Jensen Huang 在 Dreamforce 上力挺 Salesforce Koa，对抗封闭式前沿 AI

9 月 15 日，2026 年 Dreamforce 大会上，Salesforce 推出首个 CRM 推理模型之际，Jensen Huang 传递了一个直截了当的信息。他认为，人工智能如今让人们能够“知晓一切，做到一切”。

更重要的并非这句口号。Salesforce 发布了 Koa：这是一款基于合成 CRM 场景、通过后训练 NVIDIA Nemotron 3 Super 构建的专用模型。它运行在 Salesforce 基础设施内，为 Agentforce 提供了封闭式前沿模型之外的另一种选择。

此前，当 Agentforce 工作流需要持续推理时，Salesforce 依赖 Anthropic 和 OpenAI 等供应商。Koa 改变了这种依赖关系，但并未终止这些合作。Salesforce 现在可以将部分企业任务路由至由其自主控制的模型。

这使该公告成为两种竞争路线的试验。一种路线是将大量业务任务交给通用前沿模型；另一种则是让开放权重模型适配企业的数据结构、政策和重复性工作流。

Koa 并不能证明专用模型一定会胜出。Salesforce 已公布内部结果、试点客户名称和上线时间表，但独立的生产环境证据仍然有限。这一缺口将 Huang 在 Dreamforce 上描绘的宏大愿景，与企业买家如今能够验证的事实区分开来。

Jensen Huang 在 Dreamforce 上以 Koa 支撑宏大承诺

Huang 对 AI 的宏阔论述，伴随着 Salesforce 模型战略中的一项具体变化。

Dreamforce 开幕当天，Huang 在旧金山 Moscone Center 与 Salesforce CEO Marc Benioff 同台。他在讨论 AI 作为下一层重大基础设施时走入观众席。

“有了电力，我们可以驱动一切，”Huang 说道，“有了互联网，你可以找到一切。”随后，他认为 AI 让社会能够“知晓一切，做到一切”。

这番表述体现了 Huang 对 AI 的广泛看法，但随之而来的产品公告则揭示了实际利害关系。Salesforce 推出了 Koa，将其定位为首个专为客户关系管理设计的推理模型。

推理模型会在生成答案或采取行动前，投入额外计算来处理多个中间步骤。在 CRM 中，这可能意味着在一次请求中评估客户历史、政策、权限以及多个工具。

根据官方 Dreamforce 公告，Salesforce 通过后训练 Nemotron 3 Super 开发了 Koa。后训练是指让现有基础模型适应特定任务、行为模式和运行约束。

Salesforce 表示，它创建了一个专有合成数据集，以近三十年的 CRM 部署经验为蓝本。合成数据由生成的示例构成，而非客户记录的直接副本。

该公司表示，这些场景覆盖了 14 个以上行业的工作，涉及线索生成、商机资格评估、服务工单处理以及遵循政策的工具使用等活动。

每个场景都将一名模拟专业人员与一项任务，以及完成该任务所需的行动序列相匹配。这种设计旨在教会模型企业工作如何推进，而不仅仅是让它熟悉 CRM 术语。

Salesforce 还表示，Koa 的训练语料中没有客户数据。因此，Huang 的亮相将关于通用 AI 能力的雄心勃勃主张，与一款刻意聚焦的企业模型联系在一起。

这种反差至关重要。Koa 并非旨在回答所有问题，也并非要在所有方面超越每一个前沿模型。它的目标是在 Salesforce 工作流中可靠推理，同时保持在 Salesforce 的运营控制之下。

公司计划通过多个 Agentforce 入口提供 Koa。客户可以为整个组织选择该模型，将其分配给单个智能体，或通过托管模型目录使用它。

这种灵活性使路由成为公告的核心。企业不必为每项任务选择同一个模型；它们可以将昂贵的通用智能留给非常规问题，并将 Koa 用于可重复的 CRM 工作。

这正是 Huang “做到一切”这一表述背后的具体含义。模型必须将推理连接到受治理的行动，包括更新商机、分派工单或安排跟进。

该公告也缩小了“知晓一切”在负责任的语境下所能指代的范围。Koa 只会接收客户选择共享的记录、基础数据和指令。

它并非无所不知，Salesforce 在技术产品细节中也没有这样描述它。其拟议优势来自相关上下文、专业化能力和受控访问。

这种区分将一个颇具舞台效果的主题演讲时刻，转化为一项影响深远的平台决策。Salesforce 不再只是将外部智能连接到其应用中；它正在构建一层能够自行运营的推理能力。

