自去年宣布推出Copilot Studio以来,微软表示该工具已在多个业务部门让效率显著提升。从下个月开始,客户将可以对这一说法进行测试。
该服务提供了一个无代码风格的界面,用于构建特定任务的人工智能代理,以实现员工工作的自动化。
如果你对人工智能代理的概念不熟悉,那么它指的是结合使用大型语言或视觉模型(有时不止一个)与传统自动化框架,无需人工交互即可主动处理信息(例如销售线索)。
尽管Copilot Studio可用于构建自定义代理,自动执行各种任务,微软在Dynamics 365 产品中提供了十个现成的代理,覆盖了从销售和客户服务到财务和供应链管理的方方面面。
微软表示其中得供应链代理可以“通过自主跟踪供应商绩效、检测延迟并做出相应响应,最大限度地减少代价高昂的中断”,并补充表示,它将把团队从监控和救火中解放出来。
当然,这些服务旨在插入客户现有的Microsoft 365服务,扩展他们的知识库,这可能是通过一种名为检索增强生成(RAG)的技术实现的——我们在这里对这一概念进行了深入探讨。
从长远来看,许多业内人士都认为这项技术将有助于实现整个部门的自动化。不过,就目前而言,微软的雄心似乎更低调,他们将这一服务定位为提高效率的驱动力,帮助现有员工完成更多工作或专注于价值更高的任务。
微软表示,霍尼韦尔使用 Copilot 提高了生产率,相当于增加了187名全职员工,这不禁让人怀疑,这些工具的真正目的是提高工人的生产率,还是推动裁员。
这正是 Klarna正在做的事情,但这家金融科技公司并没有让人工智能发出 “解雇通知书”,而是将其代理作为不补充员工离职后造成的空缺的理由。
微软称,在自己的测试中,至少有一个销售团队使用Copilot后,每个销售的收入提高了9.4%,成交量增加了20%。同时,这家软件巨头还表示,帮助人工智能人力资源助理现在将回答问题的准确率提高了42%。
当然,我们建议对这些说法持谨慎态度。百分比并不总是像看起来那么令人印象深刻,尤其是当你不知道基数是多少的时候。如果人力资源助理只有四分之三的时间能正确回答问题,那么准确率提高42%就已经很了不起了。但是,如果人力资源助理十次中已经有九次回答准确,那么提高的幅度就小得多了。
虽然微软表示这些代理提供了很多好处,但企业是否真的会让这些代理自己做出决定,还是只会让这些代理在已经需要团队关注的各种警报中插上一脚,还有待观察。当然,我们有足够的理由相信会是后者。
本月早些时候,Redwood Research公司首席执行官Buck Shlegeris与《The Register》杂志分享了故事:一个人工智能代理扫描他的网络、识别计算机并与之连接,结果却出了点差错,开始向机器推送更新,并很快就搞砸了。
需要说明的是,这个特殊的代理是用Python定制的,并使用Anthropic 的 Claude LLM 作为后台。因此,也许微软的Copilot Studio将内置更好的防护栏,以防止生产中出现此类事件。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。