微软最近公布了9月底发布的年度Ignite IT Pro会议的会议清单,提到了SQL Server的下一个版本、Surface Hub 2和LTE 版本的Surface Go,Intune和Windows Autopilot的下一步计划,以及Windows Server 2019和新的远程桌面服务,以及更多其他内容,至少给我们了一些暗示。
通过翻看目前列出的623场Ignite活动,发现了一些值得注意的事情。
去年,微软在Ignite大会上突出宣传了其人工智能、智能前沿和未来量子计算技术。在2018年3月份,微软正在着重宣传量子计算、混合现实和人工智能,这些领域将成为今年Ignite大会的主要话题。
但是,至少从列出的会议安排看,议程似乎更多地建立在产品现实上。
目前,列表上没有一场量子计算的活动。只有两个关于混合现实的活动,其中一个主题是“Visio Immersive”,这听起来很像微软用SharePoint Spaces做的事情。
人工智能仍然很重要,列表上有大约不到100场活动以某种方式涉及到了人工智能。我们想知道微软是否会在Ignite大会上推出“AI Accelerate Kit”,微软在Inspire大会上告诉合作伙伴将于十月份推出,包含了人工智能用例、最佳实践和“Ethical AI”指引。
与去年一样,微软将重点关注Microsoft 365、其捆绑的Windows 10Office 365和Intune安全/管理技术。此外,在今年的Ignite大会上,还会有很多关于Dynamics 365 CRM和ERP内容,这是有意义的,因为在十月份微软的Dynamics产品套件的下一个功能更新将推出。
今年,也会有一些非典型(但受欢迎)的开发人员内容。ASP.NET、Visual Studio Code和Visual Studio 2017、Node.js以及大量的容器的活动都列在议程当中。有一些关于Progressive Web Apps的活动以及更多侧重MSIX的活动,MSIX是微软正在推出新的Windows 10应用程序打包技术。
目录中列出的活动中,有115场活动涉及到SQL Server(包括Azure SQL)。有迹象表明微软将推出SQL Server 2017的继任者——该产品的代码代号为“Aris”,它目前正在进行私人社区技术预览测试。(感谢Twitter上的The Walking Cat提供了Aris这个代码代号。)
一场活动的介绍是这样描述的:“了解SQL Server的路线图和新功能,包括智能查询处理、数据虚拟化、关键任务安全和HADR的新功能,以及Linux和Docker容器的新场景。”
在硬件方面,微软正在向与会者宣传“能够满足Surface系列最新成员——Surface Hub 2和Surface Go”的能力。几天前,列表上有一场名为“LTE世界中的Surface”活动(之后似乎已经消失了)。我一度认为微软可能会在今年秋天在Ignite大会上展示LTE版本的Surface Go,但也许官方已经决定推迟到另一个时间/活动。微软今年早些时候推出的Surface Hub 2将于今年秋季提供给测试者,并将于2019年上市。
最近,微软向测试人员提供了一个名为“Windows 10 for Remote Sessions”的Windows 10新SKU的早期版本。Ignite上有一个关于“Windows虚拟化中的新功能和下一步”的活动,可能会提供更多详细信息。
该活动的介绍称:“参加本活动,了解远程桌面服务(RDS)的最新改进,它使您能够托管远程用户可访问的桌面或应用程序。”
Windows Server 2019,微软Windows Server的下一个主要版本,也将成为Ignite大会上的一个热门话题,这是有道理的,因为其将于今年秋季开始推出(可能在10月份左右)。
微软的Ignite大会将于9月24日至28日在奥兰多举行。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。