微软（纪要）：1900 亿 Capex 不动，但签单加速

以下为海豚君整理的 $微软(MSFT.US) FY26Q4 的财报电话会纪要

一、财报核心信息回顾

1. 股东回报：本季度通过分红与股份回购向股东返还 102 亿美元；全财年累计向股东返还超过 430 亿美元。

2. FY27 第一季度指引：总收入 898.5 亿–909.5 亿美元，同比增长 16%–17%；COGS 296 亿–298 亿美元，同比增长 23%–24%；运营费用 168 亿–169 亿美元，同比增长 7%–8%；运营利润率同比基本持平。分部来看，生产力与业务流程收入 367 亿–370 亿美元（同比增长 11%–12%），智能云收入 409.5 亿–412.5 亿美元（同比增长 33%–34%），更多个人计算收入 122 亿–127 亿美元。Azure 恒定汇率下收入预计同比增长约 45%；M365 商业云调整后恒定汇率增速约 16%（报告口径 15%）；Windows OEM 与设备收入预计下滑 20% 出头；Xbox 内容与服务收入预计中个位数下滑，硬件收入同比下滑。剔除 OpenAI 投资影响后，其他收入与费用预计约为 -1 亿美元；有效税率约 20%。资本开支预计超过 500 亿美元（含使用年限调整带来的租赁重分类影响）。

3. FY27 全年指引：公司层面预计仍将实现收入与运营利润的双位数增长，运营费用增长中到高个位数，运营利润率同比下滑不到 1 个百分点，全年维持自由现金流为正，有效税率约 20%；资本开支同比继续增长。M365 商业产品与服务器产品收入因去年同期高基数（产品发布带来的交易型采购）预计全年中个位数下滑；Windows OEM 与设备收入预计全年下滑接近 20%，受 PC 市场需求走弱、零部件涨价推高终端定价、Windows 10 停止支持带来的高基数以及渠道库存偏高影响。假设汇率维持当前水平，汇率预计拖累全年收入增速不到 1 个百分点，对 COGS 与运营费用增长无显著影响。

4. 关键财务指标变化：本季度公司整体毛利率 67%，同比下降，主因收入结构向 Azure 迁移及 AI 基础设施投入和产品用量增长，部分被 Azure 与 M365 商业云的效率提升抵消；运营利润率同比小幅提升至 45%；总员工人数同比下降 2%。资本开支 410 亿美元（含指引中已提示的零部件涨价影响），其中约三分之二投向短周期资产（主要是 CPU 与 GPU），其余为长周期资产；本季融资租赁合计 56 亿美元，主要用于大型数据中心站点；购置不动产与设备的现金支出 358 亿美元。经营性现金流 554 亿美元，同比增长 30%；自由现金流 196 亿美元。商业订单（bookings）剔除 OpenAI 影响后同比增长 18%，含 OpenAI 的 Azure 承诺后同比增长 10%（恒定汇率 11%）；商业剩余履约义务（RPO）同比增长 84% 至 6,780 亿美元，剔除 OpenAI 后增长 25%，加权平均期限 2.3 年，其中约 30% 将在未来 12 个月确认为收入（该部分同比增长 37%），12 个月以后确认的部分同比增长 112%。

5. 重要财务政策变化：自 FY27 起，将数据中心与办公楼宇的预计使用年限由 15 年延长至 25 年，以反映实际运营历史与资产预期使用情况，该影响已体现在本次指引中。此项变更仅影响未来折旧的时间分布，对 FY27 运营利润的增益很小；更大的影响在资本开支口径——未来更多数据中心租赁将从融资租赁转为经营租赁（融资租赁计入资本开支，经营租赁不计入），因此 2026 自然年资本开支预期调整为约 1,750 亿美元，但剔除使用年限影响后，2026 自然年的实际投资预期不变。

