自2019年在硅谷成立以来，NTT研究所以长期科学实验室的模式运营，是日本电信巨头NTT集团旗下的专职研发部门，该集团每年在全球研发领域投资超过30亿美元。如今进入第七个年头，这个实验室作为不受季度业绩压力和产品路线图束缚的研究子公司而建立。

与初创公司或典型的企业创新团队不同，NTT研究所是一家全资实体，专注于培育计算、安全和医疗领域的技术进步，这些成果日后可融入NTT的全球基础设施和企业服务。其中许多努力需要五到十五年才能接近商业化，而随着人工智能压缩开发周期、市场更看重速度，这个时间表正在吃紧。一个问题变得更加尖锐：如果发现成果永远停留在实验室，其价值何在？

NTT研究所正试图通过其所谓的“NTT研究所2.0”来回答这个问题。这是一种双引擎模式，在维持长期科学研究的同时，推动发现成果走向市场。总裁兼首席执行官Kazu Gomi认为这一转型是必然的。其核心是Scale Academy，这是一个新的孵化器，旨在将实验室突破孵化出公司。其首个测试案例SaltGrain是一个基于属性加密的零信任数据安全平台，该概念于2004年首次提出，但此前在很大程度上仍停留在理论层面。这一努力反映了一个更广泛的挑战：将深度研究转化为可行的公司，同时不丧失产出这些成果的严谨性。

在与《快公司》的对话中，Gomi讨论了如何让尖端科学落地、Scale Academy与传统孵化器的不同之处，以及如何判断新兴技术何时为现实世界做好准备。为了简洁清楚，我们对这次对话做了删减。

NTT研究所长期着眼于5到15年的突破周期。在NTT研究所2.0中，您引入了更市场驱动、更像创业公司的模式。您如何判断一项技术何时可以从实验室进入商业化——又如何平衡避免过早推出与不让好点子烂在手里？

这一转变并非一蹴而就——实际上，我们已在幕后构建这种商业孵化能力超过一年。您现在看到的Research 2.0正是把内部已经成型的东西正式推出来。在实际层面，关键认识在于：经过七年的基础研究，我们现在拥有多项技术正接近（或在某些情况下已处于）具有明确商业潜力的阶段。若让这些机会闲置，那就太可惜了。

因此，在操作上，我们引入了一个新层级——商业孵化功能——有选择地挑选那些短期内能做成产品的技术。思路并非改变研究方式，而是创建一条平行路径，以更结构化的方式将这些技术推向市场。在避免过早推出不成熟技术或让成熟技术闲置过久的风险方面，我的思考方式并非通过僵化的阶段关卡，而是通过角色分离和意图明确。研究团队继续专注于基础发现，不受产品时间线的压力。同时，孵化团队从完全不一样的角度来看技术：市场成熟度、客户相关性和商业可行性。一项技术啥时候算“准备好”，不是看一份死板的清单，而是看我们能不能看到一条靠谱的路，让它落地并创造价值。

我们做出的最重要的结构性选择，是不让研究人员转型成做业务的人。相反，我们建立了完全独立的Scale Academy团队，从外面招那些懂市场、懂客户、懂营收的人。这样分开之后，两边都不受干扰：研究团队不用赶进度，孵化团队也不用被学术那套框住。

许多大型科技公司都设有孵化器或风险投资部门。Scale Academy在架构上到底哪儿不一样？它在激励机制和治理上是不是真的像创业公司那样独立运作，还是说还是受大公司内部那套规矩限制？你觉得成功怎么算？是看孵化了多少家公司、赚了多少钱，还是搞出一套能反复用的商业化模式？

我们不一样的地方是起点。Scale Academy不是从产品团队或者小改进那里拿想法，而是直接连到一个很强的基础研究底盘。也就是说，我们做的技术常常是全新的，有时候甚至比市场还超前，这就给了我们不一样的筹码。

说到管理和限制，我们确实有NTT这个大母公司给钱、撑腰。但同时我们也清楚，现在没有哪家公司能单打独斗成功。所以Scale Academy的一个核心原则就是融入生态。我们做孵化的时候，没想过全占着——我们想拉其他合作伙伴、投资者，还有跟这个市场有关的人一起玩。能融入更大的生态，对把这些新技术推广起来特别重要。

至于怎么算成功，这个标准还在变，但我不想只拿孵了多少家创业公司来算。那太肤浅了。关键是能不能搞出一套能反复用、有效的流程——挑对的技术、想对的路子，然后尽快做成能自己活下来的公司。当然，单个公司肯定要看营收和挣钱能力，但我觉得真正的成功是这个模式能不能成为一个持续转起来的发动机，一直把深度的研究成果变成实打实的生意。

搞研究得耐得住性子、接受不确定，但创业公司要的是快、要市场验证。你咋做到两边都不耽误，把这两种完全不同路子调和好？NTT Research内部得做哪些文化和组织上的改变，才能同时支持探索和落地？

研究2.0最头疼的地方，可能就是这个了。试图直接合并这些内容会产生冲突，因此关键就在于把分离和协作这两件事掰扯清楚。孵化团队得懂技术，同时还要研究人员一直给撑着。但这个互动得把握好度。重叠太多，研究团队容易分心；合作太少，产品又搞不扎实。

文化上呢，我确实感觉有变化，尤其是大家的驱动力不一样了。很多研究员都跟我说，希望自己的成果真能用起来。通过Scale Academy，我们现在可以提供这样的途径。这算是多给了一个激励，不是说就不管学术了，而是相辅相成。我们可以说：‘你这玩意儿挺值钱的，想不想看看它到底怎么用？’。但边界和互动要是管不好，很可能两手都抓不住——既无法实现卓越研究，也无法成功商业化。所以，这个我们一直在盯，边走边调。

