2026 年 9 月 26 日

1 / 3

Microsoft 新 Copilot：工作软件的基本单位开始从“文件”扩展到长期运行的 agent

Microsoft 9 月 25 日公布的新 Copilot，表面上是一次产品界面整合，实际涉及它对 AI 工作方式的一次重新划分。Copilot 现在被拆成 Home、Code 和 Autopilot 三种主要能力：Home 处理即时对话和委托型工作，Code 让普通用户创建软件，Autopilot 则负责跨较长时间持续运行的任务。Microsoft 的完整发布说明 给出的细节已经足够看出三者背后的不同运行模型。

Home 首先把原本分散的聊天、Cowork 和 Office 文件放进一个入口。用户可以要求 Copilot 写方案、建预算模型或制作演示文稿，生成的并非聊天框里的临时文本，而是真正可继续编辑和协作的 Word、Excel 或 PowerPoint 文件。Microsoft 还计划让系统自动判断任务应该交给 Chat、Cowork 还是 Code，减少用户自己选择“模式”的需要。

Code 更进一步。用户可以用自然语言描述一个应用、仪表盘、自动化流程或桌面组件，Copilot 决定实现方式并生成软件。底层使用与 GitHub Copilot 相同的技术，但 Microsoft 同时增加了 Copilot Managed Runtime：生成的程序可以直接运行在企业自己的 Microsoft 365 环境中，由 IT 管理权限和治理。它目前已经进入预览。

Autopilot 的差异在于时间。过去大部分助手都遵循“用户发起请求—模型返回结果”的交互节奏；Autopilot 可以拥有自己的名称、角色、目标、身份、记忆、计算机和工作空间。Microsoft 举出的供应商审查案例里，它可以自己建立项目计划、准备会议、追踪进展、联系相关人员并继续处理后续事项。它运行在云端，因此用户离线后任务仍能继续。Autopilot 原名 Scout，将在 9 月底扩大私人预览。

这种产品形态随之改变了权限问题。一个回答邮件问题的 Copilot 主要需要读取权限；一个能够连续数天运行并主动联系同事的 Autopilot，则必须拥有可持续使用的身份和授权。Microsoft 因而把它设计成企业租户里的独立实体，并明确加入 permissions、audit 和 governance。换句话说，agent 在企业软件中开始更接近一个受管理的数字账号，而不只是某位员工临时调用的一次模型推理。

计费方式也跟着变化。普通聊天、摘要和 Office 辅助仍可以使用固定订阅；Cowork、Code、Autopilot 以及更昂贵的前沿模型则转向 usage-based billing，即按实际使用收费。管理员能够限定不同员工可调用的模型家族、设置预算策略，并查看哪些 Cowork 任务带来了较高价值。Microsoft 甚至为这套成本管理单独提出 FinOps for AI。

这里可以看到一个相当具体的软件变化。传统 Microsoft 365 的基本对象主要是文档、表格、幻灯片、邮件和会议；新 Copilot 又加入了两类对象：用户自己生成的小型软件，以及能够持续工作的 agent。前者改变“用软件”的方式，后者改变“谁在执行工作”。这两件事最终能走多远仍取决于可靠性、权限控制和实际成本，但 Microsoft 已经开始为它们建设运行时、身份体系和计费体系，而不只是在 Office 界面里增加一个聊天框。

2 / 3

Claude 的九圈振幅计算：这次科学 AI 的关键不在答案像不像专家，而在它能否自己找到更便宜的计算路径

理论物理学家 Matt von Hippel 今年夏天提出了一个很具体的挑战：让 AI 在普通学术研究者能够负担的计算资源内，完成一个领域专家认为非常困难、但结果又可以严格验证的问题。Anthropic 选择的是平面 N=4 超对称杨-米尔斯理论中的九圈六粒子散射振幅。Anthropic 9 月 25 日公开的完整记录 显示，Claude 最终给出了结果，而且使用两条不同方法完成计算。

散射振幅描述粒子发生特定相互作用的概率。实际粒子物理计算通常需要做近似，“圈数”越高，纳入的量子修正越复杂，计算也急剧变难。N=4 超对称杨-米尔斯并不是描述现实世界的理论，它更像一个结构相对规整的实验场，物理学家长期用它测试新的振幅计算方法。此前相关六粒子振幅已经算到八圈，九圈则一直没有完整结果。

