会给什么建议?以前你花了很多精力去培养这群人,但现在好像没那么“奢侈”了。

 

Satya:这是个好问题。现在确实有争论:职业早期会发生什么变化、校园招聘还重要吗?我依然坚定相信校园招聘,因为 AI 会彻底改变一个人掌握代码库、建立熟练度的速度。

 

过去,新人进团队的爬坡期很长;现在不一样了,有文档、有技能库,还可以直接问 Agent,本质上就像身边有一个极其强大的导师帮你快速上手代码。换句话说,应届生的生产力曲线会比以往陡得多。

 

我们也在尝试新的学徒制模式:让一位资深 IC 工程师带一组应届生一起工作,因为这本身就是一种全新的工作方式。以前大家进 Microsoft 后会去读 Dave Cutler 的代码,理解什么是顶级工程实践;而现在,顶级实践更多体现在十倍、百倍工程师是如何借助 AI 打造高质量产品的。对于这些经验,新一代毕业生会学得更快。

 

对 Microsoft 这样的公司来说,这是好事。毕竟只要人类还没解决“永生”问题,我们就需要新人进入职场、在 Microsoft 成长。所以我们依然会积极投入,只是会确保岗位的边界和内容,让其既符合现有员工的期望,也符合新入职者的追求。

 

参考链接:

https://www.youtube.com/watch?v=5nCbHsCG334

两个月前,我试着想用 ChatGPT 帮我写篇文章《eBPF 介绍》,结果错误百出,导致我又要从头改一遍,从那天我觉得 ChatGPT 生成的内容完全不靠谱,所以,从那天开始我说我不会再用 ChatGPT 来写文章(这篇文章不是由 ChatGPT 生成),因为,在试过一段时间后,我对 ChatGTP 有基于如下的认识:

  1. ChatGPT 不是基于事实,是基于语言模型的,事实对他来说不重要,对他重要的是他能读懂你的问题,并按照一定的套路回答你的问题。
  2. 因为是基于套路的回答,所以,他并不能保证内容是对的,他的目标是找到漂亮的精彩的套路,于是,你会发现,他的内容组织能力和表述还不错,但是只要你认真玩上一段时间,你会发现,ChatGPT 那些表述的套路其实也比较平常一般。它的很多回答其实都不深,只能在表面上。就像 Github 的 Copilot 一样,写不了什么高级的代码,只能帮你写一些常规格式化的代码(当然,这也够了)
ChatGPT 就是一个语言模型,如果不给他足够的数据和信息,它基本就是在胡编乱造

所以,基于上面这两个点认识,以发展的眼光来看问题,我觉得 ChatGPT 这类的 AI 可以成为一个小助理,他的确可以干掉那些初级的脑力工作者,但是,还干不掉专业的人士,这个我估计未来也很难,不过,这也很帅了,因为大量普通的工作的确也很让人费时间和精力,但是有个前提条件——就是ChatGPT所产生的内容必需是真实可靠的,没有这个前提条件的话,那就什么用也没有了

今天,我想从另外一个角度来谈谈 ChatGPT,尤其是我在Youtube上看完了微软的发布会《Introducing your copilot for the web: AI-powered Bing and Microsoft Edge 》,才真正意识到Google 的市值为什么会掉了1000亿美元,是的,谷歌的搜索引擎的霸主位置受到了前所未有的挑战……

我们先来分析一下搜索引擎解决了什么样的用户问题,在我看来搜索引擎解决了如下的问题:

  • 知识或信息索引。查新闻,查股票,查历史,查文档,找答案……
  • 找服务提供商。找卖东西的电商,找帮你修东西的服务,找软件……
  • 信息的准确和可靠。搜索引擎的rank算法保证了最准确、最有用、最权威的信息出现在最前面……(作恶的百度不在此列)

基本上就是上面这几个,搜索引擎在上面这几件事上作的很好,但是,还是有一些东西搜索引擎做的并不好,如:

  • 搜索引擎是基于关键词的,不是基于语义的。所以,搜索引擎并不知道你的真实需求,因此,你会不可避免地要干下面的事,
    • 你经常要不断地增加或调整不同的关键词来提高查询信息的准确度……
    • 你经常要在你查找的信息中进行二次或多次过滤和筛选……
  • 搜索引擎是只能呈现内容,无法解读内容。所以,你找到相关的链接后,你还要花大量的时间来阅读理解,经常性的你不可避免的要干下面的事:
    • 打开一个链接,读到了一大半后,发现你要的内容不在其中,只能关掉再打开一个……
    • 你想要的内容是在的,但是太晦涩,看不懂,太费解,你要找小白友好的版本……
    • 你想要的内容不完整,你需要在很多个链接和网页上做拼图游戏……
    • 内容是无法结构化的展示的,你搜到的东西全都是碎片信息
  • 搜索引擎没有上下文关联,两次搜索是没有关系的。也就是说,人知道的越多,问题也就越多,所以,我们经常会面临下面的问题:
    • 随着我了解的越多,我的信息搜索的会出现分支,这个分支只有我自己的管理,搜索引擎是不关心的,导致我每次都相当于从头开始……
    • 你做计划的时候,你需要从多个不同的搜索中获取你想要的东西,最终组合成你定制化的东西,比如做旅游计划……

好了,我们知道,ChatGPT 这类的技术主要是用来根据用户的需求来按一定的套路来“生成内容”的,只是其中的内容并不怎么可靠,那么,如果把搜索引擎里靠谱的内容交给 ChatGPT 呢?那么,这会是一个多么强大的搜索引擎啊,完全就是下一代的搜索引擎,上面的那些问题完全都可以解决了:

  • 你可以打一段话给搜索引擎,ChatGPT 是读得懂语义的。
  • 因为知道语义,于是在众多搜过结果中,他更知道哪些是你想要的内容。
  • ChatGPT 可以帮你生成 TL;DR,把长文中的要求总结出来形成更易读的短文
  • ChatGPT 可以帮你整理内容,在多个网页中帮你整合和结构化内容
  • ChatGPT 可以有上下文对话,你可以让他帮你不断通过更多的关键词搜索信息,并在同一个主题下生成、组织和优化内容

一旦 ChatGPT 利用上了搜索引擎内容准确和靠谱的优势,那么,ChatGPT 的能力就完全被释放出来了,所以,带 ChatGPT 的搜索引擎,就是真正的“如虎添翼”!

因此,微软的 Bing + ChatGPT,成为了 Google 有史以来最大的挑战者,我感觉——所有跟信息或是文字处理相关的软件应用和服务,都会因为 ChatGPT 而且全部重新洗一次牌的,这应该会是新一轮的技术革命……Copilot 一定会成为下一代软件和应用的标配!

最近的达沃斯论坛上,科技领袖们纷纷出来发表观点。当 Google 的 Demis Hassabis 和 Anthropic 的 Dario Amodei 在讨论更宏观的 AGI 话题时,微软 CEO Satya Nadella 与英国前首相 Rishi Sunak 的对话,更聚焦在了 AI 应用的话题。

 

Satya 以自己参加达沃斯的准备工作变化为例,来说明在企业内部,AI 正在打破传统层级架构,让信息流实现扁平化。

 

“自从我 1992 年参加以来,直到几年前,流程都没什么变化:我的现场团队会准备笔记,然后送到总部进一步提炼。但现在我直接找 Copilot 说,“我要见 xxx,给我一个简介”。它会给我一个全方位的视角。”“我做的是立即把这个简介分享给所有部门的同事。”

 

他指出,企业 AI 应用呈现出明显的 “杠杆效应”:初创公司能从零开始构建适配 AI 的组织,落地速度更快;大型企业虽手握数据、资源优势,但传统工作流程与组织惯性带来的变革管理挑战更大。而无论大小企业,都需经历 “思维转变 — 技能培养 — 数据整合” 的艰苦过程。

 

人才方面,他认为全球 AI 技术人才与初创公司的质量已无显著差异:“雅加达、伊斯坦布尔的人才技术水平并不逊色于西雅图、旧金山。”真正的差距在于大规模应用的推进力度。

 

