YOHO AI

标签： Microsoft

  • 微软在Excel里悄悄换掉OpenAI：自研MAI接管Office

    微软总部与Office办公场景
    微软正把自研MAI模型悄悄塞进Excel和Word的AI功能里（图：Getty Images）

    过去两年，微软给外界的印象一直是”OpenAI 最铁的盟友”——Copilot 背后站着 GPT，Office 365 的不少智能功能都贴着 OpenAI 和 Anthropic 的标。但彭博社 7 月 7 日的一则报道把这个默契撕开了一道口子：在 Excel 和 Word 里，已经有相当一部分用户提问，不再交给 OpenAI 或 Anthropic，而是由微软自己的 MAI 模型来回答。

    具体数字没公开，但彭博说，每个星期这两款软件里已经有”数万条”AI 提示词是 MAI 在处理。别看占比还小，放到 Excel 和 Word 这种亿级用户的产品里，这已经是微软第一次把自研模型悄悄塞进了核心办公场景的台前，而不只是躲在测试环境里。

    从 Excel 和 Word 开始，微软动了”外人”的奶酪

    有意思的是，微软自己从没高调宣传过这步棋。以前它巴不得你记得 Office 365 是”由 OpenAI 和 Anthropic 的模型驱动”；现在它选择了闷声干。TechCrunch 找微软求证，对方只回了一句”暂无更多信息可以分享”。这种不否认也不解释的态度，某种程度上比一份正式声明更说明问题。

    微软 AI 模型业务负责人穆斯塔法·苏莱曼（Mustafa Suleiman）在 6 月 Build 大会上说得直白：”我们每年向 Anthropic 支付巨额费用，目标是逐步减少、并最终消除这部分支出。”

    一句话把动机说透了：不是不想用，是太贵了。

    七个模型一起上，MAI 到底是什么来头

    MAI 不是临时起意。就在今年 6 月的 Build 开发者大会上，微软一口气发布了 7 款全新的自研 AI 模型，覆盖语音、图像、代码和推理——其中包括一个能写代码的 agentic coder，以及一个文生图模型。也就是说，微软已经在为”逐步替换第三方”悄悄准备弹药了。

    这些模型的卖点很统一：不追求纸面参数多吓人，而是强调”同样的活儿，花更少的算力”。放在 Office 这种每天海量、高频、但单次并不复杂的调用场景里，自研模型的成本优势会被放大。再配合微软自己的 Maia AI 芯片做软硬协同，推理开销比外购方案低上一截。

    • MAI-Transcribe-1 / MAI-Voice-1：对标 OpenAI Whisper 的语音转录与生成
    • MAI-Image-2：图像生成，替代部分文生图需求
    • MAI Code 1 Flash：面向开发者的代码生成模型
    • MAI Thinking 1：主打轻量高频办公场景的推理模型

    除了 Office 套件，MAI 也已经接进了 GitHub Copilot；Teams 上自研的语音转写能力也计划在几个月内上线。微软的意思很明确：凡是能自己干的，就别再长期花钱请外援。

    不只是微软，整个硅谷都在”省 token”

    把镜头拉远一点，微软这步其实是一股大潮里的一朵浪。今年上半年还流行”tokenmaxxing”——能多烧就多烧，把智能拉满；最近几个月画风突变，Amazon、Uber、Meta、Accenture 都被曝在收紧员工的 AI 预算，能省则省。AI 服务的账单一出来，连硅谷自己人都被吓到。

    更戏剧性的是，成本压力甚至把一些公司推向了”对手阵营”。有报道说，硅谷已经有人开始盯着中国的便宜模型（比如 GLM-5.2）找 Agent 方案，虽然绕不开安全和合规的顾虑。这说明一件事：当账单足够疼，地缘和安全的优先级都会往后挪一挪。

    自研到底，是想把命门攥回自己手里

    微软当然不会明天就跟 OpenAI、Anthropic 说拜拜。它手里还握着和 OpenAI 的合作协议，只是折扣窗口正在收窄。苏莱曼团队真正在做的，是搭一套”自主可控”的模型体系，免得将来被头部实验室的市场价拿捏。

    这也折射出整个行业的尴尬：靠外购大模型做商业化，盈利模型到现在都没完全跑通。微软这次把自研模型塞进 Excel 和 Word，看起来是省几块钱的小动作，实则是大厂为”AI 主权”交的第一笔学费。接下来，GitHub Copilot、Teams，甚至 Bing，会不会也慢慢换上 MAI，值得盯着看。

  • 微软开始省着花：Excel和Word里的AI，正悄悄换成自家模型

    微软开始省着花：Excel和Word里的AI，正悄悄换成自家模型

    过去这一年，硅谷最流行的一句话大概是”先猛烧再说”。不管是训练大模型、还是给员工配满AI工具，大家都在比谁花的钱多。可最近风向明显变了，连微软这种家底厚实的巨头，都开始精打细算起来。

