ZDNet至顶网软件频道消息:在“移动为先、云为先”的世界中,一个最神奇的现象是,不仅数据消耗(与产生相对应,此处应指数据的消耗而非字面的意思)的速度在加快,就连数据产生的速度也在以指数级增长。
微软全球首席执行官萨提亚 · 纳德拉
运算变得无处不在,工程师和开发者不断创造出新形态的设备和云服务,填满我们日常生活中的每一个角落。从汽车仪表盘、照明开关、中央空调到运动鞋,几乎所有人与人、人与电脑,以及电脑之间的互动和体验都已经数字化了。这个全新的世界为我们创造了一个巨大的机遇,我们要找到一种正确的方法,对普适计算产生的繁杂数据进行处理,从而将其转化为驱动环境智能所需的动力。这种动力将助力实现更好的体验、理解和互动。当周围的设备学会聆听、响应、理解我们,并替我们采取行动时,我们就迈入了一个全新的时代,一个环境智能的时代。
将数据转化为驱动环境智能所需的动力并不容易,要开发出这样的技术更是一项巨大的挑战。这要求技术能理解背景、推断意图,并将有用的信息从无用的噪音中分隔出来。建设一个能够实现此类环境智能的综合平台,是整个微软公司共同努力的目标,也只有微软有能力让世界见证这个奇迹。SQL Server、BI商业智能、机器学习、必应搜索、Azure公有云,每一个都扮演着重要的角色,它们在共同致力打造一个设备、服务和环境都能真正预见和理解人类需求的全新世界。罗马非一日建成,但在朝这个目标前进的过程中,我们的客户和合作伙伴已经不断从中获益了。SQL Server的速度越来越快,商业智能愈发直观,机器学习愈发智能,必应愈发实用,而Azure的可扩展性也越来越强了。在我们创造真正的环境智能平台的过程中,全民皆赢家。
举例来说,这个过程将从某人的一个问题开始,他提出问题,然后设想答案并进行测试,从中获得独特的洞察,最终采取行动。在这个过程中,支持这种个人体验的基础其实就是一个分析平台,它能够对来自无数源头的数据加以整理和排序——这需要动用大规模的实时存储来支持。将所有这些环节整合起来,就是一个环境智能平台的雏形。
我们相信,只要有恰当的工具,任何人都可以随时随地分享其洞察。推而广之,这些洞察的集合就构成了我们所谓的“数据文化”。
当然,数据文化不仅局限于部署技术,它将真正改变文化,唾手可得的数据将切实帮助每个团队、每个人成就大事。换言之,就是要将大众、IT技术与开发者汇聚在一起,促成与系统和基础设施升级同等重要的文化革新。在数据文化中,随着提问和应答的参与者持续增多,每个人都将从中受益,群体组织的整体效率也将获得不断提升。这种变化在企业中的作用尤为明显,每名员工都将可以驾驭从前只有数据专家才能掌控的数据威力,使用自然语言和自助式的操作,通过Office这样人们所熟悉的应用,获得业务洞察和可视化的呈现效果。
除了致力于实现为每个人服务的数据文化的雄心壮志,我也想向大家介绍一下包括Office 365、Azure和SQL Server在内的微软最新的数据平台的贡献:
- SQL Server 2014:全新升级的内存管理技术能够出色应对任何工作任务——从OLTP联机事务处理、数据存储到商业智能。
- 分析平台系统(APS):APS将微软SQL Server数据库和Hadoop技术的精华融为一体,以低成本的方式提供了完备的大数据解决方案。
- Azure智能系统服务:这项云服务能连接、管理、捕获和转换来自不同操作系统或平台的机器生成的数据。这项物联网服务于4月15日开始进入有限Beta测试。
我们正体验着由普适计算引发的数据大爆炸,也都渴望能以更便捷的方法将数据转化为有用的洞察力,让每个人、每个企业从环境智能中获益。今天,我们迈出了重要的一步,未来,我们更将全力以赴。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
浙江大学等高校研究团队开发的VolSplat系统,通过"体素对齐"替代传统"像素对齐"方法,实现了快速高质量的3D场景重建。该技术仅需6张普通照片即可生成精确3D模型,在RealEstate10K等标准数据集上显著超越现有方法,为机器人导航、增强现实、建筑设计等领域提供了新的技术选择,代表了3D重建领域从二维思维向三维思维的重要转变。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
武汉大学团队与字节跳动公司合作,提出MAPO混合优势策略优化方法,解决AI训练中的"一刀切"问题。该方法能根据问题难度动态调整评分策略,避免传统方法中的优势反转和优势镜像问题。通过轨迹确定性判断和权重动态调整,在几何推理和情感识别任务上都取得显著提升,为AI自适应学习提供新思路。