Satya 表示,判断 AI 是否存在泡沫,关键也在于落地应用:若仅停留在科技公司的技术讨论,泡沫风险确实存在;但当 AI 加速药物临床试验、提升农业生产效率、优化公共服务时,技术就已转化为实实在在的经济价值。

 

今天,Satya 参加 All-In Podcast 的采访也发布了,这次谈话与 Rishi 那次比,有部分话题重合,但也更微观一些。他谈到,科技行业每十年换一批竞争对手是好事,能倒逼企业保持竞争力,科技产业蛋糕会持续变大,绝非零和博弈。而微软与 OpenAI 合作的核心逻辑:不押注单一模型,而是打造算力+应用服务器层的平台,兼容多模型生态。

 

他还提到,公司内部全球网络团队已用 AI Agent(数字员工)自动化处理光纤挖断、设备故障等 DevOps 重复工作,完全是自下而上的落地实践。此外还将 LinkedIn 等团队各角色合并为“全栈构建者”,重构 AI 产品工作流。现在,微软正在尝试新学徒制模式:由资深 IC 工程师带一组应届生,借助 AI 加速新人生产力爬坡,以适配 AI 时代的人才培养方式,新人仍需持续进入职场。

 

国际竞争方面,他认为,美国技术栈的核心优势是生态效应(平台之上生态收入远超自身收入),而非单纯市场份额,技术“扩散”是做大全球蛋糕,而非抢蛋糕。

 

我们翻译并整理了这次访谈内容,并在不改变原意基础上进行了删减,以飨读者。

 

移民政策下的一段“奇妙经历”

 

Jason:今天非常高兴,能请到重量级嘉宾 Satya Nadella,Microsoft 的第三任 CEO,和我们的 AI 与加密领域负责人 David Sacks 来一场即兴炉边对话。Satya 出生在印度,大学毕业后来到美国,这一路经历本身就很传奇。你在书里写过,为了把太太接来美国,还专门“折返”了一趟。能不能简单和大家讲讲当时是怎么回事?

 

Satya:这件事其实是美国移民政策下的一段“奇妙经历”。我和太太在印度读的是同一所大学,后来我来美国读研究生,我们结了婚。我拿到了绿卡,但问题是由于我们是结婚后才申请,她反而不能直接过来。结果就是,我不得不放弃已经拿到的绿卡。

 

最有意思的是,我去新德里的美国使馆,问工作人员:“请问放弃绿卡要排哪一队?”他们直接说:“没有这种队伍。”在九十年代,主动放弃绿卡绝对算是件“疯狂”的事。但为了让她能以 H1 签证过来,只能这么操作。好在最后一切都解决了,现在想起来更像是一段久远但有点荒诞的回忆。

 

Jason:我想聊聊 Copilot。你们最早在 GitHub 上推出 Copilot,后来做到桌面端,再到直接把它放进 Windows,这对 Microsoft 来说是个非常大胆的决定。我每天都在用。但老实说,在它还不能真正理解文件系统、也没法和应用深度交互之前,市场反应不温不火。不过现在你们明显在持续加码。

 

在我看来,面向知识工作者,AI 正在走向三种形态:一类是 Elon 在 xAI 做的那种“人类模拟器”,据说直接把“虚拟员工”塞进聊天和邮箱系统;一类是 Claude 刚发布的协作型 Agent,强得离谱,很多人已经被震住了,我自己连续玩了四十多个小时。

 

那 Microsoft 的愿景是什么?知识工作者究竟该怎么真正把这些东西用起来?现在大家更多还是在“玩 ChatGPT”,这和真正创造商业价值之间好像还有一道鸿沟。

 

Satya:要理解这些不同形态,最好的切入口其实是编程,代码工作几乎是最典型的知识工作。

 

回头看这条演进路线:最早是“Next Edit Suggestions”,也就是智能补全。老实说,我对这一代 AI 技术真正建立信心,就是从早期 Codex 那一代模型开始的。那还是 GPT-3.5 之前,但补全已经相当准确了。后来我们有了 chat 交互,再往后是可执行的 actions,现在则是全自主 Agent。这些 Agent 既可以在前台,也可以在后台;可以在云端,也可以在本地运行。

 

有意思的是,这些形态今天在编程中都有,而且你会全部用到,而非只选其中一种。比如我在 CLI 里,可以有前台 Agent、后台 Agent,同时直接在 VS Code 里改代码,这些全部并行进行。这说明了不同形态是可以组合的。

 

把这套放到知识工作上也是一样。我们是从 chat 开始,带推理的 chat 不只是一问一答,你能看到它完整的思考过程;现在到了 actions 阶段,通过模拟电脑操作、Skill 和 Agent 调用调用来执行任务,这就是 Copilot 如今的状况。

 

接下来,其实需要一个新的“隐喻”来理解 AI 时代的计算机。Jobs 当年形容 PC 是“思维的自行车”;Bill Gates 说过一句我很喜欢的话:“信息触手可及”。但在 AI 时代,我们需要新的说法。我很喜欢 Notion CEO 的一个比喻:“无限思维的管理者”。这个说法非常形象。

 

Jason:确实是个很棒的产品。不过你们还没收购它。

 

Satya:还没有(笑)。但这个比喻点中了关键:你同时在和大量 Agent 协作。我自己还常用两个词:宏观委派和微观引导,即你把一整块工作交出去,同时在执行过程中不断给细节指令。写代码其实已经是这样了。这正是今天 Copilot 的真实状态。

 

还有一种我特别期待的形态,很快你们就会看到:开发者并不是只待在自己的 repo 里。我们要开会、写设计文档、实现别人写好的规格说明,还要保证代码和这些内容一致。这就意味着,Copilot 需要能通过 MCP Server 之类的方式,把我的工作流、待办事项、上下文全部拉进来。这才是真正的知识工作“组合”。

 

安全领域也是一样。一个安全工程师面对的是海量日志:把日志放进文件系统、用代码分析、生成仪表盘,这些都是 AI 能大幅放大的知识工作场景。

 

数字员工如何进入企业

 

Jason:那“数字员工”“数字同事”这种概念呢?是不是也在你们的规划里?

 

Satya:核心问题其实是“身份”。我们推出了 Agent 365,就是把今天给人用的身份体系、终端防护体系,扩展到 Agent 身上。

 

Jason:也就是说,你可以“克隆”一个我,让他在 HR 或市场部里工作?

 

Satya:没错。在 Office 体系里完全可以做到。这里有两种模式:一种是,每个知识工作者都拥有“无限个大脑”;另一种是,创造完全独立于你个人身份的 Agent。而身份这件事非常关键,权限、决策、责任追溯等全都依赖它。

 

Jason:说到底,就是搞清楚“谁对谁做了什么”。

 

Satya:正是如此。对任何组织来说,最重要的问题之一就是:工作是谁完成的、怎么完成的、来源是什么、能不能追溯,所以要么是“人 + 一堆 Agent”,由人来做宏委派、微观引导,要么就是一个完全独立的身份在运作。

 

Jason:过去几年,Microsoft 的员工数量基本没变,但收入多了 900 亿美元,利润还翻了一倍。你们也像 Alphabet、Meta 一样,削掉了不少中间管理层。这是因为自动化?还是以前人确实有点多?