    彭博社这周二（7月7日）报道了一件事：微软在自己最常用的两款产品——Excel和Word里，已经开始用自家的MAI模型去回应一部分用户提问，而不再完全依赖OpenAI和Anthropic的模型。换句话说，你打开Office让Copilot帮你写段话、做个表，背后接的很可能已经不是GPT，而是微软自己养的模型了。

    微软用自家MAI模型替代第三方AI
    微软正把Office里的第三方模型，逐步替换成自家的MAI系列

    曾经的卖点，如今成了要砍的成本

    这个动作有点打脸的意思。毕竟微软过去没少拿”我们的Office由OpenAI和Anthropic的模型驱动”当卖点，在2025年9月的那篇官方博客里，还专门强调过这套强强联手的配置。现在悄悄换成自家模型，说明账算不过来了——第三方模型的调用费，确实不便宜。

    微软嘴上没多说，被TechCrunch问到时只回了一句”暂无更多可分享的信息”。但行动上，它已经把”降本”摆上了台面。

    其实微软也没把第三方模型一脚踢开，目前仍是混着用。它更大的算盘，是趁这两年把自家AI能力立起来。就在上个月的Build开发者大会上，微软一口气发布了7个新的MAI模型，里头既有能写代码的agentic coder，也有能生图的text-to-image生成器。自己有粮，才不用总看别人脸色。

    不只是微软一个人在”抠门”

    把时间拉回到今年初，那会儿圈内流行的是”tokenmaxxing”——能烧多少烧多少，仿佛不把GPU跑满就输了。可才过了几个月，画风就转成了”tokenminimizing”。据各家媒体披露，Amazon、Uber、Meta、埃森哲这些大公司，都在不同程度地给员工的AI支出踩刹车。

    • Amazon据报开始管控内部AI用量，别让小任务把预算烧穿
    • Meta被曝限制员工使用AI的规模，相关开支已经到了几十亿美元的级别
    • 埃森哲也在教员工别拿大钱干小事，能省则省

    这股省钱风甚至把目光引向了大洋彼岸。硅谷有些公司开始盯上中国的便宜模型（比如GLM-5.2）来找agentic方案的替代，哪怕心里还惦记着潜在的安全风险。当一个行业开始认真比较”哪家模型更便宜”的时候，说明狂奔的阶段确实过去了。

    微软这步棋背后，其实是一个谁都绕不开的问题：当AI成了每家公司的水电煤，账单谁来扛？把核心能力攥回自己手里，既是为了省钱，也是为了别在关键时刻被供应链卡脖子。接下来的看点很简单——Office里的Copilot，到底还有多少比例会换成微软亲生的模型。

  • 微软砸25亿美元成立Frontier，专门帮企业把AI真正用起来

    微软砸25亿美元成立Frontier，专门帮企业把AI真正用起来

    本周四，微软宣布成立一家新的运营公司，名叫 Microsoft Frontier Company，专门帮助企业把 AI 真正用起来。微软给这个项目砸了25亿美元，还配了6000名行业和工程专家。这是微软在 AI 企业服务领域迈出的一大步，也意味着科技巨头之间的”AI部署竞赛”正式进入白热化阶段。

    微软商业业务 CEO Judson Althoff 在声明里特别强调了这件事的分量。他说这不是大家常说的”前方部署工程师”（FDE）模式能概括的，而是”行业内规模最大的、最有能力的、以结果为导向的工程组织”。话说得很满，但背后的逻辑其实很清楚：光有大模型不够，还得有人帮企业把模型真正用起来。

    FDE 是什么？为什么大家都在做？

    FDE（Forward Deployed Engineer，前方部署工程师）这个概念最近在 AI 圈子里特别火。简单说，就是 AI 公司派出自己的工程师，直接进驻客户公司，帮他们把 AI 集成到业务流程里。这活儿不好干，因为每家公司的需求都不一样，数据环境也不一样，不是扔一个 API 文档就能搞定的。

    就在这周早些时候，亚马逊云（AWS）刚刚宣布投入10亿美元做类似的事情，而且明确说自己用的是 FDE 模式。OpenAI 和 Anthropic 也都宣布了类似的合资计划，而且还拉了私募股权公司入伙。所以微软这次的动作，看起来更像是”跟风”，但实际上它有一个别人没有的巨大优势。

    这个优势就是：微软已经把工程师部署到了财富500强里的大部分公司。换句话说，别人还在想办法敲开企业的大门，微软基本上已经在屋里了。

    钱砸下去，能换来什么？

    25亿美元不是小数目，但放在 AI 基础设施这块，其实也不算夸张。微软在公告里提到了几个早期合作伙伴：伦敦证券交易所集团、联合利华、Land O’Lakes（美国乳制品合作社）、埃森哲。这些公司有一个共同点：数据极其复杂，业务流程极其繁琐，正好是最需要 AI 部署专家的地方。

    比如说伦敦证券交易所，它每天要处理海量的交易数据，而且监管要求极严。要让 AI 在这里真正发挥作用，不是调一个 GPT 接口就完事了，得有人深度理解它的数据流、合规要求、业务流程，然后量身定制方案。这种活儿，正是 Frontier Company 要干的。

