ZDNet至顶网软件频道消息:过去十多年微软一直致力于用于设备的软件。微软已经向市场中推出了从车载娱乐系统、销售终端、咖啡机到智能手表等一切事物的软件。现在,微软正在着手重塑其物联网(IoT)产品、服务和战略,而这远不止是嵌入式Windows。
微软正在构建一系列由Azure提供强大支撑的服务,利用、管理和发挥这些来自传感器以及物联网设备的数据的价值。微软有望推出自己的物联网新设备和服务,从眼镜和手表之类的可穿戴设备到家庭自动化系统及服务。
以下是微软在物联网方面的战略计划:
嵌入式Windows团队是微软新物联网团队的核心。
到目前为止,微软的嵌入式Windows团队将精力主要集中于企业和行业客户而不是消费者身上,试图说服零售、医疗、制造和汽车行业的客户在他们的设备中嵌入各种版本的Windows。
但是嵌入式Windows团队现在已经正式变身为微软的物联网团队。这个物联网团队的任务不仅仅是Windows。事实上,这个团队覆盖了所有种类的操作系统系统,甚至包括Linux,使得微软深入渗透到嵌入式设备中。
微软Azure云也将在微软物联网战略中扮演重要角色。尽管嵌入式操作系统是物联网的关键,但后端同样重要。对于微软来说,物联网的后端就是它的Azure云操作系统。
在微软的物联网愿景中,各种设备都将通过Azure连接。发展物联网服务的人可以构建这些服务使其运行并扩展到Azure。
数据分析是微软物联网战略将要提供的服务之一。
在4月初,微软宣布有限预览微软Azure智能系统服务。这项服务让用户能够捕捉并管理来自传感器和设备的机器数据。
企业将能够利用微软的数据分析工具,例如HD Insight、Azure Hadoop服务、Power BI、微软业务智能服务,捕捉和分析来自这项服务的数据。
微软还将致力于更低等级、基于Azure的服务用于物联网通信。
微软还将开发一项(也可能是多项)更低等级的Azure服务以促进物联网通信。
其中一项服务是构建与Azure服务总线通信功能,主要针对与物联网相关的无数传感器和设备之间的通信。微软还没有正式公布这项服务,预计将采用一种代号为“Raykjavik”(雷克雅未克)的网关,用于将信息发送到设备并收集来自这些设备的信息。
云正在逼近冰岛的雷克雅未克。
消费类产品也是微软物联网团队的方向。微软正在研发可穿戴设备——这可能包括新的智能手表,以及各种类型的智能眼镜。
在四月举办的Build 2014上,微软物联网团队介绍了公司的汽车嵌入式平台是如何进化为更具连接性的"Connected Car"平台的,这个概念听起来很像苹果的CarPlay。
微软的物联网团队正在建立开放的系统和云设备用来驱使那些非PC设备,可穿戴设备,汽车,及消费电子产品等等。微软物联网团队在LinkedIn上表示,“我们的智能系统是建立在众多垂直行业上的。”
家庭自动化和其他研究型项目也将成为微软物联网战略的一部分。
微软目前还没有提供向Nest恒温器这样的设备,但是在家庭自动化领域并非新进者。
微软研究院4年来一直致力于各种家庭自动化研究项目,包括HomeOS、家庭应用商店等等。有传闻说微软可能会利用其id8 R2 Studios收购来加强Xbox,这样就可以成为一个重要自动化指挥与控制系统。
不过微软研究项目并不总会转换成商业化产品,最近几年的趋势是,微软想办法尽可能地把MSR技术融入很多产品当中。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。