微软 Windows 升级为混合 AI 平台：GitHub Copilot 首集成本地模型，黄仁勋称 MXC 将成 Agent 底层设施

微软将 Windows 升级为混合 AI 平台，支持本地与云端模型协同调度，GitHub Copilot 首次集成本地模型调用能力。

混合智能依赖模型路由与 Windows ML；Coding Agent 倒逼 OS 提供原生隔离、权限与可观测性支持；MXC 或成下一代 Agent 底层基础设施。

适合 AI 平台工程师、操作系统内核开发者、Agent 架构师阅读。

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 Windows Gateway，以降低部署门槛。

微软把迷你桌面 PC 称作适合 Agent 长期运行的“Claw Box”：设备可以保持常开，即使用户离开电脑，Agent 仍能够持续工作。这也是微软此次 Windows AI 战略中一个比较明显的变化：Windows 不再只强调“AI PC”，而开始争夺 Agent 的底层运行环境。

为了支撑更大的本地模型，微软同时扩大了 AI PC 的硬件覆盖范围。

微软透露，目前面向商用市场打造的笔记本中，超过 40%已经是 Copilot+ PC；所有 Copilot+ PC 每月在本地完成超过 2 万亿次推理。

面向开发者和创作者，微软还发布了 Surface Laptop Ultra。该设备基于英伟达 RTX Spark，最高配备 128GB 统一内存，AI 算力最高达到 1 PFLOP，目标之一就是让传统笔记本无法装载的大模型直接在本地运行。

更高一级则是运行 Windows 的 DGX Station。微软称，这类桌面级超级计算机能够本地运行 Llama 4 Maverick、Kimi K2.6，以及超过 1 万亿参数的 DeepSeek V4 Pro。

微软用一句话概括其硬件路线：有了 RTX Spark，可以把“去年的前沿”带到笔记本；有了 DGX Station，可以把“上个季度的前沿”带到桌边。

黄仁勋与 Satya：第一次重构个人电脑

主持人： 我昨晚在 YouTube 上查了两位，发现很少看到你们两位同时站在一个舞台上。我就在想，这两家公司之间的历史已经延续了几十年，你们个人之间的合作也有几十年的积累。Jensen，你和 Satya、微软合作时，最喜欢的一段记忆或者最有趣的经历是什么？

黄仁勋： 英伟达的创立，本质上就是因为 Windows。那是 1992 年底，Windows 3.1 的时代。我们刚刚开始看到“个人电脑究竟可以成为什么”的愿景。说实话，在那之前我甚至没怎么见过 PC，我主要是在工作站上工作。我们有文件服务器、有超级计算机，用来做芯片设计。

当时，我和另外几位创始人就在讨论一种未来：也许一台拥有 3D 图形能力的个人电脑，既可以用来玩游戏，也可以成为工作站，还能进行设计。我们的想象就始于这样的世界图景。如果没有 Windows，英伟达不会以今天这种方式被创立。

然后到了 1993 年，我们正式开始，Windows 95 则真正重新定义了这件事。Windows 95 让 GPU 可以真正连接到个人电脑，而真正让 GPU 发生革命性变化的是 DirectX。Direct3D 这个 API 让我们第一次可以把 GPU 的能力真正暴露给应用。

随后 DirectX 8 出现，我们和微软一起发明了世界上第一代可编程 GPU，也就是可编程着色器。再往后几步，它最终演化成了今天大家熟悉的 CUDA。

所以如果回看 英伟达的完整发展历程，Windows 一直处于最核心的位置。如果没有 Windows，就不会有 GeForce；没有 GeForce，也就不会有 CUDA；没有 CUDA，Alex Krizhevsky、Ilya Sutskever、Yann LeCun、Andrew Ng 等人，也不会找到那样一台适合做深度学习的计算机；然后才有了今天。