6. 本季一次性项目：与 4 月指引相比，若干一次性项目合计为摊薄每股收益带来 0.27 美元的正贡献，包括来自 Anthropic 投资的 32 亿美元收益、自愿退休计划相关费用低于预期，部分被裁员补偿费用及 Xbox 减值损失抵消。剔除上述项目后，收入、运营利润与每股收益均超预期。每股收益 4.74 美元，剔除 OpenAI 投资影响后同比增长 23%；剔除 OpenAI 投资影响后其他收入与费用为 28 亿美元，主要来自上述 Anthropic 投资收益。

二、财报电话会详细内容

2.1 高管陈述核心信息

1. AI 平台与基础设施

a. 本季度在五大洲新增 31 座数据中心，本财年累计新增 88 座，以应对持续加速的需求。容量上线速度也在加快，过去一个财年将最大区域内新 GPU 的"上架到通电"时间缩短了近 50%。本季度新增 1GW 容量，仍按计划在两年内将整体容量大致翻倍。

b. 在既有基础设施上通过硅片、系统与软件的跨层优化挖掘更多产出，例如 Copilot 类工作负载的吞吐量自年初以来提升 4 倍。

c. AI 主权（AI sovereignty）日益成为客户关注焦点，上周宣布与 Mistral 合作，将其模型引入 Microsoft Sovereign Cloud，支持客户在公共云、客户自控环境以及完全离网环境中运行。

d. 自研芯片与英伟达、AMD 最新产品并行推进机队现代化。Maia 200 持续扩容，单位美元性能比机队中最新一代硬件高 30%，目前已同时承载 OpenAI 与 MAI 模型；公司将成为首批部署基于 AMD Helios 与英伟达 Vera Rubin 的下一代规模化 AI 基础设施的云厂商之一。

e. 运行 Agent 时，CPU 与 GPU 同等重要。Cobalt VM 已同时支撑自有第一方工作负载与外部客户负载，客户包括 Adobe、ARM、Elastic、OpenAI、Sprinklr、TomTom 等；预计本月底 Cobalt 200 机架将部署在全球 25 个以上数据中心。

2. 模型层与 Foundry 平台

a. 模型选择是平台起点。目前提供全云端最广的模型目录，超过 11,000 个模型，涵盖 OpenAI、Anthropic、Mistral、xAI 最新模型以及自研 MAI 系列。年初至今，使用多家供应商模型进行构建的客户数增长 5 倍。Levi Strauss & Co 在 Foundry 上同时使用 OpenAI 与 Anthropic 模型，将超过 1,000 个领域专用 Agent 收拢进统一的企业 AI 平台。

b. 自研模型开发加速，本季发布十余个覆盖图像、语音、转写、编码、安全的新模型，包括首个推理模型 MAI Thinking 1，全部以面向企业场景的低成本推理为核心设计目标。模型与自研硅片协同设计，MAI 模型在 Maia 200 上运行的单位功耗性能提升 40%。

c. 更关键的是正在构建一套新的模型系统，将 harness、上下文、记忆与动作空间与任何单一模型家族解耦，从而推动"成本—产出"曲线的前沿外移。这不仅关乎成本，还带来业务连续性与韧性，因为每个模型都是可替换的。

d. 该系统已在自有产品中验证：数百万开发者在 GitHub Copilot 上使用 MAI Code 1 Flash，代码采纳率更高、token 用量中位数下降 10%，同时仍可调用 OpenAI 与 Anthropic 的前沿能力；在 Excel 中，MAI Code 1 Flash 在最常见任务上的质量与 GPT-5.6 相当，但成本显著更低；在安全领域，MAI Cyber 1 Flash 结合多智能体安全 harness 后，性能优于体量大得多的模型，成本仅为其一半。更广泛地看，Dynamics 365 采用 MAI Voice 2 Flash 后 GPU 成本下降 89%，PowerPoint 采用 MAI Image 2.5 后 GPU 成本最多下降 84%。该系统作为 Foundry 的一部分向所有企业开放。

e. Foundry 正被打造为完整的应用与 Agent 栈，向 Agent 提供 IQ 层、工具、持久状态与记忆、安全沙箱、rubrics 与 evals，甚至自我改进闭环。目前 Foundry 客户数达 10 万家，收入同比增长超过一倍。Telefonica 将 Foundry 作为企业平台底座，首批 Agent 用于关键网络运维。年化 token 运行速率达 1 万亿 tokens 的 Foundry 客户数量同比增长 4 倍。

f. 通过 Agent 365 提供控制平面，把企业既有的治理、身份、安全与管理框架延伸到其自建 Agent。上线仅两个月，Agent 365 已在数万家企业中注册接近 4,000 万个 Agent。

