Microsoft Foundry เปิดตัว OpenEnv + ECHO: สร้าง Reinforcement Learning ของตัวเองสำหรับ AI Agent

ถ้าคุณเคยสงสัยว่า “ถ้าไม่อยากพึ่ง frontier model ของคนอื่นตลอดชีวิต จะสร้าง learning loop ของตัวเองได้อย่างไร?” — Microsoft Foundry มีคำตอบที่เป็นรูปธรรม

เมื่อวันที่ 18 มิถุนายน 2026 Govind Kamtamneni, Principal Research Engineer จาก Applied AI ของ Microsoft ได้เผยแพร่บทความ Outcome-Driven Learning Systems ซึ่งนำเสนอสองสิ่งสำคัญสำหรับนักพัฒนา: OpenEnv Protocol (มาตรฐานเปิดสำหรับ agent training environment) และ ECHO (เทคนิคใหม่จาก Microsoft Research ที่เพิ่มประสิทธิภาพ RL training อย่างมีนัยสำคัญ)

OpenEnv: “Gym สำหรับ Enterprise Agent”

OpenEnv คือ protocol ขนาดเล็กที่กำหนด “สัญญา” ระหว่าง Agent กับ environment การ train ด้วยสาม method หลัก: reset, step, และ state — คล้าย OpenAI Gym แต่ออกแบบสำหรับ enterprise workload โดยเฉพาะ

สิ่งที่ทำให้ OpenEnv แตกต่าง:

• Carried over MCP — ใช้ Model Context Protocol เป็น transport layer ทำให้ compatible กับ ecosystem ที่มีอยู่
• Packaged with Docker — Deploy ง่าย ไม่ต้องจัดการ dependency เอง
• Training environment ตรงกับ production — ลดช่องว่างระหว่าง simulation กับ real-world deployment

Microsoft ส่ง Pull Request สองชิ้นไปยัง OpenEnv open-source project:

1. Azure Container Apps sandbox provider — สำหรับ agent execution ที่ isolated และปลอดภัย (default-deny networking ป้องกัน data exfiltration โดย default)
2. ECHO env-token world-modeling ในฐานะ RFC 010

ECHO: รีไซเคิล 89% ของ Token ที่ปกติทิ้ง

นี่คือส่วนที่น่าตื่นเต้นสำหรับทีม ML: RL แบบปกติ (เช่น GRPO) เก็บแค่ action token เพื่อ optimize แต่ใน trajectory ส่วนใหญ่ถึง 89% คือ observation token — คำตอบจาก environment ที่ปกติถูกทิ้งทั้งหมด

ECHO แก้ปัญหานี้ด้วย combined loss function:

L = L_GRPO(action tokens) + λ · CrossEntropy(observation tokens)

Agent ถูก train ให้ “ทำนายว่า environment จะตอบอะไร” ควบคู่ไปกับการเลือก action ที่ดีที่สุด ผลลัพธ์จากการทดสอบจริง:

เมตริก	ผลลัพธ์
pass@1 บน TerminalBench-2.0	เพิ่มขึ้นประมาณ 2× เทียบกับ GRPO ปกติ
Training speed	เร็วขึ้น 2.3× ถึงเป้าหมายเดิม
Recovery โดยไม่มี teacher labels	50–104% ของ expert-supervised fine-tuning

Non-parametric Learning: ปรับ Agent โดยไม่ต้อง Retrain

นอกจาก ECHO (parametric learning ที่ update weight) Microsoft ยังนำเสนอ non-parametric learning — ปรับปรุงประสิทธิภาพ Agent โดยการ optimize prompt, skill descriptions และ model selection โดยไม่แตะ model weight เลย

ตัวอย่างจริง: Support Agent ที่ใช้ non-parametric learning เพียงอย่างเดียวปรับ rubric score จาก 0.60 ขึ้นเป็น 0.92 แบบไม่ต้องเปลี่ยน model แม้แต่น้อย เหมาะอย่างยิ่งสำหรับทีมที่ยังไม่พร้อม invest ใน RL infrastructure

มุมมอง AI Curator

OpenEnv + ECHO ชี้ให้เห็น shift ที่สำคัญ: จาก “เช่า intelligence จาก frontier model” สู่ “เป็นเจ้าของ learning loop ของตัวเอง” ซึ่งตอบโจทย์ที่หลาย enterprise ถามมานาน

สำหรับทีม AI ในไทยและ SEA ที่มีงบจำกัด non-parametric learning คือจุดเริ่มต้นที่ accessible ที่สุด — ไม่ต้องการ GPU cluster แค่รู้จักวัดผลและปรับ prompt อย่างเป็นระบบก็เพิ่ม performance ได้มากแบบในตัวอย่างที่ 0.60 → 0.92

ECHO น่าสนใจกว่านั้น: ถ้าจะลงทุน infrastructure สำหรับ enterprise AI จริงๆ การมี training loop ที่ใช้ประโยชน์จาก token ได้ 89% แทนที่จะทิ้งไม่ใช่แค่ efficiency แต่เปลี่ยน economics ของ RL training ในองค์กรไปโดยสิ้นเชิง และเมื่อ OpenEnv เป็น open protocol บน MCP ทีมไทยสามารถเริ่มทดลองได้เลยโดยไม่ต้อง vendor lock-in

แหล่งข่าว

• Outcome-driven learning systems: Enterprise RL with OpenEnv and Foundry — Microsoft Foundry Blog
• OpenEnv Protocol on GitHub
• Model Context Protocol Documentation