Satya： 现在 Jensen 要把一点市值转回给我了。

黄仁勋： 我每天都在转，每天都在转。

Satya： Jensen 刚才讲的这段历程确实非常特别。从某种意义上说，它就是一段计算史。

Jensen 给我最大的启发之一，是他可能是整个行业里对“加速计算究竟能成为什么”这件事坚持最久、最一致的人。回头看，它的演进轨迹甚至比任何一种单一 PC 形态或者芯片架构都更宽广。

我最早的一段记忆，就是我们当时在讨论：在云端，加速计算或者 HPC 到底能做到多大？我记得最早的一笔合作之一，就是讨论怎么让 Azure 上的 HPC 做得更大。

黄仁勋： 而且 Satya 是第一个在云里使用 InfiniBand 的人，这件事非常关键。它让我们第一次把超级计算机带给 OpenAI，然后就是大家都知道的事情了。

如果当时我们没有为 HPC 做这些事情，没有构建基于 InfiniBand 的超级计算机，后来 OpenAI 就不会有那台超级计算机去训练 GPT 模型，后面的历史可能都会不一样。人生里很多事情就是这样偶然发生的：我们原本是在做 HPC，然后 Sam 过来问：“你们有算力吗？”我们说：“也许有。”接下来事情就发生了。

Satya： 我真正想把功劳给 Jensen 的，是他对这件事长期而一致的判断。他不是在看今天，也不是只看明天，而是把它当成一个长期结构性趋势。这也是为什么我们会走到今天这个时刻。

黄仁勋： 然后我们又开始讨论另一件事。我记得非常清楚，我和 Satya 当时在聊：这对 PC 意味着什么？在这一切之后的新时代里，我们怎么打造一台“完美 PC”？

个人电脑始终是终极工具。对我来说是，对整整一代人来说也是。那么，到了 Agent 时代会发生什么？当 Agent 就在你的电脑上，它会成为你的个人助理，但它又希望能够访问我们已经拥有的所有强大工具。

问题是，这些工具过去分散在 英伟达生态里的不同设备上：游戏 PC、工作站。大量专业工具都在那里，包括各种设计工具、Siemens 的工具、Autodesk、Adobe，以及大家刚刚看到的那些应用。我们希望全球最好的 Blender、最好的 Unreal、最好的 Omniverse、最好的 CATIA，全都和 AI 一起出现在同一台 PC 上。

那么，怎样才能创造出这样的电脑？顺便说一句，这件事我们做了 4 年。

Agent 为什么需要操作系统级安全原语

主持人： Satya，过去几个月大家一直在讨论 Agent 和安全。这里很多人都在使用 Agent，比如 Muse 或 Instinct，而你会给它完整磁盘访问权限，让它代表你做事情。今天展示的 MXC 给我的感觉，像是为 Agent 加入了一个非常基础的新操作系统原语，这和过去很不一样。为什么操作系统是解决这个问题的正确位置？这个原语又会打开什么新的空间？

Satya： 首先要记住，这一切最早就是从运行在桌面上的编程 Agent 开始的。如果要问哪一种 Agent 最需要这种安全原语，答案其实就是本地 Harness，因为它要访问文件系统，还要真正采取行动。

所以，我们和 Jensen 团队合作时就在讨论，应该怎样把这件事直接接进底层原语里，无论是云端还是本地操作系统。因为编程首先走到了这一步：即便你调用的是云端模型，Harness 仍然运行在本地，因此我们必须让桌面成为 Agent 最安全的执行环境。这就是 MXC 的由来。

现在看到 OpenShell 与 MXC 完整集成并实现原生支持，我觉得非常棒。Pavan 刚才提到的那些控制能力，本质上都说明一件事：隔离必须在每一层完成，不能只做其中一层然后忽略其他地方。微型虚拟机要有，虚拟机要有，会话层也要有。

我最兴奋的一点，是 Windows 会话本身也具备隔离能力，这一点非常关键。但仅有隔离还不够，接下来还需要完整的可观测性。

怎么获得可观测性？你必须给 Agent 一个身份，这样我才能追踪它，看到这个 Agent 留下的完整执行轨迹，然后再对它实施治理。也就是像传统系统一样制定策略，再根据策略进行约束，这才会真正给 IT 运维、安全运维带来信心。还有一点也不能忘，就是能够追踪 Token 花费：到底在哪里花了多少 Token。

