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
YouTube在年度Made on YouTube活动中发布多项更新,包括Studio新增"相似度"检测和唇同步配音功能,YouTube Live支持迷你游戏和双格式同步直播,Shorts集成Veo 3 AI视频生成模型。此外还推出播客AI剪辑工具、新的货币化选项如品牌合作和购物标签功能,以及YouTube Music的粉丝互动新特性。
Orange Research团队开发的DivMerge技术实现了AI模型合并的重大突破,通过基于信息论的Jensen-Shannon散度优化,能够将多个专门模型智能组合成保持各自专长的"超级模型"。该技术在双任务合并中达到99.18%性能保持率,显著优于传统88.48%的水平,且在多任务场景下展现更好扩展性,仅需25个样本即可有效工作,为AI应用降本增效提供了新路径。
英国政府与美国数据分析公司Palantir达成国防合作协议,该公司将投资15亿英镑并在英国设立欧洲国防总部,创造350个就业岗位。双方将合作开发AI驱动的军事决策和目标定位系统,这些技术已在乌克兰得到测试。该协议是英国战略防务评估的重要组成部分,旨在提升军事规划和目标选择能力。此次合作是美国科技巨头对英国310亿英镑投资承诺的一部分。
腾讯AI实验室联合多所知名高校开发了一种名为CDE的新型AI训练框架,通过模仿儿童的好奇心学习机制,让大语言模型能够自主探索未知领域。该方法使用两套"好奇心传感器"指导模型学习,在数学推理任务上平均提升3个百分点,同时解决了传统方法中的"校准崩塌"问题,为开发更智能自主的AI系统开辟了新路径。