微軟CEO納德拉提出了全新的判斷，認為AI Agent生態(tài)將徹底取代傳統(tǒng)的SaaS模式。這一觀點引發(fā)了業(yè)界的廣泛關(guān)注和討論。本文將深入剖析納德拉的判斷依據(jù)，為讀者呈現(xiàn)一個清晰的AI Agent生態(tài)構(gòu)建藍圖，供各位參考。

去年年末，微軟CE0薩提亞·納德拉曾大膽預(yù)言:

AI Agent將替代所有SaaS。

按照納德拉的預(yù)判，傳統(tǒng)的Saas(軟件即服務(wù))模式正在走向衰退商業(yè)用戶熟悉的應(yīng)用程序形式將逐漸被智能代理所替代。

毫無疑問，在AI落地的過程中，Agent將扮演越來越重要的角色。但如何更好地構(gòu)建Agent生態(tài)，對產(chǎn)業(yè)各方來說，成為一個亟待解決的難題。

昨天，在班加羅爾舉辦的“Microsoft AI Tour ”大會上，納德拉再次發(fā)表了一場有關(guān)AI的重磅主題演講。其中，就詳細談到了其對于關(guān)智能體生態(tài)構(gòu)建的最新觀點。

烏鴉君摘取了此次演講中的關(guān)鍵信息與觀點，相信會給你帶來啟發(fā)：

1）人工智能邁向新臺階的關(guān)鍵，更為高效的推理效率

2）智能體生態(tài)構(gòu)建的三大關(guān)鍵能力

3）智能助手，全面革新工作流

4）算力，將成為衡量任何組織發(fā)展的核心變量

5）數(shù)據(jù)，AI 發(fā)展的根本支撐

6）明年，大模型本身將不再是業(yè)內(nèi)焦點

7）工具屬性越來越重要

8）邊緣端正在崛起，任何應(yīng)用程序都將成為混合應(yīng)用程序

9）模型本身變化太快，設(shè)計決策更加重要

01 人工智能邁向新臺階的關(guān)鍵，更為高效的推理效率

回顧我在科技領(lǐng)域的35年從業(yè)經(jīng)歷，背后一直有一股根本力量在發(fā)揮作用。

摩爾定律。

以前，比爾·蓋茨每年都會把我們一群人召集到一起，然后他會拿出摩爾定律，再講講內(nèi)存方面的情況。

然后說“用軟件去填滿它吧”。

這就是，給整個公司下達的唯一指令了。即便到了今天，情況依然如此。

當我們思考，推動人工智能尤其是預(yù)訓練發(fā)展的擴展定律時，其實就是摩爾定律在再次發(fā)揮作用。

它首先得益于2010年的深度神經(jīng)網(wǎng)絡(luò)（Dnns），之后，顯然是GPU（圖形處理器）又帶來了新變化。

或許是Transformer（一種深度學習模型架構(gòu)）在數(shù)據(jù)并行方面的高效性，使得原本大概每18個月容量翻倍的情況，開始變成每6個月就翻倍一次。

這就是那些擴展定律的實際體現(xiàn)。

雖然，關(guān)于預(yù)訓練的擴展定律，目前存在諸多爭議。比如，它們是否還會延續(xù)？是否已經(jīng)遇到瓶頸等。

但我們堅信，它依然有效，會持續(xù)發(fā)揮作用，只是難度確實增加了。

隨著數(shù)據(jù)量變得更大、參數(shù)數(shù)量增多，系統(tǒng)問題也變得更為復(fù)雜，不過它們?nèi)詴^續(xù)發(fā)揮作用。