    微软Frontier公司AI企业部署
    微软Frontier Company：帮企业把AI从概念变成生产力（AI生成配图）

    AI 的真正战场在企业落地

    过去几年，AI 行业的聚光灯一直停留在”谁的模型更聪明”上。GPT-4、Claude Opus、Gemini Ultra，各家都在 benchmark 上卷来卷去。但对企业客户来说，这些问题其实没那么重要——他们更关心的是：AI 能不能帮我省钱？能不能让用户更满意？能不能让我的员工干得更爽？

    这就是 Frontier Company 存在的意义。它不是一个产品，而是一个”把 AI 变成业务价值”的服务体系。微软在这个方向上布局很早，Copilot 已经进入了很多企业的日常工作流。但光有一个好用的工具还不够，企业需要的往往是更深度的定制和集成，这正是6000名专家要去做的事情。

    回过头看，这件事其实揭示了一个重要的行业趋势：AI 的竞争重心正在从”模型能力”向”部署能力”转移。谁最能帮企业把 AI 用起来，谁就能在下一阶段的竞争里占得先机。微软这次砸下25亿美元，某种程度上是在提前下注。

    当然，这么大的承诺能不能兑现，还得看执行。6000名专家听起来很多，但全球有数以万计的企业等着被”AI化”，这笔账算下来其实并不宽裕。而且亚马逊、OpenAI、Anthropic 都在做类似的事情，微软能不能靠先发优势守住阵地，接下来几年见分晓。

  • 微软轻量化Copilot OS泄露：为AI代理时代重新设计的Windows

    微软正在做一款全新的操作系统——这件事听起来不稀奇，毕竟Windows本来就是它家的。但这两天泄露出来的一段视频，展示的东西跟我们熟悉的Windows完全不同，轻量、简洁、围绕AI重构，看起来更像是给”AI代理时代”准备的全新系统。

    微软Copilot OS概念图
    泄露视频中展示的轻量化Copilot OS界面概念

    这段视频最先由Windows Central的Zac Bowden公开发布，内容是一个叫”Aion”的系统概念。视频最早出现在BetaWiki的Discord频道里，Bowden说他的消息源确认这是微软在2024年真实制作的一段内部视频。

    它长什么样

    用一句话形容：很像Chrome OS。整个系统围绕Edge浏览器和网页应用构建，桌面非常干净，没有传统Windows那种层层叠叠的菜单和设置面板。Copilot AI助手被放在了系统的核心位置，而不是像现在这样作为一个侧边栏或者独立应用存在。

    视频里展示的界面，启动速度很快，应用切换也很流畅。整个设计语言指向一个明确的目标：这是一个为”代理式AI”（agentic AI）设计的操作系统，AI不是附加功能，而是系统的中枢。

    Aion看起来非常像Chrome OS，整个系统围绕Edge浏览器和网页应用构建，目前还不清楚这类操作系统是否会真正发布，或者它是否属于”Project Solara”这类项目的一部分。

    为什么现在做这个

    微软的动机不难理解。Windows虽然还是桌面系统的霸主，但它的包袱太重了——要兼容几十年的旧软件，要保持企业环境的稳定性，要让十几亿用户都不出问题。这些约束让微软很难在Windows里做激进的AI集成。

    但如果做一个干净的新系统，专门针对AI工作负载和AI代理来设计，事情就不一样了。谷歌有Chrome OS，苹果有iPadOS，微软一直缺少一个真正面向未来的轻量化系统。Aion看起来就是对这个空缺的回应。

    它会发布吗

    这是最大的疑问。泄露的是2024年的视频，到现在微软没有宣布过任何相关产品。它有可能只是一个内部探索项目，用来测试设计方向，不一定会真正发布。

    但也有另一种可能：Aion就是Project Solara的一部分。这个项目之前被The Verge报道过，是微软对”AI代理硬件”的一次押注。如果微软真的在做AI专用的硬件设备，那配套的操作系统就是顺理成章的事情。

    • Aion是2024年制作的系统概念视频，目前状态不明
    • 设计类似Chrome OS，围绕Edge和网页应用构建
    • Copilot AI处于系统核心位置，而非附加功能
    • 可能是Project Solara的一部分，也可能只是内部探索
    • 发布时间和最终形态均未知

    不管Aion最终会不会发布，这段泄露视频至少说明了一件事：微软内部很清楚，现在的Windows架构撑不住它想要的AI未来。它需要一个干净的开始，而Aion可能就是那个开始的雏形。

  • Microsoft BitNet：1-bit LLM 官方推理框架，让 CPU 跑大模型速度提升 6 倍

    Microsoft BitNet：1-bit LLM 官方推理框架，让 CPU 跑大模型速度提升 6 倍

    ⭐ 39,599+ Stars
    MIT License
    Microsoft 官方
    Python/C++

    📌 项目简介

    Microsoft BitNet — 1-bit LLM 官方推理框架

    bitnet.cpp 是微软官方出品的 1-bit 大语言模型推理框架，专为 BitNet b1.58 等三元量化模型打造。它基于 llama.cpp 构建，提供一系列高度优化的内核，支持在 CPU 和 GPU 上实现 1.58-bit 模型的快速、无损推理。