 

Satya:你抓住了一个非常关键的问题。我认为,这是自 PC 普及以来,知识工作最大的结构性变化。想想 PC 之前,一家跨国公司怎么做预测?传真、内部备忘录满天飞,最后凑出一份结果。后来 PC 成了标配,Excel + Email,让流程和产出物全变了,今天正在发生同样级别的变化。

 

举个例子,在 LinkedIn,我们以前有产品经理、设计师、前端工程师、后端工程师,后来我们把前面这些角色合并、扩大职责范围,统一成“全栈构建者”。这是结构性的调整,它改变了工作本身,也改变了工作流。

 

Jason:沟通成本一下就下来了,速度自然更快,一个人就能“vibe coding”。

 

Satya:没错,而且 AI 产品本身也有一套全新的工作流:从评测、到科学建模,再到基础设施。评测和产品由新的“全栈型 PM / Builder”完成,系统工程师负责支撑后端科学和基础设施,这是一个全新的闭环,必须从组织结构上去适配。

 

当然,对 Microsoft 来说,我们不可能只活在未来。现在,我们要一边把 Windows 的热补丁做好、质量做到位;一边还要持续提升 Copilot 的评测体系和质量,这两件事都必须是第一优先级的。

 

“每十年换一批竞争对手”

 

Jason:这大概是你职业生涯里最具挑战性的阶段吧?过去 Microsoft 在很多领域是双寡头甚至垄断,但现在面对的竞争完全不一样。

 

Satya:确实非常激烈。但我一直觉得,每十年换一批竞争对手,其实是好事,它能让你保持“体能”。我 1992 年加入 Microsoft,那时最大的对手是 Novell;现在是 2026 年,环境完全不同。竞争很残酷,但从 GDP 占比来看,五年后科技产业一定更大,这不是一个零和游戏。

 

Jason:蛋糕在变大。

 

Satya:而且会大得多。整个技术栈对社会的影响会极其深远。最终的问题是 Microsoft 的品牌定位是什么?客户期待我们提供什么?有时候我们会误以为,所有客户对所有厂商的期待都是一样的,但真正重要的是弄清楚客户“希望从你这里得到什么”。这其实是 Peter Thiel 那个观点的另一种表达:不是逃避竞争,而是通过理解客户,找到你真正不可替代的位置。

 

David:这次在达沃斯,既有不少国家领导人,也有大量《财富》世界五百强公司的 CEO。昨晚晚宴上,有人问你一个问题:他们该如何看待 AI,怎样才能真正把 AI 用好。我记得你当时提到了“扩散(diffusion)”这个词,这一点和我最近参与的一些政策研究高度契合。能不能展开讲讲你的想法?

 

Satya:当然可以。事实上,你们一直在做一件非常重要的事,就是确保以美国为代表的技术栈,能在全球范围内被广泛采用、并且被信任。

 

回过头来看,技术本身只是起点,真正的价值来自于被大规模、深入地使用。我一直很喜欢一项研究,是 Diego Comin 做的,研究的是工业革命时期各国是如何实现领先的。结论其实很简单:那些把最新技术引入本国,并在此基础上做价值叠加的国家,最终跑得最快。说白了,不要重复造轮子,而是先用最先进的,再在上面持续创新。

 

这正是“扩散”的意义所在。像 AI 这样的通用型技术,关键在于能不能真正铺开。就拿美国来说,技术我们已经有了,但问题是:它有没有进入医疗?有没有进入金融?有没有进入所有行业?不只是大企业,也包括中小企业和公共部门。如果看不到这种广泛而密集的应用,就谈不上真正的成功。

 

现在我们正处在这样一个阶段:AI 正在更快地“扩散”。你们做的那些政策层面的工作其实非常关键。好消息是,技术已经成熟了,云计算和移动互联网这些“基础设施轨道”早就铺好了,这让 AI 的传播成为可能。现在真正的问题不在算力能不能拿到,而在于具体的应用场景是什么,以及组织如何管理随之而来的变化。

 

在达沃斯,还有一个常被提起的问题:发达国家之外,全球南方怎么办?我反而觉得这里蕴含着巨大的机会。在很多全球南方国家,公共部门在 GDP 中的占比非常高。想象一下,如果 AI 能显著提升政府把纳税人资金转化为公共服务的效率,哪怕只提升一点点,那可能就是几个百分点的 GDP 增长。

 

所以我非常乐观,我认为会形成一种强烈的拉动力,而美国也应该把我们已有的技术栈,推动在欧洲、亚洲、南美、非洲等地广泛落地。

 

David:我经常被问到一个问题:这场 AI 竞赛,怎么判断谁在赢?或者美国是不是领先全球?我给出的答案很直接:看市场份额。如果几年后我们放眼全球,看到美国公司的技术占据了绝大多数市场,那说明我们做对了;如果看到全球到处用的都是中国的芯片和模型,那可能就意味着我们输了。说到底,使用情况才是最真实的检验标准。

 

Satya:我同意。但你也在 Microsoft 工作过几年,应该记得 Bill Gates 对“平台”的理解。对我来说,除了市场份额,更重要的是生态效应。美国一直以来的优势,不只是本国公司的收入规模,而是围绕平台形成的完整生态。

 

我在 Microsoft 学到的一点是,每次去一个国家访问,最先看的不是我们卖了多少软件,而是围绕 Microsoft 平台,在当地创造了多少就业岗位。比如有多少渠道伙伴、多少 ISV、多少相关的 IT 从业者。我们有一整套指标,衡量一个国家的生态是如何围绕平台建立起来的。

 

这正是美国技术栈过去在全球,包括在中国,能够被广泛采用的原因:当地公司能在上面构建自己的产品和业务。这种事情还会再次发生。所以你们推动“扩散”的工作,本质上不是在抢蛋糕,而是在把蛋糕做大,增强对平台的信任,从而带来真正的经济机会。

 

David:你这么一说,我确实想起了一些往事。那还是十多年前,Yammer 被 Microsoft 收购,我们并入了 SharePoint 团队。当时产品经理们非常自豪的一点是:围绕 SharePoint 的生态收入,即非 Microsoft 的咨询公司、实施伙伴创造的收入,其规模是 Microsoft 自身软件收入的好几倍。Bill 也说过一句话:只有当平台之上的收入,显著超过平台自身的收入时,你才算真正拥有一个生态。所以,当我们谈“扩散”,希望美国保持领先地位,并不意味着这对世界其他地方是坏事。恰恰相反,其他国家和公司可以在这个平台之上创造出更大的价值。

 

Satya:完全同意。这一点非常关键。这不是“美国技术、美国收入”的问题,而是在用一个新平台在全球范围内创造机会。

 

我 90 年代做数据库产品时,和 SAP 有过深度合作。SQL Server 和 R/3 的结合,对双方都是巨大的成功。大家常提 Intel 和 Microsoft,但对我个人成长影响很深的一件事其实是和一家欧洲软件巨头的合作。放到今天也是一样,谁知道下一个伟大的 AI 应用会出现在哪里?我始终相信,即便基于美国的技术栈,世界各地都可能诞生顶级的科技公司。

 

与 OpenAI 合作背后:所有公司、应用会同时用多种模型

 

Jason:你不仅是技术领袖,也是一位非常出色的并购操盘手,这一点其实被外界低估了。你和 Sam Altman、OpenAI 的合作,被认为既高明又充满争议。有人说,这笔交易可能让 Microsoft 获得巨额回报,但也有人质疑:你是不是亲手培养了一个未来最强的竞争对手?尤其是考虑到 Microsoft 过去错过了移动互联网浪潮,你们为什么不自己做一个 Gemini、xAI 或 Claude?

 

Satya:我理解这种疑问。很多人问我:你们自己的基础模型在哪里?从知识产权角度说,我们确实拥有相关能力,但更重要的是,Microsoft 现在的战略有几个层面。

 

首先,我们要把“算力工厂”做好。Azure 是我们最大的业务之一,而随着 AI 的发展,它的市场空间会变得极其庞大,这要求我们在异构基础设施管理、软件调度和资源利用率上做到极致。

 

其次,是应用服务器层。未来,每个人都在构建 Agent,有强化学习环境、有评测体系,就像每一代平台都会有自己的应用服务器一样。我们现在在做的 Foundry,就是这个定位。

 

在这一层里,有一点已经非常清楚:任何应用、任何公司,最终都会同时使用多种模型。为什么不用呢,甚至在一个具体任务里,编排多个模型协同工作,效果往往比单一的前沿模型更好。我们在医疗领域做过一个“决策编排”的实践,仅仅通过给模型分配不同角色再进行协同,就能显著提升结果质量。

 

Jason:那是不是可以理解为,你其实看好开源模型,认为大模型本身会逐渐商品化,真正的价值不在这里?

 

Satya:我更愿意把它类比成数据库市场。最早大家觉得数据库就是 SQL,后来才发现并不是。关系型、文档型、NoSQL,各种数据库层出不穷,甚至出现了大量开源项目和围绕它们建立的公司。模型也会是类似的演进路径,会有闭源的前沿模型,也会有达到前沿水平的开源模型。

 

接下来一个非常重要的方向是:企业能否把自身的隐性知识,真正嵌入到自己掌控的模型权重中。有人问我未来会有多少模型,我的回答是:可能和世界上有多少家公司一样多。这听起来极端,但在我看来,这正是“知识经济”向“AI 经济”转变的方式。

 

Jason:那你有没有在 Windows 桌面上,悄悄推进一个本地运行的大模型?

