微软花了 $180 亿，宣布不依赖 OpenAI 了。数据用的还是同一个互联网
Build 2026，微软发布 7 款自研 MAI 模型，宣称使用「企业级、商用授权数据」。技术报告说的是：Common Crawl 242 亿页面，自有爬虫 1.2 万亿页面起始。独立了，干净是另一回事。
「独立不等于干净。」
微软在 Build 2026 上宣布了一件大事：七款自研 AI 模型，统称 MAI。
不靠 OpenAI，不靠 Anthropic，全部从头训练，全部自己做。
Mustafa Suleyman 站在台上说，这是「登山机器（hill-climbing machine）」，一套随着算力规模扩张、可以永远向上攀爬的训练管线。
很好听。
然后他们说这批模型的训练数据是：「企业级、干净、可商用授权数据谱系（enterprise-grade, clean and commercially licensed data lineage）。」1
这句话非常值得仔细看。
七款模型，一次宣布独立
MAI 家族一共七款模型，覆盖推理、编码、图像生成、语音合成、语音识别五个领域：2
Loading content card…
- MAI-Thinking-1：旗舰推理模型，350 亿激活参数，256K 上下文窗口，稀疏 MoE 架构。盲测中，人类评审偏好它超过 Claude Sonnet 4.6。目前仅向特定企业开放私有预览。
- MAI-Code-1-Flash：编码模型，50 亿激活参数，主打超低推理成本，已上线 GitHub Copilot 和 VS Code。
- MAI-Image-2.5：图像生成，Arena 排名据称超过 Nano Banana Pro，已于 6 月 2 日上线。
- MAI-Transcribe-1.5：全球最优转录模型（微软自评），比竞品快 5 倍，支持 43 种语言的专业术语。
- MAI-Voice-2：支持 15 种语言的语音合成，含音色克隆功能。
- MAI-Voice-2-Flash：Voice-2 的轻量版，即将推出。
- 还有面向 Windows PC 的小尺寸 Aion 系列本地模型。
Satya Nadella 在台上说：「我们相信，是时候让每家公司从消费前沿模型，转向全面参与前沿生态了。」3
Mustafa Suleyman 说，经过在麦肯锡项目上的调优，MAI-Thinking-1 超越了 GPT 5-5，成本效率高出 10 倍。
每个数字都有来历，每个对比都有名字。
是那种听上去很可信的 keynote。
「商用授权」这四个字
然后我们去看技术报告。
MAI-Thinking-1 的技术报告写得相当详细，数据来源那节尤其坦诚。
预训练数据由「公开可用数据」和「许可的人类生成数据」混合而成。包括：
- 自有网络爬取，起始规模：1.2 万亿页面，过滤后大幅缩减
- Common Crawl：处理后约 242 亿页面
- 网络爬取的 PDF：从约 100 亿文档起始，过滤至约 6.2 亿
- 公开 GitHub 代码：7.4 万亿 tokens
- 学术论文、新闻、书籍、多语言文本
这是一台工业级的公共互联网吸尘器。
不是说这样做有什么问题。
OpenAI 用 Common Crawl。Google 用 Common Crawl。Anthropic 用 Common Crawl。几乎所有前沿模型都这么做，这是行业共识。
问题在于，微软在对外宣传时选择了「commercially licensed data lineage」这个措辞。
把「公开可访问的数据」包装成「可商用授权」，这两者之间存在一道很大的语义沟。
可访问，意味着你的爬虫能取到这个页面。
可商用授权，意味着这些内容的著作权人明确授权你用于商业用途。
Common Crawl 的数据来自互联网上数以亿计的网页、论坛帖子、新闻文章、学术论文、代码库。这些内容的原始作者，绝大多数从来没有签过任何授权协议。
Robots.txt 是爬虫指令，不是版权许可。过滤垃圾内容，不等于清除版权归属。
微软没有撒谎，但他们用了那些听起来像撒谎的词。
为什么非要这么说
这里有一个背景值得说清楚。
DeepSeek 事件之后，企业采购团队对「数据来源」变得格外敏感。银行、医院、政府机构在采购 AI 工具时，一个核心问题变成了：你这模型是拿谁的数据练的？你能给我看授权文件吗？
这是微软 MAI 的目标客户群。
微软在 4 月更新了与 OpenAI 的合作框架：双方改为非独家授权，微软停止向 OpenAI 支付收入分成，OpenAI 也可以在其他云平台上提供服务。3
简而言之，双方开始松绑。
这给了微软一个强烈的动机：证明自己可以做第一方模型。不依赖 OpenAI，不依赖 Anthropic，不依赖 Google。数据干净，完全自主。
于是在面对企业采购时，「commercially licensed data lineage」成了一个极其方便的话术。它回答了客户的焦虑，它区别了竞争对手，它让 MAI 看起来像一个「干净」的选项。
但技术报告说的是另一件事。
Loading content card…
模型本身值多少钱
把数据争议放一边，模型本身有没有价值？
有。
MAI-Code-1-Flash 的定位很清晰：50 亿激活参数，Haiku 级别的性能，微软自家 Azure 运行，成本比调用 OpenAI 或 Anthropic 低。这是一个经济账，它对 Copilot 的现有用户是实实在在的好事。
MAI-Thinking-1 的旗舰推理定位也有实际意义：Medium 尺寸，比 opus 系列便宜，用 Frontier Tuning（企业私有强化学习）可以在特定任务上大幅提升。麦肯锡那个例子（任务完成率从 13% 到 87%），如果是真实场景数据，那是相当惊人的。
问题是这些数字目前都来自微软自己，没有经过独立验证。MAI-Thinking-1 还在私有预览阶段，只有受邀企业能用。
成立但未知，不如说：潜力已标注，兑现待观察。
微软花了多少钱建这座笼子
$130 亿投了 OpenAI。$50 亿投了 Anthropic。
加起来 $180 亿。
然后他们在 Build 2026 上宣布，不想再那么依赖他们了。
Loading content card…
你可以说这是正常的企业战略：投资不等于依附，多元化自研堆栈是可持续路径。
你也可以说，这是一个用 $180 亿买来的领悟：给别人的模型铺管道，最后管道还在，但阀门不在你手里。
微软的选择是对的。MAI 做出来对微软有好处，对 Azure 客户有好处，对想要第一方模型选项的企业有好处。
但「commercially licensed data lineage」这个说法，是在用过于整洁的语言包装一个复杂现实。
现实是：这批数据和大家用的差不多。
微软做了更好的过滤，更干净的管线，更细致的质检。这些都是真的。
但互联网上那 1.2 万亿页面里的作者，没有人签字说「请用于微软 AI 产品的商业训练」。
处理得干净，不等于拿得干净。
独立，但不自由。
本文 AI 辅助写作，技术声明（葬 AI 官方 Skill 生成）。
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.