盡管有傳聞稱微軟或?qū)⒎艞壱苿邮袌?,但微軟CEO薩蒂亞·納德拉(Satya Nadella)表示,該公司并不打算退出移動市場。
微軟上周宣布計劃重組手機業(yè)務并將裁員7800人,聞此消息后,很多人擔心微軟可能會退出移動市場。不過近日,在接受ZDNet網(wǎng)站微軟觀察家Mary Jo Foley的一次獨家采訪時,納德拉試圖打消人們的這種擔憂。
納德拉表示:“我認為,即便在今天,移動市場的機遇也依然很廣泛,而且未來其機會將更為豐富。我希望能夠參與到每一個移動終端中去。這是一個非常明確的核心目標。”
實際上,納德拉正指望著能夠借助微軟的新一代操作系統(tǒng)Windows 10提升它在移動市場上的地位。雖然微軟長期以來一直試圖在智能機市場上占取更多份額,但該公司目前所占份額也僅有2.5%,遠遠落后于蘋果iOS和谷歌Android操作系統(tǒng)。
納德拉表示,微軟的戰(zhàn)略核心是吸引開發(fā)人員進駐Windows平臺,而這也是微軟推出通用Windows應用的意義所在,這些通用應用可以在不同的設備上運行。
納德拉說道:“任何一個開發(fā)人員之所以愿意為我們編寫通用應用,并非因為我們在智能手機市場上擁有3%的份額,而是因為有十億消費者即將擁有一個全新的開始菜單,而它包含的應用中或?qū)心愕囊幌亍?rdquo;
他繼續(xù)談到:“這便是‘路徑依賴’策略,這個理論意味著一個人過去做出的選擇將決定他現(xiàn)在以及未來的選擇。對開發(fā)人員而言,最普遍的真理是:如果有用戶,他們就會開發(fā)應用。而我們現(xiàn)在的情況是,我們擁有很多PC用戶。”
納德拉也承認,微軟在桌面操作系統(tǒng)中的主導地位也是導致其移動市場不景氣的原因。
他表示:“如果說我們在過去曾犯過什么錯誤,那么一個嚴重的錯誤便是認為PC將永遠是一切產(chǎn)品的中心。而如今,6英寸的手機設備市場占有率已非常高。我承認這一錯誤。但是,如果我們現(xiàn)在又認為這便是未來的一切,那將表明我們還是沒能吸取教訓,在遠不如過去的情況下還有可能重蹈覆轍。”
微軟對其最新操作系統(tǒng)寄予了厚望,這也是該公司彌補Windows 8所帶來失誤的首個巨大機遇。微軟承諾,Windows 10將在7月29日上市,屆時,新系統(tǒng)將支持所有類型的設備,無論是配備大容量硬盤的臺式機還是存儲空間很小的低成本智能手機。
不過有觀察人士懷疑,微軟上周三宣布的裁員計劃意味著該公司將要退出移動市場,畢竟微軟要裁去的職員大部分都將來自該公司的智能手機部門,而這個部門是微軟去年以略高于72億美元的價格從諾基亞收購成立的。
此外,微軟上月還宣布,領導微軟設備部門的前諾基亞CEO斯蒂芬•埃洛普(Stephen Elop)將辭去他在微軟的職務,隨之辭職的還有其副手——諾基亞前高管喬哈洛(Jo Harlow)。這一消息也加重了觀察人士對微軟可能退出移動市場的擔憂。
有報道稱微軟計劃大幅削減其每年生產(chǎn)的Lumia設備數(shù)量,對此納德拉回應表示,“我們將在今年推出高端Lumia智能手機”,而且微軟的硬件合作伙伴將不會左右其移動計劃。
納德拉說道:“如果有大量OEM合作廠商,我們將為此制定一項戰(zhàn)略。不過,即使沒有OEM合作廠商,我們也會制定一項對策。”
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(zhuǎn)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(jié)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(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)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(jīng)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(zhì)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。