今天凌晨,微软在官网发布了全新企业级AI助手——Microsoft 365 Copilot Chat。
Copilot Chat除了支持的传统的文本生成、文件分析(PDF、Word等)、图像生成之外,最大亮点便是支持AI Agent功能,并且集成在了Microsoft 365商业版中,可直接调用企业自有数据,执行夸端到端的超复杂自动化业务流程。
例如,在供应链管理中,Copilot Chat能够实时监控库存水平,根据销售数据和市场趋势预测需求,自动生成采购订单,并协调物流配送,提升整个供应链工作效率。
用户通过Copilot Chat开发AI Agent也非常简单,无需专业的编程背景,通过自然语言或可视化拖拽就能创建,同时支持企业级AI Agent私有部署和量身定制开发。
微软CEO介绍新产品
对于新产品,网友表示,微软正在让工作变得更智能、高效。
这可是微软的大动作。
微软持续引领AI革命!365 Copilot Chat 通过将AI工具直接交付到员工手中,有望彻底改变工作场所的生产力。普及性+ 创新 = 巨大的增长潜力。微软不断提升标准!
太棒了,一直在期待这个消息!Copilot 已经成为工作和生活中的一种操作习惯。就在几天前,我注意到开发Agent变得更加简便了,我也将其从构建一个全能型机器人重新定位了。做得很好,感谢!
新功能让Microsoft 365变得更有价值。
Microsoft 365 Copilot 正不断演进,借助整个企业知识库的力量、丰富的 Office 应用程序套件以及自动化的Agent,正成为加速工作效率的最佳方式。
Copilot Chat主要功能介绍
从陶氏化工到迪士尼,全球众多“世界500强”正通过Copilot和AI Agent简化其工作流程,创造一种全新的“人机协作”模式。所以,本次发布的Copilot Chat主要面向的是企业客户,帮他们扩大AI应用范围实现降本增效。
AI Agent功能:现在用户可以直接在Copilot Chat的聊天中,通过自然语言创建Agent,用于执行自动化重复、枯燥、复杂的业务流程。
例如,客户服务代表可在会议前通过CRM Agent查询账户详细信息,现场服务人员可访问 SharePoint 中存储的分步说明和实时产品知识等。
如果企业想打造量身定制的Agent也没问题,通过微软发布Copilot Studio中的Agent SDK,可以自由连接Azure AI Foundry,Semantic Kernel等多种服务,可以将其部署在Microsoft 365、Microsoft Teams、Web或第三方应用中执行更复杂的跨端到端的自动化业务流程。
此外,Copilot Studio也支持将Agent嵌入到IVR系统中执行多模态任务,只需提供特定数据集,Agent就可以自动处理一系列复杂语音业务流程,包括语音识别、处理中断、检测静默等。
例如,酒店可以把AI Agent集成在迎宾应用中,为客户提供自动化语音引导服务改善使用体验。
聊天功能:Copilot Chat提供聊天功能,使用方法与ChatGPT一样,可用于市场调研、撰写发展战略报告或准备会议资料等。
支持文件上传,能对 Word 文档总结要点、分析 Excel 表格数据、改进 PowerPoint 演示文稿,还可通过Copilot Pages 实现人员和 AI 实时协作内容创作,并且能快速创建用于活动、产品发布和社交媒体帖子的AI生成图像。
为了确保数据的安全性和合规性,Microsoft 365 Copilot Chat内置了企业级数据保护(EDP)系统。用户可以同一管理访问控制、监控使用模式、确保数据隐私和安全。
目前,Copilot Chat中的Agent功能已经可以使用,采用按需付费模式每条消息的费用为0.01美元,也可以使用按月模式,每月200美元可使用25,000条消息。
好文章,需要你的鼓励
在他看来,企业对AI的恐惧源自未知,而破解未知的钥匙,就藏在“AI平台+开源”这个看似简单的公式里。
斯坦福和魁北克研究团队首创"超新星事件数据集",通过让AI分析历史事件和科学发现来测试其"性格"。研究发现不同AI模型确实表现出独特而稳定的思维偏好:有些注重成就结果,有些关注情感关系,有些偏向综合分析。这项突破性研究为AI评估开辟了新方向,对改善人机协作和AI工具选择具有重要意义。
Pure Storage发布企业数据云(EDC),整合其现有产品组合,提供增强的数据存储可见性和基于策略的简化管理。EDC集成了Purity存储操作系统、Fusion资源管理、Pure1舰队管理和Evergreen消费模式等架构元素,提供类云存储管理环境。该方案支持声明式策略驱动管理,让客户专注业务成果而非基础设施管理。同时发布高性能闪存阵列和300TB直接闪存模块,并与Rubrik合作提供网络安全防护能力。
威斯康星大学研究团队提出"生成-筛选-排序"策略,通过结合快速筛选器和智能奖励模型,在AI代码验证中实现了11.65倍速度提升,准确率仅下降8.33%。该方法先用弱验证器移除明显错误代码,再用神经网络模型精确排序,有效解决了传统方法在速度与准确性之间的两难选择,为实用化AI编程助手铺平了道路。