3. 企业数据与上下文层

a. 数据资产正从"主要服务于人使用的应用"演进为"服务于 Agent"。客户加速采用 Cosmos DB、SQL 等 AI 优化数据库，为 Agent 提供记忆与检索所需的实时数据与上下文的快速安全访问。PostgreSQL 收入同比增长 55%，为连续第三个季度加速；同时使用 Foundry 的 PostgreSQL 客户数增长 80%。新推出的 Horizon DB 是 Azure 上全托管的 PostgreSQL 服务，吞吐量为自管部署的三倍。

b. 分析侧，Fabric 付费客户已超过 40,000 家，同比增长超过 60%；同时使用 Foundry 与 Fabric 的客户超过 17,000 家，同比增长 60%。本季推出 Rayfin——面向 Agent 优先的 SDK，为 Fabric 上的应用构建提供后端即服务，已有超过 2,500 家客户使用。

c. 在数据资产之上构建 IQ 层，将数据与模型能力结合以在恰当时点交付恰当上下文。包括近 90% 的《财富》500 强在内的数万家客户，已在用 Foundry、Fabric 与 Work IQ 为其 Agent 注入企业上下文。本季推出 Web IQ，让 Agent 获得来自全网的真实世界情报，目前已被包括 ChatGPT 在内的最热门 AI 助手采用。

4. 知识工作与 M365 Copilot

a. 付费 M365 Copilot 席位已超过 3,000 万，净新增席位环比增长超过一倍。Copilot 正快速从 chat 演进到 co-work 再到 autopilot：上月 co-work 正式商用，帮助客户在其工作数据基础上完成多步骤任务，同时满足企业安全与合规要求；本季推出 autopilots——具备完整企业合规能力的自主长时运行 Agent，包括由 OpenClob 驱动的常在个人 Agent。本季正在把这些 Copilot 体验（含 code）整合进一个横跨消费者与商业场景的超级应用（super app）。

b. 质量与性能持续改善：过去三个季度用户满意度评分翻倍并创历史新高，本季延迟再降 25%。这些改善叠加产品创新带来了创纪录的使用强度——人均对话数同比接近翻倍，周均活跃度已与 Outlook、Teams 相当；从部署到达到"高使用度"（客户员工基数中月活约 80%）的时间，过去一年从数月缩短到数天。

c. 席位规模超过 50,000 的客户数同比增长超过 7 倍；把 Copilot 部署到大多数知识工作者的企业客户数环比增长近 75%。NHS England 正向 505,000 名临床与后勤人员铺开 Copilot，为同类中最大规模的医疗部署，此前试点显示平均每天为员工节省 43 分钟；KPMG 将部署扩展至全球超过 276,000 名专业人员；HSBC 承诺采购 200,000 席位以加速员工转型；阿斯利康、波音、Infosys、Coke Inc、宝洁、Stellantis、塔塔咨询服务、匹兹堡大学医学中心、富国银行等各自采购 60,000 席位以上。

d. 新推出的 E7 套件（整合 Copilot、E5、Entra 与 Agent 365）反响积极，发布仅两个月已有数百家企业客户采购数百万席位；本季 EY 将 E7 部署至 400,000 名员工，为迄今最大单笔胜单。

e. 商业模式从"按席位"演进为"按席位 + 按用量"，进一步扩大 TAM。本月初为 co-work 增加了按用量计费，已有数千家客户付费并实际使用。

5. 业务应用（Biz Apps）

a. 围绕 Agent 优先重构 Dynamics 365，已在销售、财务、供应链、HR 与客户服务领域开放超过 650,000 个 MCP actions，使 Agent 能够以与应用用户相同的数据模型、规则、权限、安全护栏与审计轨迹访问业务上下文并执行动作。

b. 同样从"席位"转向"席位 + 用量"模式。客户服务是这一转型的最前沿，该类别中基于用量的 credit 消耗环比增长 4 倍，Northern Trust 等客户正用相关工具驱动前瞻性智能服务。