 

Satya:其实已经在发生了,现在已经有完全驻留在本地、基于 NPU 和 GPU 的模型。高性能工作站正在回归,这本身就是一件非常有意思的事。

 

Jason: 明白了。所以 Microsoft 当然会重视 PC,这毕竟是你们的主场,有完整的桌面生态。

 

Satya:是的,本质上这是个商业问题。我们一直认为“形态”非常重要。我常开玩笑说,我的职业生涯是从命令行开始的,说不定最后也会回到命令行。但不管怎样,形态一直在演进。

 

Jason: 你当年起步时用的是 Sun 那种最早的工作站,价格五千到一万美元。你能想象有一天,你会向客户推荐一台一万到两万美元的桌面机,里面内置 LLM 和强悍硬件吗?

 

Satya:完全有可能。你可以插一张 DGX 卡,做出一台非常强的机器。其实在模型架构上,我们可能只差一次关键调整就能实现某种分布式模型架构,比如真正能自我调度的 MoE 架构。这类突破会彻底改变“混合 AI”该是什么样子。

 

但不管怎样,我们非常明确:PC 必须成为本地模型的最佳载体。本地模型可以承担大量 prompt 处理,再按需调用云端能力。这里面还有大量工作空间,这也是我们正在坚定推进的方向。

 

David: 云与本地的协同已经证明了,能直接访问本地文件系统,本身就非常有价值。这让我想到 Yammer。很多人可能不知道 Yammer 当年最大的特点,是用消费级增长打法去攻企业软件。站在今天去看企业 AI 的采用,你觉得未来一年会怎么“扩散”?现在好像正处在一个关键点:会是自上而下,由 CEO 拍板、搞战略转型、走 RFP;还是自下而上,由一批 AI 原生员工先用起来,把工具带进工作中,做出惊人的成果?

 

Satya:说实话,我觉得两种都会发生。自上而下的原因很简单:在客服、供应链、HR 自助这些场景里,AI 的 ROI 非常清晰,IT 和 CXO 很容易拍板,这也是目前最先落地的一波真实 AI 应用。

 

但最终真正改变组织的,一定是自下而上的力量。回看 PC 的历史也是这样:最早是律师把 Word 带进公司、财务把 Excel 带进来,后来有了邮件,最后才变成标配。现在正在重演这个过程。比如说 Agent,现在几乎所有人都在做 Agent,本质是在重构工作流,把大量重复、枯燥的事情自动化掉,这正是自下而上转型的起点。

 

说实话,我最兴奋的也是这种变化。以 Microsoft 为例,我们在全球管理着五百多个光纤运营点,尤其在亚洲。我自己以前都没意识到,这些所谓的 DevOps,其实很大一部分是物理资产:光纤会被挖断、设备会出故障。所谓 DevOps,很多时候就是在不停地发邮件问“这张光纤卡怎么了”“怎么修”。

 

现在负责全球网络的同事,已经构建了一批“数字员工”,本质就是 Agent 在自动处理这些 DevOps 工作。这完全是自下而上的:工具已经在那里了,我就用它来做自动化,减少重复劳动,提高效率和质量。

 

而这些能力最终能不能规模化,关键不在“学会没有”,而在“用不用”。所谓技能提升并不神秘,就是在实际使用中完成的。工具扩散、工具被真正用起来,这才是最重要的事情。

 

“我们在尝试新的学徒制模式”

 

Jason: 正因为如此,现在用这些工具去赋能现有员工,比招人、培养新人要容易得多。站在今天看,如果 Microsoft 规模不变,三、四十年后谁会接我的工作?你们是典型的技术优先公司,理论上已经没有太多理由继续增加员工数量,这几年你们也基本没扩张,只是在内部结构上做了调整。

 

那你怎么看下一代?对那些现在还没拿到 Microsoft offer 的应届生,你会给什么建议?以前你花了很多精力去培养这群人,但现在好像没那么“奢侈”了。

 

Satya:这是个好问题。现在确实有争论:职业早期会发生什么变化、校园招聘还重要吗?我依然坚定相信校园招聘,因为 AI 会彻底改变一个人掌握代码库、建立熟练度的速度。

 

过去,新人进团队的爬坡期很长;现在不一样了,有文档、有技能库,还可以直接问 Agent,本质上就像身边有一个极其强大的导师帮你快速上手代码。换句话说,应届生的生产力曲线会比以往陡得多。

 

我们也在尝试新的学徒制模式:让一位资深 IC 工程师带一组应届生一起工作,因为这本身就是一种全新的工作方式。以前大家进 Microsoft 后会去读 Dave Cutler 的代码,理解什么是顶级工程实践;而现在,顶级实践更多体现在十倍、百倍工程师是如何借助 AI 打造高质量产品的。对于这些经验,新一代毕业生会学得更快。

 

对 Microsoft 这样的公司来说,这是好事。毕竟只要人类还没解决“永生”问题,我们就需要新人进入职场、在 Microsoft 成长。所以我们依然会积极投入,只是会确保岗位的边界和内容,让其既符合现有员工的期望,也符合新入职者的追求。

 

参考链接:

https://www.youtube.com/watch?v=5nCbHsCG334

写在前面

按照佬的教程 免费白嫖 2-5 年 Copilot(Microsoft365),可用 GPT-5.2 成功用两个账号分别申请到了 2 年和 5 年的羊毛,激动之余汇总一下自己申请过程中遇到的坑以及如何成功申请五年的。

贴主为在读博士生,自己有 edu 邮箱,所以以下注意点不包括如何获取 edu 邮箱,如有需要可以看这里 关于 “免费白嫖 2-5 年 Copilot” 如何获取 edu 邮箱!

2 年的

我用的是 QQ 邮箱注册的 Microsoft 账号 + 博士学校的 edu 邮箱验证,其实很好成功,就是按照佬最开始的教程里里面手动把链接里的 US 改成 HK,用国区 Visa 绑 Paypal 就可以成功申请了。

这里验证了如果不换区的话国区 Visa 是不能过第一个链接的(来自不死心尝试了很多次的经验)。

这里注意,千万不要这时候直接去过第二个链接,不然只有一年的高级版,请看佬友的血泪教训 白嫖 Microsoft365 血泪:只有 1 年!

5 年的

5 年的重要问题就卡在怎么获取美区支付方式,这里请大家移步海鲜市场,50 软妹币购买一张 5 刀的虚拟卡(注意一定要提前问清是可绑 paypal 和 google pay 的独立卡,而不是只能过验证的虚拟卡,两个不一样不一样说两遍),拿到卡信息后去 google pay 进行注册和绑卡,绑卡成功我们就可以去过链接了。

这里用的是美区 Gmail 邮箱重新注册 Microsoft 账号 + 本科学校的校友邮箱验证(再次证明了邮箱不是重点,支付方式才是),然后一样先点第一个链接,支付方式选择 google pay,验证成功后再点第二个链接–成功升级!五年白嫖到手~

共通的注意事项

  • 节点的干净度非常非常非常重要!一般出现 “对不起我们出问题了请稍后再试” 或者中间突然断掉一般都是节点的问题,而且一定要开全局,我出现了两次换全局模式就好了
  • 第一次过港区的时候,我是换链接(US-HK)同时换了香港节点,两个链接都没出问题地过了
  • 第二次过美区出了个岔子,第二个链接怎么都过不了,显示稍后再试,这个时候注意用无痕模式重新开一个窗口,把链接复制过去打开就好了,我估计是我今天早些时候在没开的情况下上网被检测出来了。

Ok 这就是全部的内容啦,其实佬的教程已经非常详细了,很多解决方案评论区也有,我只是把自己过程中遇到的问题和解决方法汇总整理了一下(主要是出于一定要拿到 5 年的执念),希望能帮大家节省一些时间。