但現(xiàn)在更有意思的是，我們開始看到另一個與推理時間（或者說測試時間）相關(guān)的擴展定律，也就是計算擴展定律。

從某種程度上來說，預(yù)訓練有采樣步驟。

如何更高效地利用這個采樣步驟，實現(xiàn)在推理時間方面的擴展，我認為這將使人工智能發(fā)展邁向新臺階。

02 智能體生態(tài)構(gòu)建的三大關(guān)鍵能力

如何“讓（AI）思考更深入”這個理念，是我一直關(guān)注的重點。

它不僅關(guān)乎采樣，還涉及在預(yù)訓練基礎(chǔ)上，在推理時運用它來更深入地思考，進而得到更好的結(jié)果。

我認為，這些能力最終歸結(jié)起來，體現(xiàn)在三個方面：

1. 多模態(tài)能力

這種能力，能讓我們與任何計算機系統(tǒng)進行操作，都可以熟悉、簡易的交互，將會改變每一個軟件類別。

例如，iPhone上的操作按鈕，我把它設(shè)置成讓智能助手（Copilot）為我服務(wù)。

現(xiàn)在，我可以很自信地用烏爾都語跟它交流，它能理解我的意思，就像在跟高中好友聊天一樣。

2. 規(guī)劃和推理能力

這是真正的智能體行為的開端。當你使用智能助手（Copilot）的辦公套件時，它就能喚起規(guī)劃，并將規(guī)劃作為多步驟流程，去執(zhí)行的能力。

3. 記憶和工具使用能力

在我看來，這種能力是真正有助于我們，構(gòu)建豐富多樣的智能體生態(tài)的關(guān)鍵所在。

它能使AI將系統(tǒng)之外，或模型記憶的上下文、所用工具以及權(quán)限范圍之外的事物整合起來。

我認為，這將是未來一年內(nèi)，每個開發(fā)者的研發(fā)重點。

即，如何讓自己的模型知曉，它能用的工具，且不僅局限于函數(shù)調(diào)用；

如何確保它對自身權(quán)限有正確的理解；

如何保證它具備記憶能力，包括長期記憶。

當我們思考智能體時，將多模態(tài)能力、規(guī)劃推理能力、記憶能力以及所用工具，特別是權(quán)限范圍這些要素整合起來。

我們就能開始構(gòu)建個人智能體、團隊智能體、企業(yè)級智能體以及跨企業(yè)的智能體。

03 智能助手，全面革新工作流

目前，微軟正在打造三大平臺。分別是智能助手（Copilot）、智能助手與人工智能技術(shù)棧（Copilot and AI stack），以及智能助手設(shè)備（Copilot devices）。

首先，是智能助手（Copilot）：

將智能體理解為人工智能的用戶界面，是最合適的理解。

因為，智能體總需要與人交互，才能執(zhí)行命令發(fā)揮作用。

如此，我們就需要一個用戶界面層，用以組織協(xié)調(diào)智能體的自主工作。

我們采取的方法，是將智能助手（Copilot）融入現(xiàn)有的工作流程當中。

例如，醫(yī)生們在準備一場高風險的腫瘤病例討論會。

這意味著，醫(yī)生們要閱讀所有相關(guān)報告，清楚知道在每個病例上要花多少時間。

所以，制定會議議程就是一項推理任務(wù)。智能助手（Copilot）在其中就起到了作用。

它能高效的制定出一份議程，清楚知道哪個病例更復(fù)雜，需要投入更多時間。

然后，進入會議環(huán)節(jié)，醫(yī)生們只需要全神貫注于病例討論本身就夠了，人工智能能夠幫忙做詳細的會議紀要。

會議結(jié)束后，如果這位醫(yī)生還是教學醫(yī)生。智能助手還能把腫瘤病例討論會上的內(nèi)容整理出來，無論轉(zhuǎn)換成文檔，還是PPT都可以。然后，就可以輕松的去授課。

這是人工智能融入當前的工作流程的一個范例，簡單的流程卻能對生命有著重要的影響。

進一步看，有了頁面（Pages）、網(wǎng)絡(luò)聊天（Chat with web）以及工作范圍（Work scope）這些功能后。就又有一種新型的工作流程了。