基于属性的加密（ABE）已存在多年，但从未真正进入主流企业部署。为啥现在突然能用了？性能、可扩展性或者实际落地方面，到底有啥变化？SaltGrain通过将策略嵌入数据本身，是否真正重新定义了零信任，还是说就是现有技术在AI需求驱动下的升级版？

像ABE这种技术，一般得慢慢养。在过去十年中，ABE在技术层面已变得更加稳定和实用。所以技术本身现在确实能打了。

然而，更重要的因素是市场时机。过去一两年里最大的变化，就是AI，特别是代理型AI，突然火起来了。现在这个局面就是：越来越多AI代理在企业里跑，它们得拿大量数据才能干活。这就卡在了一个关键矛盾上。一方面，公司得给尽可能多的数据让代理学习。但另一方面，很多数据里夹着敏感信息——个人隐私、财务数据、内部档案——不能直接甩出去。因此，企业陷入两难：要么冒泄露数据的风险，要么限制访问，结果AI就不好使了。

SaltGrain就是干这个的。我们把ABE跟别的功能结合起来，专门搞这个。例如，我们在搞一个分类引擎，能自动扫文档、识别敏感信息，然后给它分个敏感等级。搞完这一步，ABE就可以选择性屏蔽或加密敏感部分，其他部分照常能用。

另一个关键变化是，我们不再主要为了人类用户来设计这个系统。数据越来越是由AI智能体来“观看”的。因此，我们正基于这一假设来微调系统。我们可以根据策略给不同智能体不同级别的访问权限，所有这些都在数据层面强制执行。把策略直接嵌入到数据里，这个核心思想和零信任原则非常吻合。但它的新颖之处在于应用场景：在AI驱动的环境中，访问的规模、速度和方式都发生了根本变化。目前，我在市场上没有看到多少实际解决方案能应对这个问题。

我们正在进入一个世界，AI智能体（而不仅仅是人类）将访问企业数据并据此采取行动，这带来了新的安全风险。您以数据为中心的模式如何应对这一现实？在数据层面嵌入的策略能否在复杂的实际工作流中规模化应用？企业应如何看待后量子时代的准备——是当务之急，还是更长期的过渡？

最近一些安全事件，比如大规模数据泄露导致整个文档库被曝光，就说明了为什么以数据为中心的安全很重要。在传统模式下，数据一旦被盗，基本就完了。但用了ABE，保护措施会一直跟着数据本身。即使文件被复制或泄露，嵌入的访问控制策略依然有效，因此敏感信息仍然受到保护。对我们来说，零信任数据安全就是不只靠边界防御，而是确保数据走到哪儿都安全。在将这一方案扩展到AI驱动环境方面，我认为我们仍处于早期阶段。我们可以指出一些场景，在这些场景中，这种做法本可以显著降低过去数据泄露的影响，但我们还在打造实际案例，以便更精确地量化这种影响。

与此同时，如果企业能够相信其敏感数据即使与智能体AI系统共享也能得到保护，他们将更愿意将这些数据用于训练和运营。这是促进AI应用和创新的关键因素。SaltGrain的第一个版本没有做后量子就绪，这是故意这么做的。当今的系统仍主要基于前量子密码学，因此我们希望立即交付价值，而不是等待。

然而，与此同时，我们的研究团队已经开发出了后量子版本的ABE。挑战在于性能。早期的实现计算量太大，根本没法实际用。通过研究团队和孵化团队的协作，我们花了两年时间打磨这些算法，调整假设，进行优化，以在保持安全性的同时降低计算需求。现在我们有了一个更实用的版本。因此，我们的路线图是部署当前解决方案，展示其价值，然后在未来几年内切换到后量子准备就绪。我们希望向市场表明，我们不仅了解发展趋势，而且有具体的实现路径。

研究领域竞争越来越激烈，超大规模云服务商、初创企业和各国政府都在大力投资AI、量子技术和下一代基础设施。那么，NTT真正与众不同的地方是什么？是研究的深度、系统级集成，还是长期资本？如果Scale Academy成功了，它会不会重新定义AI时代企业研究实验室的角色？还是说，这仍然是在平衡深度科研和商业化之间的一次尝试？

我觉得这是个管理上的挑战。迄今为止，NTT Research 一直专注于基础研究，目标很明确：产出扎实的科学成果，发表有影响力的论文。这很成功，打下了非常坚实的基础。Research 2.0 的不同是，我们又加了一个方向。我们不是要取代研究使命，而是把它扩大。我们的优势在于研究深度，再加上现在能把这些研究跟实际应用结合起来。许多公司参与了硅谷生态系统，但并不是每家公司都有同样深度的基础创新。

我特别感兴趣的是把这个模式推广到整个 NTT 组织。我们在全球的实验室（包括东京）都在开发很多技术。并非所有技术都适合商业化，但有些技术很有潜力，适合商业化。如果 Scale Academy 证明可行，我们可以将这些“皇冠上的明珠”引入这个流程，并更有效地将其推向全球市场。

在这个阶段，这仍然是一个实验，不过是个精心设计的实验。我们不是想证明深度科学和商业化容易结合——其实并不容易。但我们相信，只要有合适的架构，就有可能建立一个让两者都能茁壮成长的体系。从内部来看，这一方向得到了强有力的支持。大家既兴奋，又迫切想看看它会怎么发展。