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
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。