所以我们试图做的不是任何单独一件事，而是把这些东西全部串起来。经历过这么多轮技术采用周期，不管是消费者采用还是企业采用，我觉得阻碍技术大规模扩散的，往往就是没有把“完整需要什么”想清楚。如果只完成其中一部分，剩下的没做，就建立不了信任。

现在我们已经把这些能力在云端、客户端，以及整个安全和治理体系里串起来了，而且它是异构的，并不是只支持微软自己某一块技术，而是希望把所有东西都支持起来。

黄仁勋： Satya 刚才说的这些，会成为下一代 IT 的基础。如果你认真看他刚才使用的词，实际上他描述的是下一代计算机非常深层的架构。

就像 Windows 和 DirectX 曾经彻底改变应用的构建方式一样，MXC 会改变 Agent 的构建和部署方式。没有它，根本无从谈起，所以这是一件非常大的事。

“混合智能”意味着什么

主持人： 这和下一个话题联系得非常紧密，也就是“混合智能”。我觉得它和我们过去习惯的方式有些不同。现在大家都用过云端大模型：你发出请求，它可能调用一个工具，比如 Blender，然后返回结果。我们已经习惯了这种体验。

但今天展示的场景不同。你可以选择很多模型，有的跑在本地，有的跑在云端，任务会在两者之间来回流转。刚才 GitHub 的演示里有一句话让我印象很深：“这些 Token 是免费的。”也就是说，一部分工作负载直接在笔记本本地执行，一部分在云端执行，并且系统会智能路由。这样的模式会打开什么？

Satya： 我觉得这就是那种很多原本分散的东西突然“咔哒”一下拼到一起的时刻。

我刚才一直在想，20 世纪 80 年代末我读研究生的时候，我有一台终端，比如 VT 系列终端，连接 VAX；家里又有一台 PC。我其实一直同时使用两边。PC 上通过调制解调器连接 VAX，同时又有本地 DOS、早期 Windows，还有 Usenet 等东西。

但直到大约 Windows 95，甚至到 Mosaic 这样的第一代浏览器出现，这些东西才真正被整合成一种无缝体验。那时你不会再关心“这是本地还是云端”，你只想让所有可以获得的计算能力顺畅地服务于你正在做的事情。

刚才 Danilo 的演示就是这种感觉。那一刻真的很震撼。我觉得几年后大家回头看，会说：“原来那就是我们第一次真正看到这种工作方式。”

他先去 ComfyUI，下载多个模型，生成一批资产；然后把资产拿到 Blender 里进一步加工；再回到 ComfyUI；之后去 Photoshop，用可能是本地模型的能力继续优化；再回到 ComfyUI；最后又把整个东西带到云端，通过 Astra 和 Unreal 完成最后一步。

他只是自然地使用桌面上的应用、本地模型和云端模型，所有东西就这么协同工作。这就是今天真正想表达的东西。

所以我看到的趋势非常清楚。未来不会再有一个时刻，你还要特意判断“这个跑本地、那个跑云端”。你会默认混合智能无处不在，成为普遍存在的能力。这正是让我最兴奋的地方。

黄仁勋： 刚才那个应用里，Blender 被加速了，ComfyUI 被加速了，Astra 在云端运行，而 Agent 在本地。整个计算可以触达的范围非常惊人。

Satya： 对，它真的把整个人类计算史上几乎所有科技公司的能力，都汇聚到了同一个应用工作流里。

黄仁勋： 没错。回到你一直在讲的加速计算，这也是 Danilo 为什么会兴奋：过去需要好几天的事情，现在只需要几个小时。真正被加速的不只是某个任务，而是他的创造野心，我觉得这很酷。

