編輯|伊風

出品 | 51CTO技術棧（微信號：blog51cto）

剛剛，納德拉在CEOMicrosoft India進行了一場新年的第一場演講！

作為開年重磅，這場演講可謂干貨滿滿。

納德拉開門見山地說，“在某種程度上，對我來說，微軟始終專注于兩件事：我們是一家平臺公司，也是一家合作伙伴公司。即使在AI時代，這一點也不會改變。”

這場在印度班加羅爾的演講，聚焦在微軟將如何在AI時代進行平臺化的布局。

談論到這次AI帶來的巨變，納德拉還感慨地回憶了比爾蓋茨對微軟的影響?！懊慨斦務摰狡脚_變革時，我們必須了解推動平臺變革的基礎力量是什么?；仡櫸?5年的科技生涯，這個基礎力量一直是摩爾定律。我經?；貞浧穑葼柮磕陼偌覀儯屛覀兛茨柖傻内厔莺痛鎯夹g的發展，然后簡單地說：“用軟件填滿它。”這就是對整個公司的唯一指示。而這種情況即使到今天依然適用?！?/p>

話不多說，先給演講畫個重點：

• 納德拉提到雖然“預訓練的擴展定律能否繼續下去的爭論仍在持續”，但他堅信Scaling Law依然有效，只是會面臨更多挑戰。如何在預訓練中，更有效地利用采樣步驟是一個關鍵。
• 推動軟件界面變革的有三個關鍵因素：多模態能力，計劃和推理能力，擴展模型外的記憶、工具使用和權限管理。
• 作為一家平臺公司，微軟圍繞AI正在構建三大平臺：Copilot、Copilot AI 堆棧，以及 Copilot 設備。
• Copilot 將無縫內嵌到現有的工作流中。此外，微軟致力打造能構建Agents的無代碼工具，未來每個人都會根據工作需要自己搭Agents，就像現在做張Excel那么簡單。
• 納德拉談到了AI基礎設施，并提到了一個衡量公式——“簡單來說，衡量任何國家或企業的成長效率將取決于“每瓦特、每美元對應的 Token 數量”。未來兩年、五年甚至十年，我們會看到這種公式與 GDP 增長直接相關?！?/li>
• 微軟與 Nvidia 合作的首個GB 200 集群，在演講當日（1月7日）已經完成上線。

以下是經整理的演講全程，enjoy:

1.Scaling Law非常偉大，預訓練仍將繼續

當我們談論支持AI發展的擴展定律時，摩爾定律再次在發揮作用。

這始于2010年的深度神經網絡（DNNs），后來GPU再次推動了這一趨勢，尤其是變壓器模型的使用，因為數據并行處理的效率提高了。數據容量的增長速度從每18個月翻倍變成了每6個月翻倍，這就是擴展定律的力量。

當然，現在關于預訓練的擴展定律能否繼續下去的爭論仍在持續。我們堅信這些擴展定律依然有效，

但隨著數據規模、參數數量和系統問題的增大，挑戰也越來越大。

更有趣的是，推理時間或測試時間計算的擴展定律正在變得越來越重要。在某種程度上，預訓練有一個采樣步驟，而這關乎如何更有效地利用采樣步驟。我們現在非常興奮的是，將這種能力提升到新水平的機會，尤其是在推理過程中。

2.改變軟件界面的三大關鍵

現在，有三大關鍵能力正在改變軟件界面：

首先是多模態能力。

我最近將iPhone上的“操作按鈕”設置為調用Copilot，現在我可以自信地用海得拉巴方言或烏爾都語對它說話，它能理解我，就像在和我的高中朋友聊天。這個簡單而熟悉的界面將改變所有軟件類別。