6. 开发者与 GitHub

a. GitHub Copilot 用户数达 5,000 万。本季引入按用量计费，商业与企业席位继续增长，新模式生效后消费型收入亦显著增加，Copilot 收入环比加速增长超过 60%。

b. GitHub 整体用户数达 2.25 亿，包括超过 90% 的《财富》500 强企业选择 GitHub 进行 AI 驱动开发。Agent 时代正建立在 GitHub 之上——每一个主流编码 Agent 都运行在该平台上，GitHub 上每三个 pull request 就有一个涉及 Agent。

7. 安全

a. 既帮客户保护其 AI 部署，也用 AI 强化其安全态势。截至目前 Purview 已审计超过 500 亿次 Copilot 交互以满足合规义务，同比增长近 360%。

b. 本周推出 Project Perception，一套完整的多模态 Agent 化安全系统，由多组 Agent 协同模拟攻击、调查威胁并推动修复。Perception 走出私有预览后，计划以基于用量的方式向客户提供。

8. 医疗与科学

a. 医疗领域，本自然年有望自动化超过 1 亿次患者就诊记录，其中本季度 2,800 万次，同比增长 2 倍。Mass General Brigham 已向超过 4,000 名医护铺开 Dragon Copilot，一项研究显示 Ambient AI 使职业倦怠下降 21%。

b. 科学领域，Microsoft Discovery 已广泛可用，为科学与工程场景提供构建与治理 Agent 工作流的完整平台，早期客户包括 BHP、GSK、太平洋西北国家实验室。

9. 交付组织：Microsoft Frontier Co

a. 世界上最全面、最有价值的数据都在客户各自的租户内，因此把客户的工作流、领域知识与积累的判断力转化为可随使用不断学习改进的 AI 系统存在巨大机会。本月推出 Microsoft Frontier Co，行业内规模最大的以结果为导向的工程组织，将派驻 6,000 名行业与工程专家与客户共同设计、共同创新并持续改进 AI 系统。

b. 该模式过去一年已在 164 家客户中完成超过 330 个项目。例如 FDE 团队与诺和诺德合作构建了在严格合规要求下分析临床数据的 Agent；与 LSEG 合作把 AI 嵌入 LSEG Workspace，帮助金融专业人士在结构化与非结构化金融内容中快速找到复杂问题的答案。

10. 设备与消费者

a. Xbox：正在内容组合、平台与运营层面做出必要决策，为长期增长重置业务。公司拥有业内最好的 IP 与全球优秀工作室，预计 2027 财年该业务恢复增长。

b. Windows：投入确保质量与基本功能，同时使其成为运行安全边缘 AI 的最佳载体，看到 Windows 成为"无计量智能"（unmetered intelligence）承载层的重大机会——把强大的端侧算力与企业级安全结合。

c. 搜索与广告：Bing 与 Edge 已连续五年获取份额。LinkedIn 平台参与度保持强劲，会员数连续第五年双位数增长；超过 20,000 家企业的招聘方正在使用其 AI 解决方案缩短招聘周期、改善候选人匹配，相关席位环比增长 140%。

2.2 Q&A 问答

Q：开放模型与自定义模型在未来一两年的采用能有多大量级（考虑到很多企业最初对开放模型有顾虑），以及在自身对前沿实验室敞口不小的情况下微软如何从这一转变中受益？

A：我们的出发点是，最终目标是让企业掌控自己的命运——即建设属于它自己的"人力资本"和"token 资本"。如果一家企业本身是一台学习机器，那它需要拥有自己的学习机器。模型是一种输入，而不是对企业知识的抽取。每家企业最终都会评估：哪些供应商真正在帮助我实现结果、帮助我创造知识。这一点现在已经比较清晰，而且会一天比一天更清晰。这不会变成"我进来把你的知识全部拿走、自己受益，而你什么都得不到"的模式。