如果有帮助的话默默求个赞~孩子好穷上不起


📌 转载信息
原作者:
Silvia
转载时间:
2026/1/23 08:59:28

权益

  • 1tb 的 OneDrive 同步盘
  • 正版的 office+ai,可以开通 OneDrive 自动同步,可以 ai 生成 ppt 啥的,对打工人和学生比较实用
  • 微软 copilot 的访问权限,用这位佬的脚本来使用完整的不降智的 GPT5.2 https://linux.do/t/topic/1490924

申请链接

https://checkout.microsoft365.com/acquire/purchase?language=zh-TW&market=US&requestedDuration=Month&scenario=microsoft-365-student&client=poc&campaign=StudentFree12M
https://checkout.microsoft365.com/acquire/purchase?language=zh-TW&market=US&requestedDuration=Month&scenario=microsoft-365-premium&client=poc&campaign=StudentPremiumFree12M

正文

我原本有一个 edu 的,被拿去薅香港的 copilot 了,结果香港只有两年。美区才是 5 年,支付方式我推荐 Google Pay

于是研究了一下,发现不用 edu 也可以搞。

具体操作就是,先领取第一个链接再领取第二个链接,第一步左下角切换成美国 - 英语 - 确认一下,不然可能有 bug,然后一路下一步,当让你验证 edu 的时候点击我没有 edu(use different methods),然后会让你上传证明文件。

这里用佬友的网站 https://acagen.suck-dick.tech/ ,生成一个就行,我建议上传成绩单。(突然发现忘了写来源 已支持教师资料生成 千万不要用于 K12 啊🥵 感谢这位佬。)

上传之后我等了半天,微软就告诉我审核通过了

然后自然就是一个愉快的薅

薅完了记得取消订阅

常见问题

  • 如果遇到这个错误


    刷新一下,手快一点,在再次报错前点左下角把地区改成美国就行
    注意,如果你的页面语言是繁体中文,必须手动切换成美国 - 英语
  • 如果遇到这个错误


    这是你的 ip 有问题,被检测到代理了,我怀疑微软用了 RTT 延时检测,建议换一个离你物理距离近点的 ip,比如香港,然后开全局
  • 会员时间问题
    第一个链接写的是一年,第二个链接写的是一个月,先领取第一个链接再领取第二个链接。如果你领取的地区是美国最后就会变成五年,如果是香港就会变成两年

最后记得取消自动续费
还有其他问题可以翻一下评论区


📌 转载信息
原作者:
Carnivore
转载时间:
2026/1/21 22:19:05

一、Copilot

官网

  • 个人版官网:https://copilot.microsoft.com
  • 企业 / 学校 / 组织官网:https://m365.cloud.microsoft
  • 这次活动是把订阅领取绑定到个人账户上了,所以需要在个人版官网登录使用
  • 这次个人账户也能在企业 / 学校用户 / 组织官网上登录使用,但是没办法更换模型
  • 经过实测,在 office365 比如 powerpoint 中,与 copliot 的对话内容实际保存在 https://m365.cloud.microsoft

两个官网界面对比区别

  • 个人版官网

  • 企业 / 学校 / 组织官网

我想使用 "企业 / 学校用户 / 组织" 官网并实现模型切换?

  • 需要你的账户类型为用企业 / 学校用户 / 组织
  • 比如你之前薅到的 E3/E5 账号,登录企业 / 学校 / 组织官网可实现模型切换


二、Office 365 桌面版全家桶 + 各软件对应的 Copilot

安装包下载

O365HomePremRetail 32 位官方在线安装包
https://c2rsetup.officeapps.live.com/c2r/download.aspx?ProductreleaseID=O365BusinessRetail&platform=x86&language=zh-cn&version=O16GA

O365HomePremRetail 64 位官方在线安装包
https://c2rsetup.officeapps.live.com/c2r/download.aspx?ProductreleaseID=O365HomePremRetail&platform=x64&language=zh-cn&version=O16GA

激活与使用

  • 安装好后,登录带有订阅权益的微软账户即可自动激活并在 Office 对应软件中使用 Copilot


三、OneDrive 1T 空间

这个没啥好说的,玩法多种多样。

有一个问题请教

个人版 OneDrive 能不能使用 Alist / OpenList 通过 302 方式挂载下载,
而不是 WebDav 本地代理 的方式挂载下载?

有实践的佬欢迎分享一下经验


四、家庭共享

  • 除主账户外,还可以再拉 5 个人共享同一份订阅权益
  • https://account.microsoft.com/services/microsoft365/details#

📌 转载信息
转载时间:
2026/1/21 21:30:26

RT,Microsoft365 的 copilot 大部分情况下都是大幅度降智的,见我的上个帖子
经过研究,Microsoft365 其实可以用上满血 GPT 5.2 Thinking,经过对比和官网智力没有区别,而且基本不会触发降智,用过官网的都知道官网经常降智。
好像还可以用 5.1,能用 5.2 应该没人会去用 5.1 吧,所以就没加到脚本里。

此外,如果账号本来就有切换模型的权限,请本脚本设置默认模型,并使用官方功能切换模型,可以用本脚本去除无关的数据源,以提升模型能力。

使用链接 https://m365.cloud.microsoft/
油猴脚本如下,为了能活的久一点,没有上传到 github 并给帖子设了权限,所以不建议转发该帖子内容

// ==UserScript==
// @name         M365 GPT 优化工具
// @namespace    https://linux.do/u/fatekey/summary
// @version      1.3
// @description  Modify M365 chat websocket messages
// @author       fatekey
// @match        https://m365.cloud.microsoft/*
// @grant        GM_addStyle
// @run-at       document-start
// ==/UserScript==

(function() {
    'use strict';

    // ================= 配置与状态管理 =================
    const STORAGE_KEY = 'm365_mod_config_v2';
    const DEFAULT_CONFIG = {
        mode: 'default', // default, reasoning, chat
        cleanData: false
    };

    function getConfig() {
        try {
            const saved = localStorage.getItem(STORAGE_KEY);
            return saved ? JSON.parse(saved) : DEFAULT_CONFIG;
        } catch (e) {
            return DEFAULT_CONFIG;
        }
    }

    function saveConfig(config) {
        localStorage.setItem(STORAGE_KEY, JSON.stringify(config));
    }

    let currentConfig = getConfig();

    // ================= WebSocket 拦截逻辑 =================
    const originalSend = WebSocket.prototype.send;

    WebSocket.prototype.send = function(data) {
        let modifiedData = data;

        if (typeof data === 'string') {
            // 1. 处理模式替换
            if (currentConfig.mode !== 'default') {
                const target = '"isSbsSupported":true';
                let replacement = target;

                if (currentConfig.mode === 'reasoning') {
                    replacement = '"isSbsSupported":true,"tone":"Gpt_5_2_Reasoning"';
                } else if (currentConfig.mode === 'chat') {
                    replacement = '"isSbsSupported":true,"tone":"Gpt_5_2_Chat"';
                }

                if (data.includes(target)) {
                    modifiedData = modifiedData.replace(target, replacement);
                }
            }

            // 2. 处理数据净化
            if (currentConfig.cleanData) {
                const keywordsPattern = '"People","File","Event","Email","TeamsMessage"';
                modifiedData = modifiedData.replace(keywordsPattern, '');
            }
        }

        return originalSend.apply(this, [modifiedData]);
    };

    // ================= UI 界面逻辑 =================

    const css = `
        #m365-mod-btn {
            position: fixed;
            top: 12px;
            right: 160px;
            z-index: 99999;
            background: #252525;
            color: #fff;
            border: 1px solid #444;
            border-radius: 4px;
            padding: 6px 12px;
            font-family: 'Segoe UI', sans-serif;
            font-size: 12px;
            cursor: pointer;
            box-shadow: 0 2px 5px rgba(0,0,0,0.2);
            transition: background 0.2s;
            user-select: none;
        }
        #m365-mod-btn:hover {
            background: #3a3a3a;
        }

        #m365-mod-modal-overlay {
            display: none;
            position: fixed;
            top: 0; left: 0; width: 100%; height: 100%;
            background: rgba(0,0,0,0.5);
            z-index: 100000;
            justify-content: center;
            align-items: center;
            backdrop-filter: blur(2px);
        }