    核心突破：1.58-bit 量化（每个权重只需 1.58 个比特），在大幅降低模型内存占用的同时，推理质量几乎无损。这意味着一台普通笔记本甚至手机，都能运行过去需要昂贵 GPU 才能跑的大模型。

    💡 为什么重要？ BitNet 的论文《The Era of 1-bit LLMs》引爆了 AI 社区——它证明了 1-bit 量化模型可以媲美全精度模型的性能，同时内存占用降低 7-10 倍，能耗降低 70-82%。这是本地 LLM 部署和边缘 AI 的里程碑式突破。

    🔧 安装要求和过程

    环境要求

    依赖项 版本要求 说明
    Python ≥ 3.9 推荐用 Conda 管理环境
    CMake ≥ 3.22 构建系统
    Clang ≥ 18 C++ 编译器（支持 C++17）
    操作系统 Windows/macOS/Linux 全平台支持
    内存 4GB+ 运行 2B 模型最低要求
    ⚠️ Windows 用户注意：需安装 Visual Studio 2022，勾选「桌面 C++ 开发」「C++ CMake 工具」「Clang 编译器」等组件。所有命令需在 VS2022 开发者命令提示符中运行。

    快速安装步骤

    方式一：从源码构建（推荐）

    # 1. 克隆仓库（包含子模块）
git clone --recursive https://github.com/microsoft/BitNet.git
cd BitNet

# 2. 创建 Conda 环境
conda create -n bitnet-cpp python=3.9
conda activate bitnet-cpp
pip install -r requirements.txt

# 3. 下载官方模型并配置环境
huggingface-cli download microsoft/BitNet-b1.58-2B-4T-gguf --local-dir models/BitNet-b1.58-2B-4T
python setup_env.py -md models/BitNet-b1.58-2B-4T -q i2_s

    方式二：使用 pip 安装（简化版）

    pip install bitnet-cpp
bitnet setup --model microsoft/BitNet-b1.58-2B-4T

    方式三：Docker 部署

    docker build -t bitnet-cpp .
docker run -it --rm bitnet-cpp

    🚀 核心功能

    1. 1.58-bit 极致量化推理

    每个权重仅用 {-1, 0, +1} 三个值表示（1.58 bits），相比 FP16 模型内存压缩 7-10 倍，推理速度提升 2-6 倍。这是目前业界最激进、也是最实用的 LLM 量化方案。

    2. CPU 原生优化（无需 GPU！）

    针对 x86 和 ARM CPU 深度优化：

    • x86 CPU：推理速度提升 2.37x ~ 6.17x，能耗降低 71.9% ~ 82.2%
    • ARM CPU（如 Apple M 系列）：推理速度提升 1.37x ~ 5.07x，能耗降低 55.4% ~ 70.0%
    • 单 CPU 运行 100B 模型：速度达 5-7 tokens/秒，媲美人类阅读速度

    3. GPU 推理支持（2025 年 5 月上线）

    官方 GPU 推理内核已发布，支持 NVIDIA GPU 加速推理。GPU 分支提供比 CPU 高一个数量级的吞吐量，适合高并发场景。详见 gpu/README.md。

    4. 多模型生态支持

    不仅支持微软官方 BitNet 模型，还兼容社区模型：

    • BitNet-b1.58-2B-4T（官方，2.4B 参数，HuggingFace 可下载）
    • bitnet_b1_58-large（0.7B）
    • Llama3-8B-1.58-100B-tokens（8B）
    • Falcon3 系列（1B-10B，tiiuae 出品）

    5. 完善的工具链

    • run_inference.py：对话模式/自定义 Prompt 推理
    • e2e_benchmark.py：性能基准测试
    • convert-helper-bitnet.py：safetensors → GGUF 格式转换
    • generate-dummy-bitnet-model.py：生成虚拟模型用于测试

    💡 典型使用场景

    场景一：本地私有化部署 LLM

    企业或因隐私要求不能在云端运行 LLM 的场景。BitNet 让一台普通办公电脑（甚至只有 CPU）就能运行 2B-7B 参数级别的模型，无需昂贵 GPU 投资。

    # 在普通办公电脑上运行私有对话助手
python run_inference.py \
  -m models/BitNet-b1.58-2B-4T/ggml-model-i2_s.gguf \
  -p "你是一个专业的技术支持助手" \
  -cnv -t 8

    场景二：边缘设备和嵌入式 AI

    在树莓派、手机、IoT 设备上部署 AI 助手。1-bit 量化模型极小，2B 模型经量化后仅约 500MB，可以轻松嵌入边缘设备。微软研究人员已演示在 ARM 设备上流畅运行。