其次是計劃和推理能力。

例如在GitHub Copilot工作區中，它可以執行計劃和執行多步流程的能力。

第三是擴展模型外的記憶、工具使用和權限管理。

未來12個月，開發者的重點將是如何讓模型了解可用工具，不僅限于函數調用，還要確保它理解權限和擁有長期記憶。這將幫助我們創造豐富的智能Agents生態。

當我們思考Agents時，它涉及將多模態能力、計劃和推理、記憶以及工具的使用，尤其是授權，整合在一起。這樣，我們可以開始構建個人Agents、團隊Agents、企業級Agents和跨企業Agents。這種“智能體化”的世界是我們期待共同構建的方向。

平臺賦能：Copilot、Copilot AI 堆棧、 Copilot 設備

當然，對于微軟來說，我們從來不會只關注單一的技術。我們關注的是如何通過這些技術手段，賦能地球上每個人和每個組織，讓他們實現更多目標。這種平臺所能帶來的賦能感，將會達到全新的高度。

這就是我們真正專注的領域。為此，我們正在構建三大平臺：Copilot、Copilot AI 堆棧，以及 Copilot 設備。接下來，我想概述一下這些平臺的主要內容。

圖片

Copilot嵌入工作流，每個人都能創建Agents

把 Copilot 想象成 AI 的用戶界面 (UI)。即使在一個豐富的化世界中，AI 仍然需要與我們互動，而這種互動需要一個 UI 層。因此，Copilot 作為一個組織層在這個充滿自主Agents的世界里變得至關重要。

我們采用的策略是將 Copilot 內嵌到現有的工作流中。

我見過的一個最好的例子是關于知識工作中最重要的場景之一。

例如，一個醫生正在為腫瘤委員會會議做準備。這樣的會議非常關鍵，意味著她需要閱讀所有報告，并準確分配每個病例的討論時間。因此，議程的創建本身就是一個推理任務，AI 會生成一個議程，標明哪些病例更復雜，需要更多時間。

然后，醫生們會在 Teams 會議中討論這些病例，他們可以專注于討論而無需記筆記，因為 AI 會記錄所有詳細內容。結束后，這位醫生還是一位老師，她希望將討論內容用于教學。她可以將筆記轉成 Word 文檔，再轉成 PowerPoint，用于課堂上。這種簡單但高影響力的工作流，通過將 AI 嵌入到流程中得以實現。

這展示了 AI 如何融入現有工作流的一個例子。

接下來，通過 Pages 和 Chat、Web 和 Work Scope，我們將看到新的工作流形式。

現在，我可以通過一個查詢訪問來自 Web 或 Microsoft 365 圖中的信息，并將這些信息提升到一個名為 Pages 的交互式 AI 優先畫布中。在 Pages 中，我可以直接使用 Copilot 進行修改。這是與 AI 一起思考、與同事協作的新方式。Chat 和 Pages 將成為新的 AI 中心，就像 Word、Excel 和 PowerPoint 過去改變了我們的工作方式一樣。

但我們并沒有止步于此。接下來，我們要關注的是擴展性。

AI 的擴展從 Copilot Actions 開始。就像過去在 Outlook 中使用規則一樣，現在可以為 AI 創建規則，但這些規則不是針對單一應用，而是貫穿整個 Microsoft 365 系統。這就是 Actions 的強大之處。我們的很多工作流都涉及信息的收集與分發、連接人與信息，這些都可以通過 Copilot Actions 輕松實現。

當然，我們還可以構建完整的Agents。我們自己也開發了許多范圍不同的Agents，比如團隊級、流程級的Agents。

圖片

一個典型的例子是 Teams 中的Agents，可以擔任翻譯或協調員角色，就像團隊中的新成員，幫助完成任務。SharePoint 現在也有了內置Agents，它能智能地分析文檔，增強知識分享。我們可以通過簡單操作或 Copilot Studio 定制這些Agents，并在 Teams 聊天中共享。

下一個是“協調員Agents”，它能在會議中管理議程、實時記錄筆記和任務，讓團隊專注于討論。此外，它還能通過實時總結和回復問題來簡化聊天中的溝通。而“翻譯Agents”則消除了語言障礙，實現了實時語音翻譯，使每個人都能自由交流。

