黄仁勋为微软站台：没有 Windows 就不会有英伟达，Satya 当场“讨市值”

微软正在把 Windows 变成一个同时调用本地模型和云端模型的 AI 平台。 在北京时间10月8日的Windows 发布会上，微软宣布将“混合智能”引入 Windows，通过模型路由、Windows ML 和本地 AI 能力，让 GitHub Copilot、Copilot 等产品能够根据任务复杂度、成本和隐私要求，在云端模型和本地模型之间自动切换。 其中，GitHub Copilot 的 HydraFusion 将首次能够直接调用运行在 Windows PC 上的本地模型。相关能力将在 10 月晚些时间陆续进入 GitHub Copilot 应用、CLI和 VS Code。 现场，黄仁勋和Satya Nadella两人回顾了微软和英伟达长达数十年的合作。黄仁勋表示，英伟达的发展与 Windows 深度绑定：Windows 95、DirectX、GeForce 到 CUDA，共同推动了 GPU 从图形计算走向通用加速计算。 两人还回忆，Azure 早期建设基于 InfiniBand 的高性能计算（HPC）基础设施，后来恰好成为 OpenAI 训练 GPT 模型的重要底座。 对 Agent，两人判断一致：Agent 正在成为新的“电脑用户”。Satya 认为，Coding Agent 最早暴露出，即使模型运行在云端，本地 Harness 仍然需要访问文件系统、执行命令、调用软件。因此，操作系统必须原生提供隔离、身份、可观测性、治理和权限控制。黄仁勋进一步强调，MXC 这样的底层机制，可能会像当年的 Windows 和 DirectX 一样，成为下一代 Agent 构建与部署的重要基础设施。 两人对“混合智能”的理解也非常明确：未来用户不会再关心任务究竟运行在本地还是云端，而是希望系统自动调用最合适的模型和算力。 在本地 AI 价值上，两人并不只是强调“省 Token”。Satya认为，更重要的是让计算靠近数据和工具。他甚至判断，未来 Agent 会成为文件系统最大的使用者之一。黄仁勋也认为，Agent 会比普通用户更会使用软件。 硬件层面，黄仁勋认为，AI PC不应该只是“多一颗NPU”，而是要同时承载传统应用、图形计算、CUDA、本地模型和 Agent。他把这种变化概括为：过去 PC 是人的工具，未来它既是人的工具，也是个人 Agent 使用工具的平台。 现场，Satya打趣黄仁勋：“现在 Jensen 要把一点市值转回给我了。”不过，华尔街并没有立即给出激烈反应：发布会当天微软股价仅上涨约 0.1%，第二个交易日则下跌 1.35%。 Windows 不只 AI PC 本地支持更大规模模型 微软认为，过去只能在数据中心运行的模型，正在被压缩到个人电脑上；未来 Windows 可以把高频、耗时或涉及隐私的数据处理放在本地，把真正复杂的任务交给云端前沿模型。微软称，这将成为 Windows AI 的一套通用架构，并用于编程、安全、内容创作和办公等场景。 为了把更大的模型带到终端，微软正在重点推进模型量化和 Windows ML。 微软此前推出的MAI Code 1.1 Flash 是一款混合专家（MoE）编程模型，拥有1370亿总参数、68亿激活参数。面向本地部署的版本经过约3比特量化后，模型体积缩小近80%，同时保留256K上下文。 微软还表示，英伟达正在开发一款超过 700 亿参数的Nemotron 模型，在量化至 2 比特后，内存占用仅略高于 20GB。而DeepSeek V4 Flash的参数规模达2840 亿，经过 1.66 比特量化后，模型可以在本地运行，内存占用约 60GB。 与模型量化配套的是 Windows ML。微软正在把 Llama.cpp 引入 Windows ML，使开源模型能够更快接入 Windows，并在 GPU、NPU 和 CPU 之间运行。 Copilot中的“混合智能” 在 GitHub Copilot 中，“混合智能”首先表现为模型自动路由。 新版自动模式可以根据任务复杂度决定调用本地还是云端模型。简单任务，例如代码清理、问题分诊，可以直接交给本地模型；更复杂的任务则继续使用云端模型。 微软现场演示了一个典型场景：主任务由云端 GPT-6 Luna 负责分析，同时启动 3 个本地子 Agent，使用 MAI Code 1.1 Flash Local 并行构建和测试。其中一个本地会话输入约 166 万 Token、输出约 1.05 万 Token，但不会产生额外的云端模型费用。微软希望把这类高频、长时间运行的任务尽可能放到本地，尤其是问题分诊、自动化检查等可以整夜运行的工作。 这实际上改变了 Coding Agent 的成本结构。过去 Agent 工作时间越长、并行实例越多，Token 成本往往越高；如果部分子任务可以转移到用户自己的 GPU 和 NPU 上，本地算力就可以成为云端 Token 的替代品。 相比 GitHub Copilot，Windows Copilot 的变化更接近系统级 Agent。 微软为 Copilot 增加了 3 类能力：本地上下文、本地操作和本地模型。本地上下文意味着 Copilot 可以搜索和理解 PC 中的文件；本地操作允许它在获得授权后移动文件、修改设置等；本地模型则让 Copilot 在成本或隐私更加重要时，把部分工作直接下放到设备端，最困难的任务仍会交给云端模型。 这些能力首先被整合进 Copilot Home 和 Code。Home 现在能够理解用户 PC 上的本地文件，并将原本只保存在设备端的内容直接带入 Copilot，用于编辑和协作。 Copilot Code 则进一步把“本地 AI”延伸到软件开发。用户只需输入一条提示词，就可以直接生成原生 Windows 应用和小组件，无需开发经验；微软还为 Code 加入 MXC 支持，使本地运行的代码进入沙箱环境；与此同时，部分编程任务可以直接交给本地模型完成，以降低云端调用成本并提升响应速度。 微软将这套能力称为“个人软件工厂”：从应用生成、代码执行到部分模型推理，都可以直接在 PC 本地完成，而更复杂的任务则继续交给云端。 微软现场以报税为例展示了这一能力。Autopilot 可以先读取会计师邮件，确定需要准备哪些文件，再从用户电脑不同目录中寻找材料、重命名并整理文件，最终生成 ZIP 包。涉及税务信息的文件整理和重命名均由本地模型完成，数据不需要上传云端。完成整理后，Autopilot 还能生成回复邮件并附上压缩包，但在真正发送之前仍需要用户确认。 微软将 Autopilot 定义为一个企业级、可长时间运行的自主 Agent。其背后的方向是，让 Windows 不再只是运行 AI 应用，而是允许 AI 在操作系统层直接理解本地环境并执行任务。 微软没有把这套能力限制在 Copilot。目前，Hermes、OpenClaw、Perplexity 等 Agent 已经开始基于 Windows 构建本地 AI 体验，Muse 也将推出原生 Windows 应用。针对 OpenClaw 等常驻 Agent，微软还将提供新的 Windows 快速安装体验和原生 Wind