ZDNet至顶网软件频道消息: 美国科技博客ReadWrite今天刊登题为《纳德拉证明微软并未改变》(Satya Nadella Proves That Microsoft Hasn't Changed At All)的评论文章称,微软CEO萨提亚·纳德拉(Satya Nadella)周四发给员工的公开信证明,该公司并没有彻底转变观念,没有把人放在第一位,而是重点吸引企业的IT部门,并一厢情愿地希望引导用户如何将设备用于工作。
以下为文章全文:
微软满脑子想的都是怎么让你工作,至于你的个人生活,并不是他们的重点。
微软CEO萨提亚·纳德拉在周四发给员工的公开信中阐述了公司的核心战略,以及未来几年的愿景和重点。
纳德拉今年早些时候曾经表示,该公司将在一个“移动为先,云端为先”的世界中,专注于发展“普适计算和情境智能”。而在周四的公开信中,它将这一模糊的概念进一步细化。
纳德拉说:“我们的核心战略是,在移动为先和云端为先的世界里,成为一家生产力和平台公司。我们仍将再造生产力,以便帮助地球上的每个人和每个组织获得更多的收获。”
在纳德拉的那份声明中,生产力成为了第一关键词,其余的一切似乎都成了次要内容。“生产力”(productivity)一词在纳德拉的那封信中出现了20次,而这个词的变种“工作”(work)出现了27次。
他表示,微软必须成为一家高度关注其客户的企业。但从纳德拉的这封信可以看出,你我并非他的客户。
纳德拉所谓的客户并不是我们这些整天用电脑和智能手机工作的人,我们只是结果而已。纳德拉真正的客户其实是各大企业和组织的IT部门,是决定企业使用何种生产力工具的决策者。
纳德拉似乎忘记了一件最重要的事情:过去7年间,全世界的企业设备领域最重要的趋势已经变成了“员工自带设备”(BYOD)。而在此期间,最受追捧的设备,绝大多数都与微软没有多大关系。
“我们将针对移动为先和云端为先的世界,提供一种重新设计的数字化工作和生活体验。最重要的是,这些体验将照亮生产力。因此,人们将更加方便而高效地召开会议、展开协作。”纳德拉说。
虽然纳德拉始终在强调移动为先的理念,但他对生产力的关注却未必能够赢得这一市场。在他看来,雇主是第一位的,人是第二位的。在纳德拉的整封信中,个人生活总是放在生产力之后。微软内部的甚至有一个名为“数字化工作和生活体验”的部门——工作在先,生活在后,这似乎并非巧合。
纳德拉说:“我们认为,人们的生产力、团队和整个组织的商业流程,是一个相互联系的数字基板。我们还在为个人、IT和开发者设想各种相互交织的平台。这种全面的视角使得我们可以在一个数字化程度日益加强的世界中,解决更加复杂、更加微妙的现实挑战。这也为庞大的增长机遇打开了一扇大门——随着生活和工作等方方面面的数字化程度逐步加强,技术开支在整个GDP中的百分比也将增长。”
微软在设备、操作系统、云计算和服务领域的最大竞争对手是苹果和谷歌。纳德拉并未具体提到这两家企业,但对工作和生产力的关注是微软区别于谷歌和苹果的关键所在。
苹果和谷歌都关注人——苹果甚至比谷歌更关注人。无论是Mac OS X还是iOS,苹果首先想到的都是为人们提供提供高品质的产品,至于是否要利用这些设备来工作和提高效率,完全由人们自己决定。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。