        #m365-mod-modal {
            background: #1e1e1e;
            color: #fff;
            padding: 20px;
            border-radius: 8px;
            width: 300px;
            box-shadow: 0 10px 25px rgba(0,0,0,0.5);
            border: 1px solid #444;
            font-family: 'Segoe UI', sans-serif;
        }

        .mod-row { margin-bottom: 15px; }
        .mod-title { font-size: 16px; font-weight: bold; margin-bottom: 15px; display: flex; justify-content: space-between; align-items: center; }
        .mod-close { cursor: pointer; color: #aaa; font-size: 24px; line-height: 20px; padding: 0 5px; }
        .mod-close:hover { color: #fff; }

        .mod-select { width: 100%; padding: 6px; background: #333; color: white; border: 1px solid #555; border-radius: 4px; outline: none; }
        .mod-label { display: block; margin-bottom: 5px; font-size: 13px; color: #ccc; }

        .mod-checkbox-container { display: flex; align-items: center; cursor: pointer; user-select: none; }
        .mod-checkbox { margin-right: 10px; transform: scale(1.2); }

        .mod-status { font-size: 12px; color: #88ff88; min-height: 18px; margin-top: 10px; text-align: right;}
    `;

    if (typeof GM_addStyle !== 'undefined') {
        GM_addStyle(css);
    } else {
        const style = document.createElement('style');
        style.innerText = css;
        document.head.appendChild(style);
    }

    function createUI() {
        // 1. 创建触发按钮
        const btn = document.createElement('div');
        btn.id = 'm365-mod-btn';
        btn.innerText = '⚙️ 设置模型';
        // 直接绑定 JS 函数,而非 innerHTML 字符串
        btn.onclick = openModal;
        document.body.appendChild(btn);

        // 2. 创建模态框容器
        const overlay = document.createElement('div');
        overlay.id = 'm365-mod-modal-overlay';
        // 点击遮罩层关闭
        overlay.onclick = (e) => {
            if (e.target === overlay) closeModal();
        };

        const modal = document.createElement('div');
        modal.id = 'm365-mod-modal';

        // --- 标题栏 ---
        const header = document.createElement('div');
        header.className = 'mod-title';

        const titleText = document.createElement('span');
        titleText.innerText = 'M365 GPT 优化工具';

        const closeBtn = document.createElement('span');
        closeBtn.className = 'mod-close';
        closeBtn.innerHTML = '×';
        // 修复点:使用 onclick 属性直接绑定函数,避开 CSP 限制
        closeBtn.onclick = closeModal;

        header.appendChild(titleText);
        header.appendChild(closeBtn);
        modal.appendChild(header);

        // --- 选项 1: 模式 ---
        const row1 = document.createElement('div');
        row1.className = 'mod-row';
        row1.innerHTML = `<label class="mod-label">AI 模型</label>`;

        const select = document.createElement('select');
        select.className = 'mod-select';
        const modes = [
            { val: 'default', text: '默认' },
            { val: 'reasoning', text: 'GPT 5.2 Thinking' },
            { val: 'chat', text: 'GPT 5.2 Quick' }
        ];
        modes.forEach(m => {
            const opt = document.createElement('option');
            opt.value = m.val;
            opt.innerText = m.text;
            if (currentConfig.mode === m.val) opt.selected = true;
            select.appendChild(opt);
        });
        select.onchange = (e) => {
            currentConfig.mode = e.target.value;
            saveConfig(currentConfig);
            showStatus('修改生效');
        };
        row1.appendChild(select);
        modal.appendChild(row1);

        // --- 选项 2: 清理数据 ---
        const row2 = document.createElement('div');
        row2.className = 'mod-row';

        const labelClean = document.createElement('label');
        labelClean.className = 'mod-checkbox-container';

        const check = document.createElement('input');
        check.type = 'checkbox';
        check.className = 'mod-checkbox';
        check.checked = currentConfig.cleanData;
        check.onchange = (e) => {
            currentConfig.cleanData = e.target.checked;
            saveConfig(currentConfig);
            showStatus('Clean Setting Saved');
        };

        labelClean.appendChild(check);
        labelClean.appendChild(document.createTextNode('移除无关数据源(邮件、联系人、云文档等)'));
        row2.appendChild(labelClean);
        modal.appendChild(row2);

        // --- 状态栏 ---
        const status = document.createElement('div');
        status.id = 'mod-status-text';
        status.className = 'mod-status';
        modal.appendChild(status);

        overlay.appendChild(modal);
        document.body.appendChild(overlay);
    }

    // 打开弹窗函数
    function openModal() {
        const overlay = document.getElementById('m365-mod-modal-overlay');
        if (overlay) overlay.style.display = 'flex';
    }

    // 关闭弹窗函数
    function closeModal() {
        const overlay = document.getElementById('m365-mod-modal-overlay');
        if (overlay) overlay.style.display = 'none';
    }

    function showStatus(msg) {
        const el = document.getElementById('mod-status-text');
        if (el) {
            el.innerText = msg;
            setTimeout(() => { el.innerText = ''; }, 2000);
        }
    }

    // 延迟加载确保不被框架覆盖
    const waitLoad = setInterval(() => {
        if (document.body) {
            clearInterval(waitLoad);
            createUI();
        }
    }, 500);

})();


📌 转载信息
原作者:
fatekey
转载时间:
2026/1/20 19:19:50

365 申请贴
免费白嫖 2-5 年 Copilot(Microsoft365),可用 GPT-5.2

edu 邮箱申请帖
https://linux.do/t/topic/1417582

注册成功得到的是 google workspace 托管的 gmail , 域名是.edu 结尾

这个 gmail 邮箱额外限制 / 用处:

  1. 不能加入家庭组
  2. 不能添加付款方式 (即试用不了 AI PRO 等)
  3. 反重力不行 (cpa 添加验证获取不了额度,调用也是全失败)
  4. 网页 gemini 也不能用
  5. 唯一可用的是 cliproxyapi 中添加 gemini 认证,需要创建 cloud project (只能用 2.5 pro/flash lite, 多个 flash lite 大概调用工具的速度会快点,或者说不容易限速,没验证过)

📌 转载信息
原作者:
kei233
转载时间:
2026/1/20 11:34:19

免费白嫖 2-5 年 Copilot(Microsoft365),可用 GPT-5.2
昨天看到论坛又有新的微软大毛,参考教程,过程发现一些问题,仅供参考。
1. 很抱歉,您不符合此优惠方案资格。试了两个号,点第 1 个链接成功,获得 1 年优惠,点第 2 个链接不成功,无法叠加。解决方案:换个账号重新登录;清除缓存重试;直接换个浏览器重试。
2. 很抱歉,发生错误。也是第 2 个链接常见问题,解决方案:等待几分钟,重新打开。
3. 教育邮箱问题。有的 edu.kg 邮箱提示不支持、有的 edu.cn 收不到邮件。解决方案:找找垃圾邮箱里面,或者换个邮箱。邮箱可找海鲜市场,或者论坛搜索美国大学教育邮箱。
4. 地区和支付问题。目前美区可叠加最高 5 年优惠,最佳搭配 Google pay 支付,可绑定国内 visa 卡,亲测国内 visa 卡和 N26 可支付;港区支持支付宝付款,但是多为 2 年优惠。


📌 转载信息
原作者:
thgilme
转载时间:
2026/1/20 10:07:20

1. 不要使用大号,尽量使用美区,可能白嫖时间更长。

2. 使用信用卡的朋友一定要注意看清楚是不是真的免费 12 个月,不然直接扣钱了都不知道。

订阅完记得取消。

3.onedrive 不要存重要文件,以免微软秋后算账。

copilot 使用小贴士:
微软的 copilot 是大厂里最垃圾的 AI 产品
残血版 GPT5.2 甚至是 5.1,建议不要用,除非你没有其他 AI 可以使用。实测是远不如 ChatGPT 教师版的。
做 PPT 还不错 https://stride.microsoft.com/

—— 来自微软黑粉


📌 转载信息
原作者:
aiaiAI
转载时间:
2026/1/19 18:04:43


首先,教育邮箱的话,国内的看学校,有的学校可以有的不行,收不到邮件
国外的邮箱校友邮箱就可以,我的两个都是之前买的校友邮箱,一个美国的,一个英国的,实测都可以。没有的话去淘宝买,我之前买的大概 50-60 一个,完全个人控制的真实校友邮箱,第一个两年了没啥问题,固定 ip 全局隐私窗口登录就行。

