微軟CEO納德拉提出了全新的判斷，認(rèn)為AI Agent生態(tài)將徹底取代傳統(tǒng)的SaaS模式。這一觀(guān)點(diǎn)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(gè)清晰的AI Agent生態(tài)構(gòu)建藍(lán)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(hù)熟悉的應(yīng)用程序形式將逐漸被智能代理所替代。

毫無(wú)疑問(wèn)，在A(yíng)I落地的過(guò)程中，Agent將扮演越來(lái)越重要的角色。但如何更好地構(gòu)建Agent生態(tài)，對(duì)產(chǎn)業(yè)各方來(lái)說(shuō)，成為一個(gè)亟待解決的難題。

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

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

1）人工智能邁向新臺(tái)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(diǎn)

7）工具屬性越來(lái)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(jì)決策更加重要

01 人工智能邁向新臺(tái)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(huì)把我們一群人召集到一起，然后他會(huì)拿出摩爾定律，再講講內(nèi)存方面的情況。

然后說(shuō)“用軟件去填滿(mǎn)它吧”。

這就是，給整個(gè)公司下達(dá)的唯一指令了。即便到了今天，情況依然如此。

當(dāng)我們思考，推動(dòng)人工智能尤其是預(yù)訓(xùn)練發(fā)展的擴(kuò)展定律時(shí)，其實(shí)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(lái)了新變化。

或許是Transformer（一種深度學(xué)習(xí)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(gè)月容量翻倍的情況，開(kāi)始變成每6個(gè)月就翻倍一次。

這就是那些擴(kuò)展定律的實(shí)際體現(xiàn)。

雖然，關(guān)于預(yù)訓(xùn)練的擴(kuò)展定律，目前存在諸多爭(zhēng)議。比如，它們是否還會(huì)延續(xù)？是否已經(jīng)遇到瓶頸等。

但我們堅(jiān)信，它依然有效，會(huì)持續(xù)發(fā)揮作用，只是難度確實(shí)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(wèn)題也變得更為復(fù)雜，不過(guò)它們?nèi)詴?huì)繼續(xù)發(fā)揮作用。

但現(xiàn)在更有意思的是，我們開(kāi)始看到另一個(gè)與推理時(shí)間（或者說(shuō)測(cè)試時(shí)間）相關(guān)的擴(kuò)展定律，也就是計(jì)算擴(kuò)展定律。

從某種程度上來(lái)說(shuō)，預(yù)訓(xùn)練有采樣步驟。

如何更高效地利用這個(gè)采樣步驟，實(shí)現(xiàn)在推理時(shí)間方面的擴(kuò)展，我認(rèn)為這將使人工智能發(fā)展邁向新臺(tái)階。

02 智能體生態(tài)構(gòu)建的三大關(guān)鍵能力

如何“讓?zhuān)ˋI）思考更深入”這個(gè)理念，是我一直關(guān)注的重點(diǎn)。

它不僅關(guān)乎采樣，還涉及在預(yù)訓(xùn)練基礎(chǔ)上，在推理時(shí)運(yùn)用它來(lái)更深入地思考，進(jìn)而得到更好的結(jié)果。

我認(rèn)為，這些能力最終歸結(jié)起來(lái)，體現(xiàn)在三個(gè)方面：

1. 多模態(tài)能力

這種能力，能讓我們與任何計(jì)算機(jī)系統(tǒng)進(jìn)行操作，都可以熟悉、簡(jiǎn)易的交互，將會(huì)改變每一個(gè)軟件類(lèi)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(yǔ)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(kāi)端。當(dāng)你使用智能助手（Copilot）的辦公套件時(shí)，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(lái)，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(lái)。

我認(rèn)為，這將是未來(lái)一年內(nèi)，每個(gè)開(kāi)發(fā)者的研發(fā)重點(diǎn)。

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(duì)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(zhǎng)期記憶。

當(dāng)我們思考智能體時(shí)，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(lái)。

我們就能開(kāi)始構(gòu)建個(gè)人智能體、團(tuán)隊(duì)智能體、企業(yè)級(jí)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(tái)。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(hù)界面，是最合適的理解。

因?yàn)椋悄荏w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(gè)用戶(hù)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(dāng)中。

例如，醫(yī)生們?cè)跍?zhǔn)備一場(chǎng)高風(fēng)險(xiǎn)的腫瘤病例討論會(huì)。

這意味著，醫(yī)生們要閱讀所有相關(guān)報(bào)告，清楚知道在每個(gè)病例上要花多少時(shí)間。

所以，制定會(huì)議議程就是一項(xiàng)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(gè)病例更復(fù)雜，需要投入更多時(shí)間。