主持人： 现在模型已经很擅长工具调用，但很多工具本身就在本地，文件也在本地。这里还有一个很现实的问题：我希望自己的数据保持安全、可控，也希望工具调用发生在数据附近。

Satya： 对。编程 Agent 刚开始流行的时候，有一件事让我很兴奋：大家突然又重新爱上了控制台，也重新爱上了文件系统。这再次证明文件系统是一种多么强大的抽象。

我觉得 Agent 会成为文件系统最大的用户群之一。文件系统必须安全，因为它是一个异构内容的集合空间。刚才那个报税例子就非常典型：它把下载目录、云端文件、邮件等各种来源里的内容，最终整理进一个文件系统容器，然后调用本地模型和云端模型继续处理。

这就是新的计算机。过去是我在使用电脑，未来是我和我的 Agent 一起使用电脑，因此 Agent 也需要这些底层原语。

像 OneDrive，我已经很久不会把它想成“云端东西”或者“客户端东西”了，它就是到处都在。所以，我觉得我们现在开始进入这样的阶段：我希望供 Agent 使用的底层能力可以 24×7 存在。当我坐在 PC 前时，它应该像是在这台 PC 上工作；当我移动到其他地方，它也应该跟着我移动。

黄仁勋： 还有一个很惊人的地方，这些 Agent 最终会比我们更会使用工具。原因很简单，我们通常只知道某个应用 10% 到 15% 的功能，但 Agent 可以知道每一项功能。

所以，现在这些不可思议的工具都在你的 PC 上，又运行在 Surface Laptop Ultra 这样强大的电脑里，Agent 可以直接访问所有能力。谁知道未来能做到什么？刚才它已经同时用到了 Blender、Unreal、ComfyUI，真的很不可思议。

黄仁勋：第一次真正“重做”个人电脑

主持人： Jensen，我想接下来问硬件。我们平时经常看到你谈那些规模巨大的 Vera Rubin、Blackwell、NVL72，也就是驱动数据中心的“智能 Token 工厂”。但今天聊的是另一种东西：RTX Spark、工作站等。你怎么看 Token 从数据中心生产，逐渐也可以在用户身边生产这件事？

黄仁勋： 这个项目投入的工程力量非常惊人，累计超过 4000 工程师年（engineering years）。这是一个非常庞大的项目。

我们实际上第一次真正把个人电脑完整重做了一遍。过去分散在游戏 PC、笔记本、工作站，以及云端超级计算机里的各种能力，现在我们统一了架构，让它们运行在一颗超级芯片上。

这颗超级芯片为什么是长方形？因为它实际上是两颗巨型芯片融合在一起。它是一头“猛兽”。算力达到 1 PFLOP。

给大家一个参照：引爆 AI 革命的那台 DGX-1 算力也是 1 PFLOP。那台机器价值 2.5 亿美元，重达 500 磅（实际上，初代 DGX-1 在 2016 年的官方售价为 12.9 万美元，官方系统重量约 134 磅），而现在，这样的算力已经被放进了你的笔记本电脑里。

更重要的是，这也是全球唯一一种可以同时原生运行这些东西的计算机架构：DirectX 及其全部应用、OpenGL 的各个版本，因为我们需要所有这些工具和设计软件、创意软件；Unreal 也必须运行得非常好；同时 DirectX 要足够优秀；还要让每一个 CUDA 应用都能以很高性能运行。

4 年前我和 Satya 讨论的是：接下来会出现整整一代新的软件开发者，而这些开发者会成为 AI 软件开发者。他们要么是在开发 AI 应用和 AI 模型，要么是在利用 AI 来开发软件。因此，计算机本身必须被重新设计，从底层就非常擅长 CUDA。

这也是为什么它是全球第一种可以在设备端原生运行全部这些能力的计算机。我们第一次真正做到了。这件事需要我们双方数千名工程师，也需要整个产业一起参与。看看我们身后的生态：每一家主要笔记本厂商、桌面设备厂商、工作站厂商都加入了进来。

