微软自研 AI 模型亮相：成本比 OpenAI 低 89%，正全面替代第三方服务

微软正在重新定义它与 OpenAI 的关系。

周三，微软 AI 团队发布了两款全新的自研模型：MAI-Image-2.5-Pro 和 MAI-Voice-2-Flash。这不仅仅是两次常规的产品更新，更是一份明确的战略宣言：微软已经具备了在不依赖 OpenAI 前沿模型的情况下，为自身庞大产品线提供动力的能力。

两款模型，两个极端

这次发布的两款模型，精准地占据了“质量-速度-成本”曲线的两端。

• MAI-Image-2.5-Pro：瞄准高端创意市场。它是微软迄今为止保真度最高的图像生成器，擅长处理精细编辑和长期困扰业界的“图像内文本渲染”难题。广告巨头 WPP 的全球首席创意官甚至称其为“GenMedia 工具的一次重大飞跃”。
• MAI-Voice-2-Flash：走向另一个极致——速度与成本。它的运行速度是前代的两倍，成本低 32%，专为呼叫中心、语音智能体等高吞吐量场景设计。在这里，延迟和每通电话的成本比表现力的细微提升更重要。

惊人的降本数据

比起模型本身，微软公布的部署指标更令人震惊。这些数据读起来像是一份系统性地替换第三方模型的战报：

• 在 PowerPoint 中，相比使用 OpenAI 的图像模型，MAI-Image-2.5 将 GPU 成本降低了高达 84%。
• 在 OneDrive 的关键图像编辑场景中，效率提高了 2.5 倍，P95 延迟降低了约 25%。
• 在 Dynamics 365 Contact Center，MAI-Voice-2-Flash 将 GPU 成本降低了高达 89%。
• 在医疗领域，Dragon Copilot 运行在自研的 MAI-Transcribe-1.5 上，转录错误率在大多数语言中相对降低了 50%。

这意味着，微软不仅在技术上实现了自主，更在经济上获得了巨大的边际优势。

“爬山机器”：让小模型打败大模型

微软是如何做到的？秘密在于其内部的“爬山机器”（Hill Climbing Machine）。

这是一个集数据、模型和产品工具链于一体的集成飞轮。最典型的例子是 MAI-Code-1-Flash。微软先训练出一个轻量级编码模型，然后在 Excel 的强化学习环境中对其进行“特训”，教它理解电子表格的工作流。

结果是，这个足够小、甚至能在两代前的 NVIDIA H100 或 A100 GPU 上运行的模型，在常见 Excel 任务上的表现与庞大的 GPT-5.6 不相上下。

这一细节至关重要。当所有巨头都在争抢最新一代芯片时，一个能在旧硬件上提供接近前沿质量的模型，从根本上改变了部署的经济性。它不仅降低了服务成本，还释放了尖端算力用于更重要的训练任务。

纳德拉的战略：前沿扩散与控制

微软 CEO 萨蒂亚·纳德拉将这一系列动作称为“前沿扩散与控制”。

他在 X 上写道：“我们现在可以获取饱和的前沿能力，并通过针对高使用率产品优化的模型以更低的成本大规模交付它们。”他明确表示，只要自研模型能匹配或超越前沿替代方案，微软就会在第一方产品中优先路由流量到 MAI。

当然，OpenAI 和 Anthropic 的模型依然是微软编排系统的一部分，用于满足那些最顶尖、最复杂的需求。但潜台词很清楚：微软要把控制权握在自己手里。通过把工具链、记忆和技能保留在模型之外，微软确保了即使更换底层模型，用户体验也不会断裂。

质疑与未来

当然，怀疑论者依然存在。有人指出微软的数据来自内部评估，缺乏独立基准测试；也有人抱怨微软在倾听用户需求方面一贯表现不佳。

但不可否认的是，纳德拉关于软件首次具有“真实边际成本”的判断击中了要害。在 Token 和 GPU 成为新货币的时代，谁能更高效地交付智能，谁就能掌握利润。

最后，微软还在做一件事：兜售这种方法论。通过 Azure Foundry 和 Frontier Tuning，微软正试图告诉其他企业：“看，我们就是这样省钱的，你们也可以。”

七年前，微软押注 OpenAI 构建 AI 的未来。今天，微软似乎学到了一个更便宜的教训：AI 的未来可能属于构建最前沿技术的人，但真正的利润，属于那些能让这项技术变得平凡、廉价且无处不在的人。(官方介绍)