    场景三：大规模模型服务成本优化

    云服务商或企业 AI 平台可以用 BitNet 量化模型，将推理成本降低 70% 以上。同样硬件可以服务更多用户，或同样预算获得更高吞吐量。

    🏆 推荐理由

    为什么你应该关注 BitNet？

    • 微软官方背书：不是学术界的玩具项目，而是微软正式支持的生产级推理框架
    • 论文驱动：核心算法经过严格学术评审，在 arXiv 发表多篇高引用论文
    • 真正可用：已有官方 2B 参数模型发布在 HuggingFace，开箱即用
    • 社区活跃：39.6K+ Stars，3.6K+ Forks，303 个 Issues 讨论，持续迭代中
    • 生态融合：基于 llama.cpp 构建，天然兼容 Ollama、vLLM 等主流工具链

    个人使用心得：BitNet 最让我震撼的是它让「每个人都能本地运行 LLM」真正成为可能。过去跑一个 7B 模型需要 14GB+ 显存，现在用 BitNet 量化后，一台普通笔记本的 CPU 就能流畅运行。对于 AI 开发者、研究者、以及关注数据隐私的用户来说，这是一个必须收藏的项目。

    在线 Demo：试玩 BitNet 官方演示（Azure 托管，无需本地安装）

    📦 下载地址

    由 WorkBuddy AI 自动发布 | 数据来源：GitHub API | 更新时间：2026-07-04

  • 微软砸25亿美元成立AI部署公司，这次要走得更远

    微软砸25亿美元成立AI部署公司，这次要走得更远

    微软AI部署公司
    微软宣布成立Microsoft Frontier Company，专注企业AI部署

    微软本周四宣布了一件大事：成立一家新的运营公司，叫Microsoft Frontier Company，专门帮企业把AI真正用起来。 accompanying this move is a .5 billion commitment and a team of 6,000 industry and engineering experts.

    25亿美元不是小数目，6000名专家也不是小数目。微软商业业务CEO Judson Althoff在声明里说，这不只是大家常说的”前向部署工程师”（FDE）那套东西，而是”行业内最大、最有能力、最以结果为导向的工程组织”。

    FDE是个什么玩法

    先把FDE这个概念说清楚。前向部署工程师（Forward-Deployed Engineer）这个模式，最早是Palantir带起来的——工程师不坐在办公室里等产品找上门，而是直接进驻客户公司，围着客户的实际业务场景把AI模型调通、把工作流跑起来。

    这几年来，AI公司都在往这个方向走。OpenAI和Anthropic都宣布了类似的企业AI服务合资公司，而且还拉了私募股权公司的外部资金进来。

    亚马逊云科技（AWS）更狠，两天前刚宣布拿出10亿美元做自己的AI部署业务，而且明明白白说自己走的就是FDE路线。

    微软这回的动作，跟这些公司的玩法高度相似，但Althoff坚持说这不只是一个FDE组织。他的理由是：微软已经有了一大堆企业客户，Fortune 500里大部分已经在用微软的AI工具了，所以这个新公司起跑线就比别人靠前很多。

    官宣的合作方已经列出来了

    公告里点名了几家早期合作伙伴：伦敦证券交易所集团、联合利华、Land O’Lakes（一家美国农产品合作社），还有埃森哲。这些公司覆盖金融、消费品、农业、咨询四个完全不同的行业，看得出来微软是想把这套东西铺到各个垂直领域。

    但公告里没说的是：这套”结果导向的工程组织”具体怎么运作？6000名专家是怎么组织的？是微软自己的人，还是包括合作伙伴的工程师？这些细节都得等后续披露。

    为什么现在做这件事

    过去一两年，企业AI部署是个真金白银的痛点。大模型能力上来了，但企业想把AI融进自己的业务流，门槛还挺高——数据对接、权限管理、安全合规、工作流重写，每一关都能卡住。

    AI公司自己做FDE团队，是因为他们懂自己的模型，但缺行业经验。微软的优势是反过来的：行业渗透已经做完了，现在缺的是把AI能力深扎进客户业务的那层”最后一英里”执行力。

    25亿美元砸下去，说明微软认为这件事值得单独成立一个公司来做，而不只是某个部门里的项目。这个信号本身，比公告里的具体数字更值得注意。

  • 微软砸25亿美元搞了个AI部署公司，这仗越打越猛了

    周四，微软悄悄亮了一张新牌——一家叫Microsoft Frontier Company的运营新公司，专门帮企业把AI真正用起来。听起来像个咨询服务部门？不完全是。微软这次拿出了25亿美元的承诺投资，还拉了6000名行业和工程专家进来。

    微软商业业务CEO Judson Althoff在宣布这件事的时候，特意强调了一件事：这不只是你们说的”前置部署工程师”（FDE）那套东西。”这超越了所谓前置部署工程的标签，”他写道，”这会是行业里最大、最能打、最结果导向的工程组织。”

    微软AI部署公司Frontier
    微软Frontier Company聚焦企业AI落地，25亿美元投入（配图由AI生成）

    FDE到底是什么，为什么大家都在做

    FDE全称Forward Deployed Engineer，直译过来是”前置部署工程师”——说人话就是，把工程师直接派到客户那边，现场帮企业把AI模型接进业务流程里。这套打法最早是Palantir带起来的，现在变成了AI公司的标配。

    有意思的是，就在微软宣布这件事的两天前，AWS刚说自己要拿10亿美元搞一个类似的AI部署项目，而且明说就是FDE模式。OpenAI和Anthropic也没落下，两家都在这几个月里宣布了和私募股权公司合作的联合 venture，方向也是企业AI服务。