其次,如果要五年的,必须美国 ip,支付方式的话选择 Google pay。实测 N26 和 dtcpay 的虚拟卡过不了 1 个月的那个验证,国内的 PayPal 我也没过。如果 1 个月高级的没有 Google pay 选项,换香港 ip 刷新后再换回美国 ip,就有了。

最后,链接的话都是用 @else 佬友贴子里的。详情看这个帖子 免费白嫖 2-5 年 Copilot(Microsoft365),可用 GPT-5.2 - 福利羊毛 / 福利羊毛,Lv1 - LINUX DO

最最后,如果只需要两年的,把网址里的 us 换成 hk,支付宝就行。1. 怎么切换香港区,第一个网址里面的 US 换成 Hk 2. 为什么教育邮箱受到邮件后点击链接登陆不了?你需要登录的不是教育邮箱,而是你订阅的邮箱 3. 第二个链接点开后为什么提示已经订阅,没资格? 同样需要把网址里的 us 换成 hk, 4. 第二个链接提示只有 1 个月? 没关系,订阅就完事,后面自己会升级的。


📌 转载信息
原作者:
Calfui
转载时间:
2026/1/19 17:37:44

两个月前,我试着想用 ChatGPT 帮我写篇文章《eBPF 介绍》,结果错误百出,导致我又要从头改一遍,从那天我觉得 ChatGPT 生成的内容完全不靠谱,所以,从那天开始我说我不会再用 ChatGPT 来写文章(这篇文章不是由 ChatGPT 生成),因为,在试过一段时间后,我对 ChatGTP 有基于如下的认识:

  1. ChatGPT 不是基于事实,是基于语言模型的,事实对他来说不重要,对他重要的是他能读懂你的问题,并按照一定的套路回答你的问题。
  2. 因为是基于套路的回答,所以,他并不能保证内容是对的,他的目标是找到漂亮的精彩的套路,于是,你会发现,他的内容组织能力和表述还不错,但是只要你认真玩上一段时间,你会发现,ChatGPT 那些表述的套路其实也比较平常一般。它的很多回答其实都不深,只能在表面上。就像 Github 的 Copilot 一样,写不了什么高级的代码,只能帮你写一些常规格式化的代码(当然,这也够了)
ChatGPT 就是一个语言模型,如果不给他足够的数据和信息,它基本就是在胡编乱造

所以,基于上面这两个点认识,以发展的眼光来看问题,我觉得 ChatGPT 这类的 AI 可以成为一个小助理,他的确可以干掉那些初级的脑力工作者,但是,还干不掉专业的人士,这个我估计未来也很难,不过,这也很帅了,因为大量普通的工作的确也很让人费时间和精力,但是有个前提条件——就是ChatGPT所产生的内容必需是真实可靠的,没有这个前提条件的话,那就什么用也没有了

今天,我想从另外一个角度来谈谈 ChatGPT,尤其是我在Youtube上看完了微软的发布会《Introducing your copilot for the web: AI-powered Bing and Microsoft Edge 》,才真正意识到Google 的市值为什么会掉了1000亿美元,是的,谷歌的搜索引擎的霸主位置受到了前所未有的挑战……

我们先来分析一下搜索引擎解决了什么样的用户问题,在我看来搜索引擎解决了如下的问题:

  • 知识或信息索引。查新闻,查股票,查历史,查文档,找答案……
  • 找服务提供商。找卖东西的电商,找帮你修东西的服务,找软件……
  • 信息的准确和可靠。搜索引擎的rank算法保证了最准确、最有用、最权威的信息出现在最前面……(作恶的百度不在此列)

基本上就是上面这几个,搜索引擎在上面这几件事上作的很好,但是,还是有一些东西搜索引擎做的并不好,如:

  • 搜索引擎是基于关键词的,不是基于语义的。所以,搜索引擎并不知道你的真实需求,因此,你会不可避免地要干下面的事,
    • 你经常要不断地增加或调整不同的关键词来提高查询信息的准确度……
    • 你经常要在你查找的信息中进行二次或多次过滤和筛选……
  • 搜索引擎是只能呈现内容,无法解读内容。所以,你找到相关的链接后,你还要花大量的时间来阅读理解,经常性的你不可避免的要干下面的事:
    • 打开一个链接,读到了一大半后,发现你要的内容不在其中,只能关掉再打开一个……
    • 你想要的内容是在的,但是太晦涩,看不懂,太费解,你要找小白友好的版本……
    • 你想要的内容不完整,你需要在很多个链接和网页上做拼图游戏……
    • 内容是无法结构化的展示的,你搜到的东西全都是碎片信息
  • 搜索引擎没有上下文关联,两次搜索是没有关系的。也就是说,人知道的越多,问题也就越多,所以,我们经常会面临下面的问题:
    • 随着我了解的越多,我的信息搜索的会出现分支,这个分支只有我自己的管理,搜索引擎是不关心的,导致我每次都相当于从头开始……
    • 你做计划的时候,你需要从多个不同的搜索中获取你想要的东西,最终组合成你定制化的东西,比如做旅游计划……

好了,我们知道,ChatGPT 这类的技术主要是用来根据用户的需求来按一定的套路来“生成内容”的,只是其中的内容并不怎么可靠,那么,如果把搜索引擎里靠谱的内容交给 ChatGPT 呢?那么,这会是一个多么强大的搜索引擎啊,完全就是下一代的搜索引擎,上面的那些问题完全都可以解决了:

  • 你可以打一段话给搜索引擎,ChatGPT 是读得懂语义的。
  • 因为知道语义,于是在众多搜过结果中,他更知道哪些是你想要的内容。
  • ChatGPT 可以帮你生成 TL;DR,把长文中的要求总结出来形成更易读的短文
  • ChatGPT 可以帮你整理内容,在多个网页中帮你整合和结构化内容
  • ChatGPT 可以有上下文对话,你可以让他帮你不断通过更多的关键词搜索信息,并在同一个主题下生成、组织和优化内容

一旦 ChatGPT 利用上了搜索引擎内容准确和靠谱的优势,那么,ChatGPT 的能力就完全被释放出来了,所以,带 ChatGPT 的搜索引擎,就是真正的“如虎添翼”!

因此,微软的 Bing + ChatGPT,成为了 Google 有史以来最大的挑战者,我感觉——所有跟信息或是文字处理相关的软件应用和服务,都会因为 ChatGPT 而且全部重新洗一次牌的,这应该会是新一轮的技术革命……Copilot 一定会成为下一代软件和应用的标配!

两个月前,我试着想用 ChatGPT 帮我写篇文章《eBPF 介绍》,结果错误百出,导致我又要从头改一遍,从那天我觉得 ChatGPT 生成的内容完全不靠谱,所以,从那天开始我说我不会再用 ChatGPT 来写文章(这篇文章不是由 ChatGPT 生成),因为,在试过一段时间后,我对 ChatGTP 有基于如下的认识:

  1. ChatGPT 不是基于事实,是基于语言模型的,事实对他来说不重要,对他重要的是他能读懂你的问题,并按照一定的套路回答你的问题。
  2. 因为是基于套路的回答,所以,他并不能保证内容是对的,他的目标是找到漂亮的精彩的套路,于是,你会发现,他的内容组织能力和表述还不错,但是只要你认真玩上一段时间,你会发现,ChatGPT 那些表述的套路其实也比较平常一般。它的很多回答其实都不深,只能在表面上。就像 Github 的 Copilot 一样,写不了什么高级的代码,只能帮你写一些常规格式化的代码(当然,这也够了)
ChatGPT 就是一个语言模型,如果不给他足够的数据和信息,它基本就是在胡编乱造

所以,基于上面这两个点认识,以发展的眼光来看问题,我觉得 ChatGPT 这类的 AI 可以成为一个小助理,他的确可以干掉那些初级的脑力工作者,但是,还干不掉专业的人士,这个我估计未来也很难,不过,这也很帅了,因为大量普通的工作的确也很让人费时间和精力,但是有个前提条件——就是ChatGPT所产生的内容必需是真实可靠的,没有这个前提条件的话,那就什么用也没有了

