Gate News 訊息，4 月 22 日——微軟的 AI 變現副總裁 Tim Frank 宣布一系列面向「agentic web」時代的商業基礎設施更新，使出版商、商家和廣告商能在 AI 代理代表使用者做出購買決策時，持續保持可被發現且可被交易。
此舉涵蓋三個核心組成部分。首先，出版商內容市場 (PCM) 擴展微軟既有的計畫：當付費內容被 AI 平台引用時，向出版商進行補償。PCM 涵蓋地圖、商品目錄、新聞與健康資訊，將原本的一次性授權協議，轉向基於市場的持續交易。Copilot 作為初始需求合作夥伴，並正在與其他 AI 平台洽談整合事宜。
其次，微軟在商家中心啟用了通用商務協議 (UCP) 資料來源——由 Google、Shopify 等共同開發的開放標準，使 AI 代理能直接讀取結構化的商品資訊。Shopify 的全球目錄現已與 Copilot 整合，讓來自超過 500,000 名商家的商品可被發現且可進行交易。微軟表示，頂級 Shopify 商家在 Copilot 的曝光份額大約成長了 90%。Copilot Checkout 已擴展到行動裝置，並且現在支援包含 Target 在內的零售商忠誠度計畫。
第三，微軟推出了擴展版 AI 可見性工具與新的廣告功能。Microsoft Clarity 的 AI 可見性功能現在能向品牌展示：其網頁在 AI 回覆中被引用的頻率、競品基準分析，以及內容落差建議。新增的方案包括 AI Max 搜尋廣告 (beta 將於 5 月推出)、Offer Highlights (在 Copilot 對話中展示產品亮點)，以及 Audience generation (利用自然語言自動生成受眾定向)。微軟強調，它不會收取交易費用，只會以具有競爭力的費率收取技術服務費用。Frank 指出，微軟作為企業服務供應商已有 51 年的歷史，且不存在與平台客戶競爭的相衝突激勵。
免責聲明：本頁面資訊可能來自第三方，不代表 Gate 的觀點或意見。頁面顯示的內容僅供參考，不構成任何財務、投資或法律建議。Gate 對資訊的準確性、完整性不作保證，對因使用本資訊而產生的任何損失不承擔責任。虛擬資產投資屬高風險行為，價格波動劇烈，您可能損失全部投資本金。請充分了解相關風險，並根據自身財務狀況和風險承受能力謹慎決策。具體內容詳見
聲明。
相關文章
阿里雲推出 JVS Crew：企業級 AI Agent 平台
門戶新聞訊息，4月23日——阿里雲正式發布 JVS Crew，這是一個面向企業的 AI Agent 建置平台，採用「整合優先」的設計理念。該平台能讓企業快速將 AI Agent 能力嵌入現有應用程式、SaaS 服務或智慧硬體
GateNews8分鐘前
台灣銀行業聯手打造本土 AI！金融大型語言模型最快年底上線
中信金控領軍的16家金融機構宣布啟動『金融大語言模型FinLLM』專案，首版銀行模型預計8月發布，2026年Q1再推出以FinLLM為基礎的AI代理。訓練自5月起，預算約4000–7000萬元。因法規與在地化需求，以本地資料訓練為核心，強化主權AI、建構共用基礎設施，並擴及普惠金融。計畫已納入國家AI發展計畫，獲跨部會支持。
鏈新聞abmedia1小時前
Google 執行長：2026 年資本支出達 1850 億，AI 智能體時代投資加碼
Google 執行長 Sundar Pichai 於 4 月 22 日在拉斯維加斯舉行的 Google Cloud Next 大會上宣布，Google 計劃 2026 年投入 1,750 億至 1,850 億美元資本支出，用於建設自主人工智慧代理（AI Agent）所需的基礎設施，較 2022 年 310 億美元增加。
Market Whisper2小時前
Google Jules 開放新版候補名單，重新定位為端到端產品開發平台
根據 Google Jules 團隊官方於 4 月 23 日公告，Jules 的產品定位已從非同步編碼 agent 升級為「端到端 agentic 產品開發平台」，新版本可讀取完整產品上下文、自主判斷下一步建構方向，並提交 PR，官方同步宣布開放新版本候補名單。
Market Whisper2小時前
Google Jules 重新品牌為端到端代理式產品開發平台，為新版本開放候補名單
Gate News 訊息，4 月 23 日——Google 的 Jules 團隊宣布為產品新版本開放候補名單，將 Jules 從非同步程式碼代理重新定位為端到端的代理式產品開發平台。根據官方描述，升級後的平台可讀取完整產品情境，判斷接下來應該建立什
GateNews3小時前
Perplexity 揭露 Web 搜尋代理後訓練方法；基於 Qwen3.5 的模型在準確率與成本上超越 GPT-5.4
Perplexity 使用搭配 Qwen3.5 模型的 SFT，並在其後使用帶有 RL 的強化學習；透過多跳 QA 資料集與規則量表檢查來提升搜尋的準確性與效率，實現業界一流的 FRAMES 表現。
摘要：Perplexity 的線上搜尋代理後訓練流程，結合監督式微調 (SFT)，以透過線上強化學習 (RL)（使用 GRPO 演算法）來強制遵循指令與語言一致性。RL 階段使用專有的多跳可驗證問答資料集，以及基於規則量表的對話資料，以防止 SFT 漂移，並採用獎勵閘控與同組內效率懲罰。評估顯示 Qwen3.5-397B-SFT-RL 在 FRAMES 上取得頂尖表現：單次工具呼叫準確率為 57.3%，四次呼叫為 73.9%，每次查詢成本為 $0.02；在這些指標上超越 GPT-5.4 與 Claude Sonnet 4.6。定價採用 API 計費，且不包含快取。
GateNews3小時前