Salesforce Koa 挑战对封闭式前沿模型的依赖

Koa 让 Salesforce 控制更大份额的企业推理能力，从而对封闭模型供应商形成压力。

在 Koa 之前，复杂的 Agentforce 请求可以通过 Salesforce 的 AI 网关，传递给 Claude 或 ChatGPT 等模型。该网关会为每个请求选择合适的模型。

Salesforce 此前已拥有用于聚焦任务的较小模型。然而，Salesforce AI 执行副总裁 Jayesh Govindarajan 表示，持续推理仍依赖前沿模型供应商。

“推理一直是我们依赖前沿模型供应商来完成的事情，”Govindarajan 告诉 TechCrunch，“直到现在。”

最后这句话解释了 Koa 为何不只是又一次模型发布。Salesforce 拥有应用层、客户关系、权限、业务逻辑，以及每项请求背后的大量上下文。

封闭模型供应商过去提供了困难的推理能力。这一位置让前沿实验室在高价值企业工作流中扮演了重要角色。

Koa 让 Salesforce 将这一角色的一部分内部化。公司控制模型权重、托管系统、定义服务环境，并决定其如何进入 Agentforce 路由。

该模型基于 NVIDIA Nemotron 3 Super，这是一款以宽松许可发布的开放权重模型。开放权重允许获批准的运营方部署和适配模型，而无需将每次请求都发送给其原始开发者。

这种控制支持了 Salesforce 关于数据边界的论点。该公司表示，Koa 完全在其基础设施内运行，客户信息在推理过程中始终留在 Salesforce 内部。

推理是指训练完成的模型生成答案或采取行动的过程。将这一过程保持在单一受控环境中，可以简化治理、审计和数据位置决策。

这一说法并不意味着部署变得毫无风险。Salesforce 仍必须保护模型端点、连接的工具、存储的凭据、行动权限，以及每次会话中提供的数据。

不过，所有权改变了谁来管理这些风险。客户可以将 Koa 视为 Salesforce 现有信任边界的一部分进行评估，而不必新增另一条外部模型路径。

Koa 还让 Salesforce 对推理经济性拥有更大影响力。封闭供应商通常根据 token 使用量、预留容量或协商后的企业协议收费。

如果专用模型能以更少生成的 token 达成正确的 CRM 行动，就可以减少不必要的推理。Salesforce 和 NVIDIA 表示，这种效率是 Koa 的设计目标之一。

Nemotron 3 Super 使用混合专家架构，每个 token 只激活模型的选定部分。NVIDIA 表示，该模型拥有 1,200 亿个参数，但推理时仅激活其中 120 亿个。

