圖:Netmarketshare 7月數(shù)據顯示:Windows 7系統(tǒng)份額(藍線)達到了Windows XP(綠線)兩倍
Netmarketshare每月針對操作系統(tǒng)和瀏覽器市場發(fā)布的更新數(shù)據,對于市場而言非常有用,并非是因為這些數(shù)字十分準確,顯然它們存在一定誤差,而是因為這些數(shù)據顯示了各個產品市場份額的增減趨勢。目前最明顯的趨勢是微軟“遺老”Windows XP系統(tǒng)的逐步衰落。人們不禁要問:微軟Windows XP還有多長時間將消失,到底還能挺多久?
要想回到這個問題,首先有必要澄清何為“消失”,即市場份額降低到多大程度才算是“消失”。很顯然,如果跟Windows 98操作系統(tǒng)(7月份其市場份額為0.01%)和Windows 2000(7月份市場份額為0.03%)相比,則Windows XP系統(tǒng)還有很長的路要走。
如果將Linux 7月份的市場份額1.68%定為“尚未消失”基準,除Windows XP外,Windows Vista也在該基準之上,其7月份的市場份額為3.05%。或許你會辯駁,認為將這一標準定為1.5%更為合適,因為這一標準對于那些不及Linux流行的系統(tǒng)來說無關緊要。
Netmarketshare的數(shù)據顯示,在兩年前,Windows XP與Windows 7兩款操作系統(tǒng)已開始分化。而真正出現(xiàn)分化是在一年前,即2013年7月,當時Windows 7和Windows XP的市場份額份額分別為44.49%和37.19%,二者相差僅7個百分點。自此以后,Windows XP系統(tǒng)份額不斷縮水,7月份的最新數(shù)字顯示:Windows XP下降至24.82%,而Windows 7已經攀升至51.22%,后者現(xiàn)有用戶數(shù)量達到前者的兩倍多。無疑,隨著時間推移,這一差距還將繼續(xù)拉大。
按照目前的速度下降,到2015年7月時,Windows XP系統(tǒng)份額應該降到約12%左右,到后年,也就是2016年7月時會降低到零。
但分析人士預測,屆時Windows XP系統(tǒng)的市場份額會高于這一水平,而且為此相當長一段時間。當然,Windows XP仍然會吸引到用戶,跟政府機關緩慢的IT采購有關,還跟老用戶在購買電腦時對新產品不感興趣有關,當然,或許有些用戶根本不知道Windows XP系統(tǒng)已經被終止了支持。當然,還跟市場盜版有關,特別是在亞洲市場上,只要是免費的,這些市場上的用戶不會太介意自己所安裝使用的Windows XP拷貝是否被事先植入了木馬。
因此,綜合考慮這些因素,分析人士認為即使Windows XP系統(tǒng)市場份額觸底時可能在5%左右,僅略高于Mac OS X 10.9(4.12%)。
此外,分析人士還預測,明年7月份時,Windows XP份額仍將在16%左右,可能仍將領先Windows 8. x產品的份額。而到2016年7月份時,Windows XP份額將降低至8%左右,即使在6-14%之間,都屬于正常,而真正能夠壓低Windows XP份額的,可能將是黑客或者病毒的攻擊,盡管仍有開發(fā)者在不斷提供相應升級。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。