这可能是第一次，一种新的硬件和新的计算机架构一出现，整个产业从上到下、从左到右、跨越各个地区全部共同参与，这是一场完整的重构。

我们很清楚自己正在做的事情有多重要。现在已经测试了超过 1200 款应用，而且是全球负载最高、最复杂的一批。我们做了完整的功能测试、性能测试、兼容性测试，也完成了大量优化，接下来还会继续做下去。围绕这套系统，我们还会不断加入更多软件、中间件、算法，这件事不会停止。

所以当你最后看到 Pavan 拿着这样一台漂亮的笔记本站在台上时，背后其实是微软、英伟达，以及全球大量合作伙伴无数工程师共同完成的工作。所有这一切，都是因为我们相信：个人电脑过去是人的工具，而未来它不仅是人的工具，也会成为我们的个人助理，并由这个助理去使用工具。

Agent 代表用户行动后，谁来承担责任？

主持人： 最后一个问题，想问两位。如果这几天看过 X，会发现大家正在激烈讨论“个人 Agent”。今天我们更多谈的是生产力 Agent 和企业 Agent，但无论是 Muse 还是 Instinct，现在都出现了一个问题：当 Agent 代表我出去购买东西时，究竟是我在购买，还是 Agent 在购买？出了问题谁负责？

对于服务提供商来说，如果未来用户本人不再直接访问我的网站，而是由 Agent 代表用户访问，我又该怎么应对？整个行业正在尝试制定标准，也在摸索新的行为方式。如果稍微看看未来，你们觉得这会走向哪里？会形成标准吗？行业会围绕某种新的行为规范逐渐收敛吗？

Satya： 我觉得还是要回到我们前面谈的“信任”。信任首先来自一些基础问题：这些 Agent 有没有被隔离？有没有自己的身份？Agent 的执行轨迹是否能够与用户身份分离？

Pavan 团队一直在强调的一点，就是即使 Agent 是代表用户工作，也必须让 Agent ID 和用户本身的身份分开。日常使用需要这样，到了你刚才说的场景里更需要这样，因为接下来你必须决定：我究竟把多大的代理权限（delegation authority）交给 Agent，让它代表我做什么？

这个决定本质上还是建立在信任上。随着 Agent 越来越自主，只要它不断证明自己值得信任，你愿意交出去的权限就会逐步增加。

而在消费者场景里，我觉得最终还会落到一种“保险定价”的问题。某种程度上，市场会给“Agent 代表我做事”这件事定价。协议当然很重要，我们应该把协议做好，但最终市场还是会评估：Agent 代表用户行动所带来的风险应该如何定价。

黄仁勋： 你这个问题再一次说明，MXC 是多么重要的基础。OpenShell，以及我们一起做的这些工作，本质上都是在解决信任、隔离、可观测性和监控。

如果这些基础做不好，后面的事情都无从谈起。我们首先必须把这一层安全做好。那些代表我们行动、替我们做事的 Agent，只能获得最小必要权限；它们必须拥有自己的凭证；必须可以被监控并建立信任。只有做到这些，我们才可能真正让 Agent 放手去替我们执行任务。

今天其实是一个非常有力的时刻。我还记得 OpenClaw 刚出现的时候，它还是一种从终端里折腾出来、自己搭 Gateway 的东西。现在，它已经成为 Windows 中原生嵌入的一部分，Token 可以在本机加速运行。为了走到今天，背后投入了大量工程工作，真的非常惊人。

Satya： 最后我还想补一句。Jensen 刚才顺带提到的那个愿景，其实就是 Windows 一直以来在做的事情：不把任何一段代码、任何一种框架留在过去，而是把它们全部带到未来。

他刚才说，我们会把全部 Windows 应用、所有图形应用、全部 CUDA、全部 OpenGL，再加上新的 Token 工厂一起带过来，真正让我震撼的是这一点。

Windows 已经陪了我 34 年，看起来它还会再陪我 34 年。

参考链接：

https://www.youtube.com/watch?v=RE_AsVyoOSQ