無論是網(wǎng)絡(luò)上的信息，還是微軟365圖譜（Microsoft 365 Graph）里的信息，我們都能把數(shù)據(jù)提取出來。

然后，將其推送到一個名為頁面（Pages）的交互式人工智能優(yōu)先畫布上。

一旦數(shù)據(jù)呈現(xiàn)在頁面（Pages）里，我就可以在頁面中使用智能助手（Copilot）來持續(xù)對其進行修改。

我借助人工智能思考，將內(nèi)容推送到頁面（Pages）上，邀請其他人參與，與他人協(xié)作，而且人工智能在這個畫布上也全程參與。

聊天（Chat）加上頁面（Pages）將會成為人工智能新的重點應(yīng)用。

未來，人工智能的擴展性是推動其持續(xù)發(fā)展的關(guān)鍵。

以在微軟生態(tài)中，智能助手操作（Copilot actions）為例。

對于熟悉 Outlook 規(guī)則的用戶而言，Copilot actions 可視為人工智能時代的規(guī)則進階。

它突破單一應(yīng)用的限制，在整個微軟 365 系統(tǒng)中通用。

知識工作常涉及信息的收集與分發(fā)，以及人員與成果、人員間的關(guān)聯(lián)，而 Copilot actions 能將這些流程自動化設(shè)置，是人工智能擴展性的初步體現(xiàn)。

當然，大家還可以構(gòu)建完整的智能體。

我們自己也正在構(gòu)建很多這樣的智能體，其作用范圍涵蓋小組層面、流程層面等等。

比如，你可以有項目智能體，在團隊內(nèi)部也有智能體在發(fā)揮作用，像口譯員、協(xié)調(diào)員這類智能體。

我們自己就構(gòu)建了許多具有組級別和流程級別作用的智能代理。

04 算力，將成為衡量任何組織發(fā)展的核心變量

現(xiàn)在我想講講下一個平臺，也就是智能助手與人工智能技術(shù)棧（Copilot stack in the AI platform）。

我們一直將Azure（微軟的云計算平臺）視為全球計算機，并且會繼續(xù)堅定投入建設(shè)。

因為，我們認識到，人工智能無法獨立存在，它需要整個計算棧的支持。

計算棧是人工智能的基礎(chǔ)設(shè)施，從某種意義上來說，對于任何國家或任何公司而言，如今也就有了一個新的考量公式.

我把它看作，每/美元對應(yīng)的算力（tokens per dollar）。

坦白講，無論是兩年后、五年后還是十年后，我們都會討論國內(nèi)生產(chǎn)總值（GDP）增長與這個公式之間的關(guān)聯(lián)。

無論是在任何社區(qū)、任何國家、任何行業(yè)，甚至是公司層面，其自身的增長都與能否高效驅(qū)動這個公式緊密相關(guān)。

為此，基礎(chǔ)設(shè)施建設(shè)必須成為重中之重。

05 數(shù)據(jù)，AI 發(fā)展的根本支撐

如果有了基礎(chǔ)設(shè)施，下一個非常重要的考量因素就是數(shù)據(jù)。

在我看來，數(shù)據(jù)層是極為重要的一層，數(shù)據(jù)是創(chuàng)建人工智能的基礎(chǔ)。

預(yù)訓練需要數(shù)據(jù)、檢索增強生成（RAG）需要數(shù)據(jù)，訓練后處理需要數(shù)據(jù)、進行采樣在推理時計算，以改進預(yù)訓練需要數(shù)據(jù)。

所以，數(shù)據(jù)管道和數(shù)據(jù)至關(guān)重要。

我們打造的用于人工智能操作的存儲系統(tǒng)，無論是Cosmos DB（微軟的全球分布式數(shù)據(jù)庫服務(wù)），還是SQL Hyperscale。還是用于分析工作負載的Fabric（微軟的數(shù)據(jù)分析平臺）。