基于这个演进方向，我们对平台的架构设计非常明确：必须把 harness 与模型分离。harness 会确保你的记忆、你的上下文都是外部化的，这意味着任何给定模型在任何时点都是可替换的。你应该、也完全可以使用前沿模型，没有理由不用；但你同时也可以使用多个前沿模型。看我们给出的那些数据就是很好的例子——在前沿模型擅长的地方用前沿模型，在低成本模型能胜任的地方用低成本模型；而当你不想使用任何外部模型时，甚至可以训练自己的模型，因为毕竟所有的输出、所有的 trace、所有的上下文都在你手里。这就是我们要向企业推广的架构设计范式，我们自己就在用它——Copilot 是这样构建的，GitHub Copilot 是这样构建的，我们的安全 Copilot 也是这样构建的。我们希望把这一设计模式民主化，让每一家企业都能使用。在这个框架内，会是开放权重与闭源权重的混合。

顺便说一句，回想一下前一段时间那次 Hugging Face 事件，最大的启示就是你不能依赖任何单一模型。你甚至可能需要多个模型来修复由某一个模型引发的问题——也就是说，你不能被某一个模型的拒答行为所绑定。所以这里的设计空间还很大。我们谈"前沿"时常常把它当成一个东西，但真正的前沿是每一家企业都拥有自己的前沿，以及它为掌控自身命运所需要的选择权、成本控制力与能力。

补充回应问题的后半部分：正因如此，平台必须建成能够在名为 Azure 的架构上为正确的任务交付正确的模型。鉴于我们看到需求持续增长，无论客户选择什么模型、什么模型家族，还是运行自己的模型，Azure 平台在交付这些能力上都相当高效。所以可以把这套基础设施理解为具有很强的可复用性（fungible）。

Q：Azure 增速从 43% 进一步加速到 45% 左右，底层驱动因素是什么？我们仍处于同样的容量受限环境中，还是说微软在约束下执行得更好？

A：首先，系统中依然存在约束。我们已经连续多个季度表示需求持续超过可用供给，这一点确实仍然成立——甚至可以从现货市场上相关资产的定价中看到这一现象。

至于为什么能交付得更好，我们首先聚焦的是效率，也就是从机队里已有的一切中挖掘更多产出，这既包括 CPU 机队的效率提升，也包括 GPU 机队的效率提升。本季度工程团队做了很好的工作，尽可能把这些能力释放出来。而由于我们一直在谈的供需失衡，一旦获得效率提升，它们会在当季被迅速变现，这个动态对本季度形成了正面影响。

另外，我们在流程上也做了改进，把 CPU 与 GPU 从到货到接入上线的前置时间大幅简化，过去 90 天内这方面也有改善。这些改进同样能被很快变现。以我们在整个超大规模机队上的运营体量来看，能被迅速变现的效率改进就带来了当季的增速加速。这也是我们对 Q1 所预期和所讨论的一部分。

Q：如果真的出现数据中心与芯片的过度建设、产能过剩，微软如何保护自己；反过来，面对当前的硬件与零部件涨价，如何避免大幅提价或损伤利润率？

A：两个问题有一定关联，先说第一个。当前情形显然是需求在一个相对极端的时刻超过了可用供给。但如果放到更长的时间维度看，我经常提醒大家：很大一部分支出（尤其体现在资本开支上）已经明显转向我称之为"短周期资产"的部分，也就是前置时间相对更短的 CPU 与 GPU。因此一旦需求环境变化，你只要放慢这个最大的组成部分——它也正是 COGS 的驱动项。而土地与数据中心建设的投资其实相当灵活，占整体成本结构的比例更小，而且其中很多环节的时间安排是可以调整的，特别是建设进度；你也可以错开原计划投入的 GPU 与 CPU 的上量节奏。

超大规模厂商在管理这类需求变化上已经做了很长时间，具备相应的灵活性与理解。另一个重要的点是，我们拥有按地域、按客户分层、按行业高度多元的业务盘子。看我们本季度的在手订单或 RPO 新增，它来自微软产品组合与客户组合的广度。所以当你能够在短期内对更昂贵的部件做"晚绑定"，又有一个足够大且灵活的业务盘子，再加上一块同样会消耗你所建容量的庞大第一方应用业务（而非只有 Azure 平台），我们就拥有更大的调整空间。