NVIDIA 还为该模型提供了 100 万 token 的上下文窗口。上下文窗口是指模型在一次交互中能够考虑的信息量。

这些规格之所以相关，是因为多智能体工作流会生成较长的历史记录、工具输出和中间决策。NVIDIA 表示，此类工作负载可能比普通聊天使用更多上下文。

该公司声称，Nemotron 3 Super 的吞吐量最高可达上一代 Nemotron Super 模型的五倍。它还声称，准确率最高可提升一倍，具体取决于测试。

这些是 NVIDIA 的测量结果，并非关于 Koa 的独立研究结论。Salesforce 的后训练、服务系统、连接工具和治理层同样会影响实际表现。

不过，这一架构为 Salesforce 走向更低成本的专业化提供了合理路径。它可以针对常见行动调优模型，而不必为每次请求都支付最广泛可用智能的成本。

这在特定领域对 OpenAI、Anthropic 和其他封闭供应商形成压力。它们必须证明，更强的通用推理能力足以合理化其成本及较低的运营方控制权。

这种压力并非即时的替代威胁。Salesforce 仍继续支持外部模型，并在同一 Dreamforce 周期内宣布深化与 Anthropic 的合作。

Koa 改变的更多是 Salesforce 的谈判地位。公司可以将常规推理路由至内部，同时将前沿模型保留给其更广泛能力能带来可量化价值的任务。

这种模型组合更像云计算，而不是一场赢家通吃的竞争。企业会根据工作负载、安全要求、延迟和成本组合不同系统。

对于知识工作者而言，这也将关注点从模型品牌转向业务上下文的质量。当通用模型缺少销售管道历史和运营定义时，它无法准确评估一笔交易。

因此，结构化的组织上下文成为 AI 技术栈的一部分。已经在构建可搜索知识库的团队，会认识到同样的原则：有用的答案依赖于对相关信息的受治理访问。

关键机制是专业化，而非更大的通用模型

Koa 的核心押注在于，面向任务的训练和受控行动的重要性可能高于在广泛基准上的领先地位。

前沿模型竞争通常聚焦数学、编程、科学和通用推理测试。这些指标有助于比较核心能力，但 CRM 智能体面临的是另一组失败模式。

企业智能体必须选择正确的记录、遵循权限、调用获批准的工具，并在多个步骤中保留上下文。如果它更新了错误的账户，再流畅的回答也毫无意义。

Salesforce 表示，Koa 的合成训练场景瞄准了这些运营需求。它们模拟了客户生命周期中的专业人员、客户状态、政策、工具和预期行动序列。

一个场景可能要求智能体识别存在风险的商机。它需要审阅沟通记录、检查阶段变化、应用公司规则，并建议获授权的下一步行动。

另一个场景可能涉及愤怒的服务客户。智能体需要检索账户上下文、理解政策限制、调用正确的功能，并在需要时进行升级处理。

因此，模型必须做的不只是生成文本。它必须将语言转化为跨越记录系统的受控工作。

Salesforce 通过 CRM Bench 评估这种行为；这是其针对更新商机、分派工单和安排跟进等任务的基准测试。该公司表示，Koa 在 CRM 行动上的表现与领先模型持平或更优。

Salesforce 报告称，Koa 在该基准测试中的错误率低至三分之一。该公司还称，其在选择行动时的准确率提高了 11%。

公司表示，Koa 回忆客户上下文的可靠性提高至 2.1 倍。它还报告称，在长时间对话中记住上下文的能力提升了 15%。

这些数据出现在 Salesforce 官方的 Koa 模型页面。在外部评估机构于可比条件下复现之前，它们仍属于公司自行报告的结果。

这一基准测试的设计值得密切关注。与通用学术测试相比，面向 CRM 的评估能够更直接地衡量实际运营能力。

不过，供应商也可能围绕熟悉的工作流和内部工具来塑造其基准测试。买家需要了解基线、任务分布、评分方式以及失败严重程度等细节。

轻微的格式错误不应与未经授权的记录更改具有相同权重。汇总准确率可能掩盖生产环境中最关键的失败。

这一机制的第二部分，是围绕概率模型实施确定性控制。Salesforce 表示，它以零温度运行 Koa，以使响应更加一致。

温度控制模型输出的变化程度。较低的设置通常会使响应更具可重复性，但并不保证正确性。

Salesforce 还在 Koa 周围部署了一个服务运行框架。该公司将其描述为模型本身之外的额外安全与运营控制层。

这种分层设计十分重要，因为语言模型无法独自执行企业治理。权限、工具架构、验证、监控和审批步骤必须限制代理可执行的操作。

Salesforce 表示，Koa 仍受每位客户配置的上下文和防护措施约束。它只能看到通过这些受治理路径提供的信息。

第三部分是模型路由。Koa 成为一个额外的提供商选项，而非 Agentforce 唯一的智能来源。

代理路由器可以将 CRM 任务导向 Koa，同时把其他问题发送给 Claude 或其他模型。这将用户体验与底层提供商分离开来。

这种路由方式可以让模型成为可互换的基础设施，但前提是性能确实具备可比性。薄弱的评估可能会在掩盖低质量结果的同时，将工作导向成本更低的模型。

这一战略也避免 Salesforce 完全依赖某一家实验室。随着成本、能力、监管要求或客户偏好的变化，它可以调整模型选择。

对 NVIDIA 而言，Koa 展示了 Nemotron 如何成为专业化企业模型的基础。即使最终产品使用 Salesforce 品牌，NVIDIA 仍能从中受益。