它們都已為人工智能做好了準備，以便后續(xù)，結(jié)合這些模型來使用數(shù)據(jù)以及構(gòu)建模型。

這兩方面就是關(guān)鍵所在，一是基于數(shù)據(jù)進行模型訓練，二是利用數(shù)據(jù)進行檢索、增強生成等操作。

數(shù)據(jù)的臨近性、數(shù)據(jù)引力以及數(shù)據(jù)的局部性等因素都很重要。

06 明年，大模型本身將不再是業(yè)內(nèi)焦點

一旦有了基礎(chǔ)設(shè)施和數(shù)據(jù)，接下來就是人工智能應(yīng)用服務(wù)器。

回想當年，互聯(lián)網(wǎng)興起時，我們打造了IIS（互聯(lián)網(wǎng)信息服務(wù)）作為應(yīng)用服務(wù)器；云計算出現(xiàn)時，我們又開始構(gòu)建原生云應(yīng)用服務(wù)器；移動時代也是如此。

每一個技術(shù)時代都需要對應(yīng)的應(yīng)用服務(wù)器，在人工智能時代，我們打造了Foundry（一個人工智能應(yīng)用開發(fā)平臺）來擔當此任，并搭載了豐富的模型資源。

有了模型之后，接觸下來就是部署模型，對其進行微調(diào)、提煉，還要能夠?qū)δＰ瓦M行評估、做基礎(chǔ)測試、安全性檢測等一系列復(fù)雜的步驟。

我們直接將它們都整合到了應(yīng)用之中。

在這些環(huán)節(jié)里，評估環(huán)節(jié)將會是重中之重，所以我給團隊的指導意見很簡單。

那就是，緊跟新模型的前沿動態(tài)，確保應(yīng)用服務(wù)器層具備靈活性，這樣就能隨著模型的發(fā)展不斷跟進。

你可以先用最新的示例，然后進行成本優(yōu)化、延遲優(yōu)化，再針對自己的具體使用場景對其進行微調(diào)以用于評估。

這就是一個不斷循環(huán)的過程，而這也正是Foundry背后的理念，旨在簡化這一充滿活力的流程。

我認為，到了明年，整個行業(yè)將發(fā)生重大轉(zhuǎn)變。

行業(yè)內(nèi)討論的焦點可能就不再是模型本身，而是模型編排、模型評估以及如何部署基于這些模型的應(yīng)用。

例如，我看到巴羅達銀行（Bank of Baroda）的人員展示了他們構(gòu)建的智能體；初創(chuàng)公司ClearTax，他們的智能體已經(jīng)可以處理自己的稅務(wù)了，并且操作執(zhí)行很簡單。

還有“農(nóng)業(yè)人工智能”（Agripino of AI），它每天從土壤中收集實時數(shù)據(jù)，利用微軟的農(nóng)業(yè)數(shù)據(jù)管理器（Microsoft Tissue Data Manager for agriculture）來做決策。

它運行著20多種算法，能夠基于歷史數(shù)據(jù)模式得出準確結(jié)果。

借助OpenAI，農(nóng)民可以用當?shù)卣Z言提出問題，這些問題能通過WhatsApp傳達，他們可以精準地在農(nóng)田里進行灌溉、整地以及使用農(nóng)藥等操作。

對我來說，這真的把所有環(huán)節(jié)都串聯(lián)起來了。

它將我們構(gòu)建的所有技術(shù)，從Azure物聯(lián)網(wǎng)（Azure IoT）實現(xiàn)的數(shù)據(jù)連接，到數(shù)據(jù)層面，再到能夠利用Azure人工智能（Azure AI），最終賦能農(nóng)民提高農(nóng)作物產(chǎn)量。

從某種意義上說，這體現(xiàn)了這項技術(shù)的強大力量以及我們能用它做的事情。

07 工具屬性越來越重要

接下來我想講講最后一層，也就是如果有了基礎(chǔ)設(shè)施、數(shù)據(jù)以及人工智能應(yīng)用服務(wù)器，那么工具就是另一個關(guān)鍵要素了。

微軟最初就是一家工具公司，我們一直對工具開發(fā)滿懷熱情。

目前，我們在GitHub智能助手（GitHub Copilot）方面在持續(xù)取得重大進展。

我一直期待的一個功能現(xiàn)在已經(jīng)實現(xiàn)了，那就是多文件編輯功能。

我們先是推出了代碼補全功能，接著有了聊天功能，然后把代碼補全和聊天功能整合到了一起，現(xiàn)在又實現(xiàn)了多文件編輯，這樣我就能在代碼倉庫（repo）層面進行編輯了。

