輝達全力拚AI硬體 微軟 Build 開發者大會全力拚AI代理人
正當輝達執行長黃仁勳在台灣的COMPUTEX展掀起一陣旋風的同時，微軟持續在AI代理人開發應用。
微軟表示，這波平台轉型帶來前所未有且觸手可及的資訊量。這場轉變不僅止於快速開發，接下來更包含建置、營運、最佳化與觀測。從打開筆記型電腦到在正式環境部署應用程式的那一刻，以無縫且不影響效率的方式保護基礎架構、應用程式與 AI agent。
然而，開發者具有雙重角色：一方面是工匠般的創作者，能自由選擇適合的工具與模型；另一方面是企業系統的建構者，負責打造從第一天起即具備治理能力、安全性與可信任基礎的解決方案。
因此，開發者需要的並不是另一種單純用於建置與執行 agent 或應用程式的方法，而是信任機制。他們需要原生環境的脈絡與領域專業知識，更重要的是，需要能夠依據不同問題選擇最合適模型的自主權。
這雙重的特性正是微軟擅長之處，微軟自問：怎麼樣才算是一位現代開發者？微軟於 Build 大會分享，在「智慧無所不在」的時代中，如何賦能開發者進行建構，同時提供企業級規模所需的控管與安全性，並在一個模型多元、開放且異質的技術平台上實現這一切，讓既有的知識與世界原生的智慧得以整合共存。
今年的微軟 Build 大會有許多重要訊息，聚焦在三個核心主軸。
第一，真正屬於使用者的智慧。透過 Microsoft Agent Platform（一個由 Microsoft IQ 提供使用者情境脈絡與智慧能力的平台），開發者可以在 GitHub 中打造 agent，並部署至 Microsoft Foundry，系統將自動優化並選擇最適合任務的模型，讓 agent 程式同時連結企業內部與全球知識資源，並可透過 Microsoft Teams、Microsoft 365 或團隊日常使用的各種場景進行存取。此設計旨在降低開發過程中在情境與治理、安全與速度、模型與工具之間的取捨。
第二，是依照開發者需求打造的全堆疊。開發者能以自己偏好的方式進行開發，選擇合適的工具、模型與工作流程，並將構想落實為實際應用。這不僅限於 agent 平台，而是延伸至技術堆疊，涵蓋從晶片、作業系統到開發工具與雲端服務，並以 Windows 為起點。Windows 不再只是「給 Windows 開發者使用的 Windows」，而是「給所有開發者的 Windows」。微軟正在推出全新的開發者配置，提供更高的彈性、更流暢的智慧殼層與終端體驗、agents 的本地沙盒、Windows Subsystem for Linux 全新功能，以及更強大的本機執行能力，讓開發者能直接在本機端完成開發與 AI 工作流程。
第三，是著眼於下一個階段。代理式系統（agentic systems）將從程式碼開發進一步擴展至推動人類進步，放大科學家與研究人員的潛能。科學與運算領域的新前沿也將建立在相同的開發者平台基礎之上。
從筆電到雲端，開發者將擁有完整的多模型生態系，能夠在不犧牲掌控力與創造力的前提下打造下一波技術創新。而一如既往，一切都從開發者開始。
了解使用者、其企業與世界的 Agents
隨著 AI 模型能力持續提升且日益普及，企業的競爭優勢已不再取決於是否取得 AI，而是能否掌握。如何將企業的專業知識、資料與工作方式，轉化為一套能夠持續學習並不斷創造更佳成果的系統？微軟希望打造一個讓企業擁有自主性的生態系，而非將價值持續回流至顧問或模型開發商。
企業的 agent 要能夠反映組織的思維模式與營運方式，涵蓋商業邏輯、企業知識，以及各項工作流程，真正成為企業能力的延伸。
而這一切的基礎來自於情境脈絡資訊。Microsoft IQ 現已於 GitHub Copilot、Microsoft Foundry 與 Copilot Studio 正式推出，作為全新的情境脈絡層（context layer），讓 agent 能夠同時運用全球與企業的知識作為基礎。Work IQ 是專為 agent 設計的工作場所智慧層（workplace intelligence layer），能夠擷取實際工作流程在 Microsoft 365、企業系統及外部資料來源中的運作方式，包括人員、電子郵件、文件、會議及其彼此之間的關聯。Work IQ API 將於 6 月 16 日正式推出，提供對此智慧層的程式化存取能力，讓 agent 取得在組織內有效運作所需的情境資訊。Fabric IQ 則為結構化商業資料提供共享的語意基礎。Foundry IQ 將上述能力整合在一起，並支援橫跨企業知識與即時網路資訊的檢索規劃（retrieval planning）。
加入此系列的全新產品是3日正式宣布的 Web IQ，是能為 agent 提供真實世界情境基礎（grounding）的最快方式。這是一套 AI-first 的網頁搜尋技術堆疊，具備不綁定特定模型（model-agnostic）與原生支援 MCP 的特性，能以接近市場次佳方案 2.5 倍的速度回傳相關內容片段。