然后，進(jìn)入會(huì)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(xì)的會(huì)議紀(jì)要。

會(huì)議結(jié)束后，如果這位醫(yī)生還是教學(xué)醫(yī)生。智能助手還能把腫瘤病例討論會(huì)上的內(nèi)容整理出來(lái)，無(wú)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(dāng)前的工作流程的一個(gè)范例，簡(jiǎn)單的流程卻能對(duì)生命有著重要的影響。

進(jìn)一步看，有了頁(yè)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(wú)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(lái)。

然后，將其推送到一個(gè)名為頁(yè)面（Pages）的交互式人工智能優(yōu)先畫(huà)布上。

一旦數(shù)據(jù)呈現(xiàn)在頁(yè)面（Pages）里，我就可以在頁(yè)面中使用智能助手（Copilot）來(lái)持續(xù)對(duì)其進(jìn)行修改。

我借助人工智能思考，將內(nèi)容推送到頁(yè)面（Pages）上，邀請(qǐng)其他人參與，與他人協(xié)作，而且人工智能在這個(gè)畫(huà)布上也全程參與。

聊天（Chat）加上頁(yè)面（Pages）將會(huì)成為人工智能新的重點(diǎn)應(yīng)用。

未來(lái)，人工智能的擴(kuò)展性是推動(dòng)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(duì)于熟悉 Outlook 規(guī)則的用戶(hù)而言，Copilot actions 可視為人工智能時(shí)代的規(guī)則進(jìn)階。

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

知識(shí)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(dòng)化設(shè)置，是人工智能擴(kuò)展性的初步體現(xiàn)。

當(dāng)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(xiàng)目智能體，在團(tuán)隊(duì)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(lèi)智能體。

我們自己就構(gòu)建了許多具有組級(jí)別和流程級(jí)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(gè)平臺(tái)，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(jì)算平臺(tái)）視為全球計(jì)算機(jī)，并且會(huì)繼續(xù)堅(jiān)定投入建設(shè)。

因?yàn)?，我們認(rèn)識(shí)到，人工智能無(wú)法獨(dú)立存在，它需要整個(gè)計(jì)算棧的支持。

計(jì)算棧是人工智能的基礎(chǔ)設(shè)施，從某種意義上來(lái)說(shuō)，對(duì)于任何國(guó)家或任何公司而言，如今也就有了一個(gè)新的考量公式.

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

坦白講，無(wú)論是兩年后、五年后還是十年后，我們都會(huì)討論國(guó)內(nèi)生產(chǎn)總值（GDP）增長(zhǎng)與這個(gè)公式之間的關(guān)聯(lián)。

無(wú)論是在任何社區(qū)、任何國(guó)家、任何行業(yè)，甚至是公司層面，其自身的增長(zhǎng)都與能否高效驅(qū)動(dòng)這個(gè)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(gè)非常重要的考量因素就是數(shù)據(jù)。

在我看來(lái)，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(xùn)練需要數(shù)據(jù)、檢索增強(qiáng)生成（RAG）需要數(shù)據(jù)，訓(xùn)練后處理需要數(shù)據(jù)、進(jìn)行采樣在推理時(shí)計(jì)算，以改進(jìn)預(yù)訓(xùn)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(chǔ)系統(tǒng)，無(wú)論是Cosmos DB（微軟的全球分布式數(shù)據(jù)庫(kù)服務(wù)），還是SQL Hyperscale。還是用于分析工作負(fù)載的Fabric（微軟的數(shù)據(jù)分析平臺(tái)）。

它們都已為人工智能做好了準(zhǔn)備，以便后續(xù)，結(jié)合這些模型來(lái)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(jìn)行模型訓(xùn)練，二是利用數(shù)據(jù)進(jìn)行檢索、增強(qiáng)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(diǎn)

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

回想當(dāng)年，互聯(lián)網(wǎng)興起時(shí)，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(jì)算出現(xiàn)時(shí)，我們又開(kāi)始構(gòu)建原生云應(yīng)用服務(wù)器；移動(dòng)時(shí)代也是如此。

每一個(gè)技術(shù)時(shí)代都需要對(duì)應(yīng)的應(yīng)用服務(wù)器，在人工智能時(shí)代，我們打造了Foundry（一個(gè)人工智能應(yīng)用開(kāi)發(fā)平臺(tái)）來(lái)?yè)?dān)當(dāng)此任，并搭載了豐富的模型資源。