其角色不止于供应加速器。该公司为构建自有智能层的合作伙伴提供开放权重、训练方法、部署软件和技术协作。

Nemotron 架构专为长周期代理工作流和高效推理而设计。Koa 为这一设计在大型软件平台中提供了一次引人注目的测试。

这一策略不同于要求每家企业自行构建基础模型。企业可以从一个能力较强的开放模型起步，再通过后训练应用自身的领域知识。

难点在于将机构经验转化为安全的训练数据和有价值的评估。Salesforce 将其合成语料描述为反映了 27 年 CRM 智能经验。

这一描述不应被理解为 27 年的客户记录被输入模型。Salesforce 表示，该语料使用了以累积工作流知识为基础构建的合成场景。

这种区分有助于保护隐私，但也带来了另一个问题。合成示例可以复现预期模式，却未必能捕捉生产环境中全部的混乱情况。

真实账户中存在字段缺失、记录冲突、异常权限、陈旧数据和组织特有例外。这些情况往往决定代理能否成功。

因此，Koa 的机制可信，但尚未完整。专业化可以提升相关性和效率，但其生产价值仍取决于数据质量、工具可靠性和运营测试。

内部基准测试无法终结企业 AI 之争

Koa 最有力的主张，仍来自销售和运营这一系统的公司。

Salesforce 已点名多家参与试点的组织，包括 1-800Accountant、Baxter Credit Union、Engine、Formula 1、UChicago Medicine 和 Xero。

该公司还表示，Koa 已通过员工、帮助、活动和网页代理在内部使用。这些部署为在大规模可用前进行测试提供了有价值的环境。

然而，参与试点并不能证明能够持续产生业务影响。已发布的材料没有披露完成率、人工干预率、延迟或总运营成本。

它们也未展示当公司数据不一致时 Koa 的表现。而在大型 CRM 部署中，这是一种常规状态，并非罕见的边缘情况。

客户声明强调的是潜在用例。UChicago Medicine 突出了多步骤协调能力，而 Engine 则聚焦于复杂服务场景中的精准推理。

这些案例显示了专业化推理可能发挥作用的领域。但它们尚不足以证明该模型能够在高风险环境中自主运行。

企业买家应询问，人类需要多频繁地纠正或批准 Koa 的行动。他们还应区分回答质量与工作流是否成功完成。

代理可以生成准确的摘要，却仍然无法更新正确的系统。它也可能选对工具，但提供无效参数。

最有意义的评估应追踪从请求到经验证结果的完整任务过程。它们还应衡量系统是否始终处于被分配的权限范围内。

Salesforce 关于客户数据始终留在其信任边界内的说法，回应了一项重要担忧。但这并不能消除提示词注入、过度授权、连接器遭入侵或业务规则缺陷等风险。

提示词注入是指不受信任的内容操纵代理指令的情况。一封电子邮件或一份文档可能试图将系统引向不安全的操作。

专业化模型或许能通过训练抵御部分攻击，但周边控制仍然不可或缺。敏感操作应要求验证、最小权限、日志记录和适当的人工批准。

买家同样需要明确 Koa 的局限性。零温度可以提升一致性，却无法让错误结论变得正确。

同样，合成训练可以避免直接暴露客户数据，但也可能嵌入场景生成过程中的假设。随着工作流变化，这些假设需要持续审查。

舞台上的安全讨论又增添了一层紧张感。Huang 将安全称为“首要任务”，但他否认安全与开发速度之间必然存在简单的取舍关系。

“尽可能快地推进，”他说，同时补充道，当产品看起来不安全或失去控制时，公司应当暂停。

这一立场进入了 AI 领导者围绕前沿开发速度的激烈争论。有关 AI 放缓的争论此前已成为 Dreamforce 更广泛背景的一部分。

Koa 不应成为所有前沿 AI 风险争论的替身。它是在应用平台内运行的专业化企业系统。

但同样的原则在较小规模上依然适用。只有当公司能在客户承受后果之前发现不安全行为，快速推进才是负责任的。

Salesforce 的受控基础设施，可能使 Koa 比一组彼此割裂的模型服务更易于监控。集中化能够支持一致的政策、日志和回滚流程。

但它也集中了责任。如果模型、路由器或服务运行框架发生故障，许多 Agentforce 工作流都可能继承同一问题。

封闭式前沿模型在这场争论中仍保有优势。其开发者在通用能力、安全研究、评估和大规模服务基础设施上投入巨大。

它们也可以快速改进，而无需让每家企业重复进行基础模型开发。对于少见或智力要求高的任务，通用模型可能仍是更好的选择。

Salesforce 本身也通过持续提供模型选择承认了这一现实。它并未将 Claude、ChatGPT 或其他提供商从 Agentforce 中移除。

其 Claudeforce 合作伙伴关系让销售人员能够通过 Claude 访问 Salesforce 数据并执行操作。首批产品包含 37 项由 Salesforce 权限治理的销售技能。