項目管理Agents能夠創建項目計劃、分配任務，甚至代表團隊完成任務，從而確保每個人都了解情況并有效協作。最后，在HR和IT等專業業務流程中，新的員工自助服務Agents在Copilot Business Chat中提供，讓員工可以即時獲得答案并執行操作，如提交服務臺工單。這些Agents可以通過Copilot Studio自定義，利用預建的工作流和更多功能。全新的AI和Microsoft 365正在提升生產力，徹底重新定義工作方式。

以上是我們在系統中構建的Agents示例。但真正令人興奮的是，你們也可以構建Agents。這正是Copilot Studio的用武之地。

我們對Copilot Studio的愿景很簡單：這是一個為構建Agents而設計的低代碼/無代碼工具?？梢灶惐菶xcel——人們可以輕松制作電子表格，而構建Agents應該同樣簡單。Copilot Studio旨在幫助每個人掌控自己的工作流程，以支持我們在知識工作中的實際需求。它就像一個“Agents群”，圍繞我們的日常工作提供幫助，減少重復性任務，提升工作流暢性。例如，對于現場服務，只需輸入提示和說明來定義Agents的任務，然后將其與SharePoint中的知識源連接，它就可以自動生成Agents。

這種無需編碼就能輕松創建Agents的能力，正是Copilot Studio的核心?，F在，你擁有了AI的用戶界面、可擴展性功能、內置Agents和自定義Agents的構建能力，這形成了一個完整的系統。

接下來就是投資回報率（ROI）和衡量標準的問題。這是另一個關鍵問題：我們如何確保這些技術能帶來實質性的動機變化？最終，這些工具不僅應提高個人生產力，還應改善組織的業務成果。我們正在開發Copilot Analytics，讓銷售經理等用戶能夠關聯銷售增長、產出提升等指標與Copilot功能的使用，從而實現實時反饋和優化業務結果。

演講圖：使用Copilot帶來的業務成果趨勢

這種方式加速了AI應用的推廣周期，不需要等待多年即可看到成效。Copilot作為AI用戶界面，具備擴展性和測量功能，已經成為我們構建的首個平臺。

我們在微軟內部已經看到顯著成效，各種業務流程如客戶服務、人力資源自助服務、IT運維、財務、供應鏈和營銷都實現了雙位數的生產力提升。例如，在營銷中，從購買決策到內容創作存在許多低效環節，而AI帶來了巨大的操作杠桿。

這種擴散速度之快，在全球范圍內已經超越了過去需要多年才能普及的模式。在印度，我見證了許多大規模部署的實例。例如，今天上午我與Cognizant的團隊交流，他們已將AI技術全面推廣給員工。

英特爾前CEO安迪·格魯夫在90年代提出過“知識轉換”概念，即快速創建和傳播知識的重要性。這與零售供應鏈轉換類似，只是應用于知識產業。Persistent公司是另一個例子，他們開發了一種合同管理Agents，可以在Copilot中使用，并貫穿整個合同生命周期處理重大變更。這是企業大規模部署Copilot系統的又一實例。

四、Copilot AI 堆棧：AI 并不是獨立存在的，它需要整個計算堆棧的支持

接下來我想談談下一代平臺——Copilot 堆棧和 AI 平臺。對我們來說，Azure 一直被構想并建設為“世界的計算機”。我們始終對其充滿承諾，因為我們意識到 AI 并不是獨立存在的，它需要整個計算堆棧的支持，因此我們正在全球范圍內構建這一體系。

基礎設施

我們在全球擁有超過 60 個區域，300 多個數據中心。在印度，我們對現有的區域擴展非常興奮，包括中央印度、南印度和西印度區域。同時，我們還與 Geo 合作增強了容量。今天，我很高興宣布我們在印度進行的史上最大規模的擴展，將投入 30 億美元來增加 Azure 的容量。