有意思的是，Claude 没有得到一种未知的新物理定律。它面对的是一个理论上知道怎样求解、实际计算量却大到研究者没有继续推进的问题。核心方法叫 bootstrap：先列出答案可能具有的数学结构，再不断加入已知约束，排除不可能的候选。Anthropic 让 Fable 5.1 在 Claude Science harness 中持续工作，人类给出的主要任务就是计算九圈振幅，随后偶尔要求它继续推进。

Claude 最终走了两条路线。一条直接执行原有 bootstrap；另一条利用相关的 form factor 间接计算。前者的 Python/SymPy 数值工作使用 96 个 CPU 运行约一周，计算资源本身约花费 100 美元；算上长时间模型调用，每种路线对普通用户的总成本约为 1000—2000 美元。这个数量级很重要，因为挑战本身要求的就是不能靠巨额算力直接压过去。

结果随后交给长期研究该问题的 SLAC 教授 Lance Dixon 检查。Dixon 此前参与了八圈结果，因此这里存在一个相当强的领域专家验证环节。与此同时，这个故事也有一个很重要的边界：Anthropic 完成计算后不久，中科院 Song He 团队也报告已经获得结果的大部分，并使用过 GPT-6 辅助。因此更准确的说法是，AI 参与的计算方法正在把一个原本处于研究前沿的问题推过九圈，而不是 Claude 独自发现了一个此前所有物理学家都无法接近的答案。

这个案例和昨天 Anthropic 公布的 DNA genome-mining 工作很不一样。后者让数百个 agent 在巨大数据空间中搜索异常模式，再交给湿实验验证；九圈振幅问题的答案空间高度数学化，最终结果能够通过约束和独立计算严格检查。它因此提供了另一种科学 AI 路径：模型不一定负责提出最富想象力的理论，也可以负责把专家已经知道原则上可行、却因为搜索和计算成本太高而没有完成的工作推进到底。

对于科学研究而言，这种能力可能比“会不会回答博士级问题”更容易测量。问题本身来自真实研究前沿，有此前八圈结果作为基础，有领域专家能够核验九圈答案，还有明确的计算资源账单。它没有直接回答 Claude 是否能够普遍进行理论物理研究，但至少把“AI 做科学”的一个模糊命题缩成了一项可重复讨论的具体工作。

3 / 3

Anthropic 买下 116 亿美元 CPU 云：AI 基础设施的巨大支出并不全发生在 GPU 上

Akamai 9 月 24 日宣布 Anthropic 承诺未来七年购买 116 亿美元云服务，这笔合同还可以额外扩大 90 亿美元。规模本身已经很大，更值得注意的是 Akamai 在公告中明确写出的用途：支持 Anthropic 快速增长的 CPU workload。Akamai 官方公告

过去两年的 AI 基础设施讨论很容易把“算力”直接等同于 GPU。训练和大规模模型推理确实高度依赖加速器，但一个实际运行的 AI 服务还有大量工作发生在 CPU 上：请求处理、数据准备、工具执行、agent sandbox、网络服务、存储协调，以及围绕模型推理的大量普通应用逻辑。随着 agent 开始执行代码、调用软件和维持长时间任务，这部分通用计算需求还会继续增长。

Akamai 没有披露 Anthropic 会把哪些具体服务迁移过去，因此目前不能把 116 亿美元进一步拆成 agent、Claude API 或其他业务的成本。但合同规模说明，CPU 已经可以单独形成前沿 AI 公司百亿美元级的长期基础设施采购。

交易结构也很特别。Akamai 给 Anthropic 发放了认股权证，全部满足条件后可对应约 5% 的 Akamai 普通股：当前 116 亿美元合同使其中约 2% 预计获得归属；如果 Anthropic 未来每追加 30 亿美元采购，又会增加约 1%，最多再增加 3%。换言之，大客户带来的采购规模和它获得供应商股权的程度被直接绑定起来。

供应商则需要提前承担真实资本开支。Akamai 预计当前合同相关总资本投入约 55 亿美元，仅 2026 年就要额外增加约 17 亿美元，用于提前锁定内存等关键供应链资源。116 亿美元因此并不是简单地从 Anthropic 转化成 Akamai 的利润，它对应的是未来几年要建设出来的计算能力。

这笔交易把 AI 基础设施的另一层结构显示得很清楚。GPU 或 TPU 仍然承担模型中最密集的矩阵计算，但一个拥有数百万用户、API 客户和长时间 agent workload 的实验室，需要的是完整计算系统。加速器之外还有 CPU、内存、存储、网络、沙箱和边缘节点。当这些外围层同样进入百亿美元采购规模时，“AI 算力”这个词如果只统计 GPU，已经很难完整描述前沿模型公司的基础设施成本。

