至顶网软件频道消息: 随着人工智能的火热,现在每一家技术厂商都在匆匆忙忙地将人工智能的标签贴到自己的产品和服务上。直到今天之前,我们一直都还认为微软避免在Windows上贴人工智能标签的方面表现得相当不错。
但是这种情况到3月7日已经发生了改变,该公司最近的Windows Developer Day活动发布了新的消息。吸引了大家的眼球。
微软正在告诉开发人员,下一个发布的Windows 10版本仍将按照其代码代号命名--"Redstone 4",该版本将使开发人员能够"使用人工智能以提供更强大、更引人入胜的体验。"
微软的高管们表示,Windows 10中现在有了一个人工智能平台,使开发人员能够"在其Windows 10设备上的应用程序中使用预先训练好的机器学习功能。"
这到底是什么意思?
我们认为微软正在试图寻找将其Windows 10 PCs融入该公司的"智能云,智能端"使命之中的方法。智能端在去年的Build开发者大会上是一个很热门的流行词。(估计在今年5月份的Build大会上也会是一大主题。)简而言之,它意味着在边缘设备--物联网设备、手机、HoloLens 之类的AR/VR头戴式设备和PC上进行更多的本地处理,这样开发者和用户能够获得更好的性能。
微软的官员们告诉开发者,他们可以利用PC的本地处理能力进行分析和处理--他们目前已经能够做到这一点。他们还建议开发者可以使用微软的云人工智能平台,在Azure中使用培训模式,并在云中处理工作负载--两者都是他们今天就可以做的事情。
微软已经宣布Windows支持ONNX,这是一种不断发展的机器语言模型标准格式,得到了微软、Facebook和亚马逊的支持。微软的官员们表示,从Visual Studio Preview 15.7预览版开始,开发人员可以将ONNX文件添加到通用Windows平台(Universal Windows Platform)项目之中,让它们能够自动生成模型。
也许所有这些关于人工智能的言论都只不过是微软在试图让Windows 10对于华尔街以及其他的一些只关心这家雷德蒙德的公司如何实现云智能的人来说显得更加有趣。否则,我不确定是否还会有这么多这些消息。
凭借其Office服务、Bing、认知服务和某些微软制作的应用程序(例如Photos应用程序),微软正在更多地利用人工智能技术。但通过宣称Windows 10 Redstone 4包含了具有某种独特性的人工智能平台,Windows团队也已经踏上了人工智能之路。

信息更新:微软在网络广播期间发布了一个名为Windows ML的、新的Windows 10应用程序编程接口(API)的预览版。该公司的官员们表示,该API将使开发人员能够构建机器学习模型、在Azure中进行训练、然后直接使用Visual Studio将其放进他们自己的应用程序之中,然后在他们的电脑上运行这些模型。他们表示,Windows ML将在2018年的某个时间推出。
微软的官员们表示,Windows ML将在未来某个时刻与专门针对人工智能的处理器协作,例如英特尔的Movidius VPU。
信息更新第二波:这里是来自这家公司其他部门关于今天发布的这个消息的意见。
微软的机器学习博客发布了一篇标题为《可以在上百万的Windows 设备上本地运行的ONNX模型》(ONNX Models to be Runnable Natively on 100s of Millions of Windows Devices)的博客文章,这篇文章解释了开发人员可以如何将ONNX模型纳入他们的应用程序,以便在具备硬件加速功能的设备上本地运行这些应用程序。
好文章,需要你的鼓励
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。