圖片

昨天我有機會會見了莫迪總理，體驗非常棒。他分享了許多例子和愿景，特別是他推動 AI 使命的戰略。這個愿景結合了“印度堆?！保↖ndia Stack）、這個國家的創業活力，以及消費者和企業端的人口紅利，形成了一個良性循環。因此，我們非常看好引入下一代 AI 核心計算能力。

當談到基礎設施時，我們引入了一個新公式——簡單來說，衡量任何國家或企業的成長效率將取決于“每瓦特、每美元對應的 Token 數量”。未來兩年、五年甚至十年，我們會看到這種公式與 GDP 增長直接相關。因此，基礎設施必須成為最高優先級。

我們在各個層面進行創新。從優化液冷 AI 加速器的建設，到可再生能源基礎設施的合作，實現 0 廢物、0 水資源使用，再到整套系統的協同建設。

接著是硅片創新。我們與 Nvidia 合作，今天已有首個 GB 200 集群上線。同時，我們還與 AMD 合作，開發 Maya 芯片，Maya 已經在 Microsoft.com 處理大量客戶服務流量。這些投資使我們構建了世界一流的 AI 加速器基礎設施，優化訓練、推理內核，推動全系統級的創新。

數據層

基礎設施就緒后，接下來的大問題是數據治理。今天我與許多客戶和合作伙伴交流，他們首先關心的是如何整理數據。

數據是構建 AI 的唯一方式，不僅用于預訓練，還用于 RAG（檢索增強生成）需要的數據、后期訓練、采樣和推理計算。因此，首要任務是將數據與云端對接。我們正在構建數據資產管理體系，無論是 Snowflake、Databricks、Oracle 還是 SQL，都可以遷移到云端，全面支持 AI 計算。

我們擁有為AI應用設計的出色操作性數據存儲系統，無論是Cosmos DB還是用于分析型工作負載的SQL Hyperscale或Fabric，它們都已準備好支持AI。實際上，ChatGPT的一些最大用戶就依賴于Cosmos DB，因為它是用于存儲ChatGPT用戶狀態的有狀態應用的數據庫。

因此，我認為數據層非常重要，我們正在盡一切努力確保能夠幫助大家整理數據，以便結合這些模型使用和構建模型。這包括基于數據進行模型訓練，還包括使用數據進行諸如檢索增強生成（RAG）等操作。所以數據重力的就近性至關重要，數據的本地化處理也至關重要。

AI應用服務器Foundry

在擁有基礎設施和數據之后，第三步是創建AI應用服務器?；仡櫄v史，當網絡興起時，我們構建了IIS應用服務器；當云計算崛起時，我們開發了云原生應用服務器；移動時代也是如此。因此，每一代技術都需要一個應用服務器，而我們現在正在構建Foundry。

圖片

Foundry的核心是模型，尤其是OpenAI的創新成果。我們對GPT-4和即將到來的新版本感到興奮，同時也整合了來自開源社區的模型，如Llama和Mistral。此外，還有針對特定行業和印度本地語言需求開發的模型。我們希望擁有最豐富的模型目錄，其中一些流行模型將作為服務通過API接口提供。

獲得模型后，我們需要部署、微調、蒸餾、評估模型，還需要進行可靠性和安全性測試。為了簡化這些操作，我們將其整合到應用服務器中。模型評估將變得至關重要，我的團隊始終關注前沿模型，并確保應用服務器層具有靈活性，以便快速適應新模型。這個過程包括樣本測試、成本和延遲優化，以及為特定用例進行微調，這就是Foundry的目標——簡化整個流程并推動巨大進步。

在印度，我看到了許多客戶已經開始部署AI技術并提供了寶貴的反饋。例如，多Agents部署的嘗試讓我們學到了很多。展望未來，我認為行業的重點將從“模型”轉向“模型編排”和“模型評估”，并如何部署“面向未來的應用”，這是未來的重要趨勢。

