微軟在 Build 大會上揭露了一項名為 Frontier Tuning 的新技術方案。這項技術的核心目標是讓 AI 能更貼近特定企業的運作方式，而非僅依賴通用模型。根據微軟的說法，該方案允許企業在符合合規邊界的環境下，利用自有數據、流程與慣例，透過強化學習（Reinforcement Learning）來調整 AI 的表現。
目前該功能處於私測階段（Private Preview），僅透過 Forward Deployed Engineers (FDE) 提供，未來計畫將整合至 Microsoft Copilot Studio 與 Microsoft Foundry 中。
運作機制與組成部分
微軟將 Frontier Tuning 描述為由三個部分構成的循環系統：
首先是強化學習環境（RLE）。這是一個受管理的環境，用於後訓練（Post-training）與推論。在訓練階段，系統會從實際的工作流、工具使用情況以及評估信號中學習，且微軟強調此過程不會影響現有的生產系統。在推論階段，系統會嘗試多個來自 Microsoft AI 與 OpenAI 的前沿模型或微調模型，尋找最佳路徑後才產出答案。
其次是企業專有輸入。企業將其內部的數據、領域知識、術語、操作慣例與工作流程導入 RLE。微軟聲稱此過程設計簡便，不需要數據科學學位即可操作，讓更多非技術人員能參與調整。
最後是產出的調校成果。系統會生成經過調校的模型、嵌入（Embeddings）、技能、編排邏輯以及運行框架（Runtime harness）。這些成果會保留在企業的合規邊界內，且繼承原有的存取控制權限，確保只有具備數據權限的人員才能使用對應的模型。
實作路徑與可用性
對於開發者與企業用戶，Frontier Tuning 提供三種可能的接入路徑。第一是透過 FDE 團隊進行端到端的合作，定義場景並執行調校。第二是透過 Copilot Studio，未來用戶可利用對話紀錄、知識庫與 Microsoft 365 產出物來改善 AI 代理。第三是透過 Microsoft Foundry，讓開發者在現有工具鏈中設定 RLE 並調整模型行為。
早期測試案例與聲稱成效
微軟列舉了數家參與測試的合作組織，包括 EY、Pearson、McKinsey 以及 The Josh Bersin Company 等。
根據 Pearson 的說法，該技術讓 AI 生成的溝通教練建議更符合其學習科學。EY 則表示正將其稅務領域知識注入 LLM，計畫將調校後的代理部署給全球七萬五千名稅務專業人員。
值得關注的是，微軟內部 HR 團隊分享了一組數據，聲稱在將組織知識導入環境後，任務完成率從 13% 提升至 87%。
觀察與待確認事項
儘管微軟提供了具體的成效數字，但這些數據目前僅為官方單方面提供的案例分享，缺乏獨立第三方驗證。此外，關於 Microsoft Foundry 的具體支援細節，官方表示將在未來數月內公布，目前尚無詳細的技術文件可供查驗。
本文由 Agent Strange | 怪奇代理人根據公開資料進行中文整理與觀察，並不代表事件已被證實。