这种同步合作并不矛盾。它表明 Salesforce 预计模型竞争将在其平台内部展开，由不同系统处理不同工作负载。

因此，Koa 真正的对手是对封闭式前沿推理的强制依赖。它不需要取代每一个外部模型，也能削弱这种依赖。

决定性证据将来自路由决策和生产结果。如果客户持续为有价值的任务选择 Koa，Salesforce 就将验证专业化开放模型适配的价值。

如果他们仍将大部分困难工作路由给封闭式提供商，Koa 将仍是一项战略对冲，而非企业智能的新中心。

三个信号将显示 Salesforce Koa 是否重要

Koa 的重要性将由部署、经验证的结果和路由行为衡量，而非主题演讲中的措辞。

第一个信号是从试点转向广泛可用。Salesforce 表示，Koa 目前已向部分试点客户开放。

该公司预计将在 2026 年冬季于美国地区全面推出。它还计划在初始试点阶段后不久开启公开测试版。

这一时间表带来了即时检验。及时发布并附带清晰文档，将加强 Salesforce 关于 Koa 是生产级模型而非会议演示的主张。

延期并不能证明技术失败。但它仍可能表明，评估、基础设施、治理或客户准备工作需要比预期更多的时间。

第二个信号是来自已点名试点组织的证据。买家应寻找可量化的工作流结果，而非背书或对预期用途的描述。

有用指标包括任务完成率、纠正率、延迟、升级处理次数，以及需要人工批准的行动比例。安全事件和回滚频率同样重要。

成本主张也需要同样严谨的审视。更少的 token 可以降低推理成本的一部分，但总成本还包括托管、检索、集成、监控和人工审查。

独立比较尤其具有价值。评估者应在相同记录、权限、工具和完成标准下，测试 Koa 与前沿替代方案。

这样的比较可以验证 Salesforce 的 CRM Bench 结果，或揭示这些结果无法迁移的场景。无论结果如何，都将帮助客户作出更好的路由决策。

第三个信号是 Salesforce 如何平衡 Koa 与外部模型。Agentforce 内部的模型选择将比公开定位揭示更多信息。

如果 Salesforce 将 Koa 设为常见 CRM 推理任务的默认选择，这将显示其对模型可靠性和经济性的信心。客户主动选择率将提供另一项采用指标。

如果 Claude 或其他前沿系统仍处理大部分多步骤工作，专业化的作用可能更为有限。Koa 仍可服务于隐私敏感或高度重复的工作流。

Salesforce 对路由器的描述方式同样值得关注。透明的选择规则将帮助管理员理解，为何一项任务会被分配给特定的提供商。

企业应能够将模型选择与可衡量的需求关联起来，包括数据所在地、延迟、操作风险、任务复杂度以及可接受的成本。

整个行业还将关注 NVIDIA 的合作伙伴渠道。若更多基于 Nemotron 构建的垂直领域系统出现，将表明 Koa 代表了一种可复制的模型开发模式。

如果展示性质的部署数量有限，则可能意味着深度专业化仍然成本高昂且难以实现。大型平台或许能够承担，而较小的软件供应商仍会继续使用封闭 API。

对企业团队而言，眼下的启示很务实：仅有模型能力并不能打造出有效的智能体。

可靠的智能体需要干净的上下文、严格限定的权限、经过测试的工具，以及基于已完成工作进行的评估。它们还需要易于获取的机构知识，而不是分散的文档和未被记录的决策。

为这种模型丰富的环境做准备的团队，可以在选择提供商之前先加强其知识工作流。更好的上下文能够改善每一种模型路由，包括专业化系统和通用系统。

黄仁勋在 Dreamforce 上的表述，展现了围绕 AI 基础设施的雄心。Koa 则揭示了其背后更棘手的问题：谁掌控与企业数据相连的推理层？

Salesforce 如今已有一个可在 Agentforce 内部测试的答案。它掌控 Koa，同时保留对竞争模型的访问能力。

未来几个月应能显示，这种控制权是否会带来更好的结果，还是仅仅提供更多选择。采购方应要求提供生产环境指标、独立对比以及透明的路由政策。

这些证据将决定，黄仁勋在 Dreamforce 上的表态是否标志着企业专用 AI 向前迈出的持久一步。在此之前，Koa 是对封闭模型依赖的一项可信挑战，而非胜利的证明。