    所以现在局面是这样的：亚马逊扔了10亿，微软扔了25亿，OpenAI和Anthropic各自拉了外部资本进场。企业AI落地这件事，已经从”顺手做一做”变成了各家都要单独成立公司来做的核心业务。

    微软的真正优势在哪

    论掏钱，微软这次确实出手最重。但钱不是唯一的筹码，微软手里有一样别人没有的东西——客户。

    公告里点了几家早期合作伙伴：伦敦证券交易所集团、联合利华、Land O’Lakes（美国乳制品合作社）、埃森哲。这些名字背后代表的，是微软在企业市场深耕几十年的积累。财富500强里大部分公司，本来就是微软的客户。

    这意味着微软不需要从头去敲门。工程师已经驻场了，关系已经建立了，现在只是把”帮企业部署AI”这件事，从顺手做的事变成了一门正经生意。相比之下，OpenAI和Anthropic虽然技术强，但企业客户基础远不如微软深厚，它们选择和私募股权合作，某种程度上也是在补这个短板。

    企业AI落地的窗口期

    这件事的背后，其实是一个更大的趋势：AI公司都在从”卖模型”往”卖结果”转型。企业不缺模型，缺的是把模型变成业务流程里真正能用、愿意用的东西。这块活儿脏、累、慢，但利润厚、黏性强。

    微软这次把25亿美元砸进去，摆明了是要把这块市场吃下来。它有的是销售团队、有的是企业关系、有的是Azure云基础设施。Frontier Company如果能把这些牌都打出来，对其他玩家来说会是个不小的压力。

    当然，话说回来，宣布和做成是两回事。企业AI落地的坑，这几年大家都看了不少——模型效果不稳定、数据安全顾虑、员工不会用、业务流程改不动。微软有钱有关系，但这些实际问题，不是砸钱就能解决的。

    接下来值得看的是，Frontier Company第一个公开案例什么时候出来，以及效果到底怎么样。 announcement是廉价的，客户买单才是真的。

  • Semantic Kernel：微软企业级 AI 编排 SDK，28K+ Stars 让多语言 AI 应用开发变得简单

    Semantic Kernel：微软企业级 AI 编排 SDK，28K+ Stars 让多语言 AI 应用开发变得简单

    Semantic Kernel
    Microsoft 企业级 AI 编排 SDK
    Python · C# · Java · RAG · Multi-Agent · MCP

    📌 项目简介
    模型无关的企业级 AI 编排 SDK，让开发者快速将前沿 LLM 技术集成到应用中

    Semantic Kernel（简称 SK）是微软推出的模型无关企业级 AI 编排 SDK，支持 Python、C#、Java 三大主流语言。
    它帮助开发者快速构建、编排和部署 AI 智能体及多智能体系统，可兼容任意主流大模型，兼顾企业级可靠性与灵活性。

    ⚠️ 重要提示：项目已升级为微软官方企业级智能体框架 Microsoft Agent Framework（MAF），
    MAF 是 SK 的继任者，已发布 1.0 生产级稳定版本。新项目建议使用 MAF，SK 后续仅提供最低限度的安全更新和 bug 修复。

    ⚙️ 安装要求和过程
    💻 环境要求
    • Python：3.10 及以上
    • .NET：.NET 8.0 及以上（推荐 .NET 10.0）
    • Java：JDK 17 及以上
    • 支持系统：Windows / macOS / Linux
    🔑 前置配置

    需先设置 AI 服务环境变量：

    # Azure OpenAI
export AZURE_OPENAI_API_KEY=你的密钥
export AZURE_OPENAI_ENDPOINT=你的端点

# OpenAI
export OPENAI_API_KEY=你的密钥

    📦 快速安装
    Python（推荐）
    pip install semantic-kernel

    .NET（C#）
    dotnet add package Microsoft.SemanticKernel
dotnet add package Microsoft.SemanticKernel.Agents.Core

    Java
    <dependency>
  <groupId>com.microsoft.semantickernel</groupId>
  <artifactId>semantickernel-core</artifactId>
  <version>1.0.0</version>
</dependency>

    ✨ 核心功能
    🔗 模型无关设计
    原生支持 OpenAI、Azure OpenAI、Hugging Face、NVIDIA NIM 等主流大模型，也可接入 Ollama、LM Studio、ONNX 等本地部署模型，无需绑定特定厂商

    🤖 智能体全能力
    支持构建单智能体、多智能体协作系统，智能体可集成工具/插件、记忆能力、规划能力，满足从简单对话到复杂业务流程编排的需求

    🔌 丰富插件生态
    支持原生代码函数、提示词模板、OpenAPI 规范、Model Context Protocol（MCP）等多种插件形式，可快速扩展智能体能力

    🗄️ 向量数据库集成
    无缝对接 Azure AI Search、Elasticsearch、Chroma 等主流向量数据库，快速实现 RAG（检索增强生成）场景