今天，我見到了巴羅達銀行的團隊，他們展示了三個Agents：一個自助服務Agents，一個為新客戶提供服務的關系經理Agents，還有一個面向員工的Agents。此外，我參觀了一家名為ClearTax的初創公司，它的稅務處理流程簡單到只需用WhatsApp提交收據，然后就能獲得退稅。我特別喜歡這一點。此外，我還與ICICI Lombard團隊交流，了解到印度的醫療理賠表單沒有標準化，需要手動讀取。這種效率的提升將直接促進經濟增長，因為確保理賠順利意味著保險服務得到了保障。

圖片

我還見到了MakeMyTrip團隊，他們的高目標是將旅行行業中的復雜流程（包括酒店、航班和其他交通工具）通過多Agents框架實現自動化。不僅大型公司和初創企業在推動這項技術，其在印度的普及速度同樣令人興奮。最后，我想請大家觀看合作伙伴的視頻展示。

在印度，我們生產了大量的主要農作物，如甘蔗、小麥、水稻、豆類和棉花。但與其他發達國家相比，我們的產量仍然很低。土壤侵蝕是印度當前的主要問題，這主要是由于農藥的使用。

巴拉馬提合作社已經為農業社區服務了五十多年。他們的努力幫助資源貧乏的農民改善了生活。AgriPinado AI幫助農民避免猜測，通過科學的方式獲取真實數據，從而做出明智的決策并取得成功。在這個項目中，我們從馬哈拉施特拉邦選擇了1000名先進的農民，為他們安裝了氣象站、土壤傳感器，并提供了衛星支持。每天我們都從土壤中收集實時數據，AgriPinado AI使用Microsoft FarmBeats管理農業數據，通過運行超過20種算法來基于歷史模式提供準確的結果。

Azure OpenAI讓農民能夠用本地語言在WhatsApp上提問，從而在田間精準地使用灌溉、化肥和農藥。

對我而言，這真正實現了各種技術的整合。從Azure IoT的連接，到數據平面的處理，再到使用Azure AI，最終的目標是讓農民能夠提高產量。這些技術的整合展示了科技的力量和我們可以實現的成就。

工具

現在，最后一層是工具。如果你有了基礎設施、數據和AI，工具就變得至關重要。微軟起步于工具公司，我們始終對工具充滿熱情，尤其是通過GitHub。

在印度，現在有1700萬GitHub用戶，是僅次于美國的第二大社區。實際上，到2028年，印度的開發者數量將超過美國，這令人興奮。此外，印度的開發者對AI項目的貢獻也僅次于美國，社區的活躍度和才華令人振奮。我們在GitHub Copilot上的進展同樣令人興奮。

我們現在已經實現了多文件編輯功能。從連續代碼補全到聊天功能，再到多文件編輯，這使得可以對整個代碼庫進行修改。我們還推出了免費的GitHub Copilot層級，這一功能在印度發展迅速?；仡?020年，我第一次看到GitHub Copilot，那時我深信LLM的潛力。隨后，我看到GitHub Copilot Workspace，這是超越聊天功能邁向真實Agents的一步，它讓開發者可以從GitHub問題生成規格書、編輯計劃、執行整個代碼庫的操作。

今天，我邀請了我的同事Karen Napa來展示這些功能。Copilot Workspace是一個AI原生開發平臺，可以將你的想法通過自然語言直接轉化為代碼。接下來，我們將展示如何用Copilot Workspace為一個在線銷售運動器材的應用程序添加管理頁面功能。

你知道嗎，看到開發工具鏈的進展真的很令人興奮。事實上，直到今天，Copilot Workspace不再有等待名單了，我們對此感到非常興奮。對我個人而言，也許最大的改變就是Windows 365，我有了我的桌面，加上GitHub Copilot和Copilot Workspace，還有Code Spaces。將這些工具結合起來，無論我身處世界的哪個角落，我都是個快樂的人。這真是一個改變開發生產力的奇妙進步。

