前沿扩散与控制

在一个软件首次拥有真实边际成本的世界里，我们如何确保前沿成果惠及整个生态系统？

关键在于，要在真实世界场景中优化成本与成果的前沿。具体而言，这意味着为每项任务使用合适的模型，并围绕它优化上下文、技能、工具和智能体编排框架。

这正是我们 MAI 模型家族背后的动机。这些模型从零开始构建，拥有清晰的数据溯源，并针对企业 RLE 中从通用技能到专业技能的迁移学习进行了优化。我们在这条道路上持续取得快速进展。

现在，我们可以将已饱和的前沿能力，通过针对高使用率产品优化的模型，以更低的成本大规模交付，同时继续使用前沿模型来满足前沿需求。我们正在自有产品中验证这一点，从而为所有其他 AI 原生、SaaS 或企业公司创建了一个可复用的模板。

在我们的产品中，来自 OpenAI 和 Anthropic 的前沿模型与 MAI 共同构成了编排系统的一部分。但模型只是爬山系统中的一个环节。编排框架、记忆、上下文、工具、技能、用户交互等，共同塑造了这些智能体系统的评估指标和性能。

确保你处于掌控之中的另一个关键标准是：即使某个特定模型被移除，你的评估指标也应能继续爬山。因此，我们构建了 RLE，让模型在产品系统内部学习，并根据完成客户真正关心的任务来获得奖励。我们针对模型将实际遇到的产品编排框架、交互和结果来训练模型。并在战略上确保编排框架、记忆、上下文、技能都外化于模型之外。

产品特定的评估指标和模型独立性，赋予我们掌控力和一个直接的爬山路径，让我们能够不断优化，直到达到正确的质量-成本目标。我们现在看到，MAI 模型在许多用例中超越了通用前沿模型，同时只使用了极少量的模型 token。

我们相信，最大的机遇在于，在人们日常工作的产品中，将这些所有层面协同优化。并且，当我们的模型能够匹配或超越前沿替代方案时，我们已开始将流量路由到自有产品界面上的 MAI。

我们在 GitHub Copilot、Excel 和 Outlook 上看到了令人鼓舞的初步成果，并开始将同样的方法推广到 Copilot Chat、PowerPoint 等更多产品中。随着整个系统持续进行爬山优化，所有这些成果只会变得更好！

我们在第一方产品中所做的工作，也正是每一家企业客户可以在其现实世界的智能体系统中，利用自有评估体系、自有 RLE、工作流和上下文所能够实现的。我们正在通过 Foundry 和我们的工具链提供所有这些能力。

更多详情请阅读：https://microsoft.ai/news/hill-climbing-mai-models-for-github-copilot-and-excel/