    🏢 企业级能力
    内置可观测性、安全机制，提供稳定的 API 接口，满足企业级生产环境要求。支持 Azure Monitor、OpenTelemetry 等监控方案

    🔄 流程编排框架
    提供结构化工作流引擎，可建模复杂业务流程，实现 AI 能力的可控编排。支持顺序、并行、条件分支等多种执行模式

    🚀 典型使用场景
    场景一：企业客服多智能体系统
    构建「工单分流智能体 + 账单处理智能体 + 退款处理智能体」的协作系统。
    当用户发送复杂需求时，主智能体自动规划并委派给专业子智能体处理，完成后汇总回复用户。
    Semantic Kernel 的 Agent Framework 原生支持多智能体协作，每个智能体拥有独立上下文和工具集。

    场景二：RAG 企业知识库问答
    结合向量数据库（如 Azure AI Search 或 Chroma），为企业内部文档构建知识库问答系统。
    通过 Semantic Kernel 的 Vector Store 抽象层，仅需修改配置即可切换不同向量数据库，无需重写代码。
    支持文本分块、向量化、混合检索（向量 + 关键词）等完整 RAG 管线。

    场景三：跨平台 AI 应用（Python + C# + Java 三语通用）
    企业技术栈多样，Semantic Kernel 提供 Python、C#、Java 三大语言 SDK，API 设计高度一致。
    无论是 Python 数据科学团队、.NET 企业应用团队，还是 Java 后端团队，都可以用相同的概念（Kernel、Plugin、Agent）开发 AI 功能。
    Microsoft 官方提供 100+ 示例代码，覆盖所有主流场景。

    💡 推荐理由

    作为一名 AI 开发者，Semantic Kernel 是我用过的最”企业友好”的 AI 编排框架。它的模型无关设计让我可以随时切换底层 LLM，而不用改业务代码——这在企业采购谈判中非常有优势。

    三语言 SDK（Python/C#/Java）的设计一致性是一大亮点。我们团队后端用 Java、AI 服务用 Python、桌面端用 C#，Semantic Kernel 让三者共享相同的 AI 编排逻辑，大幅降低了跨团队沟通成本。

    插件系统非常灵活。除了写代码函数，还支持 OpenAPI 规范直接导入（自动生成插件），这让集成第三方 API 变得极其简单。MCP 协议的支持也让智能体能力扩展变得更加标准化。

    需要注意的是，微软已宣布将 SK 升级为 Microsoft Agent Framework（MAF），MAF 是SK的正式继任者并已发布 1.0 稳定版。如果是全新项目，建议直接评估 MAF；但 SK 的现有用户不必担心，API 高度兼容，迁移成本很低。

    ⭐ 如果你在用 .NET 技术栈，Semantic Kernel 是目前唯一有微软官方长期支持的企业级 AI 框架，强烈推荐！

    28.2K+
    GitHub Stars

    4.6K+
    Forks

    3
    语言 SDK

    100+
    官方示例

    📥 下载地址 & 相关链接
    许可协议：MIT License（商业友好，可自由修改和分发）


      由 AI 自动整理，数据来源 GitHub  

  • 微软不再只靠OpenAI了，它悄悄练出了一套自己的AI模型

    Microsoft MAI AI模型
    微软在Build 2026上发布的MAI模型家族，标志着AI战略的重要转向（配图由AI生成）

    Microsoft和OpenAI这对搭档，这几年几乎绑定在一起。Copilot用的是OpenAI的模型，Azure上跑的是OpenAI的API，连Windows里的AI功能都离不开GPT的底层支持。但这种关系正在起变化。

    在上个月的Build 2026大会上，微软悄悄干了一件大事——它发布了一套完全自研的AI模型家族，名字叫MAI（Microsoft AI）。其中最值得说的是MAI-Thinking-1，这是微软第一个自己从头训练的推理模型。

    说”从头训练”很重要。现在很多公司做模型都是拿别人的前沿模型来蒸馏，相当于抄作业。微软这次说的是，他们的训练数据是干净的，没有从第三方前沿模型里蒸馏，是自己从零开始训的。

    MAI-Thinking-1：350亿参数，MoE架构

    MAI-Thinking-1有多大？微软给的数字是350亿活跃参数。这里说的是”活跃参数”，因为模型用了MoE（混合专家）架构——每次推理只激活需要的部分，不用把整个模型都跑一遍。这样做的好处是效率高、成本低。

    性能方面，微软说它在SWE-Bench Pro上的表现跟Claude Opus 4.6差不多，但成本要低很多。GitHub的运营负责人Kyle Daigle说这个模型是冲着”高性能高效率”去的，token价格会很有竞争力。

    一口气发了7个模型

    但光有一个推理模型还不够。微软这次一口气发了7个模型，覆盖了文本推理、代码生成、图像生成、语音转文字、文字转语音整个链路。

    • MAI-Code-1-Flash：专门给GitHub Copilot和VS Code用的代码模型，主打推理效率高，适合大规模跑
    • MAI-Image-2.5：做文生图和图像编辑，在Arena.ai的图像榜单上排第二，微软说它是市面上性价比最高的图像模型
    • MAI-Voice-2：多语言语音合成，支持15种语言，还能保留说话人的声音特征
    • MAI-Transcribe-1.5：语音识别，支持43种语言，速度是同类模型的5倍

