至顶网软件频道消息:微软的Build大会已经进行了总结,有很多是企业技术采购者需要考虑的重要问题。
大问题:我们已经学到了什么?下面是已经出现的六个关键主题。
微软承认移动,并且认为它可以通过将Windows连接到苹果的iPhone、安卓和物联网来保持其相关性。微软首席执行官萨提亚.纳德拉在分析师简报会的开幕词中没有提到智能手机。不过纳德拉十次提到了移动这个词。
这里是他的观点:
当你表示这将是多设备体验时,接下来合乎逻辑的事就是使得这些体验丰富的数据和人工智能分布。事实上,你看到它,你今天非常清楚地知道,人们将在云中训练,使用例如GPU,采用这种模式,将其部署在边缘,以便使用商品相机等能够识别,你知道的,人物、地点、东西。
在一张幻灯片中,移动和云计算优先意味着以下的含义:
你必须眯起眼睛才能从中找到智能手机。
即使已经拥有了5亿用户,Windows相关性在可预见未来仍将持续面临争议。 ZDNet的Jason Perlow表示,Windows应该(再一次)死亡,但是随着市场和用例的改变,微软可能会找到一种不断重新整合其核心操作系统的方法。换句话说,Windows可能会变得不仅仅是一个操作系统。
微软的Azure Cosmos DB对于企业来说值得考虑。Azure Cosmos DB是一种全球分布式和多模式数据库服务,具有高可用性的服务水平协议。企业将采用SLA,但是目前尚不清楚Cosmos DB是否能够对Oracle构成威胁。Azure Cosmos DB可以在一大堆Amazon Web Services广泛的数据库阵容中,这给Oracle提供了一些适合的地方。无论哪种方式,企业都可能倾向于使用SLA的数据库。
LinkedIn和Dynamics 365正在将数据作为大卖点进行整合。如果微软要在LinkedIn收购上获得回报,那么它将不得不在金融、人力资源、运营、市场营销、销售和客户服务方面销售大量的软件服务。纳德拉强调了这张幻灯片:
分析师们相信这一点。Jefferies的分析师John DiFucci在一份研究报告中说:
管理层希望通过LinkedIn和Office 365来推动Dynamics,这意味着更紧密的集成,使现代专业人员能够访问比以前更多的数据。目前,Dynamics业务约为20亿美元,并持续保持了两位数的增长。管理层认为,LinkedIn业务在过去两年中以15%的年均复合增长率继续保持良好态势,总量超过5亿,而会议数量增长了20%。管理层预计,在2018财年,Dynamics和LinkedIn的70%以上的合并收入将来自SasS。
微软希望在其所有产品中扩展其设计语言。这种被称为Fluent的设计语言旨在提供深度、光、运动和物质效果的感官和协作体验。下面所示的方法很有趣,但很难实现。
纳德拉和微软显然在数字化转型潮流中。现在的数字化转型必定是当今技术中使用最为过度的术语之一。不过,不可否认的是这个市场是巨大的。微软拥有足够的资产,可以通过物联网、云平台和大量与数据和人工智能相关的终端推动企业数字化转型。
这种数字化转型将如何进行?通过像SAP、Oracle和Salesforce这样的企业拥护者开展的大型垂直销售工作。
Stifel的分析师Brad Reback指出:
虽然微软的根源在于成为一个近乎普遍的IT平台,但我们认为,随着数字化转移不断渗透进入所有的行业,该公司越来越期待垂直发展并成为行业解决方案供应商。例如,微软在零售、酒店、医疗保健和制造业垂直领域更直接地针对一线员工。
好文章,需要你的鼓励
纽约AI公司Runway过去七年专注为创意产业构建视觉生成工具,现在发现其技术在机器人领域的新机遇。该公司的世界模型技术吸引了机器人和自动驾驶汽车公司的关注,用于训练仿真。联合创始人表示,相比现实世界训练,使用AI模型进行仿真更具成本效益和可扩展性。公司不会为机器人客户开发全新产品线,而是优化现有模型并组建专门团队。Runway已获得超过5亿美元融资,估值30亿美元。
希伯来大学研究团队开发出MV-RAG系统,首次解决了AI在生成稀有物品3D模型时的"胡编乱造"问题。该系统像拥有图像记忆库的艺术家,能先搜索相关真实照片再生成准确3D视图。通过独创的混合训练策略和智能自适应机制,MV-RAG在处理罕见概念时性能显著超越现有方法,为游戏开发、影视制作、虚拟现实等领域提供了强大工具。
尽管5G在六年商用期内获得超20亿用户,成为部署最快的通信技术,但其变革潜力尚未完全释放。爱立信白皮书指出,全球5G用户2024年增长42%,但仅26%的运营商投资独立组网5G,这限制了自动化、超低延迟等核心能力发挥。中美印三国集中了90%以上独立组网用户,其他地区面临落后风险。5G在工业自动化、云机器人等领域应用前景广阔,企业5G市场规模已达数十亿美元。
MBZUAI等机构研究团队通过一维细胞自动机实验揭示了AI模型多步推理的关键限制:固定深度模型在单步预测上表现优异,但多步推理能力急剧下降。研究发现增加模型深度比宽度更有效,自适应计算时间、强化学习和思维链训练能突破这些限制。这为开发更强推理能力的AI系统提供了重要指导,强调了真正推理与简单记忆的本质区别。