當我第一次看到GitHub智能助手工作區(qū)（GitHub Copilot workspace）時，我感覺我們迎來了新的跨越時機，要從聊天邁向真正的智能體了。

在那里，你可以基于GitHub上的一個問題創(chuàng)建規(guī)范說明，對其進行編輯，制定計劃，然后編輯計劃，最后還能看到它在整個代碼倉庫中執(zhí)行。

詳細來講：

智能助手（Copilot）能在開發(fā)者環(huán)境中，提供貼合上下文的人工智能輔助，而智能助手工作區(qū)（Copilot workspace）則是下一代具有智能體特性的人工智能原生開發(fā)者平臺。

能幫助大家，使用自然語言將想法轉(zhuǎn)化為代碼。

在智能助手工作區(qū)（Copilot workspace）中，頭腦風暴智能體（Brainstorm agent），可以基于上下文在智能助手工作區(qū)（Copilot workspace）中反復(fù)操作，通過請求修訂來不斷迭代計劃和實施過程。

最后，如果代碼測試通不過，也可以使用智能助手工作區(qū)（Copilot workspace）里的構(gòu)建與修復(fù)智能體（Build and repair agent），它會給出解決這個錯誤的方案。

這些就是我們提供的人工智能原生的開發(fā)者環(huán)境，是一種智能體工作流程，它能跟上你的創(chuàng)意速度，快速推進項目進展。

08 邊緣端正在崛起，任何應(yīng)用程序都將成為混合應(yīng)用程序

最后我想講講智能助手設(shè)備（Copilot devices）。

我們前面講了這么多從芯片到云端的創(chuàng)新以及基礎(chǔ)設(shè)施建設(shè)，現(xiàn)在這些正在向邊緣端，延伸拓展。

我們與高通（Qualcomm）、超威半導體（AMD）、英特爾（Intel）在這方面的合作讓我們倍感興奮。

事實上，最近黃仁勛還提到了下一代將應(yīng)用于普通個人電腦的GPU，有了它們，就能在本地運行整個英偉達的技術(shù)棧了。

但我們同樣對一些基礎(chǔ)功能也很期待，比如我使用智能助手電腦（Copilot PC）時，它的電池續(xù)航能支撐一整天，而且現(xiàn)在內(nèi)置了這些新的人工智能功能。

而且，現(xiàn)在內(nèi)置了這些新的人工智能功能，第三方開發(fā)者也開始利用這些功能了，像Adobe、剪映（CapCut）等公司都已經(jīng)在使用了。

邊緣端一個全新平臺的正在開端，它將會和云端正在發(fā)生的變革一樣令人興奮。

實際上，我們不認為這是傳統(tǒng)的客戶端-服務(wù)器模式，這不是關(guān)于本地獨立模型的問題，而是混合人工智能。

也就是說，未來大家構(gòu)建應(yīng)用程序時，能夠?qū)⒁徊糠秩蝿?wù)卸載到本地的神經(jīng)網(wǎng)絡(luò)處理器（NPU）上進行輔助分類，同時調(diào)用云端的大語言模型（LLMs）。

所以，任何應(yīng)用程序都將真正成為混合應(yīng)用程序，不再是單純在本地運行或者完全在云端運行，我認為這就是我們所期待的發(fā)展方向。

09 模型本身變化太快，設(shè)計決策更加重要

我們希望通過所有這些平臺展示三大關(guān)鍵設(shè)計決策：

Copilot 作為人工智能的用戶界面（UI）。

應(yīng)用服務(wù)器作為構(gòu)建人工智能應(yīng)用的平臺（如 Foundry）。

數(shù)據(jù)架構(gòu)（Data Fabric）。

相比模型本身，這些設(shè)計決策更加重要，因為模型每年甚至每月都會變化更新。

而用戶界面、數(shù)據(jù)架構(gòu)和應(yīng)用服務(wù)器是最基礎(chǔ)的核心層，能夠提供靈活性來適應(yīng)新模型。