五、Copilot 設備：最快、最智能的Windows PC

那么我最后想談談的是Copilot設備。我們討論了這么多創新和基礎設施，從云端的硅開始，現在它正在走向邊緣。

我們非常興奮與高通、AMD、英特爾在NPUs方面的合作。事實上，今天，Jensen甚至談到了即將進入常規PC的下一代GPU，這些GPU將能夠在本地運行整個Nvidia技術棧。所以我們對這些Copilot設備以及更廣泛的Copilot PC，甚至是帶有GPU的傳統PC發生的變化感到非常興奮。但我們也對基礎工作充滿期待，對吧？當我使用我的Copilot PC時，能夠保證電池續航整天使用，擁有內置的新AI功能，第三方開發者也開始使用它，無論是Adobe、Cap Cart還是其他公司。所以這真的是一個新的平臺的開始，它將在邊緣發生的事情，和云端一樣令人興奮。

實際上，我們不把它看作是舊的客戶端-服務器模式。這不僅僅是關于離線本地模型，而是關于混合AI。

現在的思路是，你可以構建應用程序，讓你能夠將一些工作卸載到本地NPU上作為輔助，進行分類處理，同時調用云端的LLDs。任何應用程序都將真正成為一個混合型應用程序。這不是僅僅在本地運行，或者完全在云端運行。我認為這就是我們一直期待的。讓我們播放一個視頻，讓大家了解一下Copilot設備上的一切。

為了真正確保這三個平臺能夠廣泛分發和使用，關鍵的考慮因素是信任。

關于安全性、隱私和AI安全的信任。所以我們有一套原則，但更重要的是，這些原則和舉措是基于真正的工程進展，確保我們能夠在整個過程中有效地建立信任。比如說，像安全性這樣的東西，如何防范敵對攻擊，比如提示注入？我們正在構建的一項關鍵內容。再比如AI中的隱私問題，如何思考機密計算，不僅僅是針對PC，而是針對GPU？這是我們現在和每個人合作的內容，無論是Nvidia、Intel，還是AI安全方面，很多人談論的一個大問題是幻覺。

我們如何確?；A性？所以，帶有評估支持的基礎服務是我們在AI安全方面取得實際進展的一種方式。所以我們真正把信任作為一項首要的工程考慮，設定了一套原則，但更重要的是將這些原則轉化為工具鏈和運行時，允許我們作為開發人員構建更值得信賴的AI。

現在，我想從我開始的地方結束，那就是我們的使命是賦能每個人。但在我去那之前，我想談談的是，這一切都涉及到做AI商業轉型，對吧？最終，它是關于改變客戶服務，或者改變你的營銷、銷售，或是內部運營。歸根結底，最終是關于商業成果。

我想提交的三個考慮因素是，Copilot作為AI的UI，它是確保你能夠確保把應用服務器作為構建AI應用的平臺，在我們看來就是Foundry，另一個是你的數據，與Fabric結合。因此，這三者可能是需要做出的三大關鍵設計決策，而不是任何給定的模型，因為模型每年都會變化，每個月你都會有新的模型，但這三大基礎設計選擇才是真正的關鍵，那就是UI層是什么，你的Agents如何與UI層接口，你如何思考你的數據，以及你如何思考應用服務器，實際上它給你提供了基于模型的敏捷性。

這三者是你應該從我們在平臺上所做的工作中得到的希望，通過這些，我們的使命是賦能印度每個人、每個組織，這驅動著我們。最終，它是確保這個國家的人力資本能夠繼續擴大，利用這項技術所帶來的巨大機會和潛力。因此，我今天非常興奮地宣布，我們一直以來的承諾，現在是到2030年培訓1000萬印度人AI技能。對我來說，最重要的事情是，不要把技能培訓看作抽象的，而是看到這些技能如何轉化為實際影響，一次一個社區，一次一個行業。所以我留下一個視頻，展示所有技能培訓已經在印度產生的影響。非常感謝大家，謝謝你們在平臺上做出的出色工作，謝謝。

本文轉載自??51CTO技術棧??，作者：伊風