微軟也正在探索這些情境脈絡如何應用於新的產品形態，特別是全天運作的自主型 agent。Microsoft Scout 是一款全新的個人工作 agent，3日將率先提供給 Frontier 客戶使用。建立於 OpenClaw 與 WorkIQ 之上，Scout 能理解使用者的工作方式，並運用你日常使用的工具，例如 Teams 與 Outlook，在不需詢問的情況下主動處理工作事項，包括會議準備、行程衝突調整以及例行性任務。微軟也十分期待在未來分享更多進展，並逐步擴展 Scout 的能力與服務提供範圍。
在模型層面，微軟 AI 超級智慧團隊（Microsoft AI Superintelligence Team）發表一系列共七款的自研模型，其中首發的 MAI-Thinking-1 是微軟 AI 的首款推理模型。該模型從零開始訓練，未經任何知識蒸餾，採用企業級、乾淨且具商業授權的資料集，讓開發者能安心進行建置與應用。
MAI-Thinking-1 為中型模型，具備 350 億個活躍參數，以及 256K 上下文窗口（Context Window），專為高效率與高效能設計，同時維持較低的詞元（token）成本。在盲測評估中，獨立評測者更偏好其表現優於 Sonnet 4.6[[1]]，並在 SWE Bench Pro[[2]] 的程式碼能力測試中達到與 Opus 4.6 相當的水準。MAI-Thinking-1 特別針對複雜的多步驟指令、長上下文推理與程式碼生成進行最佳化，目前已於 Foundry 進入私人預覽階段。
但這並不是唯一的新模型，MAI-Image-2.5 及其 Flash 版本是微軟首款同時支援文生圖（於 Arena AI 排行榜排名第三）以及圖生圖（image-to-image，於 Arena AI 排行榜排名第二，超越 Nano Banana Pro）能力的模型。這些模型特別適用於創意工作流程，能協助使用者將概念轉化為實際圖像，或進一步優化既有圖像作品。這些模型已整合至 PowerPoint，並正逐步導入 OneDrive，3日也已正式在 Foundry 推出，效能與成本比達到領先市場的水準。
MAI 家族還有其他新成員，包括：MAI Transcribe 1.5 在 43 種語言中具備領先的準確度，並將很快支援串流功能。MAI-Voice-2 及其 Flash 版本現已支援超過 15 種新增語言，並提供更多全新語音選項。此外，MAI-Code-1 是微軟專為 GitHub 調校的高推理效率程式碼模型，目前已可在 Copilot 與 VS Code 中使用。
開發者的選擇不僅限於微軟的產品，MAI 模型也將可在 Fireworks AI、Baseten 與 OpenRouter 上使用。同時，Fireworks AI 現已於 Foundry 全面推出，讓開發者無論選擇哪一種模型，都能在單一平台上獲得具備企業治理能力與 Azure 資料落地的整合體驗。
對於希望真正讓智慧成為企業自身資產的組織而言，Frontier Tuning 透過在合規性範圍內進行增強式學習，使 agent 能夠學習企業實際運作方式。透過企業自身資料、領域知識與工作流程，形成一個隨著 agent 持續運作而不斷優化的學習循環。此功能3日已進入私人預覽階段。
安全性與治理能力則貫穿整個系統。Agent 365 for local agents 將 Entra、Defender 與 Purview 延伸為單一控制平面，讓企業能在不同部署環境與框架下，對所有 Agent 進行觀測、治理與安全防護。這正是實現高速開發同時維持可控性的關鍵方式。
此外，微軟也推出一套開放、端到端的 AI agent 信任堆疊，適用於任何框架，並以兩項開源專案為基礎：Adaptive Spec-driven Scoring for Evaluation and Regression Testing（ASSERT），用於以政策為導向的安全評估；以及 Agent Control Specification，用於在 agent 運作流程中應用控制機制位置與方式的標準化。
同時，微軟也進一步強化防護能力，推出代號 MDASH 的新一代多模型 agent 安全系統。該系統部署超過 100 個 agent，透過對資料流、商業邏輯與攻擊鏈的推理來發掘可被利用的漏洞，並將具備情境感知的修復建議直接交付至 Defender 入口網站。
完整技術堆疊，由使用者掌握
當我們思考代理式時代的工作型態，將會需要一個橫跨雲端與邊緣端、無所不在的智慧平台。然而，對開發者而言，關鍵在於如何在維持掌控的同時，建構這些高度複雜的 agent 系統。這代表開發者必須持續維持開發流程中的流暢狀態，而不是為了等待工具而中斷，並在數分鐘內完成實驗，而非花費數小時。