如果微软公司的员工还没有意识到云计算和人工智能远比历史悠久的Windows软件更有力地推动微软的未来,那么现在他们就肯定知道了。
微软首席执行官Satya Nadella今天宣布了一系列重大举措,将对微软在几个关键领域的部署进行重组。
这一举措背后的主要推动因素是即将离职的Terry Myerson,他是微软21年的老员工,担任Windows和设备事业部执行副总裁。Nadella在致员工的一封公开信中写道,Myerson还将留在微软数月时间以帮助完成这一计划。
Moor Insights&Strategy总裁兼首席分析师Patrick Moorhead表示:“这首先让我想到了云和服务正在变得越来越重要,而人工智能是产品的一个重要组成部分。我希望Windows即服务和Azure堆栈能够加速发展。这一直在计划中,但是当我看到这位负责Windows和Azure的Office 365领导者也负责Windows Server时,我期待能看到更快的过渡。”
Windows的新方向
作为重组的一部分,Windows的相关工作将被划分到两个部分。首先是成立的一个新部门,将专注于用户体验,属于体验和设备集团下。Nadella选择让Office 365集团执行副总裁Rajesh Jha来领导这个部门。
除了Windows之外,体验和设备部门的职责范围还包括生产力套件、第三方应用和硬件。后一个领域似乎是Nadella重组的重点。
Nadella已经任命微软设备部门负责人Panos Panay为首席产品官,负责硬件开发工作。 Moorhead认为这是微软在硬件方面做出努力的积极信号。
他表示:“任命了一位首席产品官,表明微软正在更多地倾向于硬件产品,而不是远离硬件。我们可以期待着看到更多的智能家庭和办公设备,甚至更多的个人电脑和混合现实硬件。”
与此同时,Enderle Group分析师Rob Enderle认为微软重新重视起硬件,是为了避免落后于竞争对手。“像亚马逊Echo这样的产品现在已成为未来的发展趋势,而Alexa数字助理也在通过电视和汽车等各种产品进入市场。追逐亚马逊可能不比追逐苹果更有趣,微软显然不想让亚马逊得到像苹果和谷歌所获得的巨大领先优势。”
云与人工智能的结合
体验与设备部门将负责微软的硬件和Windows用户体验,操作系统核心组件的开发则由Jason Zander负责。他是微软Azure公有云新任负责人。根据Nadella称,之所以决定将两个平台组合在一起,是为了“加快建立统一的分布式计算基础架构和应用模型”。
Jason Zander接替Scott Scott Guthrie先前担任的职位,而后者将担任另一个名为Cloud + AI Platform部门的负责人,负责开发Azure和快速成长中的人工智能工具组合,这些工具很大一部分将托管在Azure云平台上。
Moorhead表示:“看起来人工智能和云是相互依存的关系,这具有重大意义,因为云是保存有大多数数据。一些人工智能部门被并入产品部门,在我看到,这表明了人工智能正变得更加真实,并且是更广泛地融入产品,而不仅仅是一项研究。”
由Microsoft技术研究员Alex Kipman领导的一个团队(曾打造了微软的HoloLens头戴设备)将负责Azure的语音、视觉和其他机器感知服务以及混合现实技术的开发。微软其他人工智能工具大部分都将迁移到一个新成立的人工智能认知服务和平台部门下。
最后Nadella表示,微软正在组建一个内部委员会,以确保其人工智能工作符合道德标准。就在一年前,DeepMind做了类似的事情,引发围绕使用病人数据进行算法开发的争议。微软显然是希望在加快人工智能发展的同时避免任何此类事件的发生。
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。