关于定价问题，这在很多方面对所有厂商的影响是等同的。我们现在要做的，就是尽可能把效率工作做好，从而继续为客户提供优质价值。我们也在提醒客户：与自己在本地采购服务器相比（那种情形下价格上涨对客户的冲击更大），云依然提供了巨大的收益。所以在这类环境下云仍然带来很好的 ROI。我们在增加容量的同时，很多容量也在新签合同中销售，能够把定价反映进去；长期来看，你希望定价对客户和对自己都成立，我们会继续聚焦这一点。

补充一点：在我看来，你必须把产品形态做对，这也是我们大量精力所在；你必须把产品组合做对——无论是 Copilot、把所有形态整合起来的超级应用，还是一路到 Azure 以及 Azure 中 Agent 优先的原语，你需要让整个组合真正协同起来。客户结构也极其重要，你必须认识到地域结构、客户分层结构、工作负载结构的广度，甚至在建设容量时就要把这些都考虑进去。然后你还得把这门生意运营得高效——效率不是最后自然出现的东西，你必须持续不断地去做，这也是我们非常关注的。我们知道这个周期一定会有起伏，但长期的结构性转变是明确的，我们对自己能以正确的业务结构、正确的利润率结构，最重要的是以正确的客户价值走出来非常有信心。

Q：M365 Copilot 本季付费席位超过 3,000 万且明显加速，客户从试点走向大规模部署的进展如何；从这里往后，变现的主要驱动是新增席位、向 E7 等更高价值 SKU 迁移，还是消费型收入？

A：还是要从产品形态说起。可以看到，仅在本季度内产品形态就发生了相当大的变化——现在有 chat、co-work、autopilot、code，它们都会汇入这个将成为旗舰的超级应用，供不同角色使用。

从使用侧看也有很多有意思的数据：从买下许可到真正开始使用的时间大幅缩短，过去要几个月，现在是几天；使用强度本身显著上升，我们现在谈的使用强度已经与 Outlook、Teams 这样的日常沟通工具处在同一量级。

第二点是整个企业级"接线"（wiring）。它不是一个孤立摆在某处的工具，而是被接入企业体系：比如你提到的 E7，它接入了 Agent 365 的治理组件，于是 SecOps、FinOps 全都接了进来；同时也接入了所有业务流程——比如你的 CRM 系统、ERP 系统，它们都成为进入 co-work 的技能与插件。你因此能把企业级工作流接进超级应用，这会推高使用量，而这些效应会复合叠加。

第三点是商业模式。我们现在同时拥有按席位与按用量两种模式，即"席位 + 用量"。E7 这类产品带来的 ARPU 增长已经在发生。但更重要的是，随着我们为客户交付更多价值和企业级成果——回头看历史，Office 相比今天的 Copilot 覆盖面要窄得多——这是第一次真正出现一个企业级全域工具，同时具备按席位与按用量的定价方式，因此 TAM 的扩展性大得多。我们会非常专注于驱动客户价值，并随之扩张。

补充财务侧的观察：今年以来 ARPU 的部分增长来自 E5 加 Copilot 的授权组合，接下来 E7 会带来更多贡献。E7 中价值感最强的是 Agent 365 部分——具备 SecOps 与 FinOps 能力；总体而言，所有人都会需要对全部业务流程中的 token 支出具备可观测性与可管理性，这正是 E7 提供的。E7 本季只在市场上销售了一部分时间，客户对该 SKU 所看到的价值让我们相当受鼓舞，全年会继续聚焦于此。最后是不断扩大的 TAM，也就是我们所说的用量与消费型增长；随着越来越多体验被接入、IT 部门更深地参与这一过程，人们对 M365 能力的认知会发生相当大的改变。

