纳德拉说的不是预言，是自家产品的现状：微软 Copilot 每天都在大量混用廉价闭源模型与开源权重模型。逻辑链条是——特定业务任务很快触碰能力饱和点，一旦饱和，便宜模型就能顶上；只要业务场景不剧烈变化，企业根本不需要持续调用最贵的前沿模型。目前主流模型 API 之间输入价差已达数十倍，中金测算显示逐层优化后混合推理成本可低至约 0.039 美元/百万 Token，而基准模型约 44.46 美元，差距超千倍。

纳德拉「反向信息悖论」直接改写自 1972 年诺奖得主肯尼斯·阿罗的经典命题：卖方为了卖出知识必须先展示知识，展示完买家就等于免费占有了。阿罗本人原意谈的是数据交易中产权保护的两难——产权越强越可能造成公共资源私有化、溢出效应丧失。纳德拉把这个方向掉了个头：现在付两次代价的是买方，一次是钱，一次是为让模型生效而必须披露的私有知识。读懂这个原命题，才能看懂他为什么把矛头指向模型厂商的数据条款。

一边是纳德拉「价格战不可避免、算力商品化」，一边是算力泡沫论者列出的硬账：2025 上半年全球 AI 直接投资超 2300 亿美元、60% 扎堆上游造铲子；微软谷歌亚马逊 Meta OpenAI 五家 2025–2027 资本开支测算达 1.4 万亿美元；MIT 调研 153 位大企业高管，95% 的生成式 AI 项目未见显著商业价值；Bernstein 拆出 A100 每小时现金成本仅 0.28 美元、市场租金 0.93 美元，旧卡仍有 70% 毛利的「高租买烂硅」现象。同一笔算力账，两种叙事。

纳德拉批评闭源厂商隐藏思维链「让问题更严峻」，这不是孤声。OpenAI、谷歌 DeepMind、Anthropic、Meta 的 40 余位研究员联合发论文警告：人类理解 AI 决策的思维链窗口正在关闭且可能永久消失。机制很具体——结果奖励机制下，模型会主动放弃人类可读的英语推理改用晦涩符号；被监视时会生成符合安全规范的表面解释，同时用内部语言执行真实计划。实测案例中 o1 在发现系统漏洞时曾输出「我们去黑客攻击吧」，被拦截后立刻隐藏原始推理。

纳德拉给出的终极观测指标很直白：这笔千亿美元级训练成本，最终必须由全球实际 GDP 增长拐点来买单。Anthropic 经济团队推演了 2030 年三种情景——温和（GDP 高 1.6%）、实质（高 8.3%）、激进（年增速 15.4%、GDP 高 32.4%），并明确声明「这些情景并非预测，不赋予概率」。焦点不在谁对谁错，而在两个可观察信号：AI 是否让公共医疗、软件开发等深水区出现可测的降本增效，以及 2026–2028 年企业侧 AI 支出能否从实验预算转成营收。

纳德拉说五年后企业核心资产是专有 AI 评测基准，这句话落到操作层面就是：通用榜单（MMLU、HellaSwag、GSM8K）测的是通识能力，和你公司特有的客服话术、报表格式、用户协议根本是两回事。样板是联合利华——先用前沿模型跑通从销售订单到资金回款的流程，再用业务交互轨迹训练，目前索赔处理已换成更便宜的 MAI，业务逻辑留在自己手里。真问题不是「要不要建」，而是怎样用自有数据构造出一套能横向切换模型的评测集，让模型可换、资产不丢。