今天,我想从另外一个角度来谈谈 ChatGPT,尤其是我在Youtube上看完了微软的发布会《Introducing your copilot for the web: AI-powered Bing and Microsoft Edge 》,才真正意识到Google 的市值为什么会掉了1000亿美元,是的,谷歌的搜索引擎的霸主位置受到了前所未有的挑战……

我们先来分析一下搜索引擎解决了什么样的用户问题,在我看来搜索引擎解决了如下的问题:

  • 知识或信息索引。查新闻,查股票,查历史,查文档,找答案……
  • 找服务提供商。找卖东西的电商,找帮你修东西的服务,找软件……
  • 信息的准确和可靠。搜索引擎的rank算法保证了最准确、最有用、最权威的信息出现在最前面……(作恶的百度不在此列)

基本上就是上面这几个,搜索引擎在上面这几件事上作的很好,但是,还是有一些东西搜索引擎做的并不好,如:

  • 搜索引擎是基于关键词的,不是基于语义的。所以,搜索引擎并不知道你的真实需求,因此,你会不可避免地要干下面的事,
    • 你经常要不断地增加或调整不同的关键词来提高查询信息的准确度……
    • 你经常要在你查找的信息中进行二次或多次过滤和筛选……
  • 搜索引擎是只能呈现内容,无法解读内容。所以,你找到相关的链接后,你还要花大量的时间来阅读理解,经常性的你不可避免的要干下面的事:
    • 打开一个链接,读到了一大半后,发现你要的内容不在其中,只能关掉再打开一个……
    • 你想要的内容是在的,但是太晦涩,看不懂,太费解,你要找小白友好的版本……
    • 你想要的内容不完整,你需要在很多个链接和网页上做拼图游戏……
    • 内容是无法结构化的展示的,你搜到的东西全都是碎片信息
  • 搜索引擎没有上下文关联,两次搜索是没有关系的。也就是说,人知道的越多,问题也就越多,所以,我们经常会面临下面的问题:
    • 随着我了解的越多,我的信息搜索的会出现分支,这个分支只有我自己的管理,搜索引擎是不关心的,导致我每次都相当于从头开始……
    • 你做计划的时候,你需要从多个不同的搜索中获取你想要的东西,最终组合成你定制化的东西,比如做旅游计划……

好了,我们知道,ChatGPT 这类的技术主要是用来根据用户的需求来按一定的套路来“生成内容”的,只是其中的内容并不怎么可靠,那么,如果把搜索引擎里靠谱的内容交给 ChatGPT 呢?那么,这会是一个多么强大的搜索引擎啊,完全就是下一代的搜索引擎,上面的那些问题完全都可以解决了:

  • 你可以打一段话给搜索引擎,ChatGPT 是读得懂语义的。
  • 因为知道语义,于是在众多搜过结果中,他更知道哪些是你想要的内容。
  • ChatGPT 可以帮你生成 TL;DR,把长文中的要求总结出来形成更易读的短文
  • ChatGPT 可以帮你整理内容,在多个网页中帮你整合和结构化内容
  • ChatGPT 可以有上下文对话,你可以让他帮你不断通过更多的关键词搜索信息,并在同一个主题下生成、组织和优化内容

一旦 ChatGPT 利用上了搜索引擎内容准确和靠谱的优势,那么,ChatGPT 的能力就完全被释放出来了,所以,带 ChatGPT 的搜索引擎,就是真正的“如虎添翼”!

因此,微软的 Bing + ChatGPT,成为了 Google 有史以来最大的挑战者,我感觉——所有跟信息或是文字处理相关的软件应用和服务,都会因为 ChatGPT 而且全部重新洗一次牌的,这应该会是新一轮的技术革命……Copilot 一定会成为下一代软件和应用的标配!

Copilot提示词注入缺陷是漏洞还是AI的局限?

这一进展凸显了供应商与研究人员在定义生成式AI系统风险时日益明显的分歧。

AI漏洞还是已知局限?

"上个月,我在Microsoft Copilot中发现了4个漏洞。随后他们关闭了我的案例,称这些不符合可修复标准。"网络安全工程师John Russell在LinkedIn上发帖称。

具体而言,Russell披露但被微软驳回、认为不属于安全漏洞的问题包括:

  • 导致系统提示词泄露的间接与直接提示词注入
  • 通过base64编码实现的Copilot文件上传类型策略绕过
  • Copilot隔离Linux环境内的命令执行

其中,文件上传限制绕过尤其值得关注。Copilot通常不允许上传"高风险"文件格式。但用户只需将其编码为base64文本字符串即可绕过此限制。

"一旦以纯文本文件形式提交,内容会通过初始文件类型检查,在会话中被解码,随后重建的文件会被分析——这有效地绕过了上传策略控制。"Russell解释道。

该工程师的帖子迅速引发了争论,安全社区给出了不同看法。

资深网络安全专业人士Raj Marathe认同这些发现的有效性,并引用了自己过去观察到的类似问题:

"去年我目睹了一个演示,其中提示词注入被隐藏在Word文档中并上传到Copilot。当Copilot读取文档时,它变得失控并锁定了用户。它并不可见或明文显示,而是巧妙地隐藏在文档中。我尚未听说那个人是否收到了微软关于此发现的回复。"

然而,其他人质疑系统提示词泄露是否应被视为漏洞。

"这些问题在于它们相对已知。至少其路径是已知的。"安全研究员Cameron Criswell辩称

"要在不牺牲实用性的前提下消除这些通常很困难。所有这些都表明LLM仍然无法[区分]数据和指令。"

Criswell认为,这种行为反映了大语言模型更广泛的局限性,它们难以可靠地区分用户提供的数据和指令。实际上,这意味着如果潜在指令能被注入,就可能导致数据投毒或非预期信息泄露等问题。

但Russell反驳道,像Anthropic Claude这样的竞争性AI助手"拒绝了我发现的在Copilot中有效的所有方法",并将此问题归因于缺乏足够的输入验证

系统提示词是指引导AI引擎行为的隐藏指令,如果设计不当,可能包含有助于攻击者的内部规则或逻辑。

OWASP GenAI项目持更细致的观点,仅当提示词包含敏感数据或被依赖作为安全控制措施时,才将系统提示词泄露归类为潜在风险,而非将提示词泄露本身视为独立漏洞:

"简而言之:系统提示词本身的泄露并不构成真正的风险——安全风险在于底层要素,无论是敏感信息泄露、系统防护措施绕过、权限分离不当等。

即使确切的措辞未被泄露,攻击者在与系统交互的过程中,几乎肯定能够通过使用应用程序、向模型发送语句并观察结果,推断出系统提示词语言中存在的许多防护措施和格式限制。"

微软对AI漏洞的立场

微软根据其公开的漏洞评级标准评估所有与AI缺陷相关的报告。

一位微软发言人告诉BleepingComputer,报告已审核但不符合公司的漏洞可修复标准

"我们感谢安全社区调查和报告潜在问题的工作……这位发现者报告了几个案例,根据我们已发布的标准,这些案例被评估为超出范围。

案例超出范围的原因有多种,包括未跨越安全边界、影响仅限于请求用户的执行环境,或提供了其他不被视为漏洞的低权限信息。"

归根结底,争议在于定义和视角。

Russell认为提示词注入和沙箱行为暴露了显著风险,而微软则将其视为预期局限,除非它们跨越了明确的安全边界,例如实现未授权访问或数据外泄。

随着这些工具在企业环境中更广泛地部署,AI风险定义上的这种分歧很可能将持续成为反复出现的摩擦点。

win11 中内置 copilot GPT5.1 中的 juice 值,其中 Think Deeper 以及 Smart 模式下都是 16

edge 中内置 copilot 里的 GPT5.2, Smart Plus 模式下也是 16(我是 M365 会员,可能有点影响)

github copilot 里的 GPT5.2 是 64

windsurf 家的 GPT5.2 low,juice 是 16

windsurf 家的 GPT5.2 medium,juice 是 64 (high 和 xhigh 性价比太低,就不测了)


📌 转载信息
原作者:
ikb
转载时间:
2025/12/31 12:36:49