41年、7次转型后，迈克尔·戴尔再造戴尔：变慢的是人，变快的是AI

2025 年 10 月 8 日，纽约，戴尔科技投资者日。

迈克尔·戴尔在台上宣布了一组激进的数字：未来四年营收增速翻倍、EPS目标翻倍、股息承诺延长至 2030 年。

但更值得注意的，是他更早之前对全公司说的那句话：

五年后，会有一家比我们更快、更聪明的戴尔。我们必须成为那家公司。

几天后的 10月 13 日，在一场深度访谈中，这位戴尔科技的创始人进一步解释了这次转型的底层逻辑。

他不谈大模型性能，也不谈算力芯片，而是抛出了三个更本质的问题：

AI工厂的原材料是谁的数据？

最大瓶颈是电而非GPU？

真正的制约因素是组织而非技术？

贯穿投资者日演讲与深度访谈的，是同一个判断：AI的进化是指数级的，人类组织的响应是线性的。

“变快的是AI，变慢的是人。”

基于这一判断，他正在主导戴尔的又一次转型： 从PC公司 → 数据中心公司 → AI工厂。

这是他职业生涯中又一次经历技术革命。

而这一次，可能是最彻底的一次。

第一节

AI 工厂的核心，是把数据变成 token

“你以为我们在卖服务器？其实我们在造 token。”

在投资者日和访谈中，迈克尔·戴尔强调：AI 的价值已经不只是模型本身，而是从数据中持续产出 token 的能力。

什么是 token？

可以理解为“智能的最小单位”：每一次AI回答、每一个决策、每一段生成的内容，背后都是海量 token 在运转。

✅ Token需求：从线性到指数

传统的大语言模型（LLM）处理的 token 数量已经很大了，而更大的转变才刚刚开始。

AI 不再是单个模型在运算，而是：

• 多模态AI（如自动驾驶、实时翻译）
• 多个AI代理并行协作（如智能客服系统）
• 每个任务背后，一连串逻辑流程同时启动，token需求以十倍、百倍速度增长

当你从单模型过渡到多代理系统，token的数量会指数级增长。

而这意味着：更多服务器、更强冷却、更大供电以及一套真正懂客户数据、能持续产出的“AI工厂”。

✅ 戴尔的定位：做AI的底座

戴尔用一句话概括他们的角色：

客户的数据是燃料，token是产品。

很多公司有数据，但没法直接用来生成有价值的智能。戴尔做的，就是搭建起“数据 → token → 智能”的路径：

数据在哪？在客户的边缘设备、本地系统里

怎么用？通过企业级AI部署，本地化运行

产出什么？成千上万个token，支撑AI工具的行动能力

他们AI战略并不复杂，但非常落地：让 token 能落地，能调度，能重复产出。

✅ 不谈愿景，只谈落地

很多企业谈 AI 时说的是未来：AI怎么改变行业、颠覆工作。而戴尔关注的是客户能否立即部署 AI。

他给出一组数据：

戴尔服务器网络业务，去年增长 58%，今年Q3增长 69%；

企业客户里，已有超 85% 计划将AI从云端迁回本地；

他们已经与 3000+ 家企业一起部署“AI 工厂”。

企业AI的核心问题，已经从“要不要做”变成了“怎么运转跑起来”。

一个核心公式：

“token产出能力 =数据质量 × 算力规模 × 电力供应 × 组织效率”

戴尔科技公司在这场 AI 的基础设施重建中，选的不是最具吸引力的路径，而是最务实的那条路：让每个 token 都能被稳定地产出、调度、使用。

这，才是所谓“AI 工厂”的真正含义。

第二节

戴尔盯的不是模型升级，而是电从哪来

为支撑AI工厂token产出的指数增长，电力已成为决定其上限的首要瓶颈。

在访谈中，迈克尔·戴尔指出一个关键问题：我们客户最常说的一句话是：“请你们晚几天发货，我们的楼还没接上电。”