再举一个具体例子：卖方有一份关于 ROIC 的研究文档，我把这份 PDF 丢给 Copilot，让它给我搭一个类似 Power BI 的新仪表盘。关键在于，它构建了一个丰富的语义模型进入我的 Fabric 与 OneLake，把所有外部来源的数据都拉了进来，甚至同步了 MAG 7 全部公司的 SEC 文件；在此之上，代码仓库本身在 GitHub 里，而产出物则落在我的站点里。对我来说这就是企业级全域工作流的典型例子：我作为一名知识工作者可以去创建一个仪表盘，数据工程师可以到 Fabric 里找到相应的资产，专业开发者可以到 GitHub 仓库里找到代码；而且这一切都在 Agent 365 中完成注册。这正是一种新的工作方式的成型，同时又带来了 IT 侧的安全与可管理性。

Q：随着最新前沿模型发布，网络安全的竞争格局在改变，本周又推出了 Project Perception，这一时刻对微软的安全业务具体意味着什么，对更广义上客户对微软的信任又意味着什么？

A：确实如你所说，网络安全产品需要具备什么能力、以及安全运营本身该怎么做，其底层"物理规律"都发生了相当大的变化——归根结底，你必须在产品层面转型，也必须在公司如何运营以保护自身的层面转型。

我们的重点首先还是沿用在知识工作与编码上采取的同一套方法：从"智能优先、模型前置"的路径出发。Perception 的本质是确保你拥有会持续做红队、持续发现漏洞的 red team agent，拥有持续做分诊的 blue team agent，以及负责修复的 green team。这样你就构建出一个持续运行的 Agent 化体系来形成所需的网络防御。它会充分吸收各类信号——身份 Entra 信号、Defender 信号、网络信号、应用安全信号，这些共同构成上下文，从而真正生成有效的防护。

另一点是，在网络安全领域，采用多模型路径变得尤为关键，这也回到第一个问题。原因不只是成本。我们用 Cybergym 中的 MDASH 数据证明，借助 MAI Cyber 1 Flash，可以在成本降低 50% 的情况下达到同等水平的性能。之所以能做到，是因为 90% 的任务由 Cyber Flash 1 完成，只有 10% 的任务仍然交给前沿模型。所以在本质上属于流水线作业的任务中，把正确的模型匹配到正确的任务是一个极其重要的特性。

还有一点是韧性视角：无论出于什么原因，如果某个模型不可用了，你不能被撂在半路上，你必须仍然能继续你的网络安全运营。所以成本与韧性两者都是重要标准，这也是我们在编码、网络安全、知识工作中都要构建进去的能力。我们对 Perception 以及它对我们安全业务的意义感到非常兴奋。

Q：把资本开支侧与变现侧结合起来看，你们当下对资本开支决策所跟踪的 ROI 与一年前相比如何，以及包括自研硅片在内还有哪些可以拉动增量变现的杠杆？

A：坦率说，我不认为过去一年里我做这套算术的方式发生了变化。对我而言，更值得关注的是对 TAM 扩张的信心，以及我们在产品改进和基础设施改进两端所掌握的利润率杠杆。今天电话会上已经谈到了一些——我们在应用层与基础设施层都有继续获取效率的杠杆。

但确实还有一些没有覆盖到的部分。我们显然仍有机会在硅片上继续追求最佳性价比，包括我们在第一方（自研）上的投入。此外，模型多元化本身也是一个利润率改善机会——能以更高效的方式交付最优结果，无论是 token 使用效率还是成本结构效率，都是利润率杠杆。

所有这些都会提升我们对投入资金 ROIC 的信心。再从组合结构看，我们能够在知识工作、编码、安全，以及我称之为 Agent 365 的 Agent 层上拥有相当宽的资源池，这本身也是机会。当然还有 Azure 侧我们谈到的模型效率、硅片与零部件效率（包括第一方方案的投入），以及以超大规模运营带来的整体效率。所以我们还有相当多的杠杆可以持续改善，这也是我们的关注点。但正如前面提到的，这是一门"苦功"——每天进步一点、再进步一点；而我们其实很擅长这种苦功，并确保能把成果交付给客户。

<正文结束>

本文的风险披露与声明：海豚研究免责声明及一般披露