有了模型之后，接觸下來(lái)就是部署模型，對(duì)其進(jìn)行微調(diào)、提煉，還要能夠?qū)δＰ瓦M(jìn)行評(píng)估、做基礎(chǔ)測(cè)試、安全性檢測(cè)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(píng)估環(huán)節(jié)將會(huì)是重中之重，所以我給團(tuán)隊(duì)的指導(dǎo)意見(jiàn)很簡(jiǎn)單。

那就是，緊跟新模型的前沿動(dòng)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(jìn)。

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

這就是一個(gè)不斷循環(huán)的過(guò)程，而這也正是Foundry背后的理念，旨在簡(jiǎn)化這一充滿(mǎn)活力的流程。

我認(rèn)為，到了明年，整個(gè)行業(yè)將發(fā)生重大轉(zhuǎn)變。

行業(yè)內(nèi)討論的焦點(diǎn)可能就不再是模型本身，而是模型編排、模型評(píng)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(dá)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(jiǎn)單。

還有“農(nóng)業(yè)人工智能”（Agripino of AI），它每天從土壤中收集實(shí)時(shí)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(lái)做決策。

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

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

對(duì)我來(lái)說(shuō)，這真的把所有環(huán)節(jié)都串聯(lián)起來(lái)了。

它將我們構(gòu)建的所有技術(shù)，從Azure物聯(lián)網(wǎng)（Azure IoT）實(shí)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(shuō)，這體現(xiàn)了這項(xiàng)技術(shù)的強(qiáng)大力量以及我們能用它做的事情。

07 工具屬性越來(lái)越重要

接下來(lái)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(gè)關(guān)鍵要素了。

微軟最初就是一家工具公司，我們一直對(duì)工具開(kāi)發(fā)滿(mǎn)懷熱情。

目前，我們?cè)贕itHub智能助手（GitHub Copilot）方面在持續(xù)取得重大進(jìn)展。

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

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

當(dāng)我第一次看到GitHub智能助手工作區(qū)（GitHub Copilot workspace）時(shí)，我感覺(jué)我們迎來(lái)了新的跨越時(shí)機(jī)，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(gè)問(wèn)題創(chuàng)建規(guī)范說(shuō)明，對(duì)其進(jìn)行編輯，制定計(jì)劃，然后編輯計(jì)劃，最后還能看到它在整個(gè)代碼倉(cāng)庫(kù)中執(zhí)行。

詳細(xì)來(lái)講：

智能助手（Copilot）能在開(kāi)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(kāi)發(fā)者平臺(tái)。

能幫助大家，使用自然語(yǔ)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(fēng)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(guò)請(qǐng)求修訂來(lái)不斷迭代計(jì)劃和實(shí)施過(guò)程。

最后，如果代碼測(cè)試通不過(guò)，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(huì)給出解決這個(gè)錯(cuò)誤的方案。

這些就是我們提供的人工智能原生的開(kāi)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(jìn)項(xiàng)目進(jìn)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(dǎo)體（AMD）、英特爾（Intel）在這方面的合作讓我們倍感興奮。

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

但我們同樣對(duì)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(shí)，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(kāi)發(fā)者也開(kāi)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(gè)全新平臺(tái)的正在開(kāi)端，它將會(huì)和云端正在發(fā)生的變革一樣令人興奮。

實(shí)際上，我們不認(rèn)為這是傳統(tǒng)的客戶(hù)端-服務(wù)器模式，這不是關(guān)于本地獨(dú)立模型的問(wèn)題，而是混合人工智能。

也就是說(shuō)，未來(lái)大家構(gòu)建應(yīng)用程序時(shí)，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(jìn)行輔助分類(lèi)，同時(shí)調(diào)用云端的大語(yǔ)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?cè)诒镜剡\(yùn)行或者完全在云端運(yùn)行，我認(rèn)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(jì)決策更加重要

我們希望通過(guò)所有這些平臺(tái)展示三大關(guān)鍵設(shè)計(jì)決策：

Copilot 作為人工智能的用戶(hù)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(tái)（如 Foundry）。

數(shù)據(jù)架構(gòu)（Data Fabric）。

相比模型本身，這些設(shè)計(jì)決策更加重要，因?yàn)槟Ｐ兔磕晟踔撩吭露紩?huì)變化更新。

而用戶(hù)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(lái)適應(yīng)新模型。