    为什么要独立？三个原因

    这些模型现在有的已经上线Microsoft Foundry，有的还在私人预览阶段。但方向已经很清楚了：微软要把AI的每一层都掌握在自己手里。

    这件事的背后是微软和OpenAI合作条款的重新谈判。新协议签下来，微软访问OpenAI模型和技术授权到2032年，但这个授权变成了非独占的——OpenAI可以卖给别人，微软也可以自己搞。

    微软为什么这时候要独立？有三个原因说得通。第一，不能把命门捏在一个外部供应商手里。第二，自己的模型可以针对自己的产品、硬件、企业客户做优化，不用迁就别人的路线图。第三，也是实在的，跑自己的模型可以省掉一大笔给第三方模型提供商的分成。

    AI操作系统的一步棋

    更值得关注的是，微软还在做一个叫Scout的永远在线的AI助手，基于OpenClaw开源项目。这东西能帮你准备会议、管日程、起草邮件，是往”AI操作系统”方向走的一步棋。有意思的是，微软之前一直把自主AI智能体当成安全风险来看，现在直接把它做成了产品功能。

    硬件端也在布局。微软发布了Surface RTX Spark开发者盒子，用Nvidia的芯片，让开发者可以在本地跑和测试模型。还有能在Windows PC上直接跑的Aion小模型，以及跟高通一起做的基于Android的AI设备原型。

    这些动作串在一起，看得出来微软的算盘：它不想只当OpenAI的分销渠道，它要自己做模型、自己做智能体、自己做硬件、自己做企业AI平台。对用微软产品的公司和开发者来说，这意味着以后会有更多选择，也可能用上更便宜的AI能力。

  • 微软悄悄限制了Claude Fable，原因跟数据有关

    Anthropic前几天发布了Claude Fable，这是他们第一个Mythos级别的模型，能力比之前的Claude强了一大截。本来这事应该皆大欢喜——Anthropic的重要合作伙伴微软第一时间就把Fable 5接进了GitHub Copilot和Foundry，让外部用户能用上。

    但有个细节外界当时没注意到：微软自己员工用的内部版GitHub Copilot里，模型选择器中没有出现Claude Fable 5。

    微软总部大楼
    微软正在内部评估Claude Fable 5的数据留存政策（图源：The Verge）

    问题出在数据存储上

    根据The Verge从知情人士那里拿到的消息，微软限制Claude Fable 5的原因跟Anthropic新的数据留存要求有关。

    之前的所有Claude模型都遵循”零数据留存”（ZDR）规则——你的提示词和AI的回答不会被Anthropic保存。但Fable 5不一样，它需要数据留存才能运行Anthropic新的一套安全分类器。这意味着Anthropic会保留用户的提示词和输出内容，30天后再删除。

    如果某些内容被标记违反了Anthropic的使用政策，这些数据甚至可能被保存长达两年。

    对于微软这样的大公司来说，员工跟AI聊天时难免涉及客户数据或内部机密信息。如果这些信息会被第三方保留30天甚至两年，法务部门很难点头。

    微软法务还在评估

    据了解，微软已经告知员工，法务团队正在评估Anthropic数据留存要求的变化。目前还不清楚法务会不会最终批准Claude Fable用于内部使用。

    有意思的是，微软对其他所有Claude模型没有限制，因为它们仍然遵循零数据留存规则。被卡住的只有Fable 5——偏偏是Anthropic目前最强的模型。

    微软拒绝对此事发表评论。但知情人士透露，主要的担忧集中在客户数据和机密信息泄露风险上。

    这事儿背后有个更大的背景

    Claude Fable 5是Anthropic Mythos级模型的首次大规模公开发布。就在几周前，Anthropic还公开表示这个级别的模型在网络安全任务上的能力太强，公开发布过于危险。

    后来Anthropic加了一系列提示词防护措施，才觉得可以发了。但也正是这些安全防护措施，带来了数据留存的需求——Anthropic需要拿用户的实际使用情况来训练和验证这些安全分类器。

    AI公司的两难

    这件事其实反映了一个AI行业普遍面对的矛盾：模型越强，越需要拿真实用户数据来训练安全机制；但越是企业用户，越不愿意让自己的数据被模型提供方看到。

    Anthropic选择用数据留存来换安全，微软选择暂时不让员工用最新模型。两边都有道理，但夹在中间的是那些想用最强工具的开发者。

    目前GitHub Copilot和Foundry的用户仍然可以使用Claude Fable 5——微软只是限制了内部员工的使用。但如果有企业客户跟微软一样在意数据留存问题，Anthropic可能得给出一个不需要数据留存的版本，否则最强模型反而会被大客户拒之门外。

    这事最后怎么解决，取决于微软法务的评估结论。但无论如何，它提醒了整个行业：AI安全问题不只是模型会不会干坏事，还包括用户数据在被用来训练安全机制时，到底安不安全。