1 / 1

IFEval 如何把“遵循指令”变成可程序判定的分数

“模型是否听懂并遵守要求”看似容易判断，实际很难稳定评分。诸如“语气自然”“解释充分”“写得有趣”都需要人工或另一个模型作出带有主观性的判断。IFEval 选择缩小问题：只测试能够由确定性程序检查的要求，例如限定字数、要求出现指定关键词、禁止使用某个词、规定段落数量，或者要求整个输出采用 JSON 格式。这类要求被称为可验证指令（verifiable instructions）。IFEval 论文

原始数据集包含 541 个提示，覆盖 25 种可验证指令。指令涉及关键词、语言、篇幅、标点、大小写、开头和结尾以及可识别的内容与格式；一个提示可以同时包含一至三项要求。研究者先组合基础问题与随机选择的约束，再清除逻辑不通的组合、改写措辞，并逐条人工检查。被测模型拿到完整提示后直接生成文本，评分程序只读取最终回答，不需要参考答案或模型裁判。论文的数据构造与指令类型

设想一个教学例子：“用恰好三个项目符号说明太阳能的优点，必须出现‘储能’，不要使用逗号。”模型即使正确介绍了太阳能，只要写成四项，就违反了项目数量要求；如果三项格式、关键词和标点全部合规，相关检查器才会全部通过。这个例子不是 IFEval 的真实样本，但反映了它的判分方式：每种约束对应一个程序检查器，输出经过检查后得到通过或失败，而不是由评审者给出一个模糊的质量等级。

IFEval 同时报告提示级和指令级结果。指令级准确率把每一项约束分别计分；提示级准确率则要求同一提示中的所有约束全部通过。假如上述教学例子满足“包含储能”和“不用逗号”，却输出了四个项目，指令级结果是三项通过两项，而这条提示在提示级上整体失败。因此，提示级分数对多约束任务更严格，也更接近“用户交付要求是否全部完成”；指令级分数则有助于观察模型具体漏掉了多少约束。四项官方指标的定义

两种统计粒度又各分为严格和宽松版本。严格检查直接判断原始输出。宽松检查会尝试删除 Markdown 字体标记、首行套话或末行客套语，再重新判定。例如，用户要求以某个句子结尾时，模型可能加入加粗符号；简单字符串匹配会把语义上正确的结尾判错。宽松规则可以减少这种假阴性，但也可能制造假阳性：删掉首行后，原本超出字数限制的答案或许刚好落入允许范围。论文因此把宽松指标作为严格指标的补充，而非更权威的替代品。严格与宽松检查的实现逻辑

原论文中的 GPT-4 输出采集于 2023 年 11 月，其提示级严格准确率为 76.89%，指令级严格准确率为 83.57%；宽松处理后分别为 79.30% 和 85.37%。这些差距说明，一部分失败来自首尾套话或 Markdown 等表面形式，但不能推出所有严格失败都只是格式误判。它们也是特定时期模型接口和数据集实现下的旧基线，不宜直接当作今天同名产品的成绩。论文的基线实验与采集时间

IFEval 的优势是评分便宜、透明且容易重复。检查器代码明确规定了何种字符串或结构算作合规；例如项目符号检查会统计以星号或连字符开头的行，语言检查则调用语言识别组件。这样的实现细节同时构成评测定义的一部分：若另一套 harness 对列表、单词或 JSON 的解析方式不同，即使使用相同的 541 个提示，结果也未必完全一致。比较成绩时，需要确认数据版本、检查器代码、是否采用严格或宽松指标，以及报告的是提示级还是指令级分数。Google Research 的检查器实现

高 IFEval 分数能够支持的判断很具体：模型在单轮文本生成中，较经常满足一组明确、可机械检查的输出约束。它不能单独说明回答事实正确、论证可靠、风格得体，也不能说明模型善于处理模糊要求或多轮修订。一个回答完全可以格式合规却内容错误；另一个回答也可能内容优秀，却因多写一句客套语而丢掉严格分数。这不是 benchmark 的缺陷陈述，而是其测量边界：IFEval 主动牺牲任务含义的广度，换取判分的客观性和可复现性。

因此，IFEval 最适合回答“模型能否按指定形式交付”这一层问题。若实际应用还要求知识正确、证据充分或决策安全，就需要把它与任务正确性、事实性或人工质量评测结合。阅读榜单时，把四项指标及检查器版本讲清楚，比笼统地说某模型“更听话”更接近分数真正表达的含义。