✅ AI竞赛的真正起跑线

过去我们谈AI时，常讲“训练成本”“推理效率”“大模型架构”。但现在，模型再好、服务器再多，没电就是摆设。

戴尔说：要生成上万亿个 token，就必须有大量计算力。 而算力的根本，就是电。

而这种的问题，正在成为很多大客户面前的现实瓶颈：

1. OpenAI要建10GW级数据中心，但公开承认不确定电从哪来
2. 企业客户告诉戴尔：设备可以先买，电力得排队
3. 全球电网因建设周期长和能源政策限制，难以快速满足 AI 需求

所以，这已经不只是技术话题，这是一个能源问题。

✅ 让同样的电，做更多的事

戴尔并未止步于问题，而是通过硬件优化提升能效。

他介绍了几项具体措施：

冷板系统：让热量更快传导出去，服务器不会过热降频；

冷却分配器：集中控制冷却液流量，能节省一半以上能耗；

热交换后门：把热风“锁”在设备背后，避免房间变热。

听起来都是工程细节，但本质只有一句话：我们能让同样的电，支撑更多的AI任务。

✅ 电网跟不上，只能自己提效

戴尔预测，在未来几年内，AI设备数量会持续增长，但供电基础设施跟不上。这不是某一个国家的问题，而是全球现实：

训练一次GPT-4级模型，单次耗电数百万度

多代理并行推理，耗电量远超传统AI

每一代硬件都需要更强供电，但数据中心扩容有物理极限

别幻想无限电力，现在就要设计高能效的AI系统。

因此，AI 时代最基本的现实：不是你想部署就能部署，不是你算力够就能落地，而是：没电，一切白干。

而戴尔，正将“能源优化”从热门话题，转化为 AI 工厂设计的核心原则。

第三节

组织太慢，AI太快：戴尔如何重构流程

“变快的是 AI，变慢的是人。”

在解决电力限制后，迈克尔·戴尔在访谈中指出面临的另一挑战：AI 工厂已建成，技术高效产出，但企业运转的障碍往往不是技术，而是滞后的组织流程。

✅ 人慢 AI 快：小时级差距

戴尔提到：我们正在用 AI 优化销售、客服、开发、供应链等所有流程，因为如果不优化，人的速度根本跟不上 AI。

在技术端,大模型已经能在几小时内完成代码开发、技术支持、知识检索。但在组织端,流程还是按“天”“周”来推进的：写代码要走审批;客服回答要翻知识库;数据分析得交给 BI 团队排队处理。

这些流程,本来没错。但在AI时代却成为拖慢速度的障碍。

正如戴尔所说，这差距不是技术问题，而是组织必须跟上的紧迫现实。

✅ AI 带人走流程，不止口号

戴尔的做法不是培训，而是直接上工具，把 AI 融进每个环节。

他讲了一个非常具体的例子：我们做了一个叫 Next Best Action 的工具。它能从所有客户数据中，帮客服一开始就找到最有可能解决问题的方法。

这个工具可以：

1. 自动阅读过往通话记录；
2. 理解客户当前遇到的问题；
3. 在客服开口前，就推荐出三种最可能的解决方式；
4. 整场对话结束后，自动生成总结报告。

结果是：客服变快了,满意度提升;问题解决率提高,重复工单减少;人员流动成本也更低,因为新手也能快速上手。

这相当于为每位员工配备了一个“聪明的搭档”。

✅ 简单动作背后的组织倒转

迈克尔·戴尔没有用“数字化转型”这类术语来讲他的做法。他给出的关键词是：数据先行，流程跟随，AI落地。

每个部门都做了一件事：把数据全部整合，重新梳理流程，再让 AI 去优化。

这看似简单，实施却极难。他坦言：

人不喜欢改变。如果一个人做了十年、二十年某件事，你突然告诉他，现在这件事要交给AI，他第一反应是拒绝的。

所以他采取的办法是：

从小流程改起，用AI直接替代重复性步骤；

将AI工具嵌入日常工具中，而不是另起平台；

鼓励团队试错，不断迭代，而不是一次性大重构。

不需要让所有人都懂 AI 原理，只需要让他们用得上，就能变快。

如今，现在戴尔科技内部：销售用 AI 草拟邮件；工程师自动调试代码；产品经理总结反馈。

这些应用的不是展示AI，而是少重复工作、多判断能力。

最好的 AI 应用，让人感叹：这事怎么突然就不难了？

底层现实：组织不变，AI 潜力也发挥不出来。戴尔用最简单方法，让 AI 提速。

第四节

客户不缺数据，缺的是激活它的能力

客户的数据，就是我们 AI 工厂的燃料。——迈克尔·戴尔

实际上，企业并不缺数据，真正缺少的是将数据转化为智能的能力。

✅ 数据堆在仓库里，是“沉睡资产”

过去十年，几乎所有大公司都在做数据中台、数据湖、大数据项目。但问题是，这些数据大多只是被收集起来了，而不是被用起来。

戴尔说：

“客户有大量的交易记录、用户日志、传感器信息，但这些数据只是躺在那里，并没有转化为智能。”

换句话说，它们像一桶桶汽油，装满了仓库，但从未被使用。

而 AI 的价值，不在于你拥有多少数据，而在于这些数据是否能被模型有效利用，产出有用的 token 和决策结果。

✅ AI 不靠“海量数据”，靠“专属数据”

戴尔明确表示：

“AI 不是运行大模型，而是激活专属数据。”

什么意思？不是你非要拥有全世界的数据，而是要用好你自己的数据，让它和 AI 一起产生价值。

• 一家制造企业利用机器日志训练设备维护模型，降低10%的设备停机时间；
• 一家银行通过交易记录打造风险监控助手，提升了欺诈检测效率；
• 一家医院基于病例数据构建诊断建议引擎，优化了诊疗流程。 这些智能的背后，不是模型本身，而是专属数据被激活的成果。

