ZDNet至顶网软件频道消息:微软高层宣布计划裁减18000名员工,此次裁员的大部分员工都是前诺基亚公司的员工,他们是在诺基亚公司的手机业务被微软并购的时候进入这家公司的。但是,也有很多其他的团队和业务组也受到了此次裁员行动的波及。
Terry Myerson领导的统一操作系统组(OSG)需要削减大量的测试人员,负责为Xbox制作原创电视内容的Xbox娱乐工作室团队也未能幸免。我听到传言说一些Windows营销人员也将被裁撤。
下面是Myerson在7月17日发给OSG团队的电子邮件,在邮件中,他宣布将调整团队的工作重点:
各位团队成员,
如同萨提亚在上周分享的那样,我们正在对我们设计产品的方式进行广泛地调整,这一举措我们也讨论了差不多快一年了。因此,今天我们进行重组,将我们的团队划分成三个部分:加强我们一些在地理上分散的团队,取消一些项目以便增加一些更重要的事情的投资,改变跨领域工作员工的比例,以此作为我们新的设计流程的一部分。对于那些工作受到影响的人,如果他们在雷蒙德,他们部门内部将会有一位领导在今天上午11:30(美国太平洋时区时间)之前伸出援手;雷蒙德之外的地区时间会有所不同。
这些改变的困难程度令人难以置信。一些人的工作会受到这些变化的冲击,他们是我们的同事,也是我们的朋友。公司正在通过多种方式为这些员工在过渡期提供支持、服务和援助。对于那些工作受到影响的同事们,我想在这里感谢你们对微软、对我们的客户的贡献,并且祝你们一切顺利。
对于我们所有的人来说,适应今天发布的内容都需要时间,但是我们现在可以继续前进了,我们知道我们已经在美国境内完成了全OSG范围内的重组;美国境外的部分将根据当地的法律和方法完成。
-Terry
我从自己的消息渠道听到的说法是,将要被取消的项目指的是Xbox娱乐工作室。可能还有其他一些项目也会被取消,但是我还没有任何关于还有哪些项目(到目前为止)将被取消掉的消息。
Myerson提到的在美国已经完成的组织调整主要是围绕着降低测试人员与开发人员的比例而开展的,因此导致大量测试人员被裁撤。这项“综合工程”计划意味着取消在微软已经存在了好多年的功能管理结构,这对于OSG来说是一个新举措,但是对于微软的其他部门来说已经算不上什么新鲜事了,例如应用和系统事业部以及云计算和企业事业部。
我听说,对于测试人员的调整说不上完全是突然袭击。几个月之前,微软调整了OSG测试部门的工作,将其重新命名为 “质量”,并且将这个部门的工作重点从编写测试调整为“测试质量”。这意味着编写测试的工作已经转移到了开发部门,这样质量团队中就有很多人没事干了——这就为削减测试人员扫清了道路。
我听说,OSG的其他部分也会削减数量未知的“个人贡献者”而不是产品经理。有一些人说,OSG建设部门中可能也会裁掉一些员工,这主要是由于Xbox操作系统、Windows Phone操作系统和Windows操作系统建设部门合并后造成了一定的人员冗余。
在首席执行官萨提亚·纳德拉的领导下——他非常关注“数据和应用科学”——一个新的内部开发和测试工具即将出现。同时,还有很多微软的员工从去年起就开始充实各自的部门中数据科学团队。(我听说Dean Hachamovitch已经不再是这家公司的首席数据科学家了,不过似乎还没有完全确定;我也不知道现在的首席数据科学家是谁。)
当然,这些新的流程和工具对微软的Windows、Windows Phone和Xbox的开发及推出时间表会产生什么样的影响仍然需要等待。
好文章,需要你的鼓励
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
AI代码编辑器开发商Cursor完成23亿美元D轮融资,估值达293亿美元。Accel和Coatue领投,Google、Nvidia等参与。公司年化收入已突破10亿美元。Cursor基于微软开源VS Code打造,集成大语言模型帮助开发者编写代码和修复漏洞。其自研Composer模型采用专家混合算法,运行速度比同等质量模型快四倍。公司拥有数百万开发者用户,将用新资金推进AI研究。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。