这些都不是模型能力本身，而是数据被激活后产生的智能。

✅ 为什么 85% 的企业开始“从云回家”

近年来约七成的大型企业，开始把 AI 部署从公有云迁回本地数据中心。

戴尔解释：

“企业开始意识到，最有价值的数据根本不会离开自己手里。如果要最大限度释放这些数据的价值，必须将 AI 部署于数据邻近的环境中。”

本地化部署能让企业更高效地激活专属数据，因为数据无需离开内网即可被模型利用。

他们的业务由此转型：他们不去与云厂商争抢计算力，而是担任 AI 落地的施工队：

帮企业挑选合适的模型；

搭建本地运行环境；

把私有数据直接接入模型；

让 token 的生产就在企业内网里进行。

现在，戴尔科技不再只是卖硬件，而是帮客户把数据变成智能。

目前，戴尔科技已与全球超过 3000 家企业合作，将 AI 工厂搬进客户本地机房。每家数据不同、模型各异，但共同点是：数据从记录过去，变成创造智能的燃料。

AI 时代的胜负，不看模型或 GPU 数量，而是能不能激活沉睡数据，让它从一堆记录，变成推动业务的决策引擎。

第五节

他不是靠规划赢，而是靠几十年的痴迷

如果说戴尔的公司之所以能在 41 年里完成 7 次自我重塑，靠的并不是提前规划好了未来，而是创始人一以贯之的逆向工程思维。

这一哲学始于迈克尔·戴尔 15岁的习惯：面对复杂事物，唯有深入其内部，才能理解其本质。

✅ 从拆电脑开始，到拆商业逻辑

1980 年代，15 岁的迈克尔第一次拿到 Apple II电脑。当其他孩子沉浸于游戏时，他却拿起了螺丝刀：

我想知道它为什么会动，里面到底发生了什么。

此后，他将这一理念贯穿于戴尔公司的整个发展历程：

• 剖析PC制造流程，以“直销”模式重塑游戏规则；
• 重构供应链，将库存周期从3个月压缩至3天；
• 解析IBM等巨头的运营模式，在夹缝中开辟道路；
• 颠覆自身组织架构，果断裁撤老旧部门，为AI业务铺平道路。

这种深入核心、再重新构建的思维，始终是他的行动准则。

✅ 他不迷信“战略”，迷信的是“问题本身”

在访谈里，戴尔提到自己从不把企业未来画成一张路线图，而是不断靠提问来推进。

“我从不认为我们能预测未来。我唯一能做的，就是不断去问：这个东西为什么这样？它还能不能更好？”

这些问题不仅针对产品，也发生在管理上。 他会问：

• “我们的组织结构，是不是已经比技术本身慢了？”
• “我们的客户，真正需要的是硬件，还是结果？”
• “如果今天从零开始，我们还会这样做吗？”

每一个问题的答案，都会引出一次调整、一次重构。

✅ “Dad Terminal”：一切皆可拆解

小时候，父亲送给戴尔一台“终端机”（Dad Terminal），那是他首次接触联网世界。这次经历让他意识到：所有的复杂系统，都是由可理解的部件组成的。

“拆开它，就能理解它；理解它，就能改造它。”

他将这一洞察应用于企业管理，要求组织像一台“永远可拆解的机器”。在内部，他将“如果没有限制呢？”和“AI会怎么做？”追问，固化为公司文化，推动持续创新。。

41年来，戴尔不是靠战略文件走到今天。他的护城河，源于一种本能的思考方式：

先拆开，再理解，然后再重建。

从数据到 token 的转化，到电力、流程和数据的优化，迈克尔·戴尔的逆向工程思维贯穿始终，构建了AI 工厂的完整生态。

结语

戴尔 AI 转型，对我们有 3 点提醒

别只买模型，要问：谁帮你通电？

AI 落地靠交付能力，不是算法。客户关心的是：电力是否充足，模型能否高效运行？

别怕泡沫，要看客户部署节奏

我们看到泡沫，但是我们看到更多的电力巨大缺口。——迈克尔·戴尔。真实需求在催交付，不是炒作，是部署速度。

别求稳定，要学会自我重构

“多数企业不是被打败，而是自我毁灭。”五年后毁掉你的，是一个比你更快的“你”。

戴尔科技做 AI，从硬件、电力、组织一步步重做。不是表面 AI 化，而是真正落地生效。

变慢的是人，变快的是 AI。

不动的企业，只会被甩开。

参考资料：

https://www.youtube.com/watch?v=9WSsLSq40Yw

https://www.youtube.com/watch?v=Nk7WW2GVagY

https://fortune.com/2025/10/08/dell-technologies-ceo-michael-dell-ai-data-centers-bubble-tech/

https://www.linkedin.com/in/mdell

来源：官方媒体/网络新闻

本文来自微信公众号“AI 深度研究员